Coladas de acero sintéticas: el azar ingenuo dio un 6,3% de coladas aptas y un criterio no funcionaba

El autor del artículo quería incorporarse como Head of AI a una empresa metalúrgica, pero la falta de una titulación especializada se lo impidió. Entonces desarrolló en un par de semanas un MVP que nunca llegó a la dirección. Quedó, eso sí, un simulador de coladas, y el análisis de sus errores resulta útil para cualquiera que genere datos sintéticos para ML.

Para qué sirven los datos sintéticos y qué se modela

Los datos de las empresas metalúrgicas no se pueden publicar en abierto: son secretos comerciales. Por eso, quienes quieren probar una idea carecen de datos con los que entrenar y comparar modelos. Un conjunto sintético no sustituirá a los datos reales, pero permite depurar todo el flujo, desde la generación hasta la interfaz. Después se pueden incorporar coladas reales.

El problema es el siguiente. Durante la sangría del acero a la cuchara, el operario añade ferroaleaciones para devolver el silicio y el manganeso perdidos por oxidación a los límites de tolerancia. No se sabe de antemano cuánta aleación se perderá por oxidación, por lo que se añade una dosis con margen, y ese margen cuesta dinero. Hay que estimar la dosis mínima suficiente a partir de los datos disponibles antes de la adición.

El simulador describe la producción de acero 35Л según ГОСТ 977–88 en un horno de arco ДСП-3. La carga es siempre de 3300 кг (chatarra 2А, briquetas 6А y arrabio), y se obtienen alrededor de 3000 кг de acero líquido. Una colada solo es apta si cumplen simultáneamente las tolerancias el carbono, el silicio, el manganeso, la suma de azufre y fósforo y el sobrecalentamiento por encima del liquidus.

Por qué no funciona el azar independiente

La primera idea es evidente: tomar cada parámetro de una distribución uniforme dentro de su intervalo y calcular el resultado mediante fórmulas. De 100 coladas, solo una resultó apta. Tras los ajustes, en 2000 hubo 127 aptas, es decir, un 6,3%.

La causa está en la aritmética, no en la física. Las cinco condiciones deben cumplirse a la vez y, con parámetros independientes, la probabilidad de cumplir cada una va de decenas de puntos porcentuales a fracciones de punto. Era difícil que una temperatura aleatoria de un intervalo de 130 °C cayera dentro de una ventana de sobrecalentamiento de 25 °C, y el 82% de las coladas incumplía ese criterio. Le seguían el carbono (54%) y el silicio (42%).

El peor resultado fue el del azufre y el fósforo: en la primera versión nunca se incumplía su límite. El máximo calculado por la fórmula era del 0,030%, frente a un umbral del 0,040%. El criterio quedó inactivo, y un conjunto de datos con una sola clase para esa variable enseña muy poco al modelo.

El operario apunta a un objetivo y se equivoca

La solución se reduce a un principio. Cada parámetro que controla una persona se calcula como un objetivo derivado de la medición anterior más el ruido del instrumento o del factor humano, y el resultado se limita al intervalo físicamente posible. La temperatura de sangría, por ejemplo, se fija como el liquidus más el sobrecalentamiento objetivo, y se añade un error del termopar de ±5 °C. El arrabio se dosifica para que, tras la fusión, el carbono quede en torno al 0,42–0,50%. El ruido de las básculas es de ±4 кг y el del caudalímetro de oxígeno, de ±2 м³.

Las ferroaleaciones son especialmente importantes. El encargado calcula la dosis con un rendimiento de incorporación nominal (80% para el manganeso y 90% para el silicio). Solo conoce el rendimiento real después de la sangría. El sobrecalentamiento, el soplado excesivo de oxígeno y la escoria ácida lo reducen, y la diferencia entre lo previsto y lo real genera tanto rechazos como ese margen que el modelo aprende después a reducir. En el conjunto de datos, estas columnas están marcadas como no observables antes de la sangría. Si se introducen en el modelo como variables de entrada, se produce una fuga de datos.

Otro detalle: la penalización por malas condiciones se implementa con una sigmoide, en lugar de un escalón abrupto. El rendimiento de incorporación disminuye de forma gradual alrededor del umbral, como en la realidad, sin discontinuidades artificiales en los datos. A esto se añade un residuo inexplicado que varía de una colada a otra para impedir que el modelo aprenda la fórmula a la perfección.

Limitaciones y qué hacer en la práctica

Todas las cifras del artículo proceden de los datos del propio generador y describen el simulador, no un horno real. El propio autor señala las simplificaciones: ГОСТ regula el azufre y el fósforo por separado, y la ventana de sobrecalentamiento se ideó para moldes de mezclas de endurecimiento en frío. El liquidus se calcula con una aproximación lineal; para un horno real hacen falta coeficientes de un manual de referencia o de un cálculo termodinámico. El fragmento del artículo del que disponemos termina con el análisis de la carga. El entrenamiento de CatBoost y un microservicio de asesoramiento quedan anunciados para la segunda parte.

La conclusión práctica va más allá de la metalurgia. Antes de entrenar con datos sintéticos conviene calcular la proporción de clases positivas y la frecuencia con la que se activa cada criterio. Si uno de ellos no se activa nunca, hay que corregir el simulador, no el modelo. Es preferible modelar los parámetros que controla una persona como un objetivo con ruido, en lugar de variables aleatorias independientes. Por último, todo lo que no se pueda observar en el momento de tomar la decisión debe excluirse de las variables de entrada. El conjunto de datos generado permite comprobar el flujo, pero no demuestra que el modelo vaya a funcionar con coladas reales.