Automação, Controle e Modelagem Avançados na Siderurgia a Oxigênio Básico

No processo de siderurgia a oxigênio básico (BOF), o forno ou conversor produz aço líquido reduzindo o teor de carbono do ferro-gusa produzido pelo alto-forno de ~4,5% para 0,03% a 1,0%. O conversor sopra grande quantidade de oxigênio puro no ferro-gusa e o refina a aço em curto período. Atualmente, o processo emprega sopro combinado (sopro superior e inferior). Sopro inferior feito com gás inerte. Diversos materiais usados pelo conversor durante refino. Além de ferro-gusa e sucata como matérias-primas principais, outros materiais: cal virgem, dolomita calcinada ou magnesita calcinada para formação adequada de escória e diferentes refrigerantes (minério, ferro-esponja, etc.) durante o processo. Operação necessita temperatura do gás alta e gera grande quantidade de pó.

Objetivo e Subsistemas

O objetivo é refinar o metal líquido (sucata fundida + ferro-gusa) e ajustar composição e temperatura do aço líquido. Para isso, sistema de automação e controle usado normalmente consiste em sistema de automação básico e sistema de controle de processo.

Instalações de engenharia são na realidade projeto e integração de vários subsistemas. Equipamento principal: conversor revestido com refratário (forno a oxigênio básico) onde ocorre o processo. Além do conversor, vários subsistemas: (i) acionamento de inclinação do conversor; (ii) sistema de lança de oxigênio; (iii) sistema de agitação inferior com gás inerte; (iv) sistema de resfriamento, limpeza, análise e recuperação do gás de topo (gás de conversor); (v) sistema de medição por sub-lança; (vi) sistema de prevenção de slopping; (vii) sistema de manuseio de materiais; (viii) sistema de carga de sucata; (ix) sistema de carga de fundentes e refrigerantes; (x) sistema de carga de ferro-ligas; (xi) sistema horizontal de medição de temperatura e coleta de amostras; (xii) sistema de vazamento automático; (xiii) sistema de parada de escória; (xiv) sistema de despoeiramento secundário; (xv) sistema de intertravamento e alarme; (xvi) sistema IHM (interface homem-máquina).

Além destes, a siderurgia a oxigênio deve operar integrada com processos upstream e downstream. Também deve ser vinculada a sistemas externos: (i) laboratório da aciaria com espectrômetro de emissão óptica, espectrômetros de fluorescência de raios-X e outros equipamentos analíticos; (ii) sistemas SCADA (supervisão, controle e aquisição de dados).

Complexidade e Métodos de Controle

Processo físico-químico complexo com grande número de fatores influenciadores. Dois métodos para controle de sopro no conversor: (1) medição indireta pelo gás de exaustão; (2) medição direta pela sub-lança. No segundo método, medição direta da temperatura (°C) do aço líquido simultaneamente durante sopro. Também usado para nivelamento de banho, nivelamento de escória, medição de concentração de oxigênio e amostragem de escória.

O modelo de processo clássico ainda vale: operador deve saber o máximo possível sobre entradas, parâmetros de processo e saídas, com informação livremente disponível para ajustes necessários e produzir produto de qualidade prime. Para isso, várias técnicas de controle e estimativa devem ser usadas de forma organizada para fornecer informação necessária à ação do operador.

Subsistemas que se encaixam nesta hierarquia: (i) medição de massa de ferro-gusa; (ii) análise de ferro-gusa; (iii) agitação inferior com gás inerte; (iv) alimentação de oxigênio; (v) temperatura e análise de carga; (vi) sistema de carga de fundentes e refrigerantes; (vii) sistema de carga de ferro-ligas; (viii) computadores de controle de processo; (ix) computadores de gerenciamento. Medidas necessárias durante processo: (i) medição de temperatura; (ii) teor de carbono do banho; (iii) profundidade do banho; (iv) análise química completa. Normalmente alcançado parando processo, inclinando conversor, medindo temperaturas e coletando amostras manualmente.

Controle de Processo: Modelos Estáticos vs Dinâmicos

Controle de processo é parte importante da operação; tempos de produção de heat afetados por ele. Várias estratégias disponíveis; usinas usam conforme instalações e necessidades. Modelos de controle divididos em duas categorias: (i) estáticos; (ii) dinâmicos.

