Diaz PHD PDF

Tesis Doctoral
Predicción de la temperatura del arrabio en la

acería y evaluación de su impacto en las
emisiones de CO2 mediante el desarrollo
conjunto de procesos y modelos
José Díaz Trapiella
Universidad de Oviedo
Departamento de Energía
Área de Máquinas y Motores Térmicos
diazjose@uniovi.es
Diciembre 2019
Resumen
El acero es un material altamente reciclable que está llamado a ocupar un papel
destacado en la búsqueda de un desarrollo sostenible. Sin embargo, la demanda
mundial de acero no puede ser satisfecha únicamente mediante reciclado; por ello es
necesario introducir nuevo hierro en el ciclo global a través de la siderurgia integral.
Actualmente, la siderurgia busca cómo reducir su nivel de emisiones de CO2 sin
mermar la productividad ni la rentabilidad de las instalaciones. Tal adaptación no debe
descansar únicamente en innovaciones rompedoras, sino que ha de apoyarse también
en la mejora continua de equipos, métodos, sensores y modelos.
Esta investigación se centra en el convertidor básico de oxígeno, donde el arrabio

procedente del horno alto es transformado en acero. Mientras que la composición del
arrabio permanece prácticamente inalterada entre el horno alto y la acería, su
temperatura disminuye notablemente y de forma variable. De esta temperatura
depende el cálculo de las cantidades de arrabio, chatarra y otras adiciones que han de
cargarse en el convertidor. Dado que estas materias primas contribuyen
significativamente a los costes y a la huella de carbono del proceso, resulta
imprescindible disponer de una previsión los más acertada posible de la temperatura
del arrabio en la acería.
En primer lugar, se desarrolla un modelo térmico del convertidor básico de oxígeno,

que permite evaluar diferentes medidas de reducción de la huella de carbono. Se
identifica una variación total de 0.17 t de CO2 por tonelada de acero líquido en función
de la estrategia de la planta y de la temperatura del arrabio.
Seguidamente, se investigan tres líneas de mejora de la previsión de la temperatura del

arrabio en la acería: (1) medición mediante termometría infrarroja, (2) predicción
mediante modelos de series temporales y (3) predicción mediante aprendizaje
automático.
A pesar de la escasez de datos de proceso relevantes y de las incertidumbres asociadas,

la aplicación de los modelos desarrollados permite extraer la información contenida en
estos datos. Con ello, se logra reducir el error de predicción de 18.3 a 11.1 °C con una
aplicabilidad del 87 %. Por otra parte, los resultados muestran que las diferentes
técnicas ensayadas no son excluyentes, sino que pueden ser complementarias cuando
se estructuran de forma anidada en las rutinas de proceso. De esta forma, combinando
las distintas técnicas, se logra una aplicabilidad del 100 % con un error esperado de 11.3
°C, lo cual supone una reducción en la huella de carbono de 3.5 kg de CO2 por tonelada
de acero líquido.
En esta investigación se ha aplicado con éxito el desarrollo conjunto de procesos y

