Como a Niteo ajudou a ArcelorMittal Acindar a prever a metalização do DRI e antecipar decisões no forno

Resumo

A ArcelorMittal Acindar decidiu testar se inteligência artificial poderia prever a taxa de metalização de sua planta de redução direta (DRI) — o indicador que define a qualidade do ferro-esponja e o custo de tudo o que vem depois. A Niteo liderou o projeto com a Microsoft, SoftwareONE e OSIsoft, combinando um ano de dados do historiador PI System, informações sobre o minério e o conhecimento de operadores com décadas de experiência. O modelo passou a prever metalização e teor de carbono, revelou a influência da composição do minério por fornecedor e abriu caminho para uma operação apoiada por dados, com menor consumo de energia, menos refugo e menos espera entre etapas — mantendo a decisão final com quem conhece o forno.

Contexto

A ArcelorMittal é o maior grupo siderúrgico do mundo fora da China, com operações de produção de aço em 14 países e presença comercial em cerca de 60. Na Argentina, o grupo atua por meio da ArcelorMittal Acindar, empresa fundada em 1942 pelo engenheiro Arturo Acevedo, integrada ao grupo em 2006 e controlada em 99,5% desde 2008. A Acindar é a principal produtora de aços longos do país, com unidades em Villa Constitución (Santa Fe), Rosario, San Nicolás, La Tablada e Villa Mercedes.

O coração industrial da empresa é a planta integrada de Villa Constitución, inaugurada em 18 de agosto de 1978. Ela reúne, em um mesmo sítio, uma planta de redução direta de minério de ferro, aciaria com fornos elétricos a arco e lingotamento contínuo, além de dois laminadores e uma trefilaria. A planta de redução direta completou 45 anos em 2023 com marcas expressivas: mais de 34,2 milhões de toneladas de ferro-esponja (DRI) produzidas desde a inauguração, a melhor combinação de metalização e teor de carbono dentro do grupo ArcelorMittal e o melhor consumo específico de gás natural e energia elétrica entre os módulos Midrex de porte semelhante — resultado de inovações locais como o revestimento com cal, a injeção de oxigênio e o “baby reformer”.

A diretoria da Acindar buscava parceiros para aplicar machine learning aos seus processos e identificou dois candidatos: o aumento da taxa de metalização no DRI e a otimização do custo do forno elétrico da Aciaria. A expectativa era de projetos curtos, com entregáveis replicáveis para outras unidades do grupo. A Niteo foi designada para liderar a construção dos modelos e dos entregáveis, com a Microsoft como plataforma, a SoftwareONE como hub comercial e a OSIsoft como fornecedora do historiador PI System, onde os dados de processo eram armazenados.

A taxa de metalização é a métrica-chave da redução direta: ela mede a fração do ferro presente no material que já foi convertida em ferro metálico. Módulos Midrex típicos operam entre 92% e 96% de metalização, e cada ponto percentual a mais significa menos oxigênio residual a ser removido, com mais energia, nos fornos elétricos da aciaria. Controlar esse indicador dependia fortemente da experiência de profissionais que conheciam a operação havia décadas. A Niteo foi envolvida para transformar dados do processo e esse conhecimento prático em apoio à previsão de tendências, ampliando a capacidade de antecipação da sala de controle.

Problema de negócio

Na redução direta a gás, o gás natural é o principal insumo energético: uma referência de mercado para o processo Midrex é da ordem de 2,4 Gcal de gás natural e 95 kWh de energia elétrica por tonelada de DRI. Em uma planta que já figura entre as mais eficientes do grupo, ganhos adicionais não vêm de grandes trocas de equipamento, e sim de consistência operacional: acertar o ponto do forno mais cedo, mais vezes e com menos variação entre turnos.

A empresa precisava reduzir o gasto de energia e a geração de material fora das condições desejadas sem comprometer a produtividade. Para isso, o operador necessitava de uma visão antecipada do comportamento do processo: como a composição do minério e os parâmetros térmicos poderiam influenciar a metalização e o carbono do lote. A dependência de análises manuais e de conhecimento concentrado em especialistas dificultava essa antecipação.

A presidência da Acindar foi clara sobre o que esperava: não queria soluções intermediárias ou temporárias, e sim uma solução que pudesse ser conectada aos dados reais do processo. O desafio de negócio era, portanto, duplo: desenvolver um modelo que funcionava e desenhá-lo desde o início para operar em tempo real, preservando — e valorizando — a experiência de quem operava o forno.

Impacto do problema

A operação enfrentava consumo elevado de energia, geração de refugo e intervalos de espera para adequar a temperatura do forno. Esses fatores comprometiam o aproveitamento do material, a continuidade do processo e o tempo de produção.

