ISSN 2594-5300
55º Seminário de Aciaria, Fundição e Metalurgia de Não-Ferrosos — Vol. 55 , num. 55 (2026)
Título
Autoria
DOI
Downloads
Resumo
A produção de aços Special Bar Quality (SBQ) para aplicações mecânicas de alta responsabilidade exige rigoroso controle da composição química, particularmente no que diz respeito ao teor de nitrogênio. Em rotas de aciaria que incluem a desgaseificação a vácuo (VD), o comportamento do nitrogênio é governado por mecanismos simultâneos e opostos de absorção e remoção, condicionados pela química do banho, pela pressão e pelo volume de gás injetado, formando um sistema não linear que limita a eficácia dos modelos determinísticos. Este trabalho descreve o desenvolvimento e a implementação industrial de um modelo de aprendizado de máquina na Gerdau Charqueadas, projetado para sugerir o volume adequado de injeção de gás durante a etapa de desgaseificação a vácuo, de modo a atender tanto aos requisitos de desgaseificação quanto à faixa-alvo de nitrogênio. O modelo opera em duas etapas sequenciais: agrupamento (clustering) das corridas com base em características químicas e operacionais do processo, seguido de regressão por gradient boosting aplicada a cada grupo. Os resultados obtidos entre 2024 e 2025 mostram uma redução de 15,8% nas corridas com nitrogênio fora da especificação interna, considerando toda a gama de graus de aço produzidos. Para as famílias individuais SAE 41xx, 51xx e 86xx, os ganhos de assertividade variaram de 25% a 33%. No subconjunto de aços que exigem conformidade com a relação estequiométrica Al/N, o cenário operacionalmente mais restritivo devido à necessidade de ajuste simultâneo do teor absoluto de nitrogênio e de sua relação com o alumínio, a redução atingiu 8,36%. O modelo apresentou coeficiente de determinação R² de 0,92 e erro médio absoluto de 106,65 Litros Normais sob condições de alvo real. Esses resultados validam a arquitetura proposta como uma abordagem robusta e industrialmente aplicável para o controle de nitrogênio na produção de aços SBQ.
The production of Special Bar Quality (SBQ) steels for high-responsibility mechanical applications demands strict chemical composition control, particularly regarding nitrogen content. In steelmaking routes that include vacuum degassing (VD), nitrogen behavior is governed by simultaneous and opposing absorption and removal mechanisms, conditioned by bath chemistry, pressure, and injected gas volume, forming a nonlinear system that limits the effectiveness of deterministic models. This work describes the development and industrial implementation of a machine learning model at Gerdau Charqueadas, designed to suggest the adequate gas injection volume during the vacuum degassing stage to meet both degassing requirements and the nitrogen target range. The model operates in two sequential stages: clustering of heats based on chemical and operational process characteristics, followed by gradient boosting regression applied to each group. Results obtained between 2024 and 2025 show a 15.8% reduction in heats with nitrogen outside internal specification across the full range of steel grades produced. For the individual families SAE 41xx, 51xx, and 86xx, assertiveness gains ranged from 25% to 33%. In the subset of steels requiring Al/N stoichiometric ratio compliance, the most operationally constrained scenario due to the need for simultaneous adjustment of the absolute nitrogen content and its ratio with aluminum, the reduction reached 8.36%. The model presented a coefficient of determination R² of 0.92 and a mean absolute error of 106.65 Normal Liters under real-target conditions. These results validate the proposed architecture as a robust and industrially applicable approach for nitrogen control in SBQ steel production.
Palavras-chave
controle de nitrogênio, desgaseificação a vácuo, aprendizado de máquina, XGBoost, aços SBQ, relação
nitrogen control, vacuum degassing, machine learning, XGBoost, SBQ steels, Al/N ratio
Como citar
Schander, Luiz Guilherme dos Santos; Nabinger, Bruno Moreira; Guimarães, Mateus; Sibemberg, Lucas Siviero; Alcalde, Maria Eduarda; Jr, Marino Moscardini dos Passos; Fagundes, Geraldo Andre; Vecchia, Rodrigo Dalla.
Controle de nitrogênio no refino secundário usando inteligência artificial,
p. 163-172.
In: 55º Seminário de Aciaria, Fundição e Metalurgia de Não-Ferrosos,
São Paulo, SP - Brasil,
2026.
ISSN: 2594-5300, DOI 10.5151/2594-5300-43147
