Title

Engenharia de escória e aprendizado de máquina aplicados ao desempenho de refratários de panela de aço: Um estudo de caso da Gerdau Divinópolis

Slag engineering and machine learning applied to steel ladle refractory performance: A Gerdau Divinópolis case study

Authorship

DINIZ, CAIO NOGUEIRA ARAÚJO; SILVA, CECILIA LAIA DA; CORREA, LUCAS CAMARGOS; JUNIO, ELY DA SILVA ARAUJO; PRADO, MARCO TULIO CARMOZINE

DINIZ, CAIO NOGUEIRA ARAÚJO

I am this author

SILVA, CECILIA LAIA DA

I am this author

CORREA, LUCAS CAMARGOS

I am this author

JUNIO, ELY DA SILVA ARAUJO

I am this author

PRADO, MARCO TULIO CARMOZINE

I am this author

DOI

10.5151/2594-5300-43143

Downloads

Abstract

A variabilidade da vida de campanha de panelas de aço permanece como um dos principais desafios na metalurgia secundária, especialmente em sistemas de revestimento refratário mistos que combinam materiais dolomíticos e MgO-C. Este trabalho teve como objetivo identificar as principais variáveis de processo associadas ao desempenho dos refratários na aciaria da Gerdau Divinópolis, com ênfase nas primeiras fiadas de refratários localizadas na região de transição fundo-parede, identificada como a zona limitante da vida útil. A metodologia combinou conceitos de engenharia de escória baseados na saturação de MgO e na basicidade óptica, técnicas de aprendizado de máquina interpretável, incluindo Árvore de Decisão, Random Forest e análise SHAP, simulação termodinâmica e caracterização pós-morte dos refratários. Dois conjuntos de dados industriais complementares foram avaliados para comparar campanhas de alto e de baixo desempenho. O modelo Random Forest alcançou um AUC de 0,961, enquanto a Árvore de Decisão identificou o teor final de MgO na escória do forno-panela (LF) como a principal variável de classificação. A análise SHAP confirmou o teor final de MgO e a relação Al₂O₃/MgO como os fatores dominantes do desempenho da panela. A simulação termodinâmica indicou a formação de fases protetoras ricas em C₂S sob condições de alto teor de MgO, enquanto a análise pós-morte revelou infiltração de escória, oxidação do carbono, depleção de MgO e perda de resistência mecânica nos tijolos MgO-C. Os resultados estabelecem a subsaturação de MgO como o mecanismo central de desgaste e sustentam diretrizes operacionais baseadas no controle do teor final de MgO na escória, na redução da relação Al₂O₃/MgO e na padronização das adições de cal dolomítica para estabilizar a vida de campanha da panela.

The variability of steel ladle campaign life remains a major challenge in secondary metallurgy, especially in mixed refractory lining systems combining dolomitic and MgO-C materials. This work aimed to identify the main process variables associated with refractory performance at the Gerdau Divinópolis steelmaking shop, with emphasis on the first refractory rows located in the bottom-to-sidewall transition region, identified as the life-limiting zone. The methodology combined slag engineering concepts based on MgO saturation and optical basicity, interpretable machine learning techniques, including Decision Tree, Random Forest and SHAP analysis, thermodynamic simulation, and post-mortem refractory characterization. Two complementary industrial datasets were evaluated to compare highand low-performance campaigns. The Random Forest model achieved an AUC of 0.961, while the Decision Tree identified final LF slag MgO as the main classification variable. SHAP analysis confirmed final MgO content and the Al₂O₃/MgO ratio as the dominant drivers of ladle performance. Thermodynamic simulation indicated the formation of protective C₂S-rich phases under high-MgO conditions, whereas post-mortem analysis revealed slag infiltration, carbon oxidation, MgO depletion, and mechanical strength loss in the MgO-C bricks. The results establish MgO undersaturation as the central wear mechanism and support operational guidelines based on final slag MgO control, Al₂O₃/MgO ratio reduction, and standardized dolomitic lime additions to stabilize ladle campaign life.

Keywords

Refratário MgO-C, Panela dolomítica, Engenharia de escória, Aprendizado de máquina

MgO-C refractory, Dolomitic ladle, Slag engineering, Machine learning