Escolar Documentos
Profissional Documentos
Cultura Documentos
com
Universidade Federal de Ouro Preto - UFOP
Escola de Minas
Departamento de Engenharia de Produção,
Administração e Economia - DEPRO.
OURO PRETO - MG
2006
DANILO CUZZUOL PEDRINI
OURO PRETO - MG
2006
ii
DANILO CUZZUOL PEDRINI
BANCA EXAMINADORA
_____________________________________
Cláudio Batista Vieira, Dr.
Universidade Federal de Ouro Preto
Orientador
____________________________________________
Jorge Luiz Bréscia Murta, M.Sc.
Universidade Federal de Ouro Preto
Examinador
____________________________________________
Eloísio Queiroz Pena, M.Sc.
Universidade Federal de Ouro Preto
Examinador
____________________________________________
Paulo von Krüger, Eng.
Universidade Federal de Ouro Preto
Examinador
iii
Dedico aos meus pais Dilma
Lourdes e Henrique.
iv
Agradecimentos
Agradeço à minha mãe por toda sua luta, apoio em todas horas e por ser um exemplo
de vida e ao meu pai, que mesmo ausente, também participou dessa vitória.
Agradeço às minhas irmãs Ligia e Gisele, por todo o seu apoio e cumplicidade nas
horas mais difíceis.
Agradeço à minha família pelo incentivo.
Agradeço ao professor orientador, Cláudio, pelo apoio nesse trabalho, no meu projeto
de pesquisa e pelas inúmeras discussões e sugestões.
Agradeço aos meus companheiros de república Nazista, Maguila, Bizorro, Salsicha,
Daniel, Cristiano e Dólabella por todos os momentos que passamos em Ouro Preto e pelo
aprendizado.
Agradeço a todos os amigos de Aracruz.
Agradeço aos meus amigos de Ouro Preto, Marciano, Bruno, Hélton Ziraldo, Shimoo,
Mano Play, Túlio, Aurélio, Raphael Ximenes, Ricardo e Ítalo pela companhia em diversos
momentos.
Agradeço à Jaqueline pela grande amizade e por ser um ombro amigo nos momentos
mais difíceis, apesar da grande distância e do pouco tempo juntos.
Aos meus primos Igor, Glícia, Catharine e Murilo pela amizade e companhia.
Agradeço ao engenheiro Adílson Barbosa, pelo estágio e pela autorização para o uso
do banco de dados da empresa.
Agradeço aos engenheiros Claudinei e Wágner pela ajuda e orientação durante o
estágio.
Aos companheiros de LAPI, Andrei, Tays, Simone, Guilherme, Anderson, Fernando,
Robert, Magno e Xilick, pela ajuda durante a realização desse trabalho.
À Escola de Minas, à UFOP e Ouro Preto pela oportunidade de estudos e pelos
grandes momentos passados aqui.
E por último, mas não menos importante, ao CAEM pelos inúmeros momentos
inesquecíveis passados.
v
“O estudo de métodos estatísticos não vai substituir qualquer outro conhecimento que você
tenha, apenas extenderá seu conhecimento de engenharia, química ou economia, fazendo-os
mais úteis.”
vi
RESUMO
vii
ABSTRACT
This present work made a statistical study about the dephosphorization process of steel and
ferromanganese in basic oxygen furnace of two metallurgical companies. By the statistical
analysis of the data oh this two companies were estimated multiple linear regression models,
with the phosphorous in the end of the oxygen blow or linearized phosphorous forms as
response variables in function of process variables (chemical composition of the slag,
temperature, composition of pig iron or FeMnAC and others as predictors).
In the case of the dephosphorization of steel, the best model estimated had a coeficient of
determination of 99.7%. In the case of the dephosphorization of ferromanganese, the best
model estimated had a coeficient determination of 99.1%.
Key Words: oxygen refining process, multiple linear regression models, dephosphorization
and phosphorous.
viii
LISTA DE FIGURAS
ix
LISTA DE GRÁFICOS
x
Gráf. 4.19 – Sumário gráfico para o peso o volume de oxigênio soprado na liga metálica, em
Normais metros cúbicos. .....................................................................................................50
Gráf. 4.20 – Sumário gráfico para o teor inicial de manganês do FeMnAC..........................51
Gráf. 4.21 – Sumário gráfico para o teor inicial de silício do FeMnAC................................51
Gráf. 4.22 – Sumário gráfico para o teor inicial de fósforo do FeMnAC. .............................52
Gráf. 4.23 – Sumário gráfico para o teor inicial de fósforo do FeMnAC. .............................53
Gráf. 4.24 – Sumário gráfico para o teor inicial de titânio do FeMnAC. ..............................53
Gráf. 4.25 – Sumário gráfico para o teor inicial de carbono do FeMnAC.............................54
Gráf. 4.26 – Sumário gráfico para o teor de MnO da escória do conversor...........................55
Gráf. 4.27 – Sumário gráfico para o teor de MgO da escória do conversor...........................55
Gráf. 4.28 – Sumário gráfico para o teor de CaO da escória do conversor............................56
Gráf. 4.29 – Sumário gráfico para o teor de SiO2 da escória do conversor. ..........................57
Gráf. 4.30 – Sumário gráfico para o teor de Al2O3 da escória do conversor..........................57
Gráf. 4.31 – Sumário gráfico para o teor de BaO da escória do conversor............................58
Gráf. 4.32 – Sumário gráfico para o teor de K2O da escória do conversor............................59
Gráf. 4.33 – Sumário gráfico para o teor de TiO2 da escória do conversor. ..........................59
Gráf. 4.34 – Sumário gráfico para o teor de FeO da escória do conversor. ...........................60
Gráf. 4.35 – Sumário gráfico da temperatura final da escória do conversor, em °C. .............61
Gráf. 4.36 – Gráfico dos resíduos do Modelo 1A.................................................................64
Gráf. 4.37 – Gráfico de normalidade dos resíduos do Modelo 1A. .......................................64
Gráf. 4.38 – Gráfico dos resíduos do Modelo 2A.................................................................67
Gráf. 4.39 – Gráfico de normalidade dos resíduos do Modelo 2A. .......................................67
Gráf. 4.40 – Gráfico dos resíduos do Modelo 4A.................................................................71
Gráf. 4.41 – Gráfico de normalidade dos resíduos do Modelo 4A. .......................................71
Gráf. 4.42 – Gráfico dos resíduos do Modelo 5A.................................................................74
Gráf. 4.43 – Gráfico de normalidade dos resíduos do Modelo 5A. .......................................74
Gráf. 4.44 – Gráfico dos resíduos do Modelo 6A.................................................................77
Gráf. 4.45 – Gráfico de normalidade dos resíduos do Modelo 6A. .......................................77
Gráf. 4.46 – Gráfico dos resíduos do Modelo 7A.................................................................80
Gráf. 4.47 – Gráfico de normalidade dos resíduos do Modelo 7A. .......................................80
Gráf. 4.48 – Gráfico dos resíduos do Modelo 8A.................................................................83
Gráf. 4.49 – Gráfico de normalidade dos resíduos do Modelo 8A. .......................................84
Gráf. 4.50 – Gráfico dos resíduos do Modelo 1B. ................................................................86
Gráf. 4.51 – Gráfico de normalidade dos resíduos do Modelo 1B. .......................................86
Gráf. 4.52 – Gráfico dos resíduos do Modelo 2B. ................................................................88
Gráf. 4.53 – Gráfico de normalidade dos resíduos do Modelo 2B. .......................................88
Gráf. 4.54 – Gráfico dos resíduos do Modelo 4B. ................................................................91
Gráf. 4.55 – Gráfico de normalidade dos resíduos do Modelo 4B. .......................................91
Gráf. 4.56 – Gráfico dos resíduos do Modelo 5B. ................................................................93
Gráf. 4.57 – Gráfico de normalidade dos resíduos do Modelo 5B. .......................................93
Gráf. 4.58 – Gráfico dos resíduos do Modelo 6B. ................................................................95
Gráf. 4.59 – Gráfico de normalidade dos resíduos do Modelo 6B. .......................................95
Gráf. 4.60 – Gráfico dos resíduos do Modelo 7B. ................................................................97
Gráf. 4.61 – Gráfico de normalidade dos resíduos do Modelo 7B. .......................................97
Gráf. 4.62 – Gráfico dos resíduos do Modelo 8B. ................................................................99
Gráf. 4.63 – Gráfico de normalidade dos resíduos do Modelo 8B. ..................................... 100
xi
LISTA DE TABELAS
xii
LISTA DE QUADROS
xiii
LISTA DE SÍMBOLOS
xiv
ln (P/Rq(P2O5) – logaritmo natural do teor final de fósforo dividido pela raiz quadrada do
teor de óxido de fósforo da escória;
Mallows C-p – notação de saída do software Minitab para a estatística Cp de Mallows;
MgO – teor de óxido de magnésio da escória;
MnO – teor de óxido de manganês da escória;
Noconstant - notação de saída do software Minitab para indicação de que o modelo estimado
é sem intercepto;
P – teor final de fósforo ao final do sopro de oxigênio (tanto para o aço quanto para o
FeMnMC);
P* – teor inicial de fósforo do FeMnMC, antes de ser processado no conversor a oxigênio;
P2O5 – teor de pentóxido de fósforo da escória;
R-Sq – notação de saída do software Minitab para o coeficiente de determinação (R2) para
modelos de regressão linear múltipla;
R-Sq(adj) – notação de saída do software Minitab para o coeficiente de determinação
ajustado (Raj2) para modelos de regressão linear múltipla;
SE Coef - notação de saída do software Minitab para os desvios-padrão dos parâmetros
estimadores do intercepto (B0) e de inclinação (Bj);
Si (Gusa) – teor de silício do ferro-gusa antes de ser processado no convertedor LD;
SiO2 – teor de sílica (SiO2) da escória;
T – valor do teste t para cada parâmetro estimador do modelo, sejam o parâmetro do
intercepto (B0) ou os de inclinação para cada variável regressora (Bj);
TiO2 – teor de óxido de titânio (TiO2) da escória;
VIF – Fator de Inflação da Variância
(P-P*) – diferença entre teor de fósforo entre o FeMnMC produzido no conversor e o teor de
fósforo do FeMnAC.
