5. CONSIDERAÇÕES FINAIS
5.1. Trabalhos futuros
Como trabalhos futuros, pretende-se:
a) Aplicar outras formas de preencher dados faltantes da base de dados e verificar o efeito no resultado no modelo neural;
b) Testar outros métodos de seleção de variáveis de entrada para os modelos neurais propostos e considerar o índice de atrito da alumina como variável de entrada, pois os engenheiros de processos analisam esse parâmetro constantemente e afirmam que ele interfere no comportamento do forno;
c) Utilizar outro tipo de rede neural profunda (deep learning) para a modelagem demonstrada nesta tese;
d) Usar a métrica SMAPE (symmetric mean absolute percentage error) para verificar a precisão baseada na percentagem dos erros gerados pelos diversos modelos neurais.
Ademais, almeja-se construir um produto a partir dos modelos gerados. Esse produto pode ser um sistema computacional web (que funcione através do navegador de internet) e/ou um aplicativo de smartphone. Caso a fábrica permita, ele seria integrado aos bancos de dados existentes no parque tecnológico da mesma, permitindo realizar estimações em tempo real, de forma rápida e com alta precisão.
Esse mesmo sistema também poderia ter um módulo para realizar simulações nos diversos fornos que compõem a fábrica (uma espécie de “forno de redução de alumínio virtual”). Após as simulações virtuais, o engenheiro de processos poderia exportar os parâmetros ideais para o sistema de controle da fábrica. Executar testes virtuais proporciona maior segurança, diminui custos e reduz praticamente a zero os acidentes de trabalho, porque as simulações seriam realizadas através do computador e não diretamente na planta.
113
REFERÊNCIAS
AARHAUG, T. A.; FERBER, A.; KJOS, O.; GAERTNER, H. Online Monitoring of Aluminium Primary Production Gas Composition by Use of Fourier-Transform Infrared Spectrometry. Light Metals 2014, pp. 647-652, 2014.
ACCENTURE, A Inteligência Artificial Impulsiona os lucros e inovação na indústria, https://www.accenture.com/pt-pt/insight-ai-industry-growth, acessado em 15/11/2018.
AKBARI, E.; MIR, M.; VASILJEVA, M.V.; ALIZADEH, A.; NILASHI, M. A computational model of neural learning to predict graphene based ISFET. J. Electron.
Mater, v. 48, p. 4647–4652, 2019.
ALBRAS, Manual de Fundamentos do Processo de Produção de Alumínio II, 1999.
ALVARENGA JÚNIOR, W. J. Métodos de Otimização Hiperparamétrica: Um Estudo Comparativo Utilizando Árvores de Decisão e Florestas Aleatórias na Classificação Binária. Dissertação (Mestrado) - Universidade Federal de Minas Gerais, Escola de Engenharia, Programa de Pós-Graduação em Engenharia Elétrica, 2018.
ARIANA, M.; DÉSILETS, M.; PROULX, P. On the analysis of ionic mass transfer in the electrolytic bath of an aluminum reduction cell. The Canadian Journal of Chemical Engineering, vol. 92, issue 11, pp. 1951-1964, 2014.
ARKHIPOV, A.; ALZAROONI, A.; JASMI, A. A.; POTOCNIK, V. Improving the Understanding of Busbar Design and Cell MHD Performance. Light Metals 2017, pp.
671-677, 2017.
ARKHIPOV, A.; NECHEPORENKO, I.; MUKHANOV, A.; AHLI, N.; ALMARZOOQI, K. Modelling Study of Exhaust Rate Impact on Heat Loss from Aluminium Reduction Cells. Light Metals 2019, pp. 625-635, 2019.
ARKHIPOV, A.; ZAROUNI, A.; AKHMETOV, S.; MISHRA, L.; AL JASMI, A. A Model Based Study of Cell Electrical Preheating Practices at DUBAL. Light Metals 2015, pp.
777-782, 2015.
ASTERIS, P. G.; ROUSSIS, P. C.; DOUVIKA, M. G. Feed-forward neural network prediction of the mechanical properties of sandcrete material. Sensors, v. 17, p. 1344, 2017.