Modelo Estático

Forma mais simples. Consiste em balanços de calor, oxigênio, ferro e escória, combinados com equação de estado. Esta descreve relação entre teor de ferro na escória, teores reais de manganês e carbono no aço, e basicidade da escória. Modelos estáticos determinam quantidade de oxigênio a soprar e carga ao forno, dadas informações inicial e final do heat, mas não fornecem informação sobre variáveis de processo durante sopro. Basicamente como atirar uma flecha: sem controle adicional após sair do arco.

Modelo Dinâmico

Informação precisa do estado real do processo de sopro necessária. Idealmente, informação contínua sobre composições de aço, escória, gás e temperatura disponível e usada on-line para supervisão. Qualquer desvio do progresso antecipado detectado e, baseado nos modelos, alimentação de oxigênio adaptada ou fundente adicional adicionado. Na prática, situação totalmente diferente. Especialmente no BOF, fortes limitações práticas para medições contínuas: vibração, pó, alta temperatura, fases de metal e escória líquidos. Modelos dinâmicos fazem ajustes durante sopro baseados em certas medições in-blow.

Requisitos de processo dinamicamente controlado: (i) não interromper processo; (ii) obter medições em tempo real. Sistema de sub-lança que suporta condições do processo e utiliza sensores descartáveis na ponta da lança usado para este fim. Sensores caracterizados por funções de medição, mais importantes: (i) medição de temperatura do banho; (ii) medição de carbono do banho; (iii) medição de nível do banho. Qualquer combinação pode ser usada.

Funções dos Sistemas de Automação

Principais funções do sistema de automação básico: controle de lança de oxigênio, controle de materiais, controle de agitação inferior, controle de detecção por sub-lança, controle de ponto final. Sistema de controle de processo realiza: gerenciamento de produção, modelos de controle, controle de processo, gerenciamento de dados. Usado para controlar sistema de automação básico. Primeiro, coleta informação sobre processo de fusão e detecções da sub-lança. Depois, julga status do processo segundo resultados de cálculos de modelos. Finalmente, envia sinais ao sistema básico para controlar parâmetros ajustados.

Automação e controle não consideram apenas funções de processo específicas do conversor, mas também parâmetros relevantes dos materiais de carga, incluindo preparação de ferro-gusa, gestão de pátio de sucata e logística de agendamento. Soluções de otimização de processo (Nível-2) baseadas em equações algorítmicas avançadas, que representam com precisão as complexas reações metalúrgicas termodinâmicas. Adequadas para ampla gama de condições operacionais: razões variáveis sucata/ferro-gusa, prática de escória mínima, teor de fósforo variável.

Objetivos-chave

• Atender requisitos da siderurgia
• Fornecer assistência operacional
• Fornecer informação abrangente e consistente para orientação do operador
• Garantir operações padronizadas para qualidade homogênea do aço líquido
• Melhorar desempenho do processo
• Melhorar precisão do controle de ponto final
• Encurtar ciclo de heat
• Aumentar produtividade através de siderurgia otimizada
• Reduzir custos de produção usando modelos de processo para uso otimizado de materiais e entrada de energia

Automação e controle dependem principalmente de computadores e são inseparáveis da mecanização do processo.

Estrutura Arquitetural Geral

Incorpora: (i) sistema de informação corporativo; (ii) sistema de informação de gerenciamento da aciaria; (iii) controle de processo; (iv) instrumentação e equipamentos de campo.

Deducido dos vários subsistemas e interfaceamento entre eles, o interlinking requerido não pode ser alcançado com circuitos convencionais (analógicos). Uso amplo de equipamentos de controle de processo digital: (i) adições e mudanças de sistema facilmente acomodadas; (ii) estratégias avançadas de controle manejadas; (iii) inteligência programada no sistema; (iv) facilidades de backup eficazes; (v) interface de operador CRT com grandes opções de exibição; (vi) existência de dados armazenados; (vii) fácil acesso a informação e dados armazenados; (viii) comunicação entre hierarquias superior e inferior.

Avanços Tecnológicos

Aumento de velocidade e capacidade de computadores, adoção de CLPs em sistemas elétricos e de controle, mudança de instrumentação analógica para digital resultaram em melhoria notável na precisão de controle. Aplicação de controle digital direto acelerou automação do processo.

Junto com avanços em computadores de processo e tecnologia de medição periférica, controle de sopro mudou de sistema estático para controle dinâmico ou totalmente automático. Devido a avanços em sistemas elétricos e de controle, controladores moveram-se de painéis de instrumentos para displays CRT, permitindo operadores monitorar e controlar processo nas telas. Com modelos matemáticos e sistemas especialistas (programas de IA), automação e controle tornaram-se mais amigáveis ao operador.