modelos, cuyo ámbito de interés se extiende más allá del problema considerado. En
primer lugar, el desarrollo de un modelo descriptivo ha permitido analizar diferentes
acciones de mejora del proceso. En segundo lugar, la aplicación combinada de sensores
y modelos predictivos ha resultado positiva en términos de precisión y aplicabilidad.
En consecuencia, se ha verificado que el desarrollo conjunto de procesos y modelos
resulta ventajoso frente a desarrollos separados.
Palabras clave: siderurgia; ingeniería térmica; huella de carbono; ingeniería de
procesos; convertidor BOF; modelos fenomenológicos; balance de masa; balance de
energía; modelos estadísticos; predicción de series temporales; ARIMA; aprendizaje
automático; MARS; termometría infrarroja.
Abstract
Recycled steel is a key material for sustainable development. However, since not all
steel demand can be met by recycling, new metallic iron must be introduced in the
global cycle by integrated steelmaking. Nowadays, the steel industry is seeking to
reduce its CO2 emissions without affecting productivity or profitability. This adaptation
must not rely solely on breakthrough innovations; it must also be supported by
continuous improvements in equipment, methods, sensors and models.
This research is focused on the basic oxygen converter, where the hot metal, coming
from the blast furnace, is transformed into liquid steel. While the hot metal composition
remains rather stable from the blast furnace to the steel shop, its temperature undergoes
a variable drop, so its exact value is not known at charge model runtime. However, the
estimation of the final temperature of hot metal is required to calculate the relative
quantities of hot metal, scrap, and other raw materials. Given that these materials
account for a significant part of steel cost and carbon footprint, an accurate forecasting
of hot metal temperature becomes critical.
Firstly, a thermal model of the basic oxygen converter is developed and applied to the
assessment of different carbon footprint mitigation measures. A total variation of 0.17 t
of CO2 per ton of liquid steel is found, depending on plant strategy and hot metal
temperature.
Secondly, three alternatives for hot metal temperature forecasting are investigated: (1)
infrared thermometry measurement, (2) time-series forecasting, and (3) machine
learning prediction.
Despite the scarcity and uncertainties in process data, machine learning techniques
have succeeded in extracting the relevant information from the data, allowing error
reduction from 18.3 to 11.1 °C with 87 % of applicability. Moreover, results show that
the different explored techniques are not mutually exclusive but complementary,
provided they are judiciously nested in process computer routines. Hence, a 100 %
applicability is achieved with an expected error of 11.3 °C, meaning a carbon footprint
reduction of 3.5 kg of CO2 per ton of liquid steel.
This research has successfully applied the combined development of process and
models; which interest goes beyond this particular problem. Firstly, the development
of a diagnostic model allowed the assessment of different mitigation measures.
Secondly, the combination of sensors and prognostic models, resulted in improved
accuracy and applicability. Consequently, the superiority of a combined development
of processes and models has been confirmed.
Keywords: steelmaking; thermal engineering; carbon footprint; process engineering;
BOF converter; mechanistic models; mass balance; energy balance; data-driven models;
time-series forecasting; ARIMA; machine learning; MARS; infrared thermometry.
Prefacio
Este trabajo de investigación ha sido realizado en el Departamento de Energía de la
Universidad de Oviedo en el periodo comprendido entre octubre de 2014 y diciembre
de 2019 bajo la dirección y el estímulo del Dr. Francisco Javier Fernández García,
profesor del Área de Máquinas y Motores Térmicos.
Esta tesis supone la concreción y formalización académica de parte de la experiencia

acumulada como ingeniero de procesos BOF de la acería LD-A entre los años 2007 y
2014, donde tuve la fortuna de colaborar estrechamente con D. Julio Suero Castaño,
destacado experto en conversión y testigo de excepción de la modernización de la
siderurgia asturiana.
Esta tesis también es tributaria de una valiosa y prolongada estancia en el Centro de

Desarrollo Tecnológico de ArcelorMittal entre los años 2001 y 2007, donde de la mano
de D. Luis Fernando Sancho Méndez, físico cosmopolita, pude colaborar con los
principales centros de investigación siderúrgica de Europa (BFI, CSM, OCAS, IRSID,
BS-Teeside, MEFOS, SSSA, Saarstahl, ThyssenKrupp, etc.) participando en numerosos
proyectos ECSC y RFCS.
Este trabajo también constituye una recapitulación de 22 años de colaboración en el

Área de Máquinas y Motores Térmicos, en un apasionante proceso de aprendizaje, que
se inició allá en el año 1997 como becario de investigación en el equipo de la Dra.
Manuela Prieto González y continúa a día de hoy como profesor asociado.
Finalmente, también he de mencionar con gratitud los nombres de los colegas que me
prestaron su ayuda a lo largo de esta investigación: Inés Suárez, Aida González
(Universidad de Oviedo); Iñaqui Araquistain (Land Instruments); José Manuel
Fernández, Rubén Jáñez (ArcelorMittal) y Gints Jekabsons (AresLab toolbox).
José Díaz Trapiella
Gijón, 27 de diciembre de 2019