BAHARVAND, B.; AMERI, S. M.; KHANBABAPOOR, S. Thermo-electrical Modeling of an Aluminum Reduction Cell. Light Metals 2018, pp. 761-768, 2018.
BAITECHE, M.; CHAOUKI, H.; GOSSELIN, E.; JACQUES, A.; ALAMDARI, H.;
FAFARD, M. Hydrodynamic and Thermoelectric 3D Mathematical Model of Aluminium Electrolysis Cell to Investigate Slotted Carbon Anode Efficiency. Light Metals 2017, pp. 1325-1331, 2017.
114 BAITECHE, M.; KOCAEFE, D.; KOCAEFE, Y.; MARCEAU, D.; MORAIS, B.;
LAFRANCE, J. Description and Applications of a 3D Mathematical Model for Horizontal Anode Baking Furnaces. Light Metals 2015, pp. 1115-1120, 2015.
BAITECHE, M.; TAGHAVI, S. M.; ZIEGLER, D.; FAFARD, M. LES Turbulence Modeling Approach for Molten Aluminium and Electrolyte Flow in Aluminum Electrolysis Cell. Light Metals 2017, pp. 679-686, 2017.
BARDET, B.; FOETISCH, T.; RENAUDIER, S.; RAPPAZ, J.; FLUECK, M.; PICASSO, M. Alumina Dissolution Modeling in Aluminium Electrolysis Cell Considering MHD Driven Convection and Thermal Impact. Light Metals 2016, pp. 315-319, 2016.
BHATTACHARYAY, D., KOCAEFE, D., KOCAEFE, Y.; MORAIS, B. An artificial neural network model for predicting the CO2 reactivity of carbon anodes used in the primary aluminum production. Neural Computing & Applic, vol. 28, issue 3, pp. 553- 563, 2017.
BIDAR, B.; SHAHRAKI, F.; SADEGHI, J.; KHALILIPOUR M. M. Soft sensor modeling based on multi-state-dependent parameter models and application for quality monitoring in industrial sulfur recovery process. IEEE Sens. J., v. 18, p. 4583–4591, 2018.
BOJAREVICS, V. Dynamic Modelling of Alumina Feeding in an Aluminium Electrolysis Cell. Light Metals 2019, pp. 675-682, 2019.
BOJAREVICS, V.; EVANS, J. W. Mathematical Modelling of Hall-Héroult Pot Instability and Verification by Measurements of Anode Current Distribution. Light Metals 2015, pp. 783-788, 2015.
BREIMAN, L. Bagging Predictors. Machine Learning. vol. 24, issue 2, pp. 123-140, 1996.
BRIMMO, A. T.; HASSAN, M. Furnace Modeling For Efficient Combustion Gas Circulation. Light Metals 2016, pp. 757-761, 2016.
BRIMMO, T.; HASSAN, I.; SHATILLA, Y. Transient heat transfer computational model for the stopped aluminium reduction pot - Cooling techniques evaluation.
Applied Thermal Engineering, vol. 73, issue 1, pp.116, 127, 2014.
CHEN, J. J. J.; TAYLOR, M. P. Control of Temperature and Aluminium Fluoride in Aluminium Reduction, Aluminium. International Journal of Industry, Research and Applications, vol. 81, pp. 678-682, 2005.
CHEN, S.; BILLINGS, S.A.; GRANT, P.M. Non-linear system identification using neural networks. Int. J. Control, v. 51, p. 1191–1214, doi:10.1080/00207179008934126, 1990.
CHERMONT, P.; SOARES, F.; OLIVEIRA, R. Simulations on The Bath Chemistry Variables Using Neural Networks. Light Metals 2016, pp. 607-612, 2016.
115 COLAH. Understanding LSTM Networks, http://colah.github.io/posts/2015-08- Understanding-LSTMs/, publicado em agosto/2015, acessado em 15/11/2018.
CONGA, Q.; YU, W. Integrated soft sensor with wavelet neural network and adaptive weighted fusion for water quality estimation in wastewater treatment process.
Measurement, v. 124, p. 436–446, 2018.
