Redes neurais em processos siderurgicos : analisador virtual de propriedades metalurgicas do sinter e modelo de predição de qualidade do aço

AUTOR(ES)
DATA DE PUBLICAÇÃO

2001

RESUMO

O baixo acerto simultâneo de temperatura e de teor de carbono ao final do refino é um típico problema das siderúrgicas e é determinado, principalmente, por oscilações de qualidade das matérias primas e pelas limitações de atuação dos modelos matemáticos.O consumo de coque e a permeabilidade dos altos-fomos são parcialmente inferidos por informações das propriedades metalúrgicas das matérias primas: o RDI (Índice de Degradação sob Redução) indica a geração de finos dentro dos altos-fomos e o RI (Índice de Redutibilidade) infere a quantidade de coque necessária para a redução dos óxidos de ferro neste reator. Entretanto, estas propriedades são pouco exploradas pelas empresas pois os ensaios são caros e, particularmente o RI, leva um longo tempo de obtenção da resposta. Estas limitações atribuem oscilações de qualidade ao gusa e, portanto, influem no refino.No processo de refino, o modelo estático define a mistura de matérias primas e a razão de oxigênio necessária ao início do sopro no conversor LD e, após as medidas efetuadas pela sublança, o modelo dinâmico busca acertar a temperatura e a composição do aço objetivadas, através de correções com refrigerantes e oxigênio. Estes modelos são similares em muitas indústrias, mas têm comportamentos diferentes devido as diferenças em níveis de controle.Para resolver estas duas limitações, não existência de análises de propriedades metalúrgicas e restrições em modelos matemáticos (para agir na aciaria), modelos baseados em redes neurais artificiais foram desenvolvidos para prever RDI e RI de sínter (a partir de análises químicas e mineralógicas) e para prever teor de carbono e de temperatura do aço (a partir de informações do processo de refino). No caso da sinterização, foram estudadas, no Centro de Pesquisa da CSN, as influências das características mineralógicas nas propriedades metalúrgicas do sínter. Em seguida, construiu-se o banco de dados com amostras industriais de sínter analisadas em laboratórios.Planejamento e Otimização de Experimentos (POE) foi necessário para planejar as sinterizações piloto, para selecionar amostras industriais (para simplificar as análises químicas, mineralógicas, de RDI e de RI) e para ajustar os parâmetros dos modelos neurais. Para o processo de aciaria, foi utilizado o histórico do processo e o POE para ajustar as redes neurais.A modelagem com diferentes bancos de dados de diferentes trabalhos, possibilitaram, com a organização do POE, obter-se novos resultados no contexto de ajuste dos parâmetros e de arquitetura de rede neural artificial.O analisador virtual atingiu bons resultados de previsão de RDI (precisão de 4,5% contra o permissível de 2 a 4% da norma ISO 4696-1) e de RI (precisão de 4,5% contra 7 a 11 % de tolerância da norma ISO 7215). No caso da aciaria, os modelos neurais foram superiores aos modelos convencionais da CSN. Entretanto, o resultado significativo foi obtido pelo modelo dinâmico via redes neurais, com um acerto simultâneo de 73,3%, contra 44% do modelo dinâmico convencional. Este excelente resultado motivou testes industriais. Para tanto, combinou-se os modelos estático convencional e dinâmico via redes neurais. Após 30 corridas, o acerto simultâneo foi de 83,3%

ASSUNTO(S)

siderurgia redes neurais (computação) aço - industria

ACESSO AO ARTIGO

Documentos Relacionados