As caldeiras de leito fluidizado circulante (CFB) possuem uma posição importante na indústria de geração de energia do nosso país. No entanto, o sistema de combustão da fornalha apresenta características fortemente acopladas, como múltiplos parâmetros, múltiplas variáveis, não linearidade e variabilidade temporal, o que torna a modelagem precisa e a previsão do sistema desafiadoras. O aprendizado de máquina, com sua poderosa capacidade de lidar com não linearidades e desempenho preditivo, demonstra amplas perspectivas de aplicação no campo CFB. São discutidas as aplicações das tecnologias de aprendizado de máquina nesta área, incluindo a previsão da velocidade mínima de fluidização, a previsão das emissões de poluentes, a previsão da pressão do leito, a previsão da temperatura/eficiência térmica do leito, a previsão da taxa de circulação de partículas, o modelo reduzido dos campos de dinâmica dos fluidos computacional (CFD), modelos de sistemas de controle de segurança de caldeiras, entre outros aspectos. São analisadas as vantagens e limitações dessas tecnologias em diferentes cenários, e são projetadas as oportunidades e desafios que as caldeiras CFB enfrentam na era dos big data, com foco na interpretabilidade dos modelos, melhoria da capacidade de generalização, diversidade da qualidade dos dados, combinação de modelos com métodos tradicionais e validação experimental como principais direções para pesquisas futuras.

caldeira a carvão;caldeira CFB;aprendizado de máquina;não linear;previsão