CORREIO BRASILIENSE, Inteligência artificial mira o futuro do setor industrial
daqui uma década,
https://www.correiobraziliense.com.br/app/noticia/economia/2017/10/15/internas_economia ,633674/inteligencia-artificial-mira-o-futuro-do-setor-industrial-daqui-uma-d.shtml,
publicado em 15/10/2017, acessado em 15/11/2018.
DASSYLVA-RAYMOND, V.; KISS, L. I.; PONCSAK, S.; CHARTRAND, P.;
BILODEAU, J. F.; GUÉRARD, S. Modeling the Behavior of Alumina Agglomerate in the Hall-Héroult Process. Light Metals 2014, pp. 603-608, 2014.
DION, L.; KISS, L.; PONCSÁK, S.; LAGACÉ, C. Using Artificial Neural Network to Predict Low Voltage Anode Effect Pfcs at the Duct End of an Electrolysis Cell. Light Metals 2016, pp. 545-550, 2016.
DIOP, M.; FAFARD, M.; HAI, H. Numerical prediction of gas bubbles formation on porous anode in Hall- Héroult cells based on lattice Boltzmann method. Special Topics
& Reviews in Porous Media: An International Journal, vol. 5, issue 3, pp. 185-204, 2014.
DUPUIS, M.; JELTSCH, R. On The Importance of Field Validation in the Use of Cell Thermal Balance Modeling Tools. Light Metals 2016, pp. 327-332, 2016.
EFRON, B. Bootstrap Methods: Another Look at the Jackknife. Ann. Statist. vol. 7, issue 1, pp. 1-26, 1979.
EINARSRUD, K. E.; GYLVER, S. E.; MANGER, E. CFD Modelling of Alumina Feeding. Light Metals 2018, pp. 557-564, 2018.
ESTADÃO, Inteligência artificial ganha espaço nas empresas ao reduzir erros e custos, https://link.estadao.com.br/noticias/geral,inteligencia-artificial-ganha-espaco-nas-empresas- ao-reduzir-erros-e-custos,10000029748 , publicado em 01/02/2015, acessado em 15/11/2018.
EXAME, IBM ajuda a construir o futuro da América Latina com Inteligência Artificial, Cloud e Blockchain, https://exame.abril.com.br/negocios/releases/ibm-ajuda-a- construir-o-futuro-da-america-latina-com-inteligencia-artificial-cloud-e-blockchain/,
publicado em 07/01/2017, acessado em 15/11/2018.
FORESEE, F. D.; MARTIN, T. H. Gauss-Newton approximation to Bayesian learning.
Proceedings of the International Joint Conference on Neural Networks, June, 1997.
116 FORSSELL, U.; LJUNG, L. Closed-loop identification revisited. Automatica, v. 35, p.
1215–1241, 1999.
FORTUNA, L.; GRAZIANI, S.; RIZZO, A.; XIBILIA, M. G. Soft Sensors for Monitoring and Control of Industrial Processes, 1ª ed.; Springer: Londres, Inglaterra, 2007.
FURU, J.; BUCHHOLZ, A. Numerical Modeling of Heat Transfer in a Full Scale Industry Furnace. Light Metals 2015, pp. 895-900, 2015.
GONZAGA, J. C. B.; MELEIRO, L. A. C.; KIANG, C.; FILHO, R. M. ANN-based soft- sensor for real-time process monitoring and control of an industrial polymerization process. Comput. Chem. Eng. v. 33, p. 43–49, 2009.
GONZALEZ, J.; YU, W. Non-linear system modeling using LSTM neural networks.
IFAC Papers Online, v. 51, p. 485–489, 2018.
GOPAKUMAR, V.; TIWARI, S.; RAHMAN, I. A deep learning based data driven soft sensor for bioprocesses. Biochem. Eng. J., v. 136, p. 28–39, 2018.
GRJOTHEIM, K.; KROHN, M. Aluminium Electrolysis: Fundamentals of the Hall- Heroult Process. Deutschland, Düsseldorf, Aluminium Verlag Marketing &
Kommunikation, 3ª ed., 2002.
GRJOTHEIM, K; KVANDE, H. Introduction to Aluminium Electrolysis Understanding the Hall-Héroult Process, Aluminium-Verlag, 2ª edição, 1993.
