Como a Vetta tem desenvolvido ferramentas digitais para o controle de emissões?
Por Paula Pomaro, Kássio Cançado, Alexsander Costa, Ana Carolina Rocha e Lis Soares
No contexto das usinas siderúrgicas, a emissão de óxidos de nitrogênio (NOx) representa um desafio significativo devido às suas propriedades poluentes e à complexidade de sua formação. Usualmente, emissões de NOx podem tanto ser calculadas a partir de fatores de emissão multiplicados pela quantidade de combustível queimado, quanto medidas através de sistemas de monitoramento contínuo de emissões (CEMS). Ambos os caminhos possuem limitações. O cálculo baseado em fatores de emissão não considera a complexidade do processo de formação de NOx, o qual é grandemente influenciado pela temperatura. Já os sistemas de monitoramento contínuo (CEMS) apresentam altos custos de implementação e operação, e envolvem rigorosos procedimentos de calibração.
Nesse cenário, a Vetta vem desenvolvendo modelos de machine learning pelos quais seja possível calcular a geração contínua de NOx com um rigor maior do que o cálculo efetuado por fatores de emissão, e um custo bem menor que o requerido pelo CEMS. Em um recente estudo de caso, a Vetta explorou a aplicação de modelos de machine learning para prever a geração de NOx no forno de reaquecimento de uma usina siderúrgica integrada.
No estudo de caso, foi proposta a utilização de modelos de machine learning estáticos para a predição da geração de NOx na chaminé do forno. O modelo foi treinado com dados de NOx obtidos de um Sistema de Monitoramento Contínuo de Emissões (CEMS) instalado no forno. O objetivo era verificar se um modelo de machine learning poderia prever a geração de NOx com a mesma confiabilidade que os valores obtidos por um CEMS calibrado. Se o modelo de machine learning demonstrasse ser confiável, seria possível substituir a instalação de um CEMS em outro forno por uma campanha de medição isocinética, que geraria os dados necessários para treinar o modelo. A metodologia envolveu a definição das variáveis de entrada, classificação das variáveis, modelagem e testes. Por se tratar de dados com distribuição de probabilidade não normal, foi utilizado o Coeficiente de Correlação de Spearman para se obter as variáveis com maior correlação com a resposta de NOx. O modelo adotado foi o Random Forest, cujos hiperparâmetros foram otimizados para a aplicação em questão.
Embora o estudo ainda esteja em desenvolvimento, ficou evidente que existe um grande potencial na aplicação de ferramentas de inteligência artificial para a previsão de emissões como os NOx. Entretanto, algumas condições são necessárias:
· Adequado controle do processo: Para que a predição do NOx através de modelos de Machine Learning seja adequada, o sistema de combustão deve ser muito bem controlado. No caso de fornos, deve existir medição e controle rigorosos da temperatura.
· Planejamento criterioso das campanhas de aquisição de dados: Para que o modelo seja capaz de prever a geração de NOx de forma adequada, é necessário que os dados de treino sejam obtidos em condições bastante variadas de operação. Portanto, uma eventual campanha de medição isocinética deve ser planejada de forma muito criteriosa.
· Customização e adequação de modelos: Diferentes processos poderão requerer diferentes tipos de modelos de machine learning e diferentes parametrizações. Portanto, não existe uma solução única, de prateleira. Cada processo deve ser modelado de forma totalmente customizada de modo a refletir, o tanto quanto possível, a realidade.
Na Vetta, estamos preocupados em desenvolver soluções que se ajustem perfeitamente à realidade do processo de cada cliente. Nós oferecemos soluções de engenharia com ferramentas digitais e desenvolvemos, de forma contínua, novas funcionalidades para otimizar o monitoramento em tempo real, prever resultados operacionais e reduzir custos, sempre alinhadas com as metas de desempenho e sustentabilidade de nossos clientes. Entre em contato conosco e saiba como as nossas soluções podem contribuir com o seu negócio.