Determinação da viscosidade de escórias multicomponentes por modelagem computacional

Abstract

RESUMO: O presente trabalho tem como objetivo demonstrar a importância da viscosidade de escórias em algumas áreas da metalurgia, bem como na redução de matérias-primas, refino e solidificação de aços na siderurgia. Foram demonstradas variáveis que influenciam na viscosidade de escórias, como a composição química, temperatura, estrutura e a break temperature (TBr). Foram levantadas funções onde a viscosidade é um argumento importante, como na dessulfuração e no tratamento de inclusão dos aços e no consumo de fluxantes no lingotamento contínuo e funções que modelam a viscosidade, como o modelo de Arrhenius, Weymann-Frenkel e Vogel-Fulcher-Tammann (VFT). Demonstrou-se a funcionalidade, principais variáveis e a construção de uma rede neural artificial e demostrou-se que esse tipo de modelagem computacional é uma ferramenta poderosa na metalurgia, capaz de prover uma aproximação fidedigna de valores experimentais, auxiliando na tomada de decisão e redução de custos. Foram levantados bancos de dados experimentais sobre a TBr, com 54 dados, e a viscosidade, com 1016 dados, de escórias para a regressão numérica e construção de redes neurais por otimização de hiperparâmetros, respectivamente. O modelo de TBr do presente trabalho demonstrou menor erro e variabilidade, ao banco de dados, em relação aos modelos de literatura. O modelo de TBr do presente trabalho calcula a TBr de escórias CaOSiO2-Al2O3-MgO-Na2O-Li2O-B2O3-MnO-TiO2-FeO-K2O-Cr2O3-CaF2. A melhor rede neural artificial, nomeado modelo Anjos, demonstrou menor erro e variabilidade, ao banco de dados, em relação a 12 modelos de literatura e ao módulo Viscosity do software comercial FactSage® 8.0. O modelo Anjos é capaz de calcular a viscosidade de escórias CaO-SiO2-MgO-Al2O3-TiO2-MnO-FeO-CaF2-Na2O-Li2O-B2O3- K2O-ZrO2-Fe2O3 líquidas monofásicas com valores diversos de viscosidade, composição química e temperatura de processo.

ABSTRACT: The present work aims to demonstrate the importance of slag viscosity in some areas of metallurgy, as well as in the reduction of raw materials, refining and solidification of steel in the steel industry. Variables that influence slag viscosity, such as chemical composition, temperature, structure and break temperature (TBr), were demonstrated. Functions were raised where viscosity is an important argument, such as in desulphurization and inclusion treatment of steels and consumption of mold flux in continuous casting and functions that model viscosity, such as the Arrhenius, Weymann-Frenkel and Vogel-Fulcher-Tammann (VFT) models. The functionality of main variables and the construction of an artificial neural network were demonstrated and it was revealed that this type of computational modeling is a powerful tool in metallurgy, capable of providing a reliable approximation of experimental values, assisting in decision making and cost reduction. Experimental database on TBr, with 54 data, and viscosity, with 1016 data, of slag for numerical regression and construction of neural networks by hyperparameter variation, respectively, were collected. The TBr model of the present work has less error and variability, to the database, in relation to the models in the literature. The TBr model of the present work calculates the TBr of CaO-SiO2-Al2O3-MgO-Na2O-Li2O-B2O3-MnO-TiO2-FeO-K2OCr2O3-CaF2 slags. The best artificial neural network, named Anjos model, showed less error and variability, to the database, compared to 12 models in the literature and to the Viscosity module of the commercial software FactSage® 8.0. The Anjos model is able to calculate the viscosity of single-phase liquid CaO-SiO2-MgO-Al2O3- TiO2-MnO-FeO-CaF2-Na2O-Li2O-B2O3-K2O-ZrO2-Fe2O3 slags with different values of viscosity, chemical composition and temperature process.