GUÉRARD, S.; CÔTÉ, P. A Transient Model of the Anodic Current Distribution in an Aluminum Electrolysis Cell. Light Metals 2019, pp. 595-603, 2019
GUNASEGARAM, D. R.; MOLENAAR D. Rodding in Hall-Héroult Cells: An Fea Model that Predicts Room Temperature Mechanical Properties and Cracking Tendency of Thimbles. Light Metals 2014, pp. 1287-1292, 2014.
GUNASEGARAM, Dr; MOLENAAR, D. Towards improved energy efficiency in the electrical connections of Hall-Héroult cells through Finite Element Analysis (FEA) modeling. Journal of Cleaner Production, vol. 93, pp. 174-192, 2015.
HAGAN, M. T.; MENHAJ, M. B. Training Feed Forward Networks with the Marquardt Algorithm. IEEE Transactions on Neural Networks, vol. 5, pp. 989-993, 1994.
HAUPIN,W. The influence of additives on Hall-Héroult bath properties. The Journal of The Minerals, Metals & Materials Society (TMS) - JOM, vol. 43, issue 11, pp, 28-34, 1991.
HAYKIN, S. O. Neural Networks and Learning Machines, 3ª ed.; Pearson Prentice Hall:
Ontário, Canadá, 2009.
HINTON, G. E. Learning multiple layers of representation. Trends in Cognitive Sciences, v. 11, p. 428-434, 2007.
117 HOCHREITER, S.; SCHMIDHUBER, J. Long short-term memory. Neural Computation, vol. 9, issue 8, pp. 1735-1780, 1997.
HUA, J.; DROSTE, C.; EINARSRUD, K. E.; RUDSHAUG, M.; JORGENSEN, R.;
GISKEODEGARD, N. H. Revised Benchmark Problem for Modeling of Metal Flow and Metal Heaving in Reduction Cells. Light Metals 2014, pp. 691-695, 2014.
HUA, J.; RUDSHAUG, M.; DROSTE, C.; JORGENSEN, R.; GISKEODEGARD, N.
Modelling of Metal Flow and Metal Pad Heaving in A Realistic Reference Aluminium Reduction Cell. Light Metals 2016, pp. 327-332, 2016.
KADLEC, P.; GABRYS, B.; STRANDT, S. Data-driven soft sensors in the process industry. Comput. Chem. Eng., v. 33, p. 795–814, 2009.
LANGLOIS, S.; RAPPAZ, J.; MARTIN, O.; CARATINI, Y.; FLUECK, M.; MASSEREY, A.; STEINER, G. 3D Coupled MHD and Thermo-Electrical Modelling Applied to AP Technology Pots. Light Metals 2015, pp. 771-775, 2015.
LEBREUX, M.; DÉSILETS, M.; BLAIS, A.; LACROIX, M. On the Prediction of the Crust Evolution Inside Aluminum Electrolysis Cells. Light Metals 2014, pp. 655-660, 2014.
LI, Q.; ZHANG, W.; LI, H. ; HE, P.. CO2 emission trends of China's primary aluminum industry: A scenario analysis using system dynamics model. Energy Policy, vol. 105, pp.
225-235, 2017.
LI, T.; JOHANSEN, S. T.; SOLHEIM, A. Detailed Model of Electrochemical Cathode Wear in Hall-Héroult Cells. Light Metals 2015, pp. 831-836, 2015.
LIMA, F. A. N.; SOUZA, A. M. F.; SOARES, F. M.; CARDOSO, D. L.; OLIVEIRA, R. C.
L. Clustering Aluminum Smelting Potlines Using Fuzzy C-Means and K-Means Algorithms. Light Metals 2017, pp. 589-597, 2017.
LIU, X.; YANG, Y.; WANG, Z.; TAO, W.; LI, T.; ZHAO, Z. CFD Modeling of Alumina Diffusion and Distribution in Aluminum Smelting Cells. Light Metals 2019, pp. 645-645, 2019.
LOBATO, F. M. F. Estratégias evolucionárias para otimização no tratamento de dados ausentes por imputação múltipla de dados. Tese (Doutorado) - Universidade Federal do Pará, Instituto de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica, 2016.
