Avaliação do comportamento térmico e eficiência energética em processos de cozedura cerâmica

Abstract

A presente dissertação investiga o comportamento térmico e energético de um forno industrial do setor cerâmico, recorrendo à aplicação de técnicas de análise de dados e metodologias de exploração estatística orientadas para a eficiência operacional. O estudo surge no contexto da crescente importância da Ciência de Dados na Indústria 4.0, onde a otimização de processos térmicos e a redução do consumo energético assumem um papel central para a sustentabilidade e competitividade do setor. A investigação fundamentou-se inicialmente numa análise sistemática do estado da arte, que demonstrou o papel crucial da Ciência de Dados na análise preditiva e na expansão das capacidades de Avaliação de Ciclo de Vida (ACV). Este processo permitiu o levantamento de requisitos técnicos e a identificação de variáveis-chave (como a composição da pasta, tempos de ciclo, fluxos de exaustão e consumos energéticos) essenciais para que modelos de Machine Learning possam apoiar decisões sustentáveis. A base experimental assentou em dois conjuntos de dados distintos: o primeiro exploratório, que permitiu compreender o contexto produtivo e as relações fundamentais entre variáveis térmicas e energéticas; e o segundo mais completo, que suportou a análise aprofundada do funcionamento real de um forno de produção de chacota ao longo de sete meses. A metodologia adotada incluiu limpeza e preparação dos dados, deteção de outliers, segmentação por curvas de produção, análise temporal, correlações e criação de variáveis derivadas. Os resultados evidenciaram padrões de funcionamento coerentes com o processo produtivo, bem como fenómenos relevantes para a eficiência térmica, incluindo oscilações antes de quebras, assimetrias entre zonas do forno e efeitos de inércia térmica. Verificou-se que a curva de 13 horas funciona como padrão operacional eficiente, enquanto a curva de 16 horas revela maior potencial energético quando aplicada estrategicamente. Conclui-se que a integração de ferramentas de análise de dados, apoiadas por softwares multidisciplinares e bases de dados ambientais identificadas na literatura, permite não só diagnosticar o estado real do processo como identificar oportunidades de otimização energética e bases para o desenvolvimento de modelos preditivos num contexto industrial real.

This dissertation investigates the thermal and energy behaviour of an industrial ceramic kiln through the application of data analysis techniques and statistical exploration methodologies aimed at improving operational efficiency. The study is framed within the growing relevance of Data Science in Industry 4.0, where optimizing thermal processes and reducing energy consumption are fundamental to the sustainability and competitiveness of the ceramic sector. The research was initially grounded in a systematic review of the state of the art, which demonstrated the crucial role of Data Science in predictive analysis and in expanding the capabilities of Life Cycle Assessment (LCA). This process enabled the identification of technical requirements and key variables (such as paste composition, cycle times, exhaust gas parameters, and energy consumption) which are essential for Machine Learning models to effectively support sustainable decision-making. The investigation is based on two distinct datasets: an exploratory one that provided an understanding of the production context and the fundamental relationships between thermal and energy variables; and a second, more comprehensive dataset that supported an in-depth analysis of the real operation of a ceramic kiln over seven months. The adopted methodology included data cleaning and preparation, outlier detection, segmentation by production curves, temporal analysis, correlations, the creation of derived variables, and technical interpretation supported by interactive visualization. The results revealed operational patterns consistent with the production process, as well as phenomena relevant to thermal efficiency, including temperature oscillations preceding breakdowns, asymmetries between kiln zones, thermal inertia effects, and instabilities associated with scheduled stoppages. The 13-hour curve was identified as an efficient and flexible operational standard, while the 16-hour curve showed higher energy optimization potential when applied strategically. Ambient temperature was found to have a marginal influence on gas consumption, with the processed thermal load being the primary determinant. Furthermore, periods of energy waste were identified as dependent on operational management, reinforcing the need for coordination between production planning and thermal regimes. In conclusion, the integration of data analysis tools (supported by the multidisciplinary software and environmental databases identified during the research) enables not only the diagnosis of the real state of the process but also the identification of early signs of anomalies and opportunities for energy optimization. This work provides a direct contribution to the modernization of the ceramic sector, proposing operational recommendations and foundations for the future development of predictive models, alert systems, and continuous monitoring strategies in real industrial settings.