CatBoost reduziu em 60% o erro no cálculo de ferromanganês em simulação de corridas

O mestre adiciona ferromanganês ao aço para obter o teor de manganês necessário. O excesso significa desperdício de material; a falta, risco de refugo. Em um projeto de estudo no Habr, Ramil Maksyutov mostrou como o CatBoost pode calcular a adição mínima com base em dados disponíveis antes da introdução da ferroliga. Em corridas criadas artificialmente, o modelo reduziu o erro absoluto médio em cerca de 60% em relação a uma previsão simples pela mediana.

Para desenvolvedores e gerentes de produto, o que importa aqui é a estrutura da solução: quais dados podem ser fornecidos ao modelo, com o que comparar o resultado e por que um número atraente de economia potencial não pode ser transposto de imediato para uma proposta comercial. O projeto mostra o caminho da tabela até a calculadora, ao mesmo tempo que delimita as fronteiras desse protótipo.

Como o modelo calcula a adição

A tarefa gira em torno da fusão do aço 35L em forno a arco. Na simulação, a massa de aço líquido é de cerca de 3000 kg, e o objetivo do cálculo é levar o teor de manganês ao limite inferior de 0,45%, indicado pelo autor. Para isso, é preciso estimar quanto do ferromanganês será de fato assimilado pelo metal.

A mesma adição, em condições diferentes, dá resultados diferentes. No gerador de dados, a assimilação depende da temperatura, do oxigênio e da basicidade da escória, que caracteriza sua composição química. O mestre não conhece de antemão a assimilação final, por isso o modelo recebe indicadores indiretos: massas dos componentes da carga, consumo de oxigênio, temperatura, basicidade e teor de carbono.

Imagine uma calculadora: o tecnólogo insere os parâmetros da corrida, obtém o mínimo calculado e depois acrescenta uma margem. Na interface é possível comparar essa dose com o consumo habitual. Mas o valor da margem precisa de uma justificativa própria: um controle deslizante, por si só, não transforma uma previsão em recomendação segura para a produção.

Um detalhe fundamental: as variáveis não incluem a composição final do aço nem a assimilação real do manganês. Esses valores surgem depois da decisão sobre a adição. Se fossem usados no treinamento, resultaria um teste convincente que não pode ser reproduzido no momento da escolha real da dose.

O que significa a redução de 60% no erro

O projeto tem 2000 corridas sintéticas. Delas, 1280 são usadas no treinamento, 320 para escolher o momento de parada e outras 400 para a verificação final. Essa divisão elimina um problema específico da versão anterior: o teste ajudava ao mesmo tempo a escolher o número de árvores e servia de fonte da avaliação final.

No teste separado, o erro absoluto médio do CatBoost foi de 0,352 kg. O parâmetro de referência simples, que sempre devolve a mediana da amostra de treino, errava em 0,873 kg. A diferença corresponde a uma redução do erro de cerca de 60%. É uma comparação útil: sem uma referência inicial, é difícil saber se o resultado justifica a complexidade adicional do sistema.

Ao mesmo tempo, o modelo reconstrói dependências que o autor embutiu antecipadamente no gerador. A importância da basicidade da escória chega a 69,7%, mas esse número não pode ser transposto para um forno real. Nos dados criados, temperatura e oxigênio quase não entram nas regiões em que os respectivos penalizadores são ativados. A distribuição de importância resultante descreve, antes de tudo, a estrutura do experimento.

Por que quase 10 kg ainda não são economia

Na simulação, a adição real média é de 26,9 kg, e o mínimo calculado, cerca de 17 kg. O autor obtém uma diferença média de 9,84 kg por corrida e a chama explicitamente de estimativa superior. O material não traz economia comprovada na produção.

O motivo é claro: o objetivo é calculado exatamente no limite inferior admissível. Se o modelo subestimar a dose necessária, a margem pode não bastar. O erro médio de 0,352 kg não mostra quão perigosos são os erros isolados nem com que frequência ocorrem. Para a implantação, será preciso avaliar justamente esses casos, além de considerar erros de medição e mudanças nas condições de produção.

Conclusão prática para uma equipe que constrói um produto semelhante: comece pela disponibilidade dos dados de entrada e por uma referência simples, depois teste o modelo em corridas reais, levando em conta o momento em que ocorreram. O tamanho da margem e o risco aceitável devem ser acordados com os tecnólogos. A calculadora em Streamlit do artigo serve para discutir a lógica e demonstrar o protótipo; a base para a dosagem em produção deve surgir em uma verificação separada.