Sistemas de controle para diferentes subsistemas frequentemente configurados como DCS (sistema de controle distribuído) e CLP que se conectam perfeitamente ao DCS do forno a oxigênio básico, fornecendo monitoramento e controle integrados. Vantagem única: abrange estabilidade de processo, qualidade do produto, flexibilidade operacional, ambiente de trabalho melhorado, salvaguardando eficiência e custo-efetividade.

Instrumentação de controle distribuído acomoda: (i) consoles de operadores de produção; (ii) mimics vivos; (iii) displays e controles de instrumentos; (iv) gráficos de tendência; (v) logs. Computadores distribuídos em highway de dados usados com I/O necessário para manejar: (i) sistemas de água; (ii) sistemas de pesagem; (iii) sistema de agitação inferior; (iv) sistemas de oxigênio; (v) comunicação com computador host. Computador de gerenciamento/informação/controle normalmente sistema de grande capacidade usado para: (i) fornecer informação (relatórios de turno/dia/mês); (ii) manejar produção interativa; (iii) agendamento entre plantas downstream/upstream; (iv) preparação para carga (pré-carregamento de sucata); (v) acomodar modelos estáticos (balanço de calor, determinação de fundentes (cal/dolomita) e refrigerantes (ferro-esponja/minério), quantidades e quando carregar, balanço de oxigênio (determinar taxa, duração e padrão de sopro); (vi) acomodar modelo dinâmico que entra em operação após sub-lança fornecer informação em tempo real. Sistema gera display ativo permitindo operador finalizar processo no alvo, calcular resultados finais, sugerir modificações menores e adicionar ligas finais.

Modelos de Controle

São a parte central do sistema de controle automático. Integram conhecimento de mecanismo de fusão, estatística matemática, princípios de sistemas especialistas e aprendizado adaptativo. Equações de controle derivadas usando conhecimento de mecanismo de fusão; parâmetros-chave definidos por estatística matemática e princípios de especialistas. Parâmetros podem ser regularmente modificados através de aprendizado adaptativo.

Modelos referem-se a: modelo de controle estático, modelo de materiais principais, modelo de formação de escória, modelo de temperatura, modelo de consumo de oxigênio, modelo de controle dinâmico, modelo de slopping, modelo de liga, modelo de ponto final, etc. Também modelo de aprendizado adaptativo. Equipamentos de detecção: sub-lança, espectrômetro de massa, espectrômetro de chama, medidor de distância por micro-ondas, dispositivo de monitoramento de vibrações da lança de oxigênio, etc.

Presente vários modelos: modelo de mecanismo, modelo estatístico, modelo incremental, etc. Modelo de mecanismo baseado em conservação de calor e massa; determina relação entre variáveis por derivação matemática; não adequado para aplicação devido à complexidade. Modelo estatístico baseado em teoria de caixa preta; processo físico-químico ignorado; preocupa-se apenas com relação estatística entre parâmetros de entrada e saída; precisão não mantida se condição de fusão muda. Modelo incremental: parâmetros operacionais refinados comparando com dados de produtividade registrados; supera influência de mudanças nas condições; principal deficiência: baixa precisão de cálculo.

Previsão de Carbono no Ponto Final (End-point Carbon Prediction)

Inicialmente baseada na experiência e habilidade do operador. Método ineficiente e difícil, especialmente para fusão de aço médio-alto carbono. Com desenvolvimento de computação e TI, estudo sobre controle computacional do BOF realizado. Modelo estático de carga baseado em cálculo computacional primeiro explorado pela Jones & Laughlin Steel Corp., usado para calcular quantidade de ferro-gusa, sucata, materiais de escória carregados e guiar controle de carbono no ponto final.

Com desenvolvimento rápido de métodos de auto-detecção, modelos matemáticos e algoritmos, previsão dinâmica e inteligente de carbono no ponto final tornou-se disponível. Baseado nas características dos dados coletados para calcular carbono no ponto final, previsão dividida em três estágios: predição estática, dinâmica e inteligente.

Predição Estática

Durante todo processo, operadores assistidos por sistema de orientação baseado em computador, que propõe parâmetros e ações baseados em cálculos de balanço de massa/energia e termodinâmicos. Predição estática baseia-se principalmente em modelo matemático estabelecido baseando-se em balanço de massa e calor, que calcula teor de carbono no ponto final baseado nos parâmetros de carga inicial (ferro-gusa e sucata carregados, composição e temperatura do ferro-gusa).