xv
SUMÁRIO
1. INTRODUÇÃO AO ESTUDO..........................................................................................1
1.1. FORMULAÇÃO DO PROBLEMA ...............................................................................1
1.2. JUSTIFICATIVAS.........................................................................................................2
1.3. OBJETIVOS ..................................................................................................................3
1.3.1. Objetivos Gerais..........................................................................................................3
1.3.2. Objetivos Específicos ..................................................................................................3
1.4. ESTRUTURA DO TRABALHO....................................................................................3
2. FUNDAMENTAÇÃO TEÓRICA.....................................................................................5
2.1 PROCESSO DE REFINO ...............................................................................................5
2.1.1. Introdução ...................................................................................................................5
2.1.2. Aços............................................................................................................................6
2.1.3. Ferro-ligas de Manganês..............................................................................................7
2.1.4. Processos de Desfosforação.........................................................................................8
2.1.4.1. Introdução ................................................................................................................8
2.1.4.2. Desfosforação de Aços ...........................................................................................11
2.1.4.3 Desfosforação de Ligas de Ferromanganês ..............................................................14
2.1.4.3.1. Desfosforação Gasosa..........................................................................................14
2.1.4.3.2. Desfosforação Redutora.......................................................................................15
2.1.4.3.3. Desfosforação Oxidante.......................................................................................18
2.1.4.3.4. Desfosforação do FeMnMC................................................................................23
2.2. MODELOS ESTATÍSTICOS DE REGRESSÃO LINEAR MÚLTIPLA......................25
2.2.1. Análise de Regressão.................................................................................................26
2.2.1.1. Testes de Hipóteses no MRLM...............................................................................26
2.2.1.2. Estudo da Adequação do Modelo............................................................................27
2.2.1.2.1. Análise Residual..................................................................................................27
2.2.1.2.2. Coeficientes de Determinação..............................................................................29
2.2.2. Problemas Comuns em MRLM .................................................................................29
2.2.2.1. Multicolinearidade..................................................................................................29
2.2.2.2. Autocorrelação .......................................................................................................30
xvi
2.2.3. Seleção de Variáveis e Modelos ................................................................................31
2.2.3.1. Método Stepwise ....................................................................................................31
2.2.3.2. Método Bestsubsets ................................................................................................31
3. METODOLOGIA ...........................................................................................................33
3.1. BANCO DE DADOS DA EMPRESA SIDERÚRGICA...............................................33
3.2. BANCO DE DADOS DA EMPRESA DE FERRO-LIGAS..........................................34
3.3. METODOLOGIA UTILIZADA PARA A ANÁLISE ESTATÍSTICA .........................35
3.4. METODOLOGIA UTILIZADA PARA A MODELAGEM ESTATÍSTICA ................35
4. APRESENTAÇÃO DOS RESULTADOS.......................................................................38
4.1. RESULTADOS DA ANÁLISE ESTATÍSTICA ..........................................................38
4.1.1. Resultados da Análise Estatística 1 ............................................................................38
4.1.2. Resultados da Análise Estatística 2 ............................................................................47
4.2. RESULTADOS DA MODELAGEM ESTATÍSTICA ..................................................61
4.2.1. Resultados da Modelagem para a Empresa Siderúrgica..............................................61
4.2.1.1. Modelagem 1A.......................................................................................................62
4.2.1.2. Modelagem 2A.......................................................................................................65
4.2.1.3. Modelagem 3A.......................................................................................................68
4.2.1.4. Modelagem 4A.......................................................................................................68
4.2.1.5. Modelagem 5A.......................................................................................................72
4.2.1.6. Modelagem 6A.......................................................................................................75
4.2.1.7. Modelagem 7A.......................................................................................................78
4.2.1.8. Modelagem 8A.......................................................................................................81
4.2.2. Resultados da Modelagem para a Empresa de Ferro-ligas ..........................................84
4.2.2.1. Modelagem 1B .......................................................................................................85
4.2.2.2. Modelagem 2B .......................................................................................................87
4.2.2.3. Modelagem 3B .......................................................................................................89
4.2.2.4. Modelagem 4B .......................................................................................................89
4.2.2.5. Modelagem 5B .......................................................................................................92
4.2.2.6. Modelagem 6B .......................................................................................................94
4.2.2.7. Modelagem 7B .......................................................................................................96
4.2.2.8. Modelagem 8B .......................................................................................................98
xvii
5. DISCUSSÕES DOS RESULTADOS ............................................................................ 101
REFERÊNCIAS................................................................................................................ 111
xviii
1. INTRODUÇÃO AO ESTUDO
O alto teor de fósforo nos minérios de ferro e de manganês tem sido muitas vezes
um fator limitante do aproveitamento econômico parcial ou total de muitas jazidas ferríferas
e manganesíferas do Brasil e do mundo. Justifica-se que estes minérios são recursos naturais
que ocupam papel de destaque no país, sejam pelas reservas existentes, sejam pela
essencialidade na produção de ferro-ligas e aço.
1
Este trabalho enquadra-se na linha de estudos pirometalúrgicos com foco na liga
metálica objetivando o desenvolvimento de modelos estatísticos para previsão do teor de
fósforo no aço e ligas de ferromanganês em função de variáveis de processo de refino em
convertedores a oxigênio.
1.2. JUSTIFICATIVAS
2
1.3. OBJETIVOS
1.3.1. Objetivos Gerais
Os principais objetivos desse trabalho são a análise do banco de dados referente
às características de processo do Conversor a oxigênio de uma empresa produtora de
ferromanganês e o desenvolvimento de modelos estatísticos de regressão linear múltipla para
a previsão da composição final do FeMnMC.
3
encontrados (multicolinearidade e autocorrelação) e, por fim, métodos estatísticos de seleção
de variáveis regressoras (métodos Stepwise e Bests Subsets).
4
2. FUNDAMENTAÇÃO TEÓRICA
2.1.1. Introdução
Os aços e as ligas de ferrromanganês, durante seus processos de fabricação,
apresentam, em sua composição, uma grande variedade de elementos deletérios, como o
fósforo, silício, alumínio, enxofre, arsênio, titânio, etc. Essas impurezas devem ter suas
concentrações abaixo dos limites especificados para não alterarem as propriedades e
características desejadas para o produto final (CHIAVERINI, 1990).
Em aços com teores mais elevados de carbono os efeitos do fósforo são ainda
mais nocivos, já que este tende a expulsar o carbono da austenita e durante o resfriamento do
aço as áreas originalmente ricas em fósforo ficam constituídas quase que completamente de
ferrita, ocasionando o surgimento de “ghost lines” que facilitam o aparecimento de trincas
(CHIAVERINI, 1990).
5
O fósforo nos aços de baixo carbono apresenta alguns aspectos favoráveis, já que
aumenta a sua dureza. Quando combinado com enxofre, o fósforo melhora a resistência à
corrosão e a usinabilidade dos aços (CHIAVERINI, 1990).
2.1.2. Aços
Segundo Chiaverini (1990) os aços podem ser classificados de acordo com a sua
composição química, sua estrutura ou de acordo com a sua aplicação. No presente trabalho,
serão apresentadas apenas as classificações de acordo com a composição química. Dessa
forma, os aços podem ser classificados em aços-carbono e aços-liga.
- Aços-liga de médio teor em liga: o teor de elementos de liga está entre 5,0 e
10,0%;
- Aços-liga de alto teor em liga: o teor total dos elementos de liga é superior a
10%. Essa grande quantidade de elementos de liga causa profundas alterações na estrutura e
propriedades desses aços.
6
2.1.3. Ferro-ligas de Manganês
As ferro-ligas são ligas de ferro e outros metais que têm a finalidade de facilitar a
incorporação de elementos de liga ao aço (menores ponto de fusão e densidade que os metais
puros) e assim melhorar algumas propriedades do aço, pois a combinação de diversos
elementos de liga produz aços com uma larga faixa de propriedades (LÚCIO et al, 1980;
CHIAVERINI, 1990).
7
aços inoxidáveis austeníticos, fabricação de eletrodos de soldas, etc. Segundo Dresler (1989),
as ligas de FeMnMC e FeMnBC são mais valorizadas para a fabricação de aços, pois
facilitam o trabalho de refino dos aços
2.1.4.1. Introdução
Nos aços, o processo LD consiste basicamente na descarburação do ferro-gusa,
transformando em aço líquido mediante a injeção de oxigênio no banho metálico Além da
diminuição to teor de carbono do metal, nesse processo também ocorre a diminuição dos
teores de silício, fósforo, enxofre e outras impurezas a níveis residuais. Na figura 2.1, têm-se
uma representação genérica do processo:
8
A empresa estudada aplica o processo LD com sopro combinado, onde são
injetados oxigênio por uma lança no topo do convertedor LD e gás inerte (argônio ou
nitrogênio) pelo fundo através de refratários porosos (ALMEIDA, 2005).
9
Fig. 2.3 – Representação genérica do processo de refino no Conversor da empresa de Ferro-
ligas com suas entradas e saídas.
10
2.1.4.2. Desfosforação de Aços
Os fatores que influenciam o processo de desfosforação do aço são conhecidos
qualitativamente, já que não há disponibilidade de dados termodinâmicos das reações de
oxidação que ocorrem no processo de desfosforação.