Um exemplo ajuda a dimensionar o cenário: o ciclo levava cerca de quatro horas, e a redução da temperatura de aproximadamente 1.200 °C para 1.000 °C podia exigir cerca de duas horas. Na prática, isso significava que um ajuste térmico tardio consumia metade do ciclo apenas para colocar o forno na condição correta — tempo em que a energia continuava sendo gasta, o material continuava avançando e a janela para corrigir o lote se estreitava.

Os efeitos se encadeavam ao longo da cadeia. Material fora das condições desejadas virava refugo ou exigia reprocessamento; um ferro-esponja com metalização abaixo do alvo transferia para a aciaria a conta de remover o oxigênio remanescente, elevando o consumo elétrico dos fornos a arco — justamente o custo que o segundo projeto candidato pretendia atacar; e a espera entre etapas reduzia a produção efetiva por hora de forno disponível. Como as decisões dependiam de testes e interpretações manuais, a variação entre turnos e entre profissionais tornava os resultados menos previsíveis.

Segundo a McKinsey, operadores que aplicaram IA em plantas de processamento industrial relataram aumento de 10% a 15% na produção e de 4% a 5% no EBITA (AI: The next frontier of performance in industrial processing plants, 2023). O dado é de mercado: ajuda a dimensionar a oportunidade e não representa resultado deste projeto.

Desafio

Desafio técnico

A solução precisava considerar a relação entre as características do material de entrada, as temperaturas e os tempos de cada etapa. Em um forno de redução, o minério desce por gravidade enquanto o gás redutor quente sobe em contracorrente; a qualidade do resultado depende da temperatura do gás, de sua composição, do perfil térmico da carga e do tempo de residência em cada zona. Variações na composição do minério ou das pelotas — teor de ferro, ganga, granulometria — alteram a resposta do forno, e o operador precisa compensar essas variações com ajustes cujo efeito só aparece horas depois.

Havia também um desafio de dados. Nem todas as variáveis do DRI estavam carregadas no historiador PI System (no forno elétrico, por contraste, todas já estavam), e a análise inicial das amostras mostrou lacunas — como os detalhes de composição química que ficavam em planilhas de processo, fora do historiador. Durante o briefing também foram apontadas falhas nos sensores e dependência de verificações humanas. Dados com lacunas, leituras inconsistentes e resultados de laboratório que chegavam com atraso exigiam tratamento cuidadoso antes de alimentar qualquer modelo. Interpretar as variáveis exigia proximidade com a operação: não bastava correlacionar séries temporais, era preciso entender por que um especialista fazia determinado ajuste em determinado momento.

Desafio humano e de coordenação

Havia ainda uma barreira de adoção: parte da equipe receava que compartilhar sua experiência contribuísse para a substituição dos postos de trabalho. Esse receio é compreensível — o conhecimento acumulado ao longo de décadas é o principal ativo profissional de um operador de forno — e ignorá-lo teria condenado o projeto.

A implementação incluiu workshops para esclarecer a proposta e envolver os profissionais na construção da solução. O papel definido para a tecnologia foi apoiar a análise; os ajustes permaneceram sob responsabilidade do operador. A mensagem foi consistente do início ao fim: o modelo aprende com quem conhece o forno, e é esse mesmo profissional quem valida o que o modelo sugere.

O projeto também exigia orquestrar quatro empresas em dois países. A Acindar pediu, com razão, presença física na usina e um ponto focal claro. A resposta da Niteo foi enviar seu líder técnico a Villa Constitución para o kickoff, participar da conferência interna da Acindar com as equipes de processo e estabelecer, desde o primeiro dia, um plano com escopo, métrica de sucesso e checkpoints definidos.

Essa postura conversa com a direção que a própria Acindar tornou pública depois. Em novembro de 2025, a empresa lançou o InnovAcindar, programa que combina formação contínua, cultura colaborativa e projetos baseados em tecnologia; e, em 2026, seu CEO, Federico Amos, descreveu programas de upskilling e reskilling com cerca de 300 colaboradores participando semanalmente e a integração de tecnologia em todos os processos produtivos como eixos da transformação da companhia.