Ponto-chave: estabelecimento razoável do modelo matemático e aquisição de dados de quantidade inicial. Comparado com aleatoriedade e incerteza da predição baseada em experiência/habilidade, predição estática realiza cálculo quantitativo de oxigênio soprado e carbono no ponto final, melhorando precisão. Modelos normalmente usados: modelo teórico e modelo estatístico.

Modelo teórico calcula quantidade de oxigênio soprado e carbono no ponto final baseando-se em cálculos de balanço de massa e calor. Devido à complexa interação entre fatores influentes, cálculo de balanço normalmente completado com valores empíricos e impreciso; modelo teórico mostra desempenho relativamente pobre.

Modelo estatístico preocupa-se apenas com relação entre variáveis de entrada e saída usando análise estatística de dados coletados, sem considerar mecanismo de reação química no banho, representado por equação X = F(W, S, T, t, Z), onde F é função linear/não-linear, W peso carregado de ferro-gusa/sucata, S valores alvo de composição no ponto final, T temperatura inicial do ferro-gusa, t tempo de sopro de oxigênio, Z outros fatores influentes (altura da lança superior, pressão de oxigênio).

Como tipo de modelo estatístico, rede neural de retropropagação (back propagation) combinada com diferentes algoritmos amplamente aplicada à predição de ponto final no BOF nos últimos anos. Comparado ao modelo teórico, rede neural especializada em analisar desvio aleatório e eliminar influência de fatores aleatórios, fornecendo referência mais confiável.

Contudo, modelos teóricos e estatísticos descritos são construídos apenas considerando condições iniciais e dados estáticos (pequeno dataset sem característica de série temporal não representa produção real), tornando modelos de predição estática inadequados para produção real pois precisão limitada. Desafio particular: estabelecimento razoável de modelos de predição baseados em grande dataset de produção com característica de série temporal. Baseado neste desafio, predição dinâmica desenvolvida rapidamente baseada na predição estática.

Predição Dinâmica

Diferente do controle estático, predição dinâmica pode prever carbono no ponto final e realizar ajuste on-line de parâmetros operacionais com cálculo de modelos dinâmicos estabelecidos em dados de série temporal (movimentos da lança, níveis de CO e CO2 do gás de exaustão, características espectrais da chama) coletados por dispositivos de monitoramento. Presente, sistema de sub-lança, sistema de análise de gás de exaustão e sistema de análise espectrométrica de chama são métodos primários aplicados à predição dinâmica para BOF.

Predição dinâmica com sub-lança mede diretamente teor de carbono do aço líquido em estágio posterior do sopro, constrói modelo de predição on-line e prevê dinamicamente teor de carbono com diferentes tempos de sopro. Com aplicação de sub-lança, influência de desvio inicial em materiais carregados reduzida, predição mais precisa e precisa comparada à estática. Algumas usinas japonesas alcançam precisão de predição de carbono >90% com tolerância de erro ±0,02%.

Monitorando informação do gás de exaustão (mudança de CO e CO2 durante sopro), teor de carbono do aço líquido pode ser inferido dinamicamente com modelo matemático baseado em informação do gás, e carbono no ponto final predito e controlado com feedback dos resultados. Por ser método de estimativa indireta, precisão dos dados coletados (conteúdo e vazão do gás) e tempo de resposta do modelo afetam muito a precisão. Por isso, sistema de análise de gás normalmente usado junto com sub-lança para controlar carbono no ponto final com precisão requerida.

Características espectrais da chama na boca do conversor BOF relacionadas ao teor de carbono do aço líquido e mudam durante processo. Baseado nas características espectrais da informação de radiação da chama, sistema de análise espectrométrica de chama desenvolvido para prever carbono no ponto final. Predição on-line do teor de carbono completada analisando relação entre espectro de chama de diferentes tempos de sopro e status do banho do conversor.

Sensores ópticos usados para predizer dinamicamente teor de carbono de heats de baixo carbono (alvo <0,06%) em usina, resultando em melhoria considerável.

Embora predição dinâmica dê melhoria significativa comparada à estática, coleta de dataset real, completo e rico que represente comportamento global do processo, auto-aprendizado e auto-adaptação do modelo são desafios particulares. Por isso, predição inteligente construída baseada na predição dinâmica.

