Resumo: O baixo acerto simultâneo de temperatura e de teor de carbono ao final do refino é um típico problema das siderúrgicas e é determinado, principalmente, por oscilações de qualidade das matérias primas e pelas limitações de atuação dos modelos matemáticos.O consumo de coque e a permeabilidade dos altos-fomos são parcialmente inferidos por informações das propriedades metalúrgicas das matérias primas: o RDI (Índice de Degradação sob Redução) indica a geração de finos dentro dos altos-fomos e o RI (Índice de Redutibilidade) infere a quantidade de coque necessária para a redução dos óxidos de ferro neste reator. Entretanto, estas propriedades são pouco exploradas pelas empresas pois os ensaios são caros e, particularmente o RI, leva um longo tempo de obtenção da resposta. Estas limitações atribuem oscilações de qualidade ao gusa e, portanto, influem no refino.No processo de refino, o modelo estático define a mistura de matérias primas e a razão de oxigênio necessária ao início do sopro no conversor LD e, após as medidas efetuadas pela sublança, o modelo dinâmico busca acertar a temperatura e a composição do aço objetivadas, através de correções com refrigerantes e oxigênio. Estes modelos são similares em muitas indústrias, mas têm comportamentos diferentes devido as diferenças em níveis de controle.Para resolver estas duas limitações, não existência de análises de propriedades metalúrgicas e restrições em modelos matemáticos (para agir na aciaria), modelos baseados em redes neurais artificiais foram desenvolvidos para prever RDI e RI de sínter (a partir de análises químicas e mineralógicas) e para prever teor de carbono e de temperatura do aço (a partir de informações do processo de refino). No caso da sinterização, foram estudadas, no Centro de Pesquisa da CSN, as influências das características mineralógicas nas propriedades metalúrgicas do sínter. Em seguida, construiu-se o banco de dados com amostras industriais de sínter analisadas em laboratórios.Planejamento e Otimização de Experimentos (POE) foi necessário para planejar as sinterizações piloto, para selecionar amostras industriais (para simplificar as análises químicas, mineralógicas, de RDI e de RI) e para ajustar os parâmetros dos modelos neurais. Para o processo de aciaria, foi utilizado o histórico do processo e o POE para ajustar as redes neurais.A modelagem com diferentes bancos de dados de diferentes trabalhos, possibilitaram, com a organização do POE, obter-se novos resultados no contexto de ajuste dos parâmetros e de arquitetura de rede neural artificial.O analisador virtual atingiu bons resultados de previsão de RDI (precisão de 4,5% contra o permissível de 2 a 4% da norma ISO 4696-1) e de RI (precisão de 4,5% contra 7 a 11 % de tolerância da norma ISO 7215). No caso da aciaria, os modelos neurais foram superiores aos modelos convencionais da CSN. Entretanto, o resultado significativo foi obtido pelo modelo dinâmico via redes neurais, com um acerto simultâneo de 73,3%, contra 44% do modelo dinâmico convencional. Este excelente resultado motivou testes industriais. Para tanto, combinou-se os modelos estático convencional e dinâmico via redes neurais. Após 30 corridas, o acerto simultâneo foi de 83,3% Ver menos

Abstract: The low hitting rate of temperature and carbon content in blow-off is a typical problem in steel companies. There are two main reasons for that: oscillation in raw materials quality and limitation in mathematical models to hit the target.Coke consumption and permeability in the blast furnace can be partially infered from information on metallurgical properties of raw materials: the RDI (Reduction Degradation Index) indicates the quantity of fines produced inside blast furnace and RI (Reducibility Index) infers the quantity of coke necessary to reduce iron oxides in this reactor. However, these properties are not assessed in many industries because the analyses are expensive. Besides, in the case of RI analysis, the results take a long time to be conc1uded. These restrictions make difficult avoiding oscillation in hot metal quality and affect steelmaking process.In the refining process, the static model defines the raw mix materials and the oxygen flow rate necessary to start blowing in the LD converter and, after in-blow measuring by sublance, the dynamic model search to hit the aimed temperature and composition of steel in the blow-off, through corrections with coolants and final volume of oxygen . These models are similar in many industries, but they have different behavior where there are differences in levels of control. Artificial neural network were developed to predict RDI an RI of sinter (from chemical and mineralogical analyses) and to predict carbon content and temperature of steel (from Lot solve these two limitations, no analyses of metallurgical properties and restrictions in mathematical models (to act in steelmaking process), models based on information of the refining process). In the case of sintering, first of all was studied, in the Research Center of CSN, how mineralogical characteristics define the metallurgical properties in sinter. After that, it was necessary to build the database with industrial samples of sinter analyzed in laboratories.Design and Optimization Experiment (DOE) was necessary to plan pilot sintering, to select industries samples of sinter (to simplify the chemical, mineralogical, RDI and RI analyses) and to set the parameters of neural networks models. For the steelmaking process, it was used historical database and DOE techniques only to set neural models.The modeling of artificial neural networks with different database and different size, through DOE, brought new information on optimization of parameters and architecture of these models.The virtual analyzer reached good results predicting RDI (the accuracy was 4,5% versus 2 to 4% of ISO 4696-1 tolerance) and RI (the accuracy was 4,5% versus 7 to 11 % of ISO 7215 tolerance).Artificial neural networks models performed better than CSN' s conventional models in the case of the steelmaking process. But the best result was reached with the neural model acting as dynamic model, with hitting rate equal to 73,3% versus 44% for conventional dynamic model. This excellent result motivated industrial tests. Then, it was combined conventional static and artificial neural network dynamic models. After 30 heats, the hitting rate reached 83,3% Ver menos