Previsão e otimização integrada, orientada por aprendizado profundo, em múltiplas etapas para sistemas energéticos de conversores

Transformando calor residual em energia útil

Cada vez que um lote de aço é produzido, um rio invisível de vapor quente sai dos conversores onde o metal fundido é refinado. Grande parte desse vapor pode ser capturada e convertida em calor ou eletricidade, economizando combustível e reduzindo custos. Mas o vapor sobe e cai de forma imprevisível ao longo do processo, o que dificulta o planejamento de quanto uma usina pode reutilizar. Este artigo apresenta uma nova forma de prever esses surtos de vapor com mais precisão, integrando o planejamento de longo prazo com o monitoramento segundo a segundo para que os siderúrgicos possam extrair mais energia do que já produzem.

Por que o vapor é importante na produção de aço

A indústria siderúrgica da China sozinha produz mais da metade do aço bruto mundial, e o vapor representa cerca de um décimo do consumo energético total de uma usina típica. Na siderurgia moderna por conversor, oxigênio é insuflado em um grande recipiente de ferro fundido, desencadeando reações intensas que liberam calor enorme. A água que circula nas paredes do forno e nos sistemas de resfriamento de gases absorve esse calor e se transforma em vapor, que pode então ser direcionado a turbinas para gerar eletricidade ou usado para aquecer prédios e equipamentos. Quanto mais confiável for a previsão e recuperação desse vapor, menos combustível a planta precisa comprar e queimar, e menores serão seus custos operacionais e emissões.

Por que prever o vapor é tão difícil

Na prática, a produção de vapor está longe de ser constante. Diferentes graus de aço (baixo, médio ou alto carbono) queimam com intensidades distintas, alterando a quantidade de vapor gerada. Cada conversor tem suas peculiaridades e perfil de desempenho, e as plantas frequentemente operam vários conversores ao mesmo tempo. Além disso, existem modos distintos de fundição—descarburação convencional, dupla descarburação e dupla desfosforização—cada um com sua própria duração e padrão de vapor. A maior parte do vapor aparece durante a fase de insuflação de oxigênio, mas a magnitude e a forma desse pico podem variar fortemente de um lote para outro. Cronogramas de produção também mudam conforme o estado dos equipamentos e o fornecimento de material, tornando o ritmo geral da geração de vapor altamente irregular.

Conectando planejamento e operação em tempo real

Até agora, a maioria dos esforços de previsão tem se concentrado na etapa de produção em tempo real, usando leituras históricas de sensores para prever mudanças de curto prazo. Esses modelos geralmente ignoram informações que existem antes de o lote começar, como o grau de aço planejado, o peso do ferro fundido ou a duração esperada da insuflação de oxigênio. Os autores defendem que uma solução útil deve atuar em duas escalas temporais simultaneamente. Primeiro, um modelo da etapa de planejamento olha aproximadamente duas horas à frente, fornecendo estimativas por intervalos sobre quanto vapor vários lotes futuros deverão produzir. Essas estimativas ajudam a definir metas para a rede de vapor da planta, decidir como alocar armazenamento tampão e preparar turbinas e outros consumidores.

Algoritmos inteligentes para cada etapa

Para entregar previsões na etapa de planejamento, a equipe combina uma máquina de vetores de suporte—um método de aprendizado de máquina bem conhecido e relativamente compacto—com um algoritmo de otimização “black‑winged kite” melhorado. Esse otimizador busca sistematicamente as melhores configurações internas do modelo de vetores de suporte, evitando a calibração por tentativa e erro que engenheiros fariam manualmente. Alimentando o modelo com dados de planejamento de baixa dimensionalidade, como grau de aço, peso do ferro, tempo de oxigênio e identificação do conversor, o modelo ajustado pode prever o vapor total dos próximos lotes com uma precisão de cerca de 92%. Uma vez iniciada a produção, o problema muda: leituras de alta frequência de temperatura do vapor, pressão, níveis de líquido e outros sinais passam a entrar, e o fluxo de vapor pode disparar ou cair em segundos. Para essa etapa, os autores introduzem uma arquitetura de aprendizado profundo chamada DSC‑Transformer. Ela usa uma camada convolucional flexível que se adapta à forma para rastrear flutuações locais rápidas, combinada com um módulo Transformer que se sobressai em captar padrões de longo alcance em séries temporais.

De fluxos de dados a um uso de energia mais eficiente

Na etapa de produção, o DSC‑Transformer ingere janelas temporais móveis de dados de sensores e produz previsões de fluxo de vapor de alta resolução, atualizando as estimativas de planejamento anteriores à medida que as condições mudam. O modelo pode ser configurado com diferentes comprimentos de janela—de alguns segundos até dois minutos—permitindo que os operadores equilibrem sensibilidade ultra‑curto prazo com estabilidade de maior prazo. Testado em 50 dias de dados reais de planta de 1.100 aquecimentos de conversores, o sistema alcançou cerca de 99% de precisão preditiva nessa segunda etapa e superou consistentemente alternativas populares, como redes LSTM e Transformers padrão. Juntos, os modelos das etapas de planejamento e produção formam um pipeline de previsão contínuo que alinha o vapor esperado de múltiplos conversores com a capacidade de armazenamento e consumo da rede da planta.

O que isso significa para as siderúrgicas

Para um público não técnico, a mensagem é simples: ao aprender tanto o “plano” lento quanto o “pulso” rápido da produção de aço, esse sistema de previsão em duas etapas ajuda as plantas a capturar e usar mais do vapor que elas já geram. O modelo de planejamento fornece aviso prévio sobre quanto vapor provavelmente estará disponível nas próximas horas, enquanto o modelo em tempo real corrige e refina esse panorama segundo a segundo à medida que cada lote avança. Essa visão integrada permite aos operadores manter turbinas e aquecedores funcionando de forma contínua, evitar o desperdício de vapor quando o armazenamento está cheio e reduzir a dependência de combustível extra. Como resultado, as usinas siderúrgicas podem reduzir contas de energia e emissões sem mudar seus métodos de produção — simplesmente sendo mais inteligentes sobre quando e como usam seu próprio calor residual.

Citação: Hu, Y., Huang, B., Gao, C. et al. Integrated deep learning-driven multi-stage steam forecasting and scheduling optimization for converter energy systems. Sci Rep 16, 12252 (2026). https://doi.org/10.1038/s41598-026-42104-y

Palavras-chave: vapor na siderurgia, eficiência energética industrial, previsão de séries temporais, aprendizado profundo na indústria, recuperação de calor residual