LU, B.; CHIANG, L. Semi-supervised online soft sensor maintenance experiences in the chemical industry. J. Process Control, v. 67, p. 23–34, 2018
LUMLEY, R. Fundamentals of Aluminium Metallurgy: Production, Processing and Applications. Ed. Elsevier, ISBN 0857090259, 9780857090256, 2010.
118 MAIWALD, D.; DI LISA, D.; KRUMMRICH, F.; HEINKE, F. Flow Detection Module - A New Model to Predict the Flow in Open Pit Anode Baking Furnaces. Light Metals 2017, pp. 1255-1264, 2017.
MANDIN, P.; LEMOINE, J. M.; WÜTHRICH, R.; ROUSTAN, H. Industrial aluminium production: The Hall-Heroult process modeling, ECS Transactions, vol. 19, issue 26, pp.
1-10, 2009.
MANOLESCU, P.; DUCHESNE, C.; TESSIER, J.; SAEVARSDOTTIR, G. On the Use of Multivariate Statistical Methods to Detect, Diagnose and Mitigate Abnormal Events in Aluminium Smelters. Light Metals 2018, pp. 475-483, 2018.
MARTEL, A. Spike Detection Using Advanced Analytics and Data Analysis. Light Metals 2018, pp. 485-490, 2018.
MARTINS, A. F. C. Terminologia do Ciclo de Produção do Alumínio: Bauxita, Alumina e Alumínio. Tese de doutorado – Universidade Federal do Ceará, Centro de Humanidades, Departamento de Letras Vernáculas, Programa de Pós-Graduação em Linguística, Fortaleza, 2014.
MATHWORKS, Bayesian regularization backpropagation - MATLAB trainbr, https://www.mathworks.com/help/deeplearning/ref/trainbr.html;jsessionid=f76ba0cb0f57e9 afe05a0aa2a088 , acessado 15/11/2018.
MORRIS, A. E. Developing a Do-It-Yourself Excel Model of a Reverberatory Side-Well Aluminum Melting Furnace. Light Metals 2015, pp. 889-894, 2015.
MORTENSEN, D.; HUA, J.; HÅKONSEN, A.; HAUGEN, T.; FAGERLIE, J. O.
Modelling of Hydrogen Removal in Gas Fluxing of Molten Aluminium. Light Metals 2017, pp. 1445-1450, 2017.
MURUGAN, C.; NATARAJAN, P. Estimation of fungal biomass using multiphase artificial neural network based dynamic soft sensor. J. Microbiol. Methods, v. 159, p. 5–
11, 2019.
O GLOBO, Apple compra startup de inteligência artificial Emotient, https://oglobo.globo.com/economia/apple-compra-startup-de-inteligencia-artificial-
emotient-18430599, publicado em 07/01/2016, acessado em 15/11/2018.
OGUNMOLU, O.P.; GU, X.; JIANG, S.B.; GANS, N.R. Nonlinear Systems Identification Using Deep Dynamic Neural Networks. ArXiv, abs/1610.01439, 2016.
OUMAROU N.; KOCAEFE Y.; KOCAEFE D.; MORAIS B.; LAFRANCE J. A Dynamic Process Model for Predicting the Performance of Horizontal Anode Baking Furnaces.
Light Metals 2015, pp. 1081-1086, 2015.
119 OUZILLEAU P.; GHERIBI A. E.; CHARTRAND P. Prediction of /CO formation from the (primary) anode process in aluminium electrolysis using an electrothermodynamic model (for coke crystallites). Electrochimica Acta, vol. 259, pp. 916-929, 2018.
PAK, U.; KIM, C.; RYU, U.; SOK, K.; PAK, S. A hybrid model based on convolutional neural networks and long short-term memory for ozone concentration prediction. Air Quality, Atmosphere & Health, vol. 11, pp. 883-895, 2018.
PAQUET-DURAND, O.; ASSAWARAJUWAN, S.; HITZMANN, B. Artificial neural network for bioprocess monitoring based on fluorescence measurements: Training without offline measurements. Eng. Life Sci., v. 17, p. 874–880, 2017.
PEREIRA, V. G. Controle automático de adição de AlF3 em cubas de redução de alumínio, usando lógica Fuzzy. Dissertação (Mestrado) - Universidade Federal do Pará, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, 2005.
