Estudo comparativo entre àrvores de decisão e redes neurais artificiais para determinação do teor de silício no ferro-gusa em alto-forno

Abstract

As árvores de decisão e as redes neurais artificiais são algoritmos que fazem parte da tecnologia chamada de aprendizado de máquinas (machine learning), utilizada para identificar padrões em bases de dados e realizar predições. As árvores de decisão possuem “nós” que dividem os dados em duas subclasses (“nós filhos”), através de uma pergunta que resulta em duas respostas: sim ou não. Essa pergunta ocorre de tal forma a diminuir o erro quadrático para os casos de regressão (previsões numéricas). Enquanto isso, as redes neurais artificiais se inspiram no modelo biológico, em que a maioria dos modelos realiza uma multiplicação sobre os valores de entrada, análogo à ponderação das conexões de neurônios. Com isso, essas conexões são somadas e passam por uma função de ativação, antes de apresentar o resultado. Essas duas ferramentas receberam a mesma base de dados e treinaram seus respectivos algoritmos em relação aos valores de exemplo fornecidos. Ambos os casos, de árvores e redes neurais, foram utilizadas para predição de quantidade de silício presente em ferro-gusa. O silício é importante para controle térmico do alto-forno siderúrgico. Os dois algoritmos apresentaram valores de erro quadrático MSE e percentual MAPE semelhantes. A maior diferença entre os resultados, entretanto, foi em relação à linearização da reta construída entre valores calculados e reais para o conjunto de validação dos modelos, em que o coeficiente de determinação R2 foi de 0,363 para árvores e 0,497 para redes neurais.

Decision trees and artificial neural networks are algorithms that compose the technology called machine learning, used to identify patterns in databases and make predictions. Decision trees have "nodes" that divide the data into two subclasses ("child nodes"), by asking a question that results in two answers: yes or no. This question is asked looking for decreasing the squared error of the regression (numerical predictions). On the other hand, artificial neural networks are inspired by the biological model – most models use a multiplication on input values, similar to the weighting of neuron connections. Then, these connections are summed and go through an activation function that will show the result. The same database was used by the two algorithms, that trained their model with the given output. Both tree and artificial networks were used to predict the amount of silicon present in molten iron. Silicon is important because of the thermal control of the blast furnace. The two algorithms showed similar mean squared error MSE and similar mean absolute percentual error MAPE. However, the biggest difference among the results was on the linearization between the calculated data and the actual value for the validation set, with a coefficient of determination R2 of 0.363 for trees and 0.497 for artificial neural networks.