11
À medida que o tempo de sopro vai aumentando há um aumento de temperatura
do banho metálico e da escória (devido principalmente à combustão do carbono do ferro-
gusa) e uma redução do teor de FeO da escória, ocorrendo a interrupção do processo de
desfosforação (CAMPOS, 1985; MUNDIN, 1980; KINDRIN, 1984). Pode ocorrer também a
refosforação, ou seja, a decomposição do pentóxido de fósforo, já que este é muito instável
em altas temperaturas:
2/5(P2O5) → 4/5[P] + 2[O]
Segundo Kundrin (1984) devido à adição de cal no convertedor, nessa fase ocorre
também a oxidação de fósforo do aço e redução de óxido de ferro da escória:
2[P] + 5(FeO) + 3(CaO) → (3CaO. P2O5) + 5[Fe]
2[P] + 5(FeO) + 4(CaO) → (4CaO. P2O5) + 5[Fe]
12
Graf. 2.1 – Evolução da desfosforação no Conversor LD.
Fonte: Adaptado de Mundim (1980).
13
Graf. 2.3 – Comportamento da composição química da escória durante o processo de refino
no convertedor LD.
Fonte: Deo (1993).
Na reação (i) o fósforo pode ser removido pela adição de NaF ou NaCl, formando
o gás Na3P, o que levaria à problemas ambientais para o controle desse gás.
14
- o magnésio é um agente desfosforante menos eficiente do que o esperado pelos
autores;
- os melhores resultados de desfosforação foram obtidos em ligas de FeMnAC e
FeMnBC;
- após o processo, ocorre contaminação superior a 1% de magnésio na liga.
As escórias da desfosforação gasosa reagem com água, produzindo o gás PH3 que
é tóxico, acarretando em problemas ambientais e de segurança dos trabalhadores da empresa
(TUSET & WÆRNES, 1989).
15
Os resultados dos experimentos realizados nesse estudo são apresentados na
Tabela 2.1:
16
Cruz et al (1994) realizou experimentos para avaliar o grau de remoção de fósforo
através da desfosforação redutora em ligas de FeMnMC empregando fluxos de 85%CaC2-
15%CaF2 ou CaSix, as duas principais reações são:
3CaC2 + 2[P] → Ca3P2 + 6[C]
3CaSix + 2[P] → Ca3P2 + 3x[Si]
17
Segundo Chaudhary et al (2001), Liu (1993) e Ma et al (1992) as escórias da
desfosforação redutora em contato com umidade produzem o gás PH3 que é tóxico,
acarretando em problemas ambientais e de segurança dos trabalhadores da empresa, além
disso, essas escórias apresentam altos custos de desativação.
Gráf. 2.5 – Efeito do teor inicial de carbono das ligas de ferromanganês no grau de
desfosforação oxidante.
Fonte: Ma et al (1992).
- altos teores de silício prejudicam a desfosforação oxidante, como é possível
observar no gráfico 2.6:
18
Graf.. 2.6 – Efeito do teor inicial de silício das ligas de ferromanganês no grau de
desfosforação.
Fonte: Ma et al (1992).
- aumentos de temperatura diminuem o grau de desfosforação, sendo que a
temperatura ótima para desfosforação oxidante é 1300° C;
- a reação de desfosforação é de primeira ordem.
Liu (1993) descobriu que o melhor fluxo para ser adicionado na desfosforação do
ferromanganês é 50% de BaO, 20% de MnO e 30%BaF2. No gráfico 2.7 é possível observar
a influência do teor de BaO dos fluxos no grau de desfosforação:
Gráf. 2.7 – Efeito do teor de BaO dos fluxos adsicionados na desfosforação de FeMnAC.
Fonte: Liu (1993).
19
Os principais resultados encontrados por LIU (1993) foram:
20
Graf. 2.9 – Efeito do teor de carbono inicial no teor final de fósforo do ferromanganês.
Fonte: Liu (1993).
21
- o fluxo de 65% de BaCO3 e 35% de BaF2 foi o mais eficiente para a
desfosforação, removendo cerca de 68% do fósforo contido inicialmente na liga, com uma
perda de manganês inferior a 5%;
- a adição de BaCl2 ou de MnO2 nos fluxos diminuiu a eficiência da
desfosforação;
- o aumento do teor inicial de Silício da liga reduz drasticamente o grau de
desfosforação;
- temperaturas baixas (1300-1350°C) favorecem as reações de desfosforação em
condições oxidantes;
22
Gráf. 2.10 – Variação da concentração de fósforo do FeMnAC durante a desfosforação
oxidante em função do tempo de tratamento.
Fonte: Adaptado de CRUZ et al (1994).
23
além disso, baixos teores de Silício da liga favorecem a remoção do fósforo (MA et al,1992;
CRUZ et al 1994; CHAUDHARY et al 2001).
24
Como a temperatura continua aumentando, o processo de refosforação só pode ser
interrompido se a atividade do pentóxido de fósforo for diminuída, para isso deve-se
dissolver o P2O5 na escória mediante a adição mais carga de cal.
25
do modelo e a realização de um conjunto de análises, deve-se verificar essa suposição para a
validação do modelo.
Se o P-value encontrado for menor que o 0,05, então a variável Xj pode ser
considerada estatisticamente importante para o modelo.
26
Se o P-value encontrado for menor que 0,05, existe pelo menos um coeficiente de
inclinação que é diferente de zero, assim há relação linear entra a variável resposta e pelo
menos uma variável regressora e o modelo é estatisticamente correto.
Segundo Montgomery & Rungee (2003), através da análise dos gráficos dos
resíduos é possível avaliar-se as suposições de que os erros são independentes e seguem uma
distribuição aproximadamente normal, com média zero e variância constante, ou seja, ei ~
N(0, ó2).
Uma forma muito utilizada para avaliar se os resíduos seguem uma distribuição
aproximadamente normal é a plotagem do gráfico de Normalidade dos resíduos: se os pontos
estiverem dispostos próximos a uma linha reta pode-se considerar que os resíduos são
normalmente distribuídos. Porém, em alguns casos, esse alinhamento não é evidente,
tornando a avaliação muito difícil, para isso existem procedimentos de testes para avaliar a
normalidade como o teste de aderência, o teste de Anderson-Darling, teste de Shapiro-Wilk,
o teste de Kolmogorov-Smirnov, entre outros (CANCHO, 2004).
27
Fig. 2.5 – Padrões de comportamento de gráficos de Resíduos: (a) satisfatório, (b) funil, (c)
arco duplo e (d) não linear.
Fonte: Montgomery & Rungee (2003).
Os resíduos podem ser padronizados de diversas formas, a fórmula seguinte é
uma das mais utilizadas, principalmente para cálculos manuais:
ei
di
QMR
28
sua medida de Distância de Cook for maior que um, ou seja Di > 1 (MONTGOMERY &
PECK, 1992).
2.2.2.1. Multicolinearidade
A Multicolinearida ocorre quando algumas variáveis regressoras Xj apresentam
uma forte relação linear entre si, a multicolinearidade pode afetar as estimativas dos
coeficientes de regressão e a aplicabilidade do modelo proposto (MONTGOMERY &
RUNGEE, 2003).
29
variáveis regressoras próximos a -1 ou +1, esse par de variáveis apresenta uma forte
correlação entre si.
Se o VIF for maior que dez (VIF > 10) considera-se que a variável Xj seja
altamente correlacionada com o restante das variáveis.
2.2.2.2. Autocorrelação
A autocorrelação é a dependência do tempo apresentada por algumas variáveis.
Num modelo de regressão linear, quando a variável resposta Y e as variáveis regressoras Xj
são autocorrelacionadas, há uma estrutura de correlação entre os termos do modelo
(MONTGOMERY & PECK, 1992).
Em alguns casos o gráfico plotado não fica muito claro, ficando difícil a avaliação
se há ou não presença de autocorrelação entre as variáveis do modelo, para isso existe a
estatística de Durbin-Watson, pela qual é possível realizar um teste de hipóteses para a
avaliação da aucorrelação entre as variáveis.
30
2.2.3. Seleção de Variáveis e Modelos
Um problema encontrado frequentemente é a seleção das melhores variáveis
independentes dentre o conjunto de variáveis regressoras e também a escolha dos melhores
modelos, utilizando combinações de variáveis. Para a escolha de um modelo é necessário
escolher um número suficiente de variáveis regressoras estatisticamente mais importantes
para o modelo, de forma que a variável resposta possa ser caracterizada corretamente, mas
sem aumentar muito a complexidade do modelo.
31
Dessa forma, escolhe-se modelos em que a estatística Cp de Mallows tenha um
valor menor e próximo ao do número de variáveis regressoras mais um (p = k +1), porém em
alguns casos torna-se interessante escolher valores de Cp levemente maiores que p
(MONTGOMERY & RUNGEE, 2003).
32
3. METODOLOGIA
Esse banco de dados foi utilizado por Bittencourt (2005) para estimar o teor final
de fósforo do convertedor LD da empresa estudada. Bittencourt (2005) também coletou
dados experimentais de 45 corridas da empresa para testar a influência do óxido de magnésio
(MgO) no teor de fósforo ao final do processo.
Como a basicidade da escória foi apontada por Mundim (1980), Gaskell (1982),
Kundrin (1984) e Campos (1985) como importante para a desfosforação do aço, também
serão calculados os índices de basicidade da escória do processo e esses valores encontrados
serão usados para a estimação de modelos de regressão linear múltipla.