PÉREZ-CRUZ, J.H.; CHAIREZ, I.; RUBIO, J.J.; PACHECO, J. Identification and control of class of non-linear systems with non-symmetric deadzone using recurrent neural networks. IET Control Theory Appl, v. 8, p. 183–192, 2014.
POERIO, D.V.; BROWN, S.D. Localized and adaptive soft sensor based on an extreme learning machine with automated self‐correction strategies. Journal of Chemometrics., v. 1, e3088, 2018.
PRASAD, S. Studies on the Hall-Heroult aluminum electrowinning process, Journal of the Brazilian Chemical Society, vol. 11, issue 3, pp. 245-251, 2000.
RENAUDIER, S.; LANGLOIS, S.; BARDET, B.; PICASSO, M.; MASSEREY A. A Unique Suite of Models to Optimize Pot Design and Performance. Light Metals 2018, pp. 541-549, 2018.
RIEDMILLER, M.; BRAUN, H. A Direct Adaptive Method for Faster Backpropagation Learning: The RPROP Algorithm. Proceedings of the IEEE International Conference on Neural Networks, pp. 586-591, 1993.
ROGER, T.; KISS, L.; FRASER, K.; PONCSÁK, S.; GUÉRARD, S.; BILODEAU., JF.
Development of a Mathematical Model to Follow Alumina Injection. Light Metals 2019, pp. 683-688, 2019.
ROSTAMIAN, A.; LESQUEREUX, S.; BERTHERAT, M.; RAPPAZ, M. Artificial Intelligence to Optimize Melting Processes: An Approach Combining Data Acquisition and Modeling. Light Metals 2019, pp. 1159-1164, 2019.
RUMELHART, D., HINTON, G. & WILLIAMS, R. Learning representations by back- propagating errors. Nature, v. 323, p. 533–536, doi:10.1038/323533a0, 1986.
120 SADIGHI, S.; MOHADDECY, R.; AMERI, A. Artificial neural network modeling and optimization of Hall-Héroult process for aluminum production. International Journal of Technology, vol. 6, issue 3, pp. 480-491, 2015.
SCHNEIDER, A.F.; CHARETTE, O.; RICHARD, D. A Numerical Approach for the Design of Anode Beam Mechanical Systems. Light Metals 2014, pp. 679-684, 2014.
SENAI, Como é aplicada a Inteligência Artificial na Indústria, https://avozdaindustria.com.br/ind-stria-40-totvs/como-aplica-o-da-intelig-ncia-artificial-na- ind-stria , publicado em 24/08/2018, acessado em 15/11/2018.
SHOKRY, A.; AUDINO, F.; VICENTE, P.; ESCUDERO, G.; MOYA, M. P.; GRAELLS, M.; ESPUÑA, A. Modeling and simulation of complex nonlinear dynamic processes using data based models: Application to photofenton process. Comput. Aided Chem.
Eng., v. 37, p. 191–196, 2015.
SHUAI, Y.; JIE, L.; YUJIE, X.; HONGLIANG, Z.; XIAOJUN, L.; MING, J. A Modelling of Heat Losses in Aluminium Reduction Cell With Slotted Anodes. Light Metals 2014, pp. 667-672, 2014.
SILVA, I. N.; SPATTI, D. H.; FLAUZINO, R. A. Rede Neurais Artificiais: para Engenharia e Ciências Aplicadas, Artliber, São Paulo, 1ª edição, 2010.
SOARES, F. M.; SOUZA, A. M. F. Neural Network Programming with Java.
Birmingham, UK, Packt Publishing, 2ª edição, 2017.
SOLHEIM, A. Polyvalent Impurities and Current Efficiency in Aluminium Cells: A Model Concerning Electrochemical Short Circuiting. Light Metals 2016, pp. 371-376, 2016.
SOLHEIM, A.; GISKEØDEGÅRD, N. H.; HOLT, N. J. Sideledge Facing Metal in Aluminium Electrolysis Cells: Preliminary Modelling Study of Bath Film Formation.
Light Metals 2016, pp. 423-428, 2016.
SOUZA, F. A. A.; ARAÚJO, R.; MATIAS, T.; MENDES, J. A multilayer-perceptron based method for variable selection in soft sensor design. J. Process Control, v. 23, p.
