Modelagem e análise numérica das propriedades reológicas de escórias de siderurgia

Abstract

RESUMO: A presente dissertação tem como objetivo demonstrar a modelagem numérica e análise numérica de propriedades reológicas de escorias de siderurgia, por utilização de parâmetros estruturais, por meio de redes neurais artificiais. O banco de dados SciGlass foi utilizado para provar dados das propriedades reológicas de temperatura de transição vítrea, da temperatura líquida e da contribuição com as variáveis ​​de um sistema químico SiO₂-CaO-Al₂O₃-MgO-FeO-Na₂O-K₂O-Li₂O-B₂O₃ ea temperatura. A modelagem numérica foi feita por meio de redes neurais artificiais pela variação do número de neurônios em cada camada aquosa e pela variação da quantidade de camadas penetrantes. A temperatura de transição vítrea foi modelada numericamente e a melhor rede neural artificial apresentou 14 neurônios em 10 camadas reveladas e demonstrou menor erro absoluto médio (EAM), erro percentual absoluto médio (EPAM) e desvio padrão (DP) em relação a 3 diferentes equações de literatura aos dados de teste e em dados de composição química de escórias de alto-forno, aciaria e de lingotamento contínuo. À temperatura líquida foi apresentada como a melhor rede neural artificial uma com 19 neurônios com 10 camadas intermediárias como melhor modelo numérico e furado em menores EAM, EPAM e DP aos dados de teste e aos diferentes dados de escórias (alto-forno, aciaria e de linguagem contínua) a 3 diferentes equações de literatura. A investigação resultou como melhor modelo numérico uma rede neural artificial com 27 neurônios em 2 camadas intermediárias com menores métricas (EAM e DP) aos dados de teste e de diferentes escórias (alto-forno, aciaria e de lingotamento contínuo) em relação a 12 diferentes equações de literatura. Os resultados demonstram que o uso de parâmetros estruturais como preditores de propriedades reológicas possui detalhado na modelagem numérica, desempenhando também um papel na redução de dimensionalidade e que as redes neurais artificiais com maiores profundidades desempenharam melhores análises às redes neurais artificiais com menores profundidades, porém que redes neuras artificias profundas possuem melhor aproximação às propriedades reológicas de escorias de siderurgia.

ABSTRACT: This dissertation aims to demonstrate the numerical modeling and numerical analysis of rheological properties of steel slag, using structural parameters, through artificial neural networks. The SciGlass database was used to provide data on the rheological properties of the glass transition temperature, liquidus temperature and viscosity with the variables of a SiO₂-CaO-Al₂O₃-MgO-FeO-Na₂O-K₂O-Li₂O-B₂O₃ chemical system and temperature. Numerical modeling was performed using artificial neural networks by varying the number of neurons in each intermediate layer and varying the number of intermediate layers. The glass transition temperature was numerically modeled and the best artificial neural network presented 14 neurons in 10 intermediate layers and demonstrated lower mean absolute error (MAE), mean absolute percentage error (MAPE) and standard deviation (SD) in relation to 3 different literature equations to test data and chemical composition data of blast furnace slag, steelmaking and continuous casting. At liquidus temperature, one with 19 neurons with 10 intermediate layers was presented as the best artificial neural network as the best numerical model and resulted in lower MAE, MAPE and SD to the test data and to the different slag data (blast furnace, steelmaking and continuous casting) to 3 different literature equations. The viscosity resulted as the best numerical model an artificial neural network with 27 neurons in 2 intermediate layers with smaller metrics (MAE and SD) to the test data and different slags (blast furnace, steelmaking and continuous casting) in relation to 12 different literature equations. The results demonstrate that the use of structural parameters as predictors of rheological properties has good efficiency in numerical modeling, also playing a role in dimensionality reduction and that artificial neural networks with greater depth performed better metrics than artificial neural networks with smaller depths, indicating that deep artificial neural networks have a better approximation to the rheological properties of steel slag.