33
desde sua introdução este conceito passou a ser largamente utlizado para o cálculo das
propriedades químicas de escórias e fluxos (GASKELL, 1984 e LIU, 1993), sua fórmula é:
BO
iX L( A O )
ax x i
iX ( A O )
x i
34
BQ
(%CaO % MgO )
BO
iX L( A O )
ax x i
(% Al 2 O3 % SiO 2 ) iX ( A O )
x i
Com o box plot do teor final de fósforo serão excluídas as corridas que contenham
outliers que sejam identificados como erros de coleta ou falha do processo visando assim a
eliminação de erros que poderiam comprometer a qualidade dos modelos estimados.
35
A partir das variáveis selecionadas e utilizando o comando Calculator do
MINITAB, são criadas novas variáveis aplicando algumas funções matemáticas. Com
o auxílio da literatura encontrada, também são feitas algumas combinações de
variáveis;
36
variáveis selecionadas no método anterior. O melhor modelo é selecionado
através da análise dos valores de: coeficientes de determinação R2 e R2aj
(que devem ser altos e próximos) e da estatística Cp de Mallows (que deve
ter aproximadamente o valor de p);
3. Aplicação da rotina Regression a fim de estimar os coeficientes da
equação de regressão linear múltipla, calcular e plotar os gráficos de
resíduos e o VIF;
4. Análise dos valores dos estimadores de interseção e de inclinação e
realização dos testes T-Student para testar a significância para cada um
desses parâmetros, adotando um nível de significância de 5%;
5. Análise de variância e realização do teste F-Snedecor para a identificação
da adequação geral do modelo, adotando um nível de significância de 5%;
6. Análise dos valores do VIF de cada parâmetro de inclinação, para valores
de VIF superiores a 10 considera-se que há multicolinearidade;
7. Plotagem do gráfico de normalidade dos erros e realização do Teste de
Anderson-Darling para verificar se os resíduos são normalmente
distribuídos (ei ~N(0,ó2), adotando-se um nível de significância de 5%.
8. Análise dos resíduos padronizados, sendo consideradas informações não
usuais aquelas que não estiverem contidas no intervalo [-2,5;2,5]. A
exclusão dessas informações não usuais pode levar à uma melhoria geral
do modelo;
Tab. 3.1 – Critérios estatísticos adotados para estimação dos modelos.
37
4. APRESENTAÇÃO DOS RESULTADOS
38
Analisando o boxplot do Teor Final do Fósforo (gráfico 4.1), é possível observar
que existem 7 informações outliers. Três dessas amostras foram consideradas como sendo
erros de medida e foram excluídas do banco de dados a fim de melhorar a qualidade dos
modelos que serão estimados na modelagem estatística. É possível observar que o teor médio
de fósforo do aço produzido pela empresa é de 0,016741%.
Gráf. 4.2 – Sumário gráfico para o peso do ferro-gusa processado no convertedor LD, em
toneladas.
39
Gráf. 4.3 – Sumário gráfico para o peso da sucata adiconada ao convertedor LD, em
toneladas.
Gráf. 4.4 – Sumário gráfico para o peso do aço produzido no convertedor LD, em toneladas.
40
No gráfico 4.4, é possível observar que o peso médio do aço produzido no
convertedor LD é de 76,051 toneladas, com um desvio-padrão de 2,489 toneladas. Cerca de
50% dos dados estão dentro do intervalo de 74,700 a 77,725 toneladas.
41
Analisando o boxplot do carbono do gráfico 4.6, é possível observar que existem
10 informações outliers, sendo que 2 amostras foram detectadas como sendo erros de medida
ou digitação por parte dos operadores. Essas amostras serão excluídas do modelo, de forma a
melhorar os modelos a serem estimados.
Gráf. 4.7 – Sumário gráfico para o teor de oxigênio dissolvido no aço no fim de sopro, em
ppm.
42
Gráf. 4.8 – Sumário gráfico para a temperatura final da escória do convertedor LD, em °C.
Gráf. 4.9 – Sumário gráfico para o teor de CaO da escória do convertedor LD.
43
No gráfico 4.9 é possível observar que o teor médio CaO da escória do
convertedor LD é de 47,931%, com um desvio-padrão de 5,486%. Cerca de 50% dos dados
apresentam teor de CaO dentro do intervalo 28,920 a 51,345%.
Gráf. 4.10 – Sumário gráfico para o teor de FeO da escória do convertedor LD.
Gráf. 4.11 – Sumário gráfico para o teor de SiO2 da escória do convertedor LD.
44
Analisando o boxplot do teor de sílica da escória (gráfico 4.11), é possível
observar que existem 3 informações outliers, sendo que 2 amostras foram detectadas como
sendo erros de medida ou digitação por parte dos operadores. Essas amostras serão excluídas
do modelo, de forma a melhorar os modelos a serem estimados. O teor médio SiO2 da escória
do convertedor LD é de 15,946%, com um desvio-padrão de 3,021%. Cerca de 50% dos
dados apresentam teor de SiO2 dentro do intervalo 13,843 a 18,180%.
Gráf. 4.12 – Sumário gráfico para o teor de MnO da escória do convertedor LD.
Analisando o boxplot do teor de MnO da escória (gráfico 4.12), é possível
observar que existem 3 informações outliers, sendo que 2 amostras foram detectadas como
sendo erros de medida ou digitação por parte dos operadores. Essas amostras serão excluídas
do modelo, de forma a melhorar os modelos a serem estimados. Oteor médio MnO da escória
do convertedor LD é de 4,662%, com um desvio-padrão de 1,196%. Cerca de 50% dos dados
apresentam teor de MnO da escória dentro do intervalo 3,868 a 5,375%.
45
Gráf. 4.13 – Sumário gráfico para o teor de MgO2 da escória do convertedor LD.
Gráf. 4.14 – Sumário gráfico para o teor de P2O5 da escória do convertedor LD.
46
No gráfico 4.14 é possível observar que o teor médio P2O5 da escória do
convertedor LD é de 2,317%, com um desvio-padrão de 0,522%. Cerca de 50% dos dados
apresentam teor de P2O5 dentro do intervalo 1,950 a 2,643%.
Pela análise estatística, percebeu-se uma grande alteração dos valores das corridas
número 38 e 233. A corrida 38 apresentou um baixo valor para o volume de oxigênio
soprado no banho metálico, acarretando em altos valores para os teores de carbono e fósforo
do aço produzido, caracterizando um defeito em algum equipamento do processo. A corrida
233 apresentou baixos valores para o volume de oxigênio soprado no banho e um baixo valor
para a temperatura final da escória.
Gráf. 4.15 – Sumário gráfico para o teor final de fósforo do FeMnMC da escória do
convertedor LD.
47
Analisando o boxplot do teor final do fósforo do FeMnMC no gráfico 4.15, é
possível observar que existem 5 informações outliers. Um desses outliers foi considerado
como erro de medida e foi excluído do banco de dados a fim de melhorar a qualidade dos
modelos que serão estimados na modelagem estatística.
48
Gráf. 4.17 – Sumário gráfico para o peso do FeMnMC produzido no conversor, em
toneladas.
49
erros medida e serão excluídas do banco de dados. O peso médio da escória do conversor é
de 1,411 toneladas, com desvio-padrão de 0,364 toneladas. Cerca de 50% dos dados
apresentam teor de fósforo do FeMnMC dentro do intervalo de 1,20 a 1,55 toneladas.
Gráf. 4.19 – Sumário gráfico para o peso o volume de oxigênio soprado na liga metálica, em
Normais metros cúbicos.
50
Gráf. 4.20 – Sumário gráfico para o teor inicial de manganês do FeMnAC.
51
ligas de FeMnAC que contenham teor de silício com teor máximo de 0,5%, mas em alguns
casos ocorre o processamento no conversor de ligas que tenham teor de silício superior ao
limite máximo, dessa forma, resolveu-se excluir as 3 amostras que apresentaram teores de
silício superiores a 0,6%.
52
Gráf. 4.23 – Sumário gráfico para o teor inicial de fósforo do FeMnAC.
No gráfico 4.23, é possível observar que o teor inicial médio de ferro do FeMnAC
processado no conversor é de 14,952%, com um desvio-padrão de 1,812%. Cerca de 50%
dos dados apresentam teor inicial de ferro do FeMnAC dentro do intervalo 13,60 a 16,22%.
53
pois 50% dos dados apresentam teor de titânio iguais a 0,01%. O teor inicial médio de titânio
do FeMnAC processado no conversor é de 0,019%, com um desvio-padrão de 0,018%.
54
Gráf. 4.26 – Sumário gráfico para o teor de MnO da escória do conversor.
55
Analisando o boxplot do teor de MgO da escória do conversor (gráfico 4.27),
observa-se que existem 5 informações outliers, sendo que 3 dessas amostras foram excluídas
do banco de dados. Ainda é possível observar que o teor médio de MgO da escória do
conversor é de 2,029%, com um desvio-padrão de 1,060%. Cerca de 50% dos dados
apresentam teor de MgO da escória dentro do intervalo 1,428 a 2,443%.
56
Gráf. 4.29 – Sumário gráfico para o teor de SiO2 da escória do conversor.
57
Analisando o gráfico 4.30, é possível observar que o boxplot do teor de Al2O3 da
escória, é possível observar que existem 12 informações outliers, sendo que apenas 6 dessas
amostras foram excluídas do banco de dados, pois apresentam teores de alumina muito acima
da média. O teor médio de Al2O3 da escória do conversor é de 0,579%, com um desvio-
padrão de 0,833%. Cerca de 50% dos dados apresentam teor de Al2O3 da escória dentro do
intervalo 0,158 a 0,665%.
58
Gráf. 4.32 – Sumário gráfico para o teor de K2O da escória do conversor.
59
Analisando o gráfico 4.33, é possível observar que o boxplot do teor de TiO2 da
escória indicou 15 informações outliers, sendo que 6 dessas amostras foram consideradas
como sendo erro de medida e foram excluídas do modelo.