1371–1378, 2013.
TATA CONSULTANCY SERVICES, Automation and Artificial Intelligence Services, https://www.tcs.com/automation-and-ai, acessado em 15/11/2018.
TAYLOR, M. P.; ETZION, R.; LAVOIE, P.; TANG, J. Energy Balance Regulation and Flexible Production: A New Frontier for Aluminum Smelting. Metallurgical and Materials Transactions E, vol. 4, pp. 292-302, 2014.
TOTTEN, G. E. & MACKENZIE, D. S. Handbook of Aluminum, Physical Metallurgy and Processes. USA, New York, Marcel Dekker, vol. 1, 2003.
121 WANG, Y.; TIE, J.; SUN, S.; ZHANG, Z.; ZHAO, R. Simulation Method Based on Equivalent Circuit to Investigate the Circuit Characteristics in Aluminum Reduction Cell. Transactions of the Indian Institute of Metals, vol 68, issue 3, pp. 443-451, 2015.
WAZ, E.; BANSAL, A.; CHAPELLE, P.; DELANNOY, Y.; BELLOT, J.; LE BRUN, P.
Modeling of Inclusion Behavior in an Aluminum Induction Furnace. Light Metals 2016, pp. 849-854, 2016.
WORLD ALUMINIUM, The website of the International Aluminium Institute, http://www.world-aluminium.org/, acessado em 26/10/2019.
XIFENG, C.; YIWEN, Z.; JIANHONG, Y. An Improved Finite Element Model for Thermal Balance Analysis of Aluminum Electrolysis Cells. Light Metals 2014, pp. 661- 666, 2014.
XU, M.; ISAC, M.; GUTHRIE, R.I.L. A Numerical Simulation of Transport Phenomena During the Horizontal Single Belt Casting Process Using an Inclined Feeding System.
Metall and Materi Trans B, vol. 49, issue 3, pp. 1003-1013, 2018.
YAN, W.; TANG, D.; LIN, Y. A Data-driven soft sensor modeling method based on deep learning and its application. IEEE Trans. Ind. Electron, v. 64, p. 4237–4245, 2017.
YANG, Y.; HYLAND, M.; SEAL, C.; WANG, Z. Modelling HF Generation: The Role of Ambient Humidity. Light Metals 2014, pp. 641-646, 2014.
YUAN, X.; OU, C.; WANG, Y.; YANG, C.; GUI, W. Deep quality-related feature extraction for soft sensing modeling: A deep learning approach with hybrid VW-SAE.
Neurocomputing, Article in press, 2019.
ZHANG, D.; HØLLAND, E. S.; LINDHOLM, G.; RATNAWEERA, H. Hydraulic modeling and deep learning based flow forecasting for optimizing inter catchment wastewater transfer. Journal of Hydrology, 2017.
ZHANG, D.; LIN, J.; PENG, Q.; WANG, D.; YANG, T.; SOROOSHIAN, S.; LIU, X.;
ZHUANG, J. Modeling and simulating of reservoir operation using the artificial neural network, support vector regression, deep learning algorithm. Journal of Hydrology, vol.
565, pp. 720-736, 2018.
ZHANG, H.; WANG, Q.; LI, J.; GUO, H.; WANG, J.; LI, T. Study on Side Ledge Behavior Under Current Fluctuations Based on Coupled Thermo-electric Model. Light Metals 2019, pp. 647-655, 2019.
ZHANG, H.; YANG, S.; ZHANG, H.; LI, J.; XU, Y. Numerical Simulation of Alumina- Mixing Process with a Multicomponent Flow Model Coupled with Electromagnetic Forces in Aluminum Reduction Cells. JOM, vol. 66, issue 7, pp. 1210-1217, 2014.
122 ZHANG, H; LAI, Y. Computational modeling of anodic current distribution and anode shape change in aluminium reduction cells. Journal of Mining and Metallurgy Section B Metallurgy, vol.51, issue 1, pp. 7-15, 2015.
