Gerenciamento preditivo da duração de campanhas refratárias em uma indústria siderúrgica

Dalila Rodrigues Baesso, Marco Antonio Bonelli Junior, Júlio César Alvarenga

Resumo


Quando se trata de processos siderúrgicos, sabe-se que os materiais refratários são responsáveis por parcela significativa dos custos de produção do aço. Por tal motivo, este trabalho objetivou compreender a alta variabilidade e a baixa duração da campanha dos refratários que compõem um processo de lingotamento contínuo em uma aciaria LD de grande porte do estado de Minas Gerais, identificando a relação entre as variáveis intrínsecas ao equipamento de forma que seja possível a realização de estimativas sobre a duração de sua campanha. Para a seleção dos fatores explicativos, foi utilizado uma variação do método de ajuste de modelo por regressão múltipla Stepwise, sendo que, a cada passo do algoritmo citado, um modelo baseado em programação linear é responsável pelos cálculos dos coeficientes lineares de regressão. Ao final, obteve-se um modelo de predição para a duração da campanha contendo 12 fatores explicativos e possuindo 97,66\% de significância estatística.


Palavras-chave


Materiais refratários; Regressão multivariada; Programação linear.

Texto completo:

PDF (English)

Referências


Abbad, G. D. S., & Torres, C. V. (2002). Regressão múltipla stepwise e hierárquica em Psicologia Organizacional: aplicações, problemas e soluções. Estudos de Psicologia. 7 (Special Number), 19-29. https://doi.org/10.1590/S1413-294X2002000300004

Bragança, S. R. (2012). Corrosão de refratários utilizados na siderurgia. Parte II: propriedades físicas dos refratários e fatores operacionais. Cerâmica. 58(348), 459-464. https://doi.org/10.1590/S0366-69132012000400007

Carvalho, M. D. (2005). Correlação das microestruturas de amostras de dolomitas do quadrilátero ferrífero, MG com as temperaturas iniciais de hidratação das dolomas (Unpublished master’s thesis). Federal University of Minas Gerais, Belo Horizonte, MG.

Fávero, L. P., & Belfiore, P. (2016). Análise de dados: modelos de regressão com Excel®, Stata®, R® e SPSS®. Rio de Janeiro, RJ: Elsevier.

Francisco, J. R. D. S., Amaral, H. F., & Bertucci, L. A. (2013). Remuneração dos acionistas por meio do juro sobre o capital próprio das empresas listadas na BM&FBOVESPA. Revista de Contabilidade do Mestrado em Ciências Contábeis da UERJ, 18(2), 32-48. Retrieved from http://www.atena.org.br/revista/ojs-2.2.3-08/index.php/UERJ/article/view/1728/1602.

Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E., & Tatham, R. L. (2009). Análise multivariada de dados. Porto Alegre, RS: Bookman.

Lee, W. E., & Zhang, S. (2004). Direct and indirect slag corrosion of oxide and oxide-c refractories. In: VII International Conference on Molten Slags Fluxes and Salts, 309-319. Retrieved from http://saimm.org.za/Conferences/Slags2004/045_Lee.pdf.

Mondal, S. C. (2016). Process capability – a surrogate measure of process robustness: a case study. International Journal of Quality & Reliability Management. 33(1), 90-106. https://doi.org/10.1108/IJQRM-12-2013-0202

Nieto, P., Suárez, V., Antón, J., Bayón, R., Blanco, J., & Fernández, A. (2015). A new predictive model of centerline segregation in continuous cast steel slabs by using multivariate adaptive regression splines approach. Materials. 8(6), 3562-3583. https://doi.org/10.3390/ma8063562

Peres, F. A. P., & Fogliatto, F. S. (2018). Variable selection methods in multivariate statistical process control: A systematic literature review. Computers & Industrial Engineering, 115, 603-619. https://doi.org/10.1016/j.cie.2017.12.006

Rao, M., Rama, O., Subbaiah, K. V., Rao, K. N., & Rao, T. S. (2013). Application of multivariate control chart for improvement in quality of hotmetal: a case study. International Journal for Quality Research, 7(4), 623-640. Retrieved from http://www.ijqr.net/journal/v7-n4/11.pdf.

Ritzman, L. P., Krajewski, L. J., & Klassen, R. D. (2004). Foundations of operations management. Toronto: Pearson Prentice Hall.

Ruuska, J., Sorsa, A., Lilja, J., & Leiviskä, K. (2017). Mass-balance based multivariate modelling of basic oxygen furnace used in steel industry. IFAC-PapersOnLine, 50(1), 13784-13789. https://doi.org/10.1016/j.ifacol.2017.08.2065

Sarmento, C. T. (2010). Regressão múltipla: Ferramenta de apoio a decisão nas pesquisas de marketing institucional. In: X Coloquio Internacional sobre Gestión Universitaria en América del Sur. Retrieved from http://repositorio.ufsc.br/xmlui/handle/123456789/97095.

Turrioni, J. B., & Mello, C. H. P. (2012). Metodologia de pesquisa em engenharia de produção. Programa de Pós-Graduação em Engenharia de Produção da Universidade Federal de Itajubá. Itajubá: UNIFEI.

Xu, D., & Zhao, W. (2005). Reliability prediction using multivariate degradation data. In: Annual Reliability and Maintainability Symposium. IEEE, 337-341. doi:10.1109/RAMS.2005.1408385.

Zimmer, A., Bragança, S., Santos, L. D., & Bergmann, C. (2004). Comparação entre refratários magnesianos e dolomíticos utilizados em panelas para refino de aço. In: Proceedings of the 48th Annual Meeting of the Brazilian Ceramic Society. Retrieved from https://www.ipen.br/biblioteca/cd/cbc/2004/artigos/48cbc-8-14.pdf.




DOI: https://doi.org/10.5585/exactaep.v18n4.14537

Direitos autorais 2020 Exacta

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição - Não comercial - Compartilhar igual 4.0 Internacional.

Tempo médio entre a submissão e primeira resposta de avaliação: 120 dias

Exacta – Engenharia de Produção

e-ISSN: 1983-9308
ISSN: 1678-5428
www.revistaexacta.org.br

Exacta  ©2020 Todos os direitos reservados.