60
Gráf. 4.35 – Sumário gráfico da temperatura final da escória do conversor, em °C.
61
quadrados, cubos e logaritmos naturais, inverso da temperatura (1/T), além dos índices de
basicidade binária, ternária e ótica.
4.2.1.1. Modelagem 1A
Esta modelagem refere-se a modelos de regressão linear múltipla tendo o teor de
fósforo em sua forma linear como variável resposta, utilizando como variáveis regressoras as
variáveis: Si (Gusa), teores dos componentes da escória (CaO, SiO2, FeO, P2O5, MnO e
MgO), inverso da temperatura (1/T) , basicidade binária, ternária e ótica e teor final de
carbono do aço.
S
i
(
G
u S P
s 1 C i M 2
Mallows B a / a O g O
Vars R-Sq R-Sq(adj) C-p S T ) C T O 2 O 5
62
modelo e utilizou-se as variáveis regressoras SiO2, CaO, MgO, P2O5, 1/T, Si(Gusa) e
carbono do aço para o desenvolvimento do Modelo 1A.
P = 0,0355 - 0,00443 Si (Gusa) + 0,0661 C - 69,8 1/T + 0,000858 SiO2 + 0,000872 MgO
+ 0,00242 P2O5
Analysis of Variance
Source DF SS MS F P
Regression 6 0,00357119 0,00059520 43,77 0,000
Residual Error 241 0,00327725 0,00001360
Total 247 0,00684844
Quadro 4.1 – Saída do Minitab para a Modelagem 1A.
Através da análise do quadro 4.1, é possível observar que todos os P-values dos
testes t são menores que 0,05, logo conclui-se que todas as variáveis regressoras do modelo
são importantes para explicar o teor final do fósforo do aço.
Pela análise de variância também é possível observar que a variável resposta teor
final do fósforo do aço é linearmente relacionada a pelo menos uma das variáveis
regressoras. Todas as variáveis regressoras apresentam VIF< 10, logo não há problema de
multicolinearidade nesse modelo.
63
Gráf. 4.36 – Gráfico dos resíduos do Modelo 1A.
Através da análise do gráfico dos resíduos do gráfico 4.36 não é possível aceitar a
suposição de que os resíduos tenham um desvio-padrão constante. Analisando o gráfico de
normalidade do gráfico 4.37 e o P-value do teste Anderson-Darling, que é menor que o nível
de significância adotado (0,05), conclui-se que os resíduos não podem ser considerados
normalmente distribuídos.
64
4.2.1.2. Modelagem 2A
A Esta modelagem refere-se a modelos de regressão linear múltipla tendo o teor
de fósforo em sua forma linear como variável resposta, utilizando como variáveis regressoras
as variáveis: Si (Gusa), componentes da escória(SiO2, CaO, FeO, P2O5, MnO e MgO), teor
de carbono do aço e seus respectivos quadrados, os índices de basicidade binária, ternária e
ótica, além do inverso da temperatura (1/T).
(
S
i
(
( G
S ( u (
i M s F
O g a e
2 O ) P O
) ) ) 1 C 2 F )
Mallows ^ ^ ^ / ^ O e ^
Vars R-Sq R-Sq(adj) C-p S 2 2 2 C T 2 5 O 2
1 15,3 15,0 115,2 0,0066907 X
1 7,4 7,1 150,6 0,0069938 X
2 21,9 21,3 87,4 0,0064363 X X
2 20,5 19,9 93,7 0,0064942 X X
3 27,7 26,9 63,0 0,0062023 X X X
3 27,7 26,9 63,1 0,0062036 X X X
4 31,2 30,2 49,2 0,0060618 X X X X
4 31,2 30,2 49,3 0,0060627 X X X X
5 35,2 34,0 33,3 0,0058952 X X X X X
5 33,6 32,3 40,6 0,0059681 X X X X X
6 37,5 36,1 25,0 0,0058010 X X X X X X
6 37,2 35,8 26,2 0,0058137 X X X X X X
7 39,8 38,2 16,6 0,0057040 X X X X X X X
7 39,2 37,6 19,1 0,0057301 X X X X X X X
8 41,3 39,5 11,9 0,0056443 X X X X X X X X
8 40,8 39,0 14,1 0,0056677 X X X X X X X X
9 42,1 40,1 10,0 0,0056130 X X X X X X X X X
Tab. 4.2 – Resultado do Best Subsets da Modelagem 2A.
65
No 1° modelo estimado, a variável regressora FeO apresentou VIF ≥ 10 e as
variáveis regressoras (FeO)2 e C2 apresentaram P-value iguais a 0,935 e 0,068,
respectivamente, que são maiores que o nível de significância adotado, logo essas variáveis
foram excluídas do modelo. A saída do software Minitab para o melhor modelo encontrado é
apresentada no quadro 4.5:
Analysis of Variance
Source DF SS MS F P
Regression 6 0,00407384 0,00067897 49,07 0,000
Residual Error 246 0,00340402 0,00001384
Total 252 0,00747786
Quadro 4.2 – Saída do Minitab para a Modelagem 2A.
É possível observar que todos os P-values dos testes t são menores que 0,05,
assim é possível concluir que todas as variáveis regressoras do modelo são importantes para
explicar o teor final do fósforo do aço. Todos os VIF’s encontrados são menores que 10, logo
não há multicolinearidade entre as variáveis regressoras do modelo 2A.
66
Gráf. 4.38 – Gráfico dos resíduos do Modelo 2A.
Como não há mais informações outliers chegou-se à versão final para o Modelo
2A, obtendo-se um modelo que explique 54,5% da variabilidade do teor final de fósforo do
67
aço, que não é válido pois ocorreu a violação da suposição de normalidade dos resíduos do
modelo.
4.2.1.3. Modelagem 3A
Esta modelagem refere-se a modelos de regressão linear múltipla tendo o teor de
fósforo em sua forma linear como variável resposta, utilizando como variáveis regressoras as
variáveis: Si (Gusa), componentes da escória (SiO2, FeO, P2O5, MnO e MgO), carbono do
aço, essas mesmas variáveis elevadas ao quadrado e ao cubo, além do inverso da temperatura
(1/T) .
4.2.1.4. Modelagem 4A
Esta modelagem refere-se a modelos de regressão linear múltipla tendo o teor de
fósforo em sua forma linear como variável resposta, utilizando como variáveis regressoras as
variáveis: Si (Gusa), componentes da escória(SiO2, FeO, P2O5, MnO e MgO), carbono do
aço, essas mesmas variáveis elevadas ao quadrado, além de seus respectivos logaritmos
naturais e o inverso da temperatura (1/T).
68
l
n
(
S
i l
( n l
S ( ( ( n l
i M G ( F n
O l g u P e ( (
2 n O s 2 O F C
) ( ) a 1 O ) e a
Mallows ^ C ^ ) / 5 ^ O O
Vars R-Sq R-Sq(adj) C-p S 2 ) 2 ) T ) 2 ) )
1 15,3 15,0 122,8 0,0066907 X
1 12,3 12,0 136,5 0,0068072 X
2 26,1 25,5 75,1 0,0062607 X X
2 23,5 23,0 86,7 0,0063673 X X
3 30,2 29,4 58,3 0,0060971 X X X
3 28,9 28,1 64,1 0,0061514 X X X
4 34,6 33,7 39,7 0,0059092 X X X X
4 33,6 32,6 44,5 0,0059568 X X X X
5 37,9 36,7 26,8 0,0057718 X X X X X
5 37,6 36,4 28,1 0,0057854 X X X X X
6 40,8 39,4 15,6 0,0056474 X X X X X X
6 39,6 38,3 20,8 0,0057009 X X X X X X
7 41,6 40,0 13,8 0,0056185 X X X X X X X
7 41,3 39,7 15,0 0,0056319 X X X X X X X
8 42,6 40,9 10,9 0,0055780 X X X X X X X X
8 42,3 40,5 12,4 0,0055941 X X X X X X X X
9 43,3 41,3 10,0 0,0055580 X X X X X X X X X
Tab. 4.3 – Resultado do Best Subsets da Modelagem 4A.
69
P = 0,0388 + 0,000031 (SiO2)^2 + 0,00204 ln(C) + 0,000078 (MgO)^2
- 0,00229 ln (Si (Gusa)) - 53,2 1/T + 0,00574 ln (P2O5)
Analysis of Variance
Source DF SS MS F P
Regression 6 0,00401557 0,00066926 54,80 0,000
Residual Error 242 0,00295545 0,00001221
Total 248 0,00697102
Quadro 4.3 – Saída do Minitab para a Modelagem 4A.
É possível observar que todos os P-values dos testes t são menores que 0,05,
assim é possível concluir que todas as variáveis regressoras do modelo são importantes para
explicar o teor final do fósforo do aço. Todos os VIF’s encontrados são menores que 10, logo
não há multicolinearidade entre as variáveis regressoras do modelo 4A.
70
Gráf. 4.40 – Gráfico dos resíduos do Modelo 4A.
Como não há mais informações outliers chegou-se à versão final para o Modelo
4A, obtendo-se um modelo que explique 57,6% da variabilidade do teor final de fósforo do
71
aço, que não é válido pois ocorreu a violação da suposição de normalidade dos resíduos do
modelo.
4.2.1.5. Modelagem 5A
Esta modelagem refere-se a modelos de regressão linear múltipla tendo o
logaritmo natural do teor de fósforo do aço como variável resposta, utilizando como variáveis
regressoras as variáveis: Si (Gusa), componentes da escória(SiO2, FeO, P2O5, MnO e MgO),
teor de carbono do aço, essas mesmas variáveis elevadas ao quadrado e ao cubo, além do
inverso da temperatura (1/T).
