ISSN 2594-357X
Título
Autoria
DOI
Downloads
Resumo
Dentre os equipamentos que suportam o desenvolvimento de novos produtos e soluções de carga metálica para clientes na Vale, um dos mais importantes é o Forno de Amolecimento e Fusão (A&F). Trata-se de um reator em escala de laboratório capaz de reproduzir o comportamento da carga metálica na zona coesiva do alto-forno. O ensaio de A&F apresenta custo elevado em função, principalmente, de consumíveis e energia elétrica. Neste contexto, objetivando a redução de custos com ensaios e maior disponibilidade do equipamento, foram desenvolvidos modelos de redes neurais capazes de prever os parâmetros de A&F a partir das composições químicas dos constituintes da carga metálica, pelota e sínter. Para desenvolver esses modelos foi formado um banco de dados a partir de ensaios de A&F realizados com dois tipos de pelotas comerciais da Vale e sínteres com variadas composições químicas, produzidos em escala piloto. A ferramenta utilizada para o desenvolvimento dos modelos foi um software de utilização livre e os parâmetros de entrada para os modelos são os elementos/compostos químicos FeT, FeO, CaO, SiO2, Al2O3 e MgO. Testes de verificação realizados demonstraram uma forte adesão entre os resultados previstos pelos modelos e os resultados experimentais.
Among the facilities that support the development of new products and burden solutions to customers in Vale, one of the most important is the Softening and Melting Furnace (S&M). It is a laboratory scale reactor capable of reproducing the behavior of the metallic burden in the blast furnace cohesive zone. The S&M test is expensive due mainly consumables and electricity. In this context, in order to reduce S&M test costs and higher availability of equipment were developed neural network models capable of predicting the S&M parameters from the chemical compositions of the constituents of the metallic burden, such as pellet and sinter. The models were developed based on a database from S&M tests conducted with two types of commercial pellets from Vale and pilot sinters with varying chemical compositions. The tool used for developing the models was free software and the input parameters for the models are the chemical compounds FeT, FeO, CaO, SiO2, Al2O3 and MgO. Verification tests demonstrated a strong adhesion between the results predicted by the models and the experimental results.
Palavras-chave
Rede neural; Amolecimento e fusão; Cargas metálicas; Pelota; Sínter.
Neural network; Softening and melting; Metallic burden; Pellet; Sínter.
Como citar
Parreira, Ângelo Guimarães;
Oliveira, Vinícius de Morais;
Wagner, Débora Turon;
Dutra, Eider Reis;
Ferreira, Reginaldo Narciso.
ESTIMATIVA POR REDE NEURAL DAS PROPRIEDADES A ALTAS TEMPERATURAS DE CARGA METÁLICA MISTA
,
p. 695-702.
In: 43º Seminário de Redução de Minério de Ferro e Matérias-Primas e o 14º Simpósio Brasileiro de Minério de Ferro,
São Paulo,
2013.
ISSN: 2594-357X
, DOI 10.5151/2594-357X-23916
