Inteligência artificial na metalurgia
O mercado siderúrgico moderno enfrentou nos últimos anos uma das maiores crises e colapsos de toda sua história. Incontáveis usinas optaram por enfrentar desativar altos-fornos e encolher a produção de uma forma geral. Este cenário está se revertendo, pelo menos é o que os números dizem. Segundo a WorldSteel a produção mundial de aço bruto totalizou 148,3 milhões de toneladas em março de 2018, um avanço de 4% na comparação com o mesmo período de 2017.
Este crescimento está relacionado, dentre outros motivos, com as novas técnicas e tecnologias que otimizaram os processos empregadas na produção que reduziram os custos e puderam ampliar a utilização da capacidade instalada.
O volume de dados gerados em toda cadeia produtiva de uma usina siderúrgica de grande porte é gigantesco. A cada estação de trabalho operada durante o fluxo de produção existem incontáveis variáveis de processo que a todo tempo são observadas e armazenadas em bancos de dados relacionais da usina. Estas variáveis servem para controle de processo e para entender quais pontos são aptos a melhoria.
Neste contexto surge uma necessidade por algo que possa consumir e gerar conhecimento a partir destes dados: a inteligência artificial - IA. Com ela é possível entender quais pontos dentro do processo são cabíveis de melhoria, pontos estes que humanos não seriam capazes devido ao número considerável de informações.
A utilização de IA tem se intensificado em vários seguimentos industriais devido a uma série de fatores, tais como: baixo custo de implementação, resultados em pouco tempo, ampliação da capacidade analítica, previsibilidade de resultados com alta precisão e alta assertividade. Atrelado a todos está a necessidade cada vez maior de poder controlar os processos evitando possíveis retrabalhos e gastos desnecessários.
Dentro da IA podemos citar uma das mais conhecidas técnicas de machine learn as redes neurais artificiais - RNAs. Elas algoritmos computacionais que simulam a forma pela qual os seres humanos aprendem e assimilam uma informação. Abaixo segue um exemplo de rede neural biológica:
Esquema de uma RNA – Fonte: Elaborado pelo autor.
Uma rede neural é formada por subunidades chamadas neurônios que processam sinais de entrada para sinais de saída, acoplados através de sinapses (o ser humano que codifica a rede e controlam o processamento dos sinais). (AUBIN, 1996).
Analogamente os as RNAs aprendem e tornam possível entender e prever o comportamento de processos. Aplicando as RNAs na indústria, a rede neural reconhece as bases de dados da linha de produção (como a quantidade de material utilizado, a geração de sucata, o tempo de processamento, etc) por meio de um conjunto de neurônios de entrada ela pode ser ativada conforme os dados. As ativações desses neurônios são então passadas, ponderadas e transformadas por uma função de ativação determinada pelo criador da rede para outros neurônios.
Esquema de uma RNA – Fonte: Elaborado pelo autor.
Na metalurgia podemos citar casos reais de utilização de IA, tais como na previsão: de consumo de combustíveis, composição química final, da demanda de matéria prima, de rotas de entrega, resultados de ensaios mecânicos). Além disso pode-se aplicar IA com a utilização de imagens nos neurônios de entrada, assim como imagens geradas por microscopia óptica e eletrônica que poderiam prever até mesmo a microestrutura dos materiais e o grau inclusional de um corpo de prova.
Todos estes exemplos são simbólicos se comparados a infinidade de aplicações que podem ser estudadas e ampliadas com ênfases das mais diversas. Como vantagens podemos citar que estas soluções depois de devidamente treinadas e otimizadas podem efetuar todo o trabalho de forma autônoma sem a necessidade direta de um ser humano, o que reduz consideravelmente os erros e o custo agregado no produto final. Além disso a maioria das ferramentas utilizadas na criação de algoritmos de IA são gratuitos para fins comerciais e educacionais.
Com base nisso é possível concluir que a utilização de IA na metalurgia possui inúmeros benefícios, seja diretamente no controle de processo ou no custo dos produtos. Pode-se também inferir que com os avanços tecnológicos e o aumento da necessidade pela precisão na análise dos resultados devido as solicitações metalúrgicas cada vez mais desafiadoras, a inserção de meios computacionais como RNAs na produção de aços se torna cada vez mais inevitável.
Referências bibliográficas: Bishop, Christopher M. Neural networks for pattern recognition. Oxford University Press. New York, 1995.
Braga, Antônio de Pádua; Carvalho, André Ponce de Leon F. de; Ludemir, Teresa Bernarda. Redes neurais artificiais: teoria e aplicações. Livros técnicos e científicos editora S.A. Rio de Janeiro, 2000.
Neural Networks Website. Neural Networks Website. Human and Artificial Neurones - investigating the similarities. Disponível em: https://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html Acesso em: 10 agosto 2018 Neural Networks Website. Neural Networks Website. Human and Artificial Neurones - investigating the similarities. Disponível em: https://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html. Acesso em: 10 agosto 2018
Neural Networks Website. Neural Networks Website. Human and Artificial Neurones - investigating the similarities. Disponível em: https://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html. Acesso em: 14 agosto 2018
SILVA, I. N.; Redes Neurais Artificiais para engenharia e ciências aplicadas. HEATON, J.; Programming Neural Networks with Encog3 in Java. HAYKIN, S.; Redes Neurais: Princípios e práticas. Produção mundial de aço bruto avança em março, aponta Worldsteel. Disponível em: https://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html. Acesso em: 10 agosto 2018
