A RHI Magnesita desenvolveu uma solução pioneira que transforma o modo como se monitora e realiza a manutenção nos canais de corrida de altos-fornos — um dos pontos mais sensíveis e estratégicos da operação siderúrgica.
O modelo preditivo, baseado em Machine Learning, permite antecipar falhas, prever desgastes e planejar intervenções com mais precisão, marcando um avanço no uso de inteligência preditiva no setor.
De acordo com a empresa, essa abordagem representa um salto tecnológico relevante, sobretudo ao considerar que, tradicionalmente, a avaliação da integridade do revestimento refratário exigia interrupções programadas e a completa drenagem do canal, o que implicava em perdas materiais, riscos operacionais associados a temperaturas superiores a 1500 °C e redução da disponibilidade do equipamento na produção. Já a nova solução permite análise durante a operação em curso, preservando a produtividade e segurança.
Para Celso Freitas, diretor de Marketing, Soluções & Serviços da RHI Magnesita na América Latina, a inovação representa um marco importante na digitalização dos processos siderúrgicos. “Ao utilizar dados operacionais e históricos para alimentar algoritmos de aprendizado de máquina, conseguimos oferecer aos nossos clientes uma ferramenta de apoio à tomada de decisão que alia tecnologia e inteligência de forma concreta”.
Previsibilidade e eficiência
O canal principal de corrida é revestido com concreto refratário de alta resistência, cuja espessura varia de 500 mm a 1 m e, durante a corrida, é continuamente submetido à abrasão e ataque químico decorrentes do fluxo de gusa e escória. A tecnologia da RHI Magnesita viabiliza a digitalização do canal por meio do escaneamento a laser da linha de escória que é visível durante sua operação, mesmo com a linha de gusa do canal encontrando-se encoberta pelo banho fundido e escória líquidos.
Com o escaneamento do canal e a aplicação do modelo preditivo, a empresa é capaz de analisar o desgaste tanto da linha de escória quanto da linha de gusa, mesmo com o produto ainda presente no interior do canal, indicando o momento ideal para as manutenções.
Para que essa tecnologia seja eficaz na predição, é essencial a existência de um banco de dados robusto, com compartilhamento constante de informações pelo cliente.
Fonte: RHI Magnesita