Compendio de publicaciones
Con base en la normativa de los estudios de doctorado de la Universidad de Oviedo
(https://cei.uniovi.es/postgrado/doctorado/tesisdoctoral) que establece que
La tesis doctoral puede presentarse como un compendio de publicaciones del

doctorando sobre una misma línea de investigación. De estas publicaciones, como
mínimo tres artículos o capítulos habrán sido publicados o aceptados para su
publicación con posterioridad al inicio de sus estudios de doctorado, en un medio
incluido en el Science Citation Index […] La memoria de tesis presentada bajo esta
modalidad habrá de contener, al menos, los siguientes puntos: (1) introducción, en
la que se justifique la unidad temática de la tesis y la bibliografía de apoyo, (2)
objetivos, (3) discusión de resultados, (4) conclusiones, (5) copia completa de los
trabajos […] y (6) informe con el factor de impacto de las publicaciones
presentadas. […] Los trabajos que formen parte de una tesis de compendio de
publicaciones no podrán formar parte de otra tesis presentada bajo esta misma
modalidad.
esta tesis doctoral se presenta como un compendio de las siguientes publicaciones:
Publicación I
Díaz J, Fernández, F J. The Impact of Hot Metal Temperature on CO2 Emissions from
BOF Steelmaking. Proceedings 2018, 2(23), 1502.
Publicación II
Díaz J, Fernández F J, González A. Prediction of hot metal temperature in a BOF

converter using an ANN. 2nd International research conference on sustainable energy,
engineering, materials and environment, IRCSEEME, 25-27 July 2018, Mieres Spain, pp
27-28.
Publicación III
Díaz J, Fernández F J. The impact of hot metal temperature on CO2 emissions from basic
oxygen converter. Environmental Science and Pollution Research, 2019, 1-10.
Publicación IV
Díaz J, Fernández F J, Suárez I. Hot Metal Temperature Prediction at Basic-Lined

Oxygen Furnace (BOF) Converter Using IR Thermometry and Forecasting Techniques.
Energies 2019, 12(17), 3235.
Publicación V
Díaz J, Fernández F J, Prieto M M (2019). Hot Metal Temperature Forecasting at Steel

Plant Using Multivariate Adaptive Regression Splines. Metals 2020, 10(1), 41.
Contenidos
1. INTRODUCCIÓN 13
1.1. Contexto tecnológico 13

1.1.1. El proceso siderúrgico integral 13
1.1.2. El convertidor básico de oxígeno 15
1.1.3. La interfase entre horno alto y acería 16
1.2. Contexto metodológico 18

1.2.1. Desarrollo de procesos 19
1.2.2. Desarrollo de modelos 20
1.2.3. Desarrollo cojunto de procesos y modelos 22
1.3. Objetivos de la investigación 23
1.4. Estructura de la tesis 25
2. MÉTODOS 27
2.1. Modelo térmico del convertidor BOF 27

2.1.1. Balance de masa 27
2.1.2. Balance de energía 28
2.1.3. Aplicaciones del modelo térmico a la práctica operativa 31
2.1.4. Ecuaciones del modelo térmico 31
2.2. Modelos para la interfase BF-BOF 40

2.2.1. Métodos de referencia 40
2.2.2. Modelos ARIMA y ARIMAX estándar 41
2.2.3. Modelos MARIMA y MARIMAX 42
2.2.4. Modelo MARS estándar 42
2.2.5. Modelo MMARSL 46
2.2.6. Modelos ANN 46
3. RESULTADOS 47
3.1. Validación del modelo térmico BOF 47
3.2. Aplicación del modelo térmico BOF: emisiones de CO 2 49

3.2.1. Impacto de la temperatura del arrabio 51
3.2.2. Impacto de las restricciones técnicas 53
3.2.3. Impacto del error en la temperatura 53
3.2.4. Publicación I: Proceedings 55
3.2.5. Publicación III: Environ. Sci. Pollut. R. 61
3.3. Medición de la temperatura del arrabio 73

