Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais

Abstract

RESUMO: O crescente foco na eficiência do processo de redução em altos fornos gera a uma alteração em sua forma de operação. Isso modifica as condições de transferência de silício e enxofre para o ferro gusa, podendo gerar problemas quanto ao valor agregado de seu produto. Para avaliar as alterações dos parâmetros operacionais do processo de redução sobre as condições de transferência de silício e enxofre foi implementado um modelo matemático baseado em redes neurais artificiais. Através desse modelo foi possível predizer o teor de silício e enxofre e determinar a influencia de cada parâmetro operacional. Os parâmetros mais significativos foram determinadas através de uma revisão bibliográfica sobre cada mecanismos de transferência e outros modelamentos matemáticos. As redes neurais artificiais foram capazes de predizer o teor de silício e enxofre através de parâmetros do processo de redução em altos fornos, e isso foi verificado pela precisão modelo. Além disso, comparando com os modelos estudados temos que as Redes Neurais possuem uma melhor capacidade de predição. A arquitetura da Rede Neural é um importante parâmetro, pois influência diretamente na sua capacidade de predição. Para essa RNA a configuração das funções de transferência mais adequada foi a função tangente hiperbólica na camada escondida e a exponencial na camada de saída. O número de neurônios na camada escondida foi de 17. As variáveis usadas para predizer o teor de silício e enxofre no ferro gusa foram significativas, pois o modelo apresentou uma boa correlação entre os valores reais e os calculados pela rede neural. Para predizer o teor de silício a Temperatura Teórica de Chama, Pressão de Sopro, Coke Rate e Velocidade de Produção de Gusa são as mais significativas. Para o teor de enxofre a quantidade de enxofre carregado, a Velocidade de Produção de Gusa e o teor de CaO e MgO na escória foram as mais importantes.

ABSTRACT: The increased focus on the process efficiency reduction in blast furnaces generates a change in the way they operate. This modifies the transfer conditions of silicon and sulfur in hot metal, this can cause problems as the aggregate value of their product. To evaluate changes in the operating parameters of the transfer condition in the reduction process of the silicon and sulfur, it was developed a mathematical model based on artificial neural networks. Through this model it was possible to predict the silicon content and sulfur and to determine the influence of each operating parameter. The most significant parameters were determined from literature review on each transfer mechanisms and from other mathematical modeling. Artificial neural networks were able to predict the silicon and sulfur content through the reduction parameters in blast furnaces, and this was confirmed by the accuracy of the model. Furthermore, comparing with the other models studied, the Artificial Neural Networks showed the better predictive capacity. The neural network architecture is an important parameter because it directly influences its predict capacity. For this RNA the most appropriate configuration of the transfer functions were the hyperbolic tangent function in the hidden layer and the exponential in the output layer. The best number of neurons in the hidden layer was 17. The variables used to predict the silicon and sulfur contents in hot metal were significant because the model showed a good agreement between the actual values and the calculated by the neural network. To predict the silicon content, the Theoretical Flame Temperature, blowing Pressure, Coke Rate and hot metal production rate are the most significant. To predict the sulfur the content, the sulfur charged, the hot metal production rate and CaO and MgO in the slag were the most important.