Estratégia

A Niteo partiu do entendimento do processo industrial para desenvolver o modelo. A equipe de ciência de dados trabalhou lado a lado com os especialistas da operação, buscando relacionar as condições de entrada e as variáveis do forno aos resultados observados. A estratégia se organizou em seis movimentos:

1. Escolha deliberada do escopo. Dos dois candidatos, a Acindar priorizou a metalização do DRI, porque a equipe local já trabalhava nesse cenário e havia dados e engajamento disponíveis. O forno elétrico — cenário semelhante a outros projetos da Niteo — ficou como segunda etapa.
2. Imersão no processo. No kickoff em Villa Constitución, a equipe de Automação e o ponto focal do cliente apresentaram o diagrama do processo e amostras dos dados coletados. A partir dele, foram selecionadas cerca de 20 tags de processo e definida a métrica de sucesso: demonstrar a aplicabilidade de IA/ML para prever taxas e tendências de metalização em apoio à otimização do processo.
3. Dados históricos com dicionário. A Acindar coletou pelo menos um ano de histórico das tags selecionadas, em formato texto/CSV, acompanhado de um dicionário de dados (nome do campo, explicação, tipo, valores mínimo e máximo esperados). A Niteo apontou desde o início as informações que faltavam — em especial a composição química do minério, que estava em planilhas de processo — e um checkpoint de validação de dados foi marcado antes de qualquer modelagem.
4. Captura do conhecimento tácito. Os workshops serviram tanto para esclarecer o propósito do projeto quanto para registrar, com os especialistas, as regras práticas que orientavam os ajustes: sinais de alerta, combinações de variáveis e tempos de reação. O mapeamento de cinco estágios do forno ajudou a analisar temperaturas e transições e a preparar uma etapa enquanto o material ainda avançava por outra.
5. Método em três etapas. A Niteo adotou o ciclo clássico de projetos de machine learning: (i) criação e treinamento do algoritmo com dados históricos, em lote; (ii) teste de performance e acurácia com uma parcela dos dados reservada como “prova final” — por exemplo, onze meses para treinar e um mês para comparar o valor previsto com o valor medido; (iii) publicação do algoritmo treinado como serviço, para previsão em tempo real e simulação de cenários. A abordagem escolhida foi o aprendizado de máquina, uma área da inteligência artificial que aprende padrões a partir de dados históricos e os aplica a novos dados.
6. Operador no centro da decisão. As previsões foram concebidas como apoio, não como comando. O desenho da solução assegurou que a saída do modelo chegasse ao operador em linguagem operacional, no lugar onde ele já tomava decisões, e que a última palavra permanecesse com ele.

A lógica era antecipar o comportamento do processo para permitir que o operador avaliasse os ajustes com mais antecedência. Se o ajuste térmico levava até duas horas para produzir efeito, saber duas horas antes o que o forno precisaria era o que transformava tempo de espera em tempo produtivo.

Solução

A Niteo desenvolveu o modelo dentro de uma arquitetura Microsoft Azure, desenhada em duas camadas: uma camada de treinamento e simulação, alimentada por extrações históricas do historiador, e uma camada de operação em tempo real, conectada aos sensores e ao historiador do processo.

A prova de conceito seguiu um cronograma curto e verificável:

O fluxo operacional resultante ficou assim:

1. Coleta. Dados dos sensores e informações sobre a composição do material são capturados continuamente para acompanhar as condições do processo.
2. Análise. O modelo desenvolvido pela Niteo, construído com apoio do conhecimento operacional, relaciona essas variáveis e projeta a tendência de metalização e carbono ao longo dos cinco estágios mapeados.
3. Visualização. As informações e tendências são apresentadas em um painel Power BI com atualização em streaming, no mesmo ambiente em que o operador acompanha o processo.
4. Decisão. O operador avalia as previsões, decide e executa os ajustes necessários no forno.

As previsões chegaram ao ambiente em que as decisões eram tomadas. Esse vínculo entre o modelo e a rotina da sala de controle permitiu que a análise apoiasse a operação durante o processo de transformação do aço, sem criar uma segunda tela ou um novo fluxo paralelo.

A escolha da plataforma se mostrou alinhada com o rumo do grupo. Em agosto de 2026, a ArcelorMittal anunciou o Microsoft Azure como sua nuvem primária, ampliando a parceria com a Microsoft para reconstruir operações em torno de inteligência artificial, com Microsoft Fabric para integração de dados, Purview para governança e Foundry para desenvolvimento e implantação de modelos. Entre os casos de uso citados pelo grupo estão manutenção preditiva, otimização de energia, controle de qualidade e análise de dados de sensores das plantas — exatamente a família de problemas que a solução da Niteo endereçou.

Transformação

A mudança relatada foi a passagem de uma rotina concentrada em testes e interpretação manual para uma operação apoiada por dados e previsões. O conhecimento dos especialistas continuou necessário para validar as informações e decidir como agir — agora com mais antecedência e menos dependência da memória individual.

Resultados mensuráveis

O projeto entregou o que se propôs a demonstrar: um modelo capaz de prever a taxa de metalização e o teor de carbono do DRI a partir das variáveis de processo e do material de entrada, com acurácia validada em dados reservados e resultados de simulação apresentados à equipe da Acindar, que os avaliou positivamente e pediu rodadas adicionais para aprofundar a análise. Entre os resultados de processo, destacou-se a identificação da influência da composição do minério por fornecedor sobre a metalização — um insight que a própria equipe passou a alimentar com novos dados.

