Title

INVESTIGAçãO DE UM MODELO DE MACHINE LEARNING PARA ESTIMAR PROPRIEDADES DA ESCóRIA E SUA ESPUMABILIDADE

Investigating a Machine Learning model to estimate slag properties and foamability

Authorship

FALSETTI, LUIS OTAVIO ZAPAROLI; LÓPEZ, FRANCISCO; LAIDENS, BRUNO WARTCHOW; SOUZA, DICKSON ALVES DE; PANDOLFELLI, VICTOR CARLOS

FALSETTI, LUIS OTAVIO ZAPAROLI

I am this author

LÓPEZ, FRANCISCO

I am this author

LAIDENS, BRUNO WARTCHOW

I am this author

SOUZA, DICKSON ALVES DE

I am this author

PANDOLFELLI, VICTOR CARLOS

I am this author

DOI

10.5151/2594-5300-42383

Downloads

Abstract

Considerando as diversas funções das escórias na siderurgia, modelar com precisão seu comportamento é essencial para a otimização do processo e melhoria da prática industrial com base em simulações computacionais. No que diz respeito à formação de escória espumante em fornos elétricos a arco (FEA), propriedades como viscosidade, tensão superficial e densidade afetam os mecanismos de envelhecimento da espuma, determinando seu tempo de vida. Embora a termodinâmica computacional seja utilizada determinar o equilíbrio entre os precipitados sólidos e a fase líquida, esta não obtém as propriedades da escória diretamente. Assim, software comerciais que utilizam esse método, como o FactSage, frequentemente incluem módulos adicionais para estimar a viscosidade da escória com base em sua composição e temperatura. No entanto, estes apresentam limitações em relação aos componentes da escória, incluindo óxidos comuns como Cr₂O₃ e P₂O₅, bem como em previsões de propriedades para além da viscosidade. Este estudo aborda tais lacunas estimando propriedades relevantes para a espumação de escórias de metalurgia primária. Emprega-se um modelo preditivo baseado em Machine Learning para obter a tensão superficial, densidade e viscosidade da escória - o qual foi originalmente desenvolvido para composições vítreas. O desempenho do modelo é avaliado tanto para composições de escória quanto para agentes condicionantes típicos, demonstrando seu potencial para melhorar a engenharia de escória no processo siderúrgico.

GIVEN THE VARIOUS ROLES OF SLAGS IN STEELMAKING, ACCURATELY MODELING THEIR BEHAVIOR IS ESSENTIAL FOR SUPPORTING PROCESS OPTIMIZATION AND SIMULATION-DRIVEN IMPROVEMENTS IN INDUSTRIAL PRACTICE. IN TERMS OF SLAG FOAMING IN THE ELECTRIC ARC FURNACE (EAF), PROPERTIES SUCH AS VISCOSITY, SURFACE TENSION, AND DENSITY ARE KNOWN TO INFLUENCE THE MECHANISMS OF FOAM AGING, WHICH DICTATE ITS LIFETIME. WHILE COMPUTATIONAL THERMODYNAMICS CAN DETERMINE THE EQUILIBRIUM BETWEEN SOLID PRECIPITATES AND THE LIQUID PHASE, IT DOES NOT DIRECTLY PROVIDE INFORMATION ON THE PROPERTIES OF THE SLAG. THEREFORE, COMMERCIAL SOFTWARE TOOLS THAT EMPLOY THIS METHOD, SUCH AS FACTSAGE, OFTEN INCLUDE ADDITIONAL MODULES FOR ESTIMATING SLAG VISCOSITY BASED ON ITS COMPOSITION AND TEMPERATURE. HOWEVER, THESE TOOLS HAVE LIMITATIONS CONCERNING SPECIFIC CHEMICAL SPECIES, INCLUDING COMMON OXIDES SUCH AS CR₂O₃ AND P₂O₅, AS WELL AS PROPERTY PREDICTIONS BEYOND VISCOSITY. THIS STUDY ADDRESSES THESE GAPS BY ESTIMATING THE FOAMABILITY-RELEVANT PROPERTIES OF PRIMARY METALLURGY SLAGS. THE APPROACH EMPLOYS A MACHINE LEARNING-BASED PREDICTIVE MODEL FOR SLAG SURFACE TENSION, DENSITY, AND VISCOSITY, ORIGINALLY DEVELOPED FOR GLASS COMPOSITIONS. THE MODEL'S PERFORMANCE IS EVALUATED CONSIDERING BOTH SLAG COMPONENTS AND WIDELY USED SLAG CONDITIONERS, DEMONSTRATING ITS POTENTIAL TO ENHANCE SLAG DESIGN IN THE STEELMAKING PROCESS.

Keywords

Propriedades da escória, Machine Learning, FactSage, Espumabilidade de escórias

Slag properties, Machine learning, FactSage, Slag foamability