3.3.1. Medición directa mediante termopares 73
3.3.2. Medición indirecta mediante termometría IR 74
3.4. Predicción de la temperatura del arrabio 75

3.4.1. Predicción mediante series temporales 78
3.4.2. Publicación IV: Energies 81
3.4.3. Predicción mediante aprendizaje automático 101
3.4.4. Publicación V: Metals 107
3.4.5. Publicación II: IRCSEEME 2018 125
4. DISCUSIÓN 131
5. CONCLUSIONES 137
6. REFERENCIAS 141
7. INFORMES DE ÍNDICES DE IMPACTO 2018 147
7.1. Publicación III. Environmental Science and Pollution Research 147
7.2. Publicación IV. Energies 147
7.3. Publicación V. Metals 147
8. ANEXOS 149
8.1. Resolución del sistema de ecuaciones del balance de masa BOF 149
8.1.1. Balance global 149
8.1.2. Masa de escoria 149
8.1.3. Masa de gas de escape 150
8.1.4. Masa de oxígeno a aportar 150
8.1.5. Expresión explícita de las incógnitas 151
1. Introducción
1.1. Contexto tecnológico
El acero es un material que ha jugado un papel clave en el progreso de la humanidad,

por su amplio rango de aplicación, sus buenas propiedades mecánicas y la relativa
abundancia de las materias primas necesarias.
Hasta el siglo XIX la producción siderúrgica era de tipo artesanal. A mediados del siglo
XIX se produce un punto de inflexión, con la invención de los convertidores Bessemer
y Thomas y del horno Martin-Siemens. A mediados del siglo XX se desarrolla en Suiza
el convertidor básico de oxígeno (BOF) que rápidamente alcanza escala industrial en
las ciudades austríacas de Linz y Donawitz, razón por la cual también se conoce como
proceso LD [1]. Esta ruta de fabricación es la dominante en la actualidad ya que
representa más del 70 % de la producción mundial de acero[2].
A día de hoy, el acero se enfrenta a nuevos retos de productividad, calidad, y

sostenibilidad. Al tratarse de un material altamente reciclable, está llamado a ser un
actor fundamental dentro de los nuevos paradigmas del desarrollo sostenible y la
economía circular. Sin embargo, la posición de la siderurgia en el futuro dependerá de
cómo logre responder a los tres retos mencionados de productividad, calidad y
sostenibilidad. En concreto, el mayor reto actual es alcanzar en un plazo razonable los
objetivos de reducción de CO2 [3].
1.1.1. El proceso siderúrgico integral
Tal como se representa esquemáticamente en la Figura 1, existen dos rutas principales

de fabricación de acero [4]:
a) En el proceso siderúrgico integral se parte de mineral de hierro, carbón

y fundentes, que son procesados en diferentes instalaciones tales como
plantas sínter (SP), baterías de coque (coke ovens, CO), hornos altos
(blast furnaces, BF) y convertidores (basic oxygen furnace, BOF). En la
planta sínter se preparan los óxidos de hierro para su utilización como
materia prima en el horno alto, mientras que en la batería de cok se
transforma el carbón en coque que es utilizado como combustible y
como agente reductor en el horno alto. El producto del horno alto es el
arrabio, una aleación de hierro y carbono en estado líquido. La
transformación de los óxidos de hierro en acero requiere una gran
cantidad de carbón que a su vez genera un gran volumen de CO2.
b) En el proceso siderúrgico secundario, se parte principalmente de

chatarra y en un solo paso se obtiene a acero. Se emplea para ello una
única instalación, el horno eléctrico (electric arc furnace, EAF).
14 Introducción
Figura 1. Principales rutas para la obtención de acero: (a) siderurgia integral con
plantas sínter (SP), hornos de coque (CO), hornos altos (BF) y convertidores básicos de
oxígeno (BOF); (b) siderurgia secundaria con hornos eléctricos (EAF).
A primera vista, la producción de acero mediante horno eléctrico parece la mejor