(
S
i
(
( G
S ( u ( (
i M s C F
O g a a e
2 O P ) O O
) ) 2 1 ) C C F ) )
Mallows ^ ^ O / ^ ^ a e ^ ^
Vars R-Sq R-Sq(adj) C-p S 2 2 5 T C 2 2 O O 2 2
1 18,6 18,3 148,4 0,37090 X
1 8,0 7,7 202,6 0,39435 X
2 28,7 28,2 98,8 0,34775 X X
2 27,0 26,5 107,6 0,35190 X X
3 35,9 35,2 64,3 0,33043 X X X
3 35,0 34,3 68,6 0,33262 X X X
4 39,5 38,6 47,8 0,32156 X X X X
4 38,4 37,5 53,4 0,32450 X X X X
5 42,3 41,2 35,6 0,31471 X X X X X
5 41,6 40,5 39,0 0,31651 X X X X X
6 43,9 42,6 29,6 0,31098 X X X X X X
6 43,7 42,4 30,5 0,31146 X X X X X X
7 45,5 44,1 23,1 0,30690 X X X X X X X
7 45,2 43,8 24,6 0,30774 X X X X X X X
8 46,8 45,1 18,8 0,30399 X X X X X X X X
8 46,8 45,1 18,8 0,30400 X X X X X X X X
9 47,9 46,1 14,9 0,30123 X X X X X X X X X
9 47,7 45,8 16,2 0,30200 X X X X X X X X X
10 48,5 46,5 14,1 0,30021 X X X X X X X X X X
10 48,4 46,4 14,4 0,30042 X X X X X X X X X X
11 49,3 47,1 12,0 0,29846 X X X X X X X X X X X
Tab. 4.4 – Resultado do Best Subsets da Modelagem 5A.
72
Resolveu-se escolher o modelo que apresenta 11 variáveis regressoras, já que esse
modelo apresenta o maior valor para o coeficiente de determinação, além de apresentar o
menor valor para “s” (desvio padrão dos erros). Logo, as variáveis regressoras: (SiO2)2,
(MgO)2, P2O5, 1/T, C, (Si (Gusa))2, C2, CaO, (CaO)2, FeO e (FeO)2 foram selecionadas para
a estimação do modelo 5A.
Analysis of Variance
Source DF SS MS F P
Regression 7 19,0622 2,7232 45,14 0,000
Residual Error 248 14,9610 0,0603
Total 255 34,0232
Quadro 4.4 – Saída do Minitab para a Modelagem 5A.
É possível observar que todos os P-values dos testes t são menores que 0,05, assim
é possível concluir que todas as variáveis regressoras do modelo são importantes para
explicar o teor final do fósforo do aço. Todos os VIF’s encontrados são menores que 10, logo
não há evidências de multicolinearidade entre as variáveis regressoras do modelo 5A.
73
passo seguinte é a análise residual e a plotagem do gráfico de normalidade dos resíduos, que
são mostrados nos gráficos 4.42 e 4.43:
74
Como não há informações outliers chegou-se à versão final para o modelo 5A,
obtendo-se um modelo que explique 56,0% da variabilidade do teor final de fósforo do aço.
4.2.1.6. Modelagem 6A
Esta modelagem refere-se a modelos de regressão linear múltipla tendo o
logaritmo natural do teor de fósforo do aço como variável resposta, utilizando como variáveis
regressoras as variáveis: Si (Gusa), componentes da escória (SiO2, FeO, P2O5, MnO e MgO),
teor de carbono do aço, essas mesmas variáveis elevadas ao quadrado e ao cubo, além de
seus respectivos logaritmos naturais e o inverso da temperatura (1/T) .
l
n
(
S
i l
( n l l
S ( ( n n
i G M l (
O u g n P ( (
2 s O 2 F C
) a ) ( 1 O e a C
Mallows ^ ) ^ C / 5 O O a
Vars R-Sq R-Sq(adj) C-p S 2 ) 2 ) T ) ) ) O
75
do modelo que possui 9 variáveis regressoras, além de apresentar o valor para “s” (desvio
padrão dos erros) ligeiramente superior ao do modelo que contém 9 variáveis, mas apresenta
a vantagem de possuir uma variável regressora a menos, fator que facilita o controle. Assim,
excluiu-se a variável regressora “ln (FeO)” do modelo, dessa forma, foram utilizadas as
seguintes variáveis regressoras: (SiO2)2, ln C, (MgO)2, ln Si (Gusa), 1/T, ln (P2O5), (FeO),
CaO e ln (CaO) para o desenvolvimento do Modelo 6A.
S = 0,253496
Analysis of Variance
Source DF SS MS F P
Regression 6 4677,87 779,64 12132,59 0,000
Residual Error 254 16,32 0,06
Total 260 4694,19
Quadro 4.5 – Saída do Minitab para a Modelagem 6A.
Nesse modelo, todos os P-values dos testes t são menores que 0,05, desse modo é
possível concluir que todas as variáveis regressoras do modelo são importantes para explicar
o logaritmo natural do teor final do fósforo do aço. Para modelos sem intercepto, o software
Minitab não calcula os valores para o VIF.
76
A seguir, nos gráficos 4.44 e 4.45 têm-se o gráfico dos resíduos e o gráfico de
normalidade para a validação final do modelo:
77
Assim, as suposições necessárias para a estimação de modelos de regressão linear
múltipla foram confirmadas, acarretando na validação do modelo 6A. Dessa forma, chegou-
se a um modelo sem intercepto, com 6 variáveis regressoras que explica aproximadamente
99,65% da variabilidade do logaritmo natural do teor de fósforo do aço ao final do sopro.
4.2.1.7. Modelagem 7A
Esta modelagem refere-se a modelos tendo como variável resposta uma
transformação linearizada do teor de fósforo: o logaritmo natural do fósforo dividido pela
raiz quadrada de P2O5 da escória, conforme apresentado por Campos (1985). Foram
utilizadas como variáveis regressoras as variáveis: Si (Gusa), óxidos componentes da
escória(SiO2, FeO, CaO, MnO e MgO), carbono do aço, essas mesmas variáveis elevadas ao
quadrado e ao cubo, além do inverso da temperatura (1/T).
78
Resolveu-se escolher o modelo que apresenta 9 variáveis regressoras (marcado
em negrito), já que esse modelo apresenta o valor para o coeficiente de determinação
próximo ao do modelo que possui 10 variáveis regressoras, além de apresentar o valor para
“s” (desvio padrão dos erros) ligeiramente superior ao do modelo que contém 9 variáveis,
mas apresenta a vantagem de possuir uma variável regressora a menos, fator que facilita o
controle. Assim, excluiu-se a variável regressora (SiO2)3 do modelo, assim foram utilizadas
as seguintes variáveis regressoras: (SiO2)2, (MgO)2, C, Si (Gusa), C2, 1/T, (FeO)3, (Si
(Gusa))2 e FeO para o desenvolvimento do Modelo 7A.
Analysis of Variance
Source DF SS MS F P
Regression 6 16,9721 2,8287 47,50 0,000
Residual Error 249 14,8292 0,0596
Total 255 31,8013
Quadro 4.6 – Saída do Minitab para a Modelagem 7A.
79
Para a validação do modelo, deve-se fazer a análise residual e a plotagem do
gráfico de normalidade dos resíduos, para a verificação das suposições de que os resíduos
apresentam desvio-padrão constante e que são normalmente distribuídos, a seguir, nas figuras
4.46 e 4.47 têm-se o gráfico dos resíduos e o gráfico de normalidade:
80
Logo, estimou-se a um modelo com 6 variáveis regressoras que explique
aproximadamente 53,4% da variabilidade da variável resposta.
4.2.1.8. Modelagem 8A
Esta modelagem refere-se a modelos de regressão linear múltipla tendo como
variável resposta uma transformação linearizada do teor de fósforo: o logaritmo natural do
fósforo dividido pela raiz quadrada de P2O5 da escória, conforme apresentado por Campos
(1985).
81
Resolveu-se escolher o modelo que apresenta 8 variáveis regressoras (marcado
em negrito), já que esse modelo apresenta o valor para o coeficiente de determinação
próximo ao do modelo que possui 9 variáveis regressoras, além de apresentar o valor para “s”
(desvio padrão dos erros) ligeiramente superior ao do modelo que contém 9 variáveis, mas
apresenta a vantagem de possuir uma variável regressora a menos, fator que facilita a
aplicação do modelo, já que diminui as variáveis regressoras a serem controladas. Assim,
excluiu-se a variável regressora (FeO)3 do modelo, assim foram utilizadas as seguintes
variáveis regressoras: SiO2)2, (MgO)2, ln (Si (Gusa)), ln (C), 1/T, ln (FeO), CaO e
(CaO)3.para o desenvolvimento do Modelo 8A.
S = 0,248028
Analysis of Variance
Source DF SS MS F P
Regression 5 5590,8 1118,2 18176,02 0,000
Residual Error 253 15,6 0,1
Total 258 5606,3
Quadro 4.7 – Saída do Minitab para a Modelagem 8A.
82
Todas as variáveis regressoras desse modelo apresentam P-values dos testes t
menores que o nível de significância adotado (0,05), sendo assim consideradas
estatisticamente importantes para explicar a variável resposta.
83
Gráf. 4.49 – Gráfico de normalidade dos resíduos do Modelo 8A.
84
4.2.2.1. Modelagem 1B
Esta modelagem refere-se a modelos de regressão linear múltipla tendo teor de
fósforo final do FeMnMC em sua forma linear como variável resposta, utilizando como
variáveis regressoras as variáveis: óxidos da escória (MnO, MgO, Al2O3, CaO, SiO2, BaO,
TiO2 e FeO), teor inicial de carbono, manganês, ferro, fósforo e silício do FeMnAC, inverso
da temperatura (1/T) e os índices de basicidade binária, quaternária e ótica.