ZHANG, K.; FENG, Y.; WITT, P.; YANG, W.; COOKSEY, M.; WANG, Z.; SCHWARZ, P. A numerical assessment of bubble-induced electric resistance in aluminium electrolytic cells. Journal of Applied Electrochemistry, vol. 44, issue 10, pp. 1081-1092, 2014.
ZHAO, C.; YU, S‐H.; MILLER, C.; GHULAM, M.; LI, W‐H.; WANG, L. Predicting aircraft seat comfort using an artificial neural network. Hum. Factors Ergon. Manuf., v.
29, p. 154–162, 2019.
ZHENGYONG, Z.; BAIYONG, Z.; ZHIGUO, L. Study on the Prediction Model of Heat Transfer Coefficient during Tube Digestion. Light Metals 2015, pp. 35-38, 2015.
123
APÊNDICE A – Vários experimentos usando LSTM
Com o objetivo de provar que os modelos baseados em LSTM possuem variação muito pequena um do outro, mesmo considerando a aleatoriedade no processo de treinamento, rodou-se dez experimentos diferentes para o mesmo conjunto de dados (grupo pré-estacionário) e a referida variação pode ser vista através da Figura 6.1 a seguir, onde cada linha representa um experimento. Selecionou-se o grupo pré-estacionário, porque é o menor conjunto de dados o qual consome menos tempo.
Figura 6.1. Variação dos experimentos baseados em LSTM (dados do grupo pré-estacionário, cada curva representa um experimento diferente). (a) Variável TMP. (b) Variável TMP (zoom nas 10 últimas épocas). (c) Variável ALF. (d) Variável ALF (zoom). (e) Variável NME. (f) Variável NME (zoom).
(a) (b)
(c) (d)
(e) (f)
124
APÊNDICE B – Resultados considerando preenchimento de dados faltantes através de técnica não-linear
Esta seção mostra os resultados obtidos considerando que o preenchimento de dados faltantes foi realizado através da equação 7.1, que é uma função pseudo-aleatória e não- linear dada por
𝑥 = 𝜎𝑖× 𝛼 + 𝑀𝑑𝑖 (7.1)
onde 𝑥 é o valor do dado a ser imputado, 𝜎𝑖 é o desvio padrão da variável i, 𝛼 é o valor pseudo-aleatório normalmente distribuído entre -1 e 1 e 𝑀𝑑𝑖 é a mediana da variável i.
A figura 7.1 mostra um exemplo do preenchimento de dados faltantes considerando a variável TMP. Nota-se que a maioria dos pontos imputados fica perto da mediana (que vale aproximadamente 960 ºC).
Figura 7.1 – Imputação de dados não-linear.
Após a subsituição de dados nulos, geraram-se os histogramas das variáveis de entrada e de saída do modelo (figura 7.2). Percebe-se que eles são semelhantes aos histogramas gerados depois da imputação linear (figuras 3.3 e 3.4).
125
Figura 7.2 – Histogramas considerando dados de todos os fornos após substituição de dados nulos por valores não-linerares. (a) variáveis de entrada, (b) variáveis de saída.
(a)
(b)
Em seguida, os modelos neurais baseados em RNA-LM, RNA-BP e LSTM foram criados com os mesmos parâmetros de treinamento informados no capítulo 3 (Material e Métodos). Como o tempo de treinamento total – levando em consideração todas as técnicas e todos os grupos de dados – é muito grande, optou-se por usar apenas o grupo de dados
“ponto de partida” para demonstrar os resultados, porque ele é o menor conjunto de dados.
A figura 7.3 mostra os valores de MSE e R, onde a linha azul é a média, para os modelos oriundos da técnica RNA-LM. Nota-se que a maioria dos modelos possui valor de MSE na faixa de 0,7 a 0,8 e de R entre 0,5 a 0,6.
126
Figura 7.3 - Valores de MSE e R para os modelos baseados em RNA-LM considerando os modelos treinados com dados não-lineares, a cor de cada curva representa um experimento diferente: (a) MSE para o ponto de partida; (b) R para o ponto de partida.
(a)
(b)
A seguir, têm-se os resultados para os modelos criados a partir da RNA-BP. Percebe- se que os valores de MSE e de R são maiores que aqueles encontrados na RNA-LM, além disso, a variação entre os diversos modelos também é maior (figura 7.4).