opción. Dejando a un lado posibles particularidades locales derivadas de la abundancia
o escasez de determinados recursos, desde un punto de vista global, siempre resultará
más ventajoso reciclar acero que extraer mineral de hierro, carbón, etc. Se ahorrarán
energía y materias primas y se generarán menos emisiones.
Sin embargo, la realidad se muestra totalmente opuesta a esta intuición ya que en la

actualidad la ruta integral representa el 72 % de la producción mundial de acero, frente
al 28 % de la siderurgia secundaria [2]. Esta aparente paradoja se debe a dos causas:
 Calidad: el acero de horno eléctrico (EAF) contiene más gases disueltos

y elementos residuales que el obtenido mediante convertidor básico de
oxígeno (BOF)
 Cantidad: actualmente la necesidad mundial de acero no puede ser

satisfecha únicamente mediante el reciclado de acero; la cantidad de
hierro metálico presente en el mundo no ha dejado de crecer, ni se prevé
que deje de hacerlo.
Por tanto, dado que la demanda de acero no puede ser satisfecha ni en cantidad ni en
calidad mediante reciclado, se debe introducir nuevo hierro metálico en el ciclo global
a través de la siderurgia integral [5].
En conclusión, el proceso siderúrgico integral es necesario, pero urge minimizar la

generación de CO2 sin dañar la productividad de las instalaciones ni mermar la calidad
del producto de cara a asegurar su sostenibilidad y, por tanto, su futura viabilidad [3].
Contexto tecnológico 15
1.1.2. El convertidor básico de oxígeno
El convertidor básico de oxígeno (BOF) es un reactor en el que el arrabio procedente del

horno alto (BF) es transformado en acero mediante el soplado de oxígeno de alta pureza
y la adición de una cantidad significativa de chatarra. Es un proceso discontinuo en el
que cada lote, denominado colada, produce unas 200-300 t de acero líquido a unos 1600-
1700 °C. El proceso BOF se esquematiza en la Figura 2.
El arrabio es hierro líquido con un contenido en carbono del 4-5 % y cantidades

variables de otros elementos tales como silicio, manganeso, fósforo o azufre. El arrabio,
a una temperatura de 1200-1400 °C, se carga en el convertidor, donde previamente se
ha introducido la chatarra. A continuación, mediante una lanza introducida por la boca
del convertidor, se inyecta oxígeno a alta velocidad mientras que por la parte inferior
del convertidor se burbujea argón o nitrógeno con el fin de favorecer la agitación del
baño. También se añaden fundentes tales como cal, dolomía o sílice con el fin de formar
una escoria cuya composición permita captar los componentes no deseados en el acero.
Las condiciones oxidantes del proceso no sólo eliminan C, Si, Mn, P, S y parte del hierro
del baño, sino que además proporcionan suficiente energía para fundir la chatarra y
elevar la temperatura del baño por encima de 1600 °C al final del proceso. Los productos
de oxidación tales como el SiO2 o el P2O5 son incorporados a la escoria, mientras que el
CO y el CO2 generados son arrastrados por el gas saliente (off-gas, OG).
La proporción empleada de arrabio y chatarra suele variar dependiendo de factores

tales como la composición y la temperatura del arrabio, las características del acero a
fabricar, la disponibilidad relativa de arrabio y chatarra, el precio de las materias primas
y los límites operativos de la instalación. La proporción de arrabio y chatarra se
determina mediante un cálculo de optimización técnico-económica, denominado
modelo de carga, que toma en consideración las variables y restricciones mencionadas
anteriormente.
Figura 2. Representación esquemática del proceso BOF con indicación de los

