USO DE MODELOS PREDITIVOS NÃO LINEARES NA PREVISÃO DE SATURAÇÃO DE FILTROS DIASTAR EM UMA REFINARIA DE ALUMINA

Abstract

A produção de alumina pelo processo Bayer é limitada pela instabilidade das soluções supersaturadas utilizadas pelas refinarias de alumina. O processo de filtração de licor rico em alumina é vital para a qualidade do produto final, assim como a etapa mais impactada pelos níveis de supersaturação do licor. A elaboração de um modelo preditivo de saturação de filtros surgiu com a necessidade de um controle mais fino de turbidez e operação do equipamento em seu ponto ótimo. Foram desenvolvidos e comparados modelos de aprendizado de máquina, especificamente Multilayer Perceptron (MLP) e Random Forest, utilizando a linguagem Python. A base de dados utilizada compõe-se de conjuntos de dados históricos de filtros de uma refinaria, sendo a performance dos modelos avaliada através do coeficiente de determinação (R²) e do erro médio absoluto. Os resultados indicaram que o modelo MLP apresentou desempenho superior ao Random Forest, obtendo um coeficiente de determinação (R²) de 0,95 contra 0,86 do comparativo. As análises dos diferentes conjuntos no decorrer dos anos de 2022 a 2024 mostrou que a utilização de dados mais recentes no treinamento dos modelos é capaz de adequar predições à ajustes operacionais comuns no ambiente industrial.