Analysis of Variance
Source DF SS MS F P
Regression 3 0,100351 0,033450 122,89 0,000
Residual Error 242 0,065873 0,000272
Total 245 0,166224
Quadro 4.8 – Saída do Minitab para a Modelagem 1B.
85
apresentam desvio-padrão constante e que são normalmente distribuídos, a seguir, nos
gráficos 4.50 e 4.51 têm-se o gráfico dos resíduos e o gráfico de normalidade:
86
Logo, chegou-se a um modelo de regressão linear múltipla tendo o teor final de
fósforo do FeMnMC contendo 3 variáveis regressoras (teor de ferro e fósforo inicial do
FeMnAC e teor de MnO da escória do conversor) que explica aproximadamente 60,4% da
variabilidade do teor de fósforo.
4.2.2.2. Modelagem 2B
Esta modelagem refere-se a modelos de regressão linear múltipla tendo teor de
fósforo final do FeMnMC em sua forma linear como variável resposta, utilizando como
variáveis regressoras as variáveis: óxidos da escória (MnO, MgO, Al2O3, CaO, SiO2, BaO,
TiO2 e FeO), teor inicial de carbono, manganês, ferro, fósforo e silício do FeMnAC e os
quadrados dessas variáveis, além do inverso da temperatura (1/T) e os índices de basicidade
binária, quaternária e ótica.
Analysis of Variance
Source DF SS MS F P
Regression 4 0,102409 0,025602 96,69 0,000
Residual Error 241 0,063815 0,000265
Total 245 0,166224
Quadro 4.9 – Saída do Minitab para a Modelagem 2B.
Todos os P-values dos testes t para cada variável regressora foram menores que o
nível de significância adotado (0,05) e foram consideradas como estatisticamente importantes
para explicar o teor final do fósforo do FeMnMC.
87
O P-value da análise de variância também é menor que 0,05, logo há fortes
evidências estatísticas para acreditar que a variável resposta teor final do fósforo do
FeMnMC é linearmente relacionada a pelo menos uma das variáveis regressoras.
88
Através da análise residual aceita-se a suposição de que os resíduos tenham um
desvio-padrão constante. Através da análise do gráfico de normalidade e do P-value do teste
Anderson-Darling, que é igual a 0,468, que é maior que o nível de significância adotado,
conclui-se que os resíduos podem ser considerados normalmente distribuídos. Portanto, o
modelo 2B proposto é válido.
4.2.2.3. Modelagem 3B
Esta modelagem refere-se a modelos de regressão linear múltipla tendo teor de
fósforo final do FeMnMC em sua forma linear como variável resposta, utilizando como
variáveis regressoras as variáveis: óxidos da escória (MnO, MgO, Al2O3, CaO, SiO2, BaO,
TiO2 e FeO), teor inicial de carbono, manganês, ferro, fósforo e silício do FeMnAC e os
quadrados e cubos dessas variáveis, além do inverso da temperatura (1/T) e os índices de
basicidade binária, quaternária e ótica.
4.2.2.4. Modelagem 4B
Esta modelagem refere-se a modelos de regressão linear múltipla tendo teor de
fósforo final do FeMnMC em sua forma linear como variável resposta, utilizando como
variáveis regressoras as variáveis: óxidos da escória (MnO, MgO, Al2O3, CaO, SiO2, BaO,
TiO2 e FeO), teor inicial de carbono, manganês, ferro, fósforo e silício do FeMnAC e os
quadrados, cubos e logaritmos naturais dessas variáveis, além do inverso da temperatura
(1/T) e os índices de basicidade binária, quaternária e ótica.
89
regressoras, decidiu-se por não aplicar o método Bests Subsets. Assim, estimou-se modelos
de regressão linear múltipla utilizando-se essas 3 variáveis regressoras:
Analysis of Variance
Source DF SS MS F P
Regression 3 0,100993 0,033664 124,89 0,000
Residual Error 242 0,065231 0,000270
Total 245 0,166224
Quadro 4.10 – Saída do Minitab para a Modelagem 4B.
90
Gráf. 4.54 – Gráfico dos resíduos do Modelo 4B.
91
FeMnAC, teor de fósforo inicial do FeMnAC e teor de MnO da escória do conversor) que
explica aproximadamente 60,8% da variabilidade do teor de fósforo.
4.2.2.5. Modelagem 5B
Esta modelagem refere-se a modelos de regressão linear múltipla tendo logaritmo
natural do teor de fósforo final do FeMnMC como variável resposta, utilizando como
variáveis regressoras as variáveis: óxidos da escória (MnO, MgO, Al2O3, CaO, SiO2, BaO,
TiO2 e FeO), teor inicial de carbono, manganês, ferro, fósforo e silício do FeMnAC e os
quadrados e cubos dessas variáveis, além do inverso da temperatura (1/T) e os índices de
basicidade binária, quaternária e ótica.
Analysis of Variance
Source DF SS MS F P
Regression 4 0,103403 0,025851 99,17 0,000
Residual Error 241 0,062821 0,000261
Total 245 0,166224
Quadro 4.11 – Saída do Minitab para a Modelagem 5B.
92
Nos gráficos 4.56 e 4.57 têm-se o gráfico dos resíduos e o gráfico de normalidade:
93
regressoras (teor fósforo do FeMnAC, teor de ferro do FeMnAC elevado ao cubo, teor de
BaO da escória e (MnO)3) que explica aproximadamente 62,2% da variabilidade do teor de
fósforo.
4.2.2.6. Modelagem 6B
Esta modelagem refere-se a modelos de regressão linear múltipla tendo logaritmo
natural do teor de fósforo final do FeMnMC como variável resposta, utilizando como
variáveis regressoras as variáveis: óxidos da escória (MnO, MgO, Al2O3, CaO, SiO2, BaO,
TiO2 e FeO), teor inicial de carbono, manganês, ferro, fósforo e silício do FeMnAC e os
quadrados, cubos e logaritmos naturais dessas variáveis, além do inverso da temperatura
(1/T) e os índices de basicidade binária, quaternária e ótica.
Analysis of Variance
Source DF SS MS F P
Regression 4 0,103035 0,025759 98,24 0,000
Residual Error 241 0,063189 0,000262
Total 245 0,166224
Quadro 4.12 – Saída do Minitab para a Modelagem 6B.
94
análise de variância também é menor que 0,05, logo há fortes evidências estatísticas para
acreditar que a variável resposta teor final do fósforo do FeMnMC é linearmente relacionada
a pelo menos uma das variáveis regressoras.
Nos gráficos 4.58 e 4.59 têm-se o gráfico dos resíduos e o gráfico de normalidade:
95
nível de significância adotado, logo conclui-se que os resíduos podem ser considerados
normalmente distribuídos. Portanto, o modelo 6B proposto é válido.
4.2.2.7. Modelagem 7B
Esta modelagem refere-se a modelos de regressão linear múltipla tendo como
variável resposta a diferença entre os teores de fósforo do FeMnMC produzido e do FeMnAC
processado no forno, utilizando como variáveis regressoras as variáveis: óxidos da escória
(MnO, MgO, Al2O3, CaO, SiO2, BaO, TiO2 e FeO), teor inicial de carbono, manganês, ferro,
fósforo e silício do FeMnAC e os quadrados, cubos e logaritmos naturais dessas variáveis,
além do inverso da temperatura (1/T) e os índices de basicidade binária, quaternária e ótica.
Analysis of Variance
Source DF SS MS F P
Regression 3 0,0233980 0,0077993 35,45 0,000
Residual Error 233 0,0512569 0,0002200
Total 236 0,0746549
Quadro 4.13 – Saída do Minitab para a Modelagem 7B.
96
fósforo do FeMnMC. O P-value da análise de variância também é menor que 0,05, logo há
fortes evidências estatísticas para acreditar que a variável resposta teor final do fósforo do
FeMnMC é linearmente relacionada a pelo menos uma das variáveis regressoras.
Para a validação desse modelo 7B, deve-se fazer a análise residual e a plotagem
do gráfico de normalidade dos resíduos, que são mostrados a seguir nas figuras 4.60 e 4.61:
97
nível de significância adotado, conclui-se que os resíduos podem ser considerados como
normalmente distribuídos. Portanto, o modelo 7B proposto é válido.
4.2.2.8. Modelagem 8B
Esta modelagem refere-se a modelos de regressão linear múltipla tendo como
variável resposta a o logaritmo natural da diferença entre os teores de fósforo do FeMnMC
produzido e do FeMnAC processado no forno, utilizando como variáveis regressoras as
variáveis: óxidos da escória (MnO, MgO, Al2O3, CaO, SiO2, BaO, TiO2 e FeO), composição
inicial do FeMnAC e os quadrados, cubos e logaritmos naturais dessas variáveis, além do
inverso da temperatura (1/T) e os índices de basicidade binária, quaternária e ótica.
S = 0,307895
Analysis of Variance
Source DF SS MS F P
Regression 3 2143,33 714,44 7536,35 0,000
Residual Error 217 20,57 0,09
Total 220 2163,90
Quadro 4.14 – Saída do Minitab para a Modelagem 8B.
98
Nesse novo modelo estimado, todas as 3 variáveis regressoras apresentam P-
values dos testes t menores que o nível de significância adotado (0,05) e podem ser
consideradas como estatisticamente importantes para explicar o teor final do fósforo do
FeMnMC. O P-value da análise de variância também é menor que 0,05, logo há fortes
evidências estatísticas para acreditar que a variável resposta teor final do fósforo do
FeMnMC é linearmente relacionada a pelo menos uma das variáveis regressoras.
99
Gráf. 4.63 – Gráfico de normalidade dos resíduos do Modelo 8B.