principales flujos materiales de entrada y de salida a considerar en el balance de masa
y energía del sistema.
16 Introducción
Dado que se deben satisfacer los balances de masa y de energía entre las entradas y las
salidas del convertidor, una mayor temperatura del arrabio permite una mayor
proporción de chatarra en la carga. De igual forma, un contenido mayor de C o Si en el
arrabio implica una mayor aportación de energía de oxidación al balance, permitiendo
elevar la ratio de chatarra. Además, el empleo de aditivos exotérmicos o endotérmicos
proporciona un grado de control adicional sobre los balances de masa y de energía. El
modelo de carga se encargará de encontrar la combinación óptima de materias primas
en cuanto a coste, calidad, productividad o emisiones. Dado que las materias primas
suponen una parte significativa del coste del acero, el correcto ajuste y funcionamiento
del modelo de carga, que a su vez depende enormemente de la precisión de los datos
de entrada supone un aspecto fundamental de la optimización de los procesos
siderúrgicos.
Una descripción conjunta de los procesos de horno alto y acería se puede encontrar en
Ghosh [6]. Para un mayor detalle en cada campo se dispone de los trabajos de Geerdes
[7] y Fruehan [8], respectivamente.
1.1.3. La interfase entre horno alto y acería
El arrabio se transporta por ferrocarril desde el horno alto hasta la acería usando unos
vagones revestidos interiormente de refractario denominados torpedos. En la acería, el
ordenador de proceso ejecuta el modelo de carga con el fin de determinar las cantidades
de arrabio y chatarra necesarias para producir el acero objetivo en cuanto a masa,
composición y temperatura. Fijados el acero objetivo y las restricciones tecno-
económicas, las cantidades de materias primas dependen principalmente de la
temperatura y composición del arrabio. Una vez determinadas las cantidades de arrabio
y de chatarra, éstas se preparan1 para ser cargadas en el convertidor [9].
Mientras que la composición del arrabio permanece prácticamente inalterada desde el

horno alto a la acería, su temperatura disminuye notablemente y de forma muy variable
dependiendo de todos los procesos que tienen lugar entre ambas instalaciones. Como
consecuencia de esto, a pesar de ser un dato fundamental para el modelo de carga, el
valor exacto de la temperatura real del arrabio a utilizar es desconocido en el momento
de ejecución de dicho modelo, debido al adelanto que requiere la preparación del
arrabio y de la chatarra. Esta incertidumbre podría ser atenuada mediante una medición
directa de la temperatura del arrabio con suficiente anticipación. Sin embargo, esta
posibilidad presenta ciertas desventajas prácticas, y en lugar de un valor medido se
emplea una estimación grosera basada en valores típicos o promedios diarios.
En una siderurgia integral, los procesos de la interfase BF-BOF pueden ser muy
complejos, dado que se requiere una numerosa flota de torpedos y de cucharas de
arrabio para interconectar los diferentes hornos altos con las distintas acerías y sus
convertidores. Además, existen una o varias estaciones de pre-tratamiento de arrabio,
así como puestos de mantenimiento y limpieza de torpedos y cucharas. Al margen de
1 La cantidad precisa de chatarra se prepara en un recipiente metálico llamado bandeja de chatarra, cuya
forma facilita la carga del convertidor. Por otra parte, el arrabio necesario se transfiere desde los torpedos a
la cuchara de arrabio, que es una vasija recubierta interiormente de refractario y con una piquera que facilita
el vertido posterior al convertidor.
Contexto tecnológico 17
esta complejidad, y por lo que respecta al ámbito de esta investigación, el proceso

experimentado por el arrabio desde el horno alto hasta la acería se muestra
esquemáticamente en la Figura 3 y se describe a continuación.
Inicialmente, durante la sangría del horno alto, el arrabio fluye a través de un canal, se
separa de la escoria y se vierte en los torpedos. La temperatura del arrabio se mide
entonces de forma directa sumergiendo termopares de un solo uso en el caudal de metal
fundido. A media que el proceso de sangría progresa, la temperatura del arrabio va
cambiando. Normalmente se realizan tres mediciones: la primera, inmediatamente
después de perforar el agujero de sangría; la segunda, en el momento en el que empieza
a fluir escoria y la tercera, al final, cuando la sangría está a punto de terminar. La
primera temperatura tiende a ser más baja que las sucesivas ya que el primer arrabio en
salir procede de la parte baja del crisol que está más fría. A medida que la sangría
progresa, el arrabio procede directamente de la fusión del mineral de hierro y está más
caliente. Al igual que sucede con la temperatura, tampoco el caudal de arrabio, ni las
frecuencias de sangría ni los tiempos de medida son regulares en el tiempo.
En caso de ser necesario reducir el contenido en azufre, silicio o fósforo del arrabio, éste
es transportado hasta la estación de pre-tratamiento. El tratamiento más habitual es el
de desulfuración, consistente en aportar un producto a base de calcio que es arrastrado
mediante un gas inerte (argón o nitrógeno) e inyectado con gran energía en el interior
del torpedo. Se provoca una intensa agitación del arrabio, lo cual facilita las reacciones
de desulfuración. El producto de la reacción es una escoria semilíquida que queda
flotando en la parte superior del torpedo.
Posteriormente, un transporte ferroviario lleva los torpedos hasta la acería, recorriendo