Predição Inteligente

Com desenvolvimento de coleta de dados e modelos inteligentes, predição inteligente de carbono no ponto final para BOF agora disponível. Estabelecida baseando-se em dataset completo e rico com diferentes características e forte capacidade de auto-aprendizado para melhorar precisão. Além da sub-lança, sistema automático de BOF adota principalmente: (i) detecção de escória on-line durante sopro orientando operação de escorificação; (ii) sistema de análise de gás estimando dinamicamente carbono e temperatura do aço durante sopro; (iii) modelos inteligentes com forte capacidade de auto-aprendizado e auto-adaptação.

Com aplicação das técnicas acima, predição inteligente pode ser implementada automática e eficientemente por computador em vez de operação manual, e precisão de predição muito melhorada. Aplicação prática em usina reduziu taxa de re-sopro de 14% para 1%, e tempo tap-to-tap de 37 para 29 minutos, melhorando muito eficiência.

Não há dúvida que predição inteligente melhora muito a precisão. Recentemente, mais técnicas de auto-detecção desenvolvidas e aplicadas ao controle de carbono no ponto final para BOF: sistema robótico de coleta e medição de temperatura, sistema de medição de composição sem fio, etc. Enquanto isso, IIoT (Internet Industrial das Coisas) desenvolvido rapidamente junto com 5G e big data analytics, gradualmente aplicado à manufatura inteligente de aço. Por isso, predição inteligente de carbono no ponto final para BOF ganhando mais atenção no futuro.

Do ponto de vista de implementação industrial, modelo de predição inteligente com alta precisão pode ser instalado em sistema de processo existente, prevendo continuamente teor de carbono do processo e fornecendo orientação para operadores baseada em eventos reais e planejados durante o processo.

Sistema Especialista (Expert System)

Grupo abrangente de modelos de processo que imagem e otimizam o processo de siderurgia. Monitora processo metalúrgico e térmico, calcula ciclicamente condição real do banho e escória. Fornece análise e temperatura do banho e escória a qualquer momento; cálculos de modelo de set-point sempre baseados na situação real.

Modelos de processo do sistema especialista otimizam e controlam processo durante todo tratamento no conversor. Sistema Nível-2 assiste operador segundo cálculos de modelos baseados em esquemas de produção armazenados por grau. Informa continuamente pessoal operacional sobre status geral do heat (peso, temperatura, análise) durante tratamento.

Grupo extensivo de modelos de set-point determina set-point do sistema, responsável por determinar suprimentos necessários de matérias-primas, volumes de gás e/ou energia para diferentes etapas de tratamento. Alguns modelos descritos:

• Cálculo de primeira carga: Diferentes cenários de dados de entrada variáveis (sucata variável/ferro-gusa variável, sucata variável/ferro-gusa fixo, sucata fixa/ferro-gusa variável). Otimização de custo de sucata pode ser usada. Saída: mistura de carga ótima para atingir metas seguindo grau planejado do cronograma.
• Cálculo de segunda carga: Imediatamente após dados reais de ferro-gusa e sucata carregados, incluindo pesos parciais de diferentes tipos de sucata. Calcula adições necessárias ao vaso e volume de oxigênio para atingir análise alvo e temperatura alvo no final do sopro.
• Cálculo de correção in-blow: Modelo de sub-lança. Dependendo da disponibilidade de dados (temperatura, carbono), modelo on-line cíclico assume valores medidos e aplica medidas corretivas devido à medição próxima ao hot spot. Calcula oxigênio restante necessário, agentes de aquecimento/resfriamento e fundentes adicionais.
• Cálculo de correção de re-sopro: Iniciado se certas propriedades do banho (temperatura, carbono, fósforo) não dentro dos limites alvo ao final do sopro. Análise e temperatura reais obtidas de medição ou amostra real. Calcula oxigênio, agentes aquecimento/resfriamento e fundentes para re-sopro.
• Modelo de ligação: Calcula materiais de liga e desoxidação necessários para adição na panela de vazamento, custo-otimizado. Análise dos agentes e perdas específicas consideradas.
• Modelo de predição: Simula processo completo usando resultados de supervisão e modelos de set-point. Fornece previsão de progresso e condição final do heat. Prediz todas adições e ações necessárias e serve para otimizar processo. Na tela IHM típica, seções exibem dados alvo/entrada, resultados do modelo, análises calculadas para aço e escória, consumos específicos.
• Modelo de pré-cálculo: Simula processo completo antes/depois de sucata e ferro-gusa carregados. Determina estratégia ótima de sopro e agitação, bem como tempo exato e porcionamento de adições ao vaso. Baseado em lista pré-definida de etapas (carga, sopro principal, agitação, vazamento, etc.) e valores alvo de prática operacional padrão (SOP) definida pelo engenheiro.