100
5. DISCUSSÕES DOS RESULTADOS
101
Análise Normalidade
Modelo Equação R2 dos Validade
Residual
Resíduos
Variância
P = 0,0355 - 0,00443 Si(Gusa) Resíduos não
dos Modelo
+ 0,0661 C - 69,8 1/T + apresentam
1A 52,1% resíduos não é
0,000858 SiO2 + 0,000872 distribuição
não é válido.
MgO + 0,00242 P2O5 normal.
constante.
P = 0,0366 + 0,000030 (SiO2)2 Variância
+ 0,000082 (MgO)2 dos Resíduos não Modelo
2A - 0,00325 (Si (Gusa))2 + 54,5% resíduos apresentam não é
0,0481 C - 61,9 1/T não é distribuição válido.
+ 0,00268 P2O5 constante. normal.
Não foi possível de ser
3A - - - -
estimada.
P = 0,0388 + 0,000031 (SiO2)2
Variância Resíduos não
+ 0,00204 ln(C) Modelo
dos apresentam
4A + 0,000078 (MgO)2 57,6% não é
resíduos é distribuição
- 0,00229 ln (Si (Gusa)) válido.
constante. normal.
- 53,2 1/T + 0,00574 ln (P2O5)
ln P = - 2,68 + 0,00198
Variância Resíduos
(SiO2)^2 + 0,00476 (MgO)2
dos apresentam Modelo é
5A + 0,181 P2O5 - 4523 1/T 56,0%
resíduos é distribuição válido
+ 11,0 C - 0,278 (Si (Gusa)) 2 -
constante. normal.
54,6 C2
ln P = 0,00196 (SiO2)2 - 0,204 Variância Resíduos
ln (Si (Gusa)) + 0,00466 dos apresentam Modelo é
6A 99,6%
(MgO)2 + 0,260 ln (C) resíduos é distribuição válido
- 7154 1/T + 0,404 ln (P2O5) constante. normal.
ln (P/Rq(P2O5)) = - 2,43 + Variância Resíduos
0,00197 (SiO2) 2 + 0,00487 dos apresentam Modelo é
7A 53,4%
(MgO)2 - 4793 1/T + 10,8 C - resíduos é distribuição válido
0,309 Si (Gusa) - 53,6 C2 constante. normal.
ln (P/Rq(P2O5)) = 0,00191 Variância Resíduos
(SiO2)2 + 0,00464 (MgO)2 dos apresentam Modelo é
8A 99,7%
- 0,172 ln (Si (Gusa)) - 7250 resíduos é distribuição válido
1/T + 0,257 ln(C) constante. normal.
Tab. 5.2 – Sumário de resultados da modelagem do banco de dados da empresa siderúrgica.
102
oxigênio em um convertedor LD, mas não é um modelo válido já que não atendeu às
suposições de que os resíduos apresentem distribuição normal com variância constante.
103
válido, já que seus resíduos apresentam distribuição normal, com variância constante. Suas
conclusões são as mesmas do modelo 5A.
Através da análise dos modelos para aprevisão do teor de fósforo no aço, chegou-
se às seguintes conclusões:
- como a expressão: 10,8 C - 53,6 C2 é sempre maior que zero, é possível ver que
aumento do teor final de carbono do aço causa um aumento do teor final de fósforo do aço;
104
- as variáveis regressoras teor de MnO, FeO e CaO da escória não foram
considerados estatisticamente importantes para caracterizar o teor final de fósforo do aço;
105
Após a exclusão dessas amostras e dessas variáveis, desenvolveram-se modelos
estatísticos de regressão linear múltipla estimados para a previsão do teor final de fósforo do
FeMnMC durante o produzido pelo conversor a oxigênio, que são apresentados na tabela 5.4:
Análise Normalidade
Modelo Equação R2 dos Validade
Residual
Resíduos
Resíduos
P = 0,112 + 0,748 P* - Variância
apresentam Modelo é
1B 0,00211 Fe* + 0,000015 61,6% dos resíduos
distribuição válido.
(MnO)2 - 0,0121 BaO é constante.
normal.
106
FeMnAC e teores de MnO e de BaO da escória), esse modelo explica aproximadamente
61,6% da variabilidade do teor final de fósforo do FeMnMC após o sopro de oxigênio em um
conversor.
107
A modelagem 8B teve o logaritmo natural da variação do teor de fósforo do
FeMnMC como variável regressora. O modelo estimado foi um modelo sem intercepto que
teve 3 variáveis regressoras (logaritmos naturais dos teores de ferro do FeMnAC e de MnO e
CaO da escória) e explica aproximadamente 99,1% da variabilidade do teor de fósforo do
FeMnMC ao final do processo e foi o modelo que apresentou o maior coeficiente de
determinação dentre os modelos desenvolvidos para a empresa produtora de ferro-ligas de
manganês.
No presente trabalho não foi encontrada nenhuma relação entre temperatura final
da escória e teor de fósforo do FeMnMC, mesmo utilizando-se a sugestão de CAMPOS
108
(1985) em utilizar-se o inverso da temperatura como variável regressora, talvez a principal
razão para a importância da temperatura do modelo seja a pequena quantidade de amostras da
temperatura disponíveis no banco de dados. A temperatura média da escória do conversor da
empresa é de 1571,6°C e pode ser considerada como elevada para o processo de
desfosforação.
6. CONCLUSÕES
109
- o aumento do teor de MgO da escória aumenta o teor final de fósforo do aço;
110
REFERÊNCIAS
CHAUDHARY, P.N.; GOEL, R.P. & ROY, G.G. Dephosphorization of high carbon
ferromanganese using BaCO3 based fluxes. Ironmaking and Steelmaking, vol. 28, nº 5, pág.
396-403, 2001.
CHIAVERINI, V. Aços e Ferros Fundidos . 6ª Edição. ABM, São Paulo, pág. 159-187,
1990.
CRUZ, E.B.; NETO, J.B.F.; YAMADA, M.; MONTEIRO, S. & SOUZA, J.O.
Desfosforação de Ferro Manganês. Seminário ABM; Seminário sobre Fusão, Refino e
Solidificação dos aço, 26, pág. 513-529, 1994.
CAMPOS, M.S. Desvendando o MinitabTM . Qualitymark Editora Ltda, Rio de Janeiro, 2003.
CARVALHO, J.L.R.; ASSIS, P.S. ; MINELLI, R.; CAMILO, R.D. & CAMPOS, V.F. Dados
Termodinâmicos para Metalurgistas. Editora UFMG, Belo Horizonte, 1977.
111
DRESLER, W. Oxygen Refining of High-Carbon Ferromanganese. Canadian Metallurgical
Quartely, vol. 28, n° 2, pág. 109-115, 1989.
GASKELL, D.R. On the Correlation between the Distribution of Phosphorous between Slag
and Metal and the Theoretical Optical Basicity of the Slag. Transactions ISIJ, vol. 22, pág.
997-1000, 1992.
KUNDRIN, V.A. Metalurgia del Acero. Moscou (Rússia): Mir Publishers, pág. 100-113,
200-214, 1984.
LEE, Y.E.; KAISER, R.H. & DOWNING, J.H. Dephosphorization of H.C. Ferromanganese
Alloy With Magnesium. Proceedings of 5th INFACON, New Orleans (Estados Unidos), pág.
16-23, 1989.
LEE, Y.E. & KOLBEINSEN, L. Kinetics of Oxygen Refining Process for Ferromanganese
Alloys. ISIJ International, vol. 45, n° 9, pág. 1282-1290, 2005.
LIU, X.; WIJK, O.; SELIN, R. & EDSTRÖN, J.O. Oxidizing Dephosphorization of Ferro-
manganese. Scandinavian Journal of Metallurgy, vol. 25, n°.5, pág. 204-21, 1996.
LIU, X.; WIJK, O.; SELIN, R. & EDSTRÖN, J.O. Phosphorous equilibrium between BaO-
BaF2-MnO fluxes and ferro-manganese melts. Steel Research, vol. 66, nº 3, pág 96-102,
1995.
LÚCIO, A.; MINES, C.R.C.; CASTRO, L.F.A.; FIGUEIRA, R.M.; SAMPAIO, R.S. &
SILVEIRA, R.C. Metalurgia dos Ferro-Ligas, vol I e II, Belo Horizonte: editora UFMG,
1980.
MA, Z.; NI, R.; ZHENG, C. & WANG, J. Dephosphorization of Mn-based Alloys. Steel
Research, vol. 63, n.° 3, pág. 112-119, 1992.
MONTGOMERY, D.C & PECK, E.A. Introduction to Linear Regression Analysis. John
Wiley & Sons, INC., New York, 1992.
112
RISS, M. & KHODOROVSKY, Y. Production of Ferroalloys. Moscow: Mir Publishers,
pág. 135-158, 1967.
ROY, G.G.; CHAUDHARY, P.N.; MINJ, R.K. & GOEL, R.P. – Dephosphorization of
Ferromanganese using BaCO3-based Fluxes by Submerged Injection of Powders: A
Preliminary Kinetic Study. Metallurgical and Materials Transactions B, vol. 32B, pág. 558-
561, 2001.
SILVEIRA, R.C. & ALMEIDA, A.M.M. Projeto e operação dos fornos elétricos de
redução. São Paulo: editora Associação Brasileira de Metais, pág 335-340, 1987.
TAKAOKA, T.; SUMI, I.; KIKUCHI, Y. & KAWAI, Y. Manganese Reaction Rate in
Combined Blowing Converter with Less Slag. ISIJ International, vol. 33, n° 1, pág. 98-103,
1993.
113
ANEXO I - Guia para Leitura das Saídas do Minitab 14
1 - Gráfico de Normalidade
Equação de Regressão
Análise de Regressão
114
Análise de Variância
115
3 - Saída do Bestsubsets
116