una distancia que varía notablemente entre plantas, pudiendo ser de unas pocas
centenas de metros o alcanzar varias centenas de kilómetros. En el caso cercano de la
siderurgia asturiana, la distancia entre los hornos altos y la acería de Gijón es inferior a
1 km, mientras que la distancia a la acería de Avilés es superior a los 10 km. Está
documentado el transporte de arrabio entre los hornos altos de Ashland (OH) y la acería
de Middletown (OH) de la siderúrgica norteamericana ARMCO en los años 80 [10]. La
distancia entre ambas instalaciones, actualmente inactivas, es de casi 300 km.
Una vez en la acería, tiene lugar la transferencia del arrabio desde los torpedos hasta la
cuchara. Normalmente, en la cuchara de arrabio se carga sólo la cantidad necesaria para
fabricar una colada. Conviene recordar que esta cantidad ha sido determinada por el
modelo de carga del convertidor con base en una estimación imprecisa de la
temperatura del arrabio.
La temperatura exacta del arrabio se determina posteriormente, inmediatamente antes

de cargarlo en el convertidor sumergiendo un termopar desechable en la cuchara de
arrabio.
Los torpedos y cucharas vacíos se limpian y quedan a la espera de realizar un nuevo

ciclo de trabajo. Si el tiempo de espera previsto va a ser superior al tiempo de ciclo
normal, se colocan en estaciones de calentamiento con el fin de minimizar las pérdidas
térmicas del refractario.
18 Introducción
Figura 3. Diagrama de flujo simplificado de la interfase entre el horno alto (BF) y la

acería de convertidor básico de oxígeno (BOF) en una siderurgia integral.
Aunque el control de la temperatura del arrabio en la interfase BF-BOF es siempre

importante, resulta crucial en plantas de organización compleja, con diferentes hornos
altos alimentando acerías distintas y distantes. En estos casos, la predicción y el control
de la temperatura del arrabio además de tener mayor importancia, puede resultar
también más difícil de materializar, por la escasez de datos necesarios para su control y
una mayor probabilidad de manejar datos erróneos.
1.2. Contexto metodológico

Siguiendo el planteamiento de McLean [11], en esta investigación se toma como idea
metodológica central que el desarrollo conjunto de los procesos y de su modelización
constituye un enfoque más eficiente que su desarrollo por separado. Adoptando y
adaptando la dicotomía propuesta por Rosen [12] para el modelado de sistemas
naturales, bajo el término “proceso” se englobará el plano observable del estudio, es
decir: equipos, sensores, materias primas, mano de obra, etc.; mientras que en el término
“modelo” se incluirá la descripción y el control de los fenómenos involucrados, es decir,
el plano formal del estudio.
En la búsqueda bibliográfica realizada a lo largo de la investigación, se vio que, si bien

algunos autores han aplicado el desarrollo conjunto de procesos y modelos, en la
práctica se desatiende su importancia. No abundan los trabajos suficientemente
respaldados por datos empíricos y apenas se han encontrado publicaciones relevantes
en las que se ilustre y valide el interés de este enfoque mediante su aplicación a la
práctica operativa de una acería. Esto conduce a buscar los antecedentes metodológicos
en las siguientes direcciones: desarrollo de procesos, desarrollo de modelos y, por
último, desarrollo combinado proceso-modelo.
Contexto metodológico 19
1.2.1. Desarrollo de procesos
Las publicaciones existentes sobre el desarrollo de los procesos en el ámbito del