Pré-cálculo consiste em cinco partes: (i) cálculo de entrada de ferro-gusa e sucata; (ii) cálculo e distribuição de agentes aquecimento/resfriamento, ligas, sucatas e fundentes para atingir peso alvo, análise e basicidade; (iii) cálculo de set-points de sopro para atingir carbono alvo e temperatura; (iv) cálculo de reações em andamento para prever peso e análise de aço, escória e gás após cada etapa; (v) informações e avisos para operador se valores alvo de fase não atingidos.

Modelo de supervisão: Modelo on-line cíclico calcula reações em andamento no banho e escória durante sopro. Inclui oxidação/redução, captação de O, N, H, distribuição de S e P entre aço e escória, pós-combustão de CO2 e H2. Assim, efeito de diferentes padrões de sopro, agitação ou adição de materiais e dissolução de materiais carregados considerado para curso do processo.

Controle dinâmico do sistema especialista (parte do modelo de supervisão): predição dinâmica de fim de sopro para carbono baseada em dados reais de gás de exaustão. A partir de dados reais (vazão, análise: CO, CO2, O2, N2) e dados de processo reais, prevê teor de carbono no final do sopro a partir do perfil típico dos dados de gás próximo ao fim. Resultado: carbono predito no final (tipicamente para teores <0,3%) e requisição de fim de sopro para atingir carbono alvo. Em combinação com modelo on-line cíclico (supervisão), previsão completa de aço e escória (temperatura, análise, peso) onde carbono vem do controle dinâmico e demais dados calculados pelo modelo de supervisão.

No sistema especialista, cálculo de carbono para medição in-blow baseado em dados brutos (temperatura de liquidus Tliq) do dispositivo de medição da sub-lança em vez de carbono calculado pelo dispositivo. Carbono in-blow calculado usando equação Cin-blow = a0 + a1×Tliq + a2×Tliq². Parâmetros de ajuste a0, a1, a2 mantidos no banco de dados Nível-2 e ajustados empregando pares de temperatura de liquidus e teor de carbono de amostras in-blow.

Carbono calculado da medição in-blow assumido pelo modelo on-line e assim corrige modelo de predição. Para completar funcionalidade de parada automática de sopro para conversores BOF baseada em medição dinâmica de gás de exaustão, esta funcionalidade adotada para sistemas de sub-lança também. Funcionalidade prolonga ou encurta fase final de sopro para atingir metas de temperatura e carbono no fim do sopro.

Modelo de processo cíclico também conhecido como modelo de saturação considera concentrações de saturação de escórias complexas por CaO (cal) e MgO (magnésia). Dissolução de cal e dolomita suspensa quando concentração de saturação correspondente atingida e continua quando composição da escória permite dissolução adicional de adições formadoras de escória. Modelo mantém registro de quantidade e análise de escória líquida e adições de fundentes não dissolvidas. Cálculo da razão de distribuição de fósforo em equilíbrio baseado no modelo de basicidade óptica. Para determinar basicidade óptica, apenas composição da fase líquida da escória empregada, enquanto porção de fundentes não dissolvidos considerada no cálculo de coeficientes de transferência de massa. Normalmente, modelo de saturação permite otimizar basicidade (CaO/SiO2) e MgO e metas para evitar excesso de material de fundente não dissolvido no fim do sopro.

Modelo de processo do sistema especialista considera craqueamento térmico de adições formadoras de escória carregadas antes do ferro-gusa. Para estas, porção de CO2 e vapor d'água removida completamente. Evita superestimar efeito de resfriamento de fundentes de pré-carga como calcário ou dolomita bruta, melhorando cálculo de temperatura. Além disso, escória remanescente no conversor do heat anterior parcialmente reduzida por silício após carga de ferro-gusa: 2(FeO) + [Si] = 2[Fe] + (SiO2), 2(Fe2O3) + 3[Si] = 4[Fe] + 3(SiO2), 2(MnO) + [Si] = 2[Mn] + (SiO2) e em pequena extensão também por carbono. Em caso de quantidades consideráveis de escória remanescente, redução de FeO, Fe2O3, MnO afeta perfil de temperatura.

Enquanto modelos ajustados especificamente a requisitos especiais dos diferentes subsistemas, princípio do sistema especialista de combinar características de predição, supervisão e modelos de set-point para qualidade perfeita é aplicado throughout da automação siderúrgica.