EVRAZ implementa rede neural para aquecimento de aço e redução do consumo de gás no laminador

A EVRAZ contou como na laminação a quente da NTMK substituiu o ajuste manual dos fornos por um sistema de recomendação baseado em um modelo matemático e rede neural. O objetivo não era automação para relatório, mas reduzir o consumo excessivo de gás durante o aquecimento do blank sem perder qualidade da laminação.

Por que o gás estava desaparecendo

Na laminação a quente, os blanks passam por fornos de aquecimento antes de serem alimentados no laminador, e no papel essa etapa parece padrão. Na prática, cada forno se comporta diferentemente: a construção difere, o estado do queimador, o desgaste do refratário e até o caminho que o blank percorre até o primeiro stand. O resultado também é afetado pela classe de aço, seção transversal, temperatura antes do carregamento, transposições planejadas e paradas não planejadas.

Para um setor com ampla nomenclatura, isso significa que o mesmo regime quase nunca funciona para todos os lotes seguidos. Anteriormente, os operadores regulavam manualmente a temperatura, tempo de aquecimento e consumo de gás com base na instrução, experiência e condição atual do equipamento. Formalmente, as regras eram comuns a todos, mas em turnos reais tinham que ser constantemente adaptadas à situação.

Por isso, diferentes equipes mostravam consumo de combustível diferente, e ao mudar entre tipos de produtos, o consumo excessivo quase se tornava a norma. A EVRAZ descreve diretamente o problema através da lacuna entre documento e chão de fábrica real.

"Seguir a instrução tecnológica."

Do que o modelo foi feito

A equipe rapidamente compreendeu que um modelo ML puro não ajudaria aqui. A temperatura do blank é medida apenas na entrada e saída do forno, e quase não há dados sobre como o metal se aquece durante o ciclo. Então fizeram a fundação física: um modelo numérico de aquecimento baseado na lei da condução de calor, considerando calor dos queimadores, convecção, troca de calor por radiação e contato, e propriedades do metal em diferentes temperaturas.

Separadamente, o modelo considerou a formação de escama, que efetivamente cria uma camada termoisolante na superfície do blank. Para fazer o sistema funcionar em um setor real, o modelo teve que ser ajustado para fornos específicos e modos de produção reais. Durante o ajuste, surgiram detalhes raramente vistos em esquemas abstratos: sucção de ar do setor, efeito do espaçamento da disposição de blanks, tempo de parada conhecido durante transposições e até dificuldades com interpretação de dados do pirômetro após o stand de redução.

• diferenças de geometria do forno e posicionamento de queimadores
• sucção de ar do setor para atmosfera do forno
• espaçamento de disposição de blanks e lacunas entre eles
• tempo de parada conhecido durante transposições do laminador
• características de dezenas de classes de aço e diferentes formas de seção

Depois empacotaram os resultados da modelagem numérica em uma rede neural. Foi treinada em dados de cálculo de dezenas de milhares de cenários de aquecimento extraídos do arquivo histórico ao longo de vários anos. Essa abordagem híbrida deu ao sistema duas coisas ao mesmo tempo: significância física e velocidade suficiente para tempo real suave. O resultado foi um gêmeo digital do processo de aquecimento que não apenas prevê a temperatura do blank, mas sugere aos operadores como ajustar as zonas do forno e queimadores para um lote específico.

Teste em produção

Antes da implementação, o modelo foi validado em dois critérios principais. Primeiro, compararam a temperatura calculada do blank com dados do pirômetro na descarga do forno, não após o stand de redução onde a imagem já é distorcida pelo resfriamento subsequente. Segundo, usaram testes arquivados de blanks instrumentados termicamente com sensores dentro do metal.

Mesmo que o forno tivesse passado por reparo capital desde esses testes, os dados ajudaram confirmar que o modelo reflete corretamente o perfil de aquecimento real. Separadamente, a EVRAZ avaliou com que precisão o sistema calculava o consumo de recursos energéticos necessários ao longo do tempo. Para isso, compararam valores reais e do modelo usando o coeficiente de determinação R².

A empresa relata ter alcançado 0,75 — suficiente para demonstrar a adequação do modelo para produção e gerenciamento. Após a parte técnica, criaram uma interface funcional: os operadores veem o diagrama do forno por zonas e recomendações para ajuste de queimadores. O piloto em um setor foi considerado bem-sucedido, as cifras exatas de economia não são divulgadas, mas o sistema já está sendo preparado para escalar para outros fornos da empresa.

O que isso significa

Este caso demonstra bem para onde a IA industrial está realmente indo. O efeito mais útil aqui veio não de um chatbot universal, mas de uma combinação de gêmeo digital, dados históricos e sugestões compreensíveis ao operador. Se esses sistemas começarem a se proliferar, a metalurgia poderá economizar energia não através de restrições rígidas, mas através do ajuste mais preciso do processo para cada lote específico.