Os resultados abaixo são qualitativos e provêm do relato do projeto.

Para orientar a medição futura, valem algumas referências públicas do processo de redução direta a gás, que servem de régua — não de resultado do projeto:

Com esses referenciais e os dados já centralizados na plataforma, é possível construir uma linha de base por condição operacional equivalente e medir os ganhos com rigor.

Impacto estratégico

Para a operação. A ArcelorMittal Acindar ampliou o uso de dados na tomada de decisão sobre o processo térmico. Segundo o relato, a equipe passou a analisar o comportamento do forno com mais rapidez e a antecipar ajustes, reduzindo esperas e a geração de refugo. O operador continuou responsável pelas intervenções, agora apoiado por previsões disponíveis na sala de controle.

Para as pessoas. A participação dos especialistas foi central para essa transformação. Sua experiência contribuiu para a construção do modelo e permaneceu importante na validação dos resultados. Os workshops ajudaram a esclarecer esse papel e a enfrentar o receio de substituição que dificultava o compartilhamento de conhecimento. O resultado foi um modelo que carrega o conhecimento da equipe — e uma equipe que reconhece no modelo o próprio saber, organizado e disponível para os próximos turnos. Não por acaso, foi a própria equipe da Acindar que pediu novas rodadas de teste e trouxe os dados de fornecedores para enriquecer o modelo.

Para o negócio. Os ganhos relatados apontam para melhor aproveitamento da energia e do material processado, em uma planta cujo diferencial histórico é justamente o consumo específico de gás e eletricidade. Um DRI mais metalizado reduz diretamente o custo do forno elétrico da aciaria — o que conecta este projeto ao segundo candidato identificado com a Acindar. Essa é a interpretação do impacto descrito; a entrevista não apresenta retorno financeiro calculado nem medição de emissões evitadas.

Para a agenda de sustentabilidade. Menos gás por tonelada e menos refugo significam menos emissões por unidade produzida. A Acindar reporta redução de 15% na intensidade de emissões da planta principal entre 2018 e 2023, meta de 20% de redução na pegada de carbono até 2030 e neutralidade em 2050, com investimentos superiores a US$ 400 milhões em parques eólicos e solares (310 MW). Projetos que reduzem o consumo energético do processo somam-se a essa agenda — ainda que, neste caso, a contribuição específica não tenha sido medida.

Para o grupo. A solução foi construída sobre a mesma base tecnológica que a ArcelorMittal escolheu como padrão global em 2026 (Azure e Fabric), e nasceu com a premissa de ser replicável em outras unidades — uma exigência da Acindar desde a definição dos projetos. Há precedente na própria empresa: o Safety Hub, sistema de IA que usa câmeras da planta para detectar comportamentos inseguros, reduziu em 80% os eventos inseguros, venceu premiação global da World Steel Association e passou a ser exportado para operações do grupo no Brasil e em outros países.

Próximo capítulo

A base implantada abre possibilidades para aprofundar o acompanhamento dos resultados e avaliar aplicações em outros processos. Quatro frentes se destacam:

1. Consolidar indicadores. Definir e acompanhar consumo de gás e eletricidade por tonelada produzida, taxa de refugo, tempo de espera entre etapas, taxa de metalização e teor de carbono, comparando condições operacionais equivalentes (mesmo fornecedor de minério, mesmo regime de produção). Com essas medições, será possível avaliar a consistência dos ganhos, calcular o retorno financeiro e estimar emissões evitadas.
2. Evoluir o modelo. Incorporar o retreinamento periódico, o monitoramento de desvio do modelo e a captura sistemática das decisões do operador (aceitou, ajustou ou ignorou a previsão), transformando cada turno em novo aprendizado. Os cenários “what-if” já exercitados na prova de conceito podem virar um simulador de rotina para os engenheiros de processo.
3. Atacar o forno elétrico. O segundo projeto identificado — otimização do custo do forno elétrico da Aciaria — parte de uma situação favorável: todas as suas variáveis já estavam no historiador PI System, e o cenário é semelhante a outros projetos executados pela Niteo. Somado à previsão de metalização do DRI, permite otimizar a cadeia DRI → aciaria de ponta a ponta.
4. Replicar no grupo. Levar a mesma abordagem a outras unidades da ArcelorMittal que compartilham a plataforma Azure e Fabric, como a Acindar previu desde o início.

O ponto de partida continua sendo o mesmo que fez o projeto dar certo: começar pelo processo e pelas pessoas que o conhecem, e colocar a tecnologia a serviço da decisão delas.