Predictive control of blast furnace temperature in steelmaking with hybrid depth-infused quantum neural networks

Título: Controle Preditivo da Temperatura de Alto-Forno na Siderurgia com Redes Neurais Quânticas Híbridas Profundas

1. Problema Abordado

A produção de aço é um processo intensivo em energia e altamente complexo, onde o alto-forno é o componente central. Manter a temperatura ideal dentro do alto-forno é crítico para a eficiência, qualidade do produto e segurança. No entanto, o controle de temperatura enfrenta desafios significativos:

• Natureza Não Linear e Dinâmica: As flutuações de temperatura são complexas e difíceis de modelar com métodos tradicionais.
• Atrasos de Tempo (Time Delays): Existe um atraso de 2 a 3 horas entre a injeção de carvão pulverizado (PCI) e o efeito na temperatura do ferro fundido, tornando o controle reativo ineficiente.
• Inacessibilidade: É impossível medir diretamente as condições internas do forno devido às temperaturas extremas e à falta de sensores resistentes, limitando o controle a dados externos e de saída.
• Instabilidade Atual: As variações de temperatura atuais podem chegar a ±50°C em relação ao alvo, o que aumenta o consumo de combustível e o risco de acidentes graves (como "back lamination" ou explosões).

O objetivo é desenvolver um sistema de controle preditivo que utilize a injeção de carvão pulverizado (PCI) para estabilizar a temperatura dentro de uma faixa estreita (alvo de 1500–1510°C), reduzindo o desperdício de energia e melhorando a segurança.

2. Metodologia

Os autores propuseram uma abordagem baseada em Aprendizado de Máquina Quântico Híbrido (HQML), combinando redes neurais clássicas com algoritmos quânticos. O fluxo de trabalho inclui:

• Conjunto de Dados e Pré-processamento:

  • Dados reais de um alto-forno da POSCO (Coreia do Sul) de 2023, com 580 sensores (velocidade, gases, temperaturas de parede, composição do ferro, etc.).
  • Engenharia de Recursos: Seleção de 25 características-chave (dos 580 originais) usando Gradient Boosting para identificar os fatores mais influentes na temperatura e na taxa de PCI.
  • Discretização Temporal: Uso de médias móveis para alinhar os dados e reduzir o ruído, criando janelas de tempo de 24 passos (240 minutos) para prever os próximos 5 passos.

• Arquitetura do Modelo Híbrido (HQNN):

  • Base Clássica: Utiliza uma rede LSTM (Long Short-Term Memory) para capturar dependências temporais e padrões não lineares nos dados dos sensores.
  • Camada Quântica (QDI - Quantum Depth-Infused): Uma camada quântica variacional é inserida entre camadas totalmente conectadas da rede clássica.
    • Esta camada codifica vetores de entrada grandes em um espaço de Hilbert de alta dimensão usando 6 qubits.
    • Utiliza portas de rotação parametrizadas ($R_x, R_y$) e portas de emaranhamento (CNOT) para transformar os recursos, permitindo a representação de correlações complexas com menos parâmetros do que redes puramente clássicas.
  • Modelos:
    1. $M_T$: Modelo de previsão de temperatura (LSTM + Camada QDI).
    2. $M_{all}$: Modelo de previsão multivariada (prevê todos os 27 sensores futuros).
    3. $M_{optim}$: Modelo de otimização linear que ajusta a taxa de PCI para minimizar o desvio da temperatura alvo.

• Estrutura de Otimização:

  • O sistema utiliza um loop de retroalimentação: o modelo $M_{all}$ simula o efeito de uma política de PCI candidata; o modelo $M_{optim}$ ajusta iterativamente essa política via descida de gradiente para minimizar a perda (diferença entre temperatura prevista e o alvo de 1510°C), respeitando limites físicos de injeção.

3. Principais Contribuições

• Integração Prática de QML: Demonstração da viabilidade de usar redes neurais quânticas híbridas em um cenário industrial real, superando as limitações de hardware quântico atual (NISQ) através da simulação em hardware clássico para treinamento, mas mantendo a arquitetura pronta para QPUs reais.
• Novo Paradigma de Controle: Substituição de métodos de controle reativo por um sistema preditivo baseado em IA que antecipa os efeitos da injeção de carvão com horas de antecedência.
• Eficiência de Parâmetros: O modelo híbrido alcançou melhor desempenho com menos parâmetros treináveis em comparação aos modelos clássicos, atuando como uma forma de regularização que reduz o overfitting.
• Framework de Otimização Fechado: Desenvolvimento de um pipeline completo que vai da previsão de temperatura até a geração automática de políticas de injeção de combustível.

4. Resultados

• Precisão Preditiva:
  • O modelo híbrido superou consistentemente o modelo clássico (LSTM puro).
  • Para uma previsão de 1 hora de antecedência, o modelo híbrido alcançou um RMSE (Erro Quadrático Médio Raiz) de 4.46, comparado a 5.95 do modelo clássico.
  • Isso representa uma redução de aproximadamente 25% no erro de previsão.
  • O modelo também demonstrou maior robustez e menor tendência a overfitting.
• Controle de Temperatura:
  • A implementação da política de otimização reduziu a variância da temperatura de ±50°C para ±7.6°C em relação à faixa alvo.
  • Isso permite operar o forno com um ponto de ajuste de temperatura mais baixo, economizando combustível.
• Desempenho Computacional: O sistema foi treinado e testado em hardware clássico (simulando a camada quântica), mas a arquitetura é projetada para escalar com o avanço dos computadores quânticos.

5. Significado e Impacto

Este trabalho marca um avanço significativo na aplicação de tecnologias quânticas na indústria 4.0:

• Economia de Energia e Custos: A redução da variância de temperatura permite diminuir a temperatura alvo operacional, resultando em economias substanciais de carvão (considerando o uso de ~110 toneladas/hora por forno).
• Segurança e Estabilidade: A estabilidade térmica reduz drasticamente o risco de acidentes catastróficos, como bloqueios no forno ou solidificação do ferro ("back lamination"), protegendo trabalhadores e equipamentos.
• Viabilidade Industrial: O estudo prova que, mesmo com hardware quântico limitado, a integração híbrida de algoritmos quânticos em frameworks clássicos pode fornecer benefícios tangíveis e mensuráveis em problemas industriais complexos e não lineares.
• Escalabilidade: O framework proposto é genérico e pode ser adaptado para outros problemas de controle de processos industriais além da siderurgia.

Em resumo, o artigo valida o potencial do Aprendizado de Máquina Quântico Híbrido para transformar o controle de processos industriais, oferecendo uma solução superior em precisão e estabilidade em comparação com as técnicas de estado da arte puramente clássicas.