convertidor BOF se remontan a los albores de esta técnica, y arrancan ya con las
primeras patentes de los años 50. Estas patentes, presentadas a título personal por los
ingenieros de Voest-Alpine, se refieren tanto a la generalidad del proceso como a sus
parámetros básicos: altura de la lanza, caudal de oxígeno y temperatura [1]. Sin
embargo, ninguna de estas patentes llegó a ser plenamente efectiva, debido en parte a
una ilustración en la que se mostraba incorrectamente un flujo descendente en la zona
del baño donde impacta el chorro de oxígeno [13]. Este es, sin duda, el primer ejemplo
histórico de la importancia de respaldar con la modelización el desarrollo del proceso
[14]; en fechas tan tempranas ya se encuentran síntomas de desconexión proceso-
modelo con la consiguiente pérdida de eficacia.
Desde entonces, la fabricación de acero mediante horno básico de oxígeno no ha dejado

de progresar, no solo en volumen de producción sino en el desarrollo de cada uno de
los aspectos del proceso: equipos, sensores, procedimientos operativos y materias
primas [15].
a) Equipos y sensores. El fin último de esta línea de desarrollo es la

búsqueda de una total automatización de las operaciones. Destaca la
introducción de la sublanza que ha permitido un cierto control
dinámico del proceso mediante la medida puntual pero instantánea y
precisa del carbono y la temperatura del baño [16]. Este método de
control aún no ha sido superado pese a los intentos de determinación
continua del carbono [17] y de la temperatura [18] que permitirían la
práctica del direct tapping 2 [19]. También destacan los desarrollos
tendentes a automatizar la sangría del convertidor y mejorar con ello la
consistencia del proceso [20].
b) Materias primas y procedimientos operativos. Los trabajos orientados

a la minimización del consumo energético mediante reducción de las
pérdidas térmicas y el empleo óptimo de las materias primas [21,22]
son una línea de trabajo esencial por el fuerte impacto económico-
ambiental que tienen [23,24]. También hay un buen número de trabajos
totalmente centrados en la optimización energética del proceso de
conversión, donde destaca la elección de la proporción adecuada
arrabio/chatarra y de la adición de materiales que posibiliten el balance
térmico de la colada, tanto aportando [25] como consumiendo energía
[26,27], según interese minimizar o maximizar el consumo de arrabio
líquido. También se busca una mayor consistencia del proceso de
soplado y una mayor productividad al lograr campañas de mayor
duración gracias a técnicas de mantenimiento del refractario como la
del “slag splashing”3 [28].
2 Práctica operativa consistente en sangrar (to tap) el convertidor sin necesidad de esperar al resultado de los
análisis químicos de la muestra obtenida con sublanza.
3 Práctica operativa que consiste en proyectar escoria fundida sobre las paredes del horno mediante el
soplado de nitrógeno. De esta forma, se protege el refractario y se prolonga la vida del mismo.
20 Introducción
1.2.2. Desarrollo de modelos
Los trabajos publicados sobre modelización térmica del proceso BOF se pueden
clasificar según su alcance y finalidad
a) Modelos generales con un enfoque holístico de optimización

energética, a diferentes escalas
- global [29,30],
- nacional (e. g. China [31], Japón [32], USA [33], India[34], etc.)
- centrada en una factoría o compañía (e.g. SAAB Lulea [35-40])
Estos trabajos aportan información interesante y resultan útiles para

comparar el rendimiento de diferentes instalaciones y para definir los
objetivos del BOF; no son aplicables al control en línea del proceso.
b) Modelos fenomenológicos que tratan de describir alguno o algunos de

los múltiples subprocesos que tienen lugar en la fabricación de una
colada en el BOF. Se pueden considerar como submodelos que en
conjunto permitirían describir exhaustivamente el proceