Este estudo explora o uso de técnicas de aprendizado de máquina supervisionado para abordar a previsão do desgaste de revestimentos refratários em conversores LD, uma questão crucial na indústria siderúrgica. Os materiais refratários são extremamente importantes nesta indústria devido à sua resistência em condições extremas, e seu desempenho influencia diretamente e indiretamente os custos de produção do aço, além da segurança operacional. Com a evolução das técnicas de análise de dados, o aprendizado de máquina apresenta-se como uma solução promissora frente às limitações das abordagens estatísticas clássicas, especialmente em contextos em que a quantidade de características de processo é vasta e a distribuição dos dados não segue padrões estatísticos convencionais. No contexto deste estudo, utilizaram-se dados de um conversor LD de uma usina siderúrgica integrada localizada no Brasil. O tratamento dos dados envolveu eliminar outliers e variáveis irrelevantes ou incorretas. Os dados utilizados podem ser separados em dados de processo e medidas de espessura do revestimento, que precisaram ser relacionados e, para isso, agrupamentos de corridas foram feitos para adequar as diferenças de frequência de coleta dos dois grupos de dados. A principal ferramenta utilizada para o tratamento de dados e modelagem foi Python, empregando bibliotecas como scikit-learn e TensorFlow. Na modelagem, aplicaram-se os algoritmos de regressão linear, polinomial, Lasso, Ridge, Elastic Net, KNN, SVR, árvores de decisão e redes neurais artificiais (RNAs). Utilizou-se grid search e cross-validation para otimizar cada algoritmo. Além de ajustar os modelos, conduziu-se treinamento com diferentes conjuntos de características, incluindo todas as disponíveis, seleção via eliminação recursiva de variáveis (RFE) e aquelas com correlação de Pearson significativa com a variável alvo. Os melhores algoritmos foram combinados em modelos de aprendizado conjunto. Os resultados evidenciaram a inadequação dos modelos lineares, enquanto abordagens que modelam relações não lineares, como SVR, KNN e RNAs, demonstraram desempenho superior. Entre os diferentes modelos e combinações de características, o melhor resultado obtido foi o aprendizado em conjunto de SVR com KNN, alcançando um R² de 0,21, indicando que o aprendizado em conjunto pode gerar modelos superiores aos individuais. Devido à pequena quantidade de dados disponíveis, foi feita uma análise com relação a quantidade de dados que mostra que com uma maior quantidade seria possível obter coeficientes de determinação sensivelmente maiores. Este trabalho contribui para a indústria não pela precisão na previsão do desgaste do revestimento, mas pelo seu extenso exame de várias técnicas de aprendizado de máquina. A investigação detalhada sobre o desempenho de diferentes metodologias enriquece o corpo de conhecimento técnico e oferece uma base sólida para futuras pesquisas.

This study explores the use of supervised machine learning techniques to address the prediction of refractory lining wear in LD (Linz-Donawitz) converters, a crucial issue in the steel industry. Refractory materials are extremely important in this industry due to their resistance under extreme conditions, and their performance directly and indirectly influences the production costs of steel, as well as operational safety. With the evolution of data analysis techniques, machine learning presents itself as a promising solution to the limitations of classical statistical approaches, especially in contexts where the amount of process characteristics is vast and the data distribution does not follow conventional statistical patterns. In the context of this study, data from an integrated steel plant's LD converter in Brazil were used. Data treatment involved eliminating outliers and irrelevant or incorrect variables. The utilized data can be separated into process data and measurements of the lining thickness, which needed to be related, and for this, grouping of runs was done to adjust the frequency differences of data collection between these two data groups. Python was the primary tool used for data treatment and modeling, employing libraries such as scikit-learn and TensorFlow. In the modeling phase, algorithms such as linear regression, polynomial regression, Lasso, Ridge, Elastic Net, KNN, SVR, decision trees, and artificial neural networks (ANNs) were applied. Grid search and cross-validation were used to optimize each algorithm. Besides adjusting the models, training was conducted with different sets of features, including all available, selection via recursive feature elimination (RFE), and those with significant Pearson correlation with the target variable. The best algorithms were combined into ensemble learning models. The results highlighted the inadequacy of linear models, while approaches that model non-linear relationships, such as SVR, KNN, and ANNs, showed superior performance. Among the different models and feature combinations, the best result was achieved with the ensemble learning of SVR and KNN, reaching an R² of 0.21, indicating that ensemble learning can produce superior models compared to individual ones. Due to the limited amount of available data, an analysis regarding the quantity of data showed that a larger amount could significantly increase the determination coefficients. This work contributes to the industry not by the precision in predicting the wear of the lining but by its extensive examination of various machine learning techniques. The detailed investigation of the performance of different methodologies enriches the technical knowledge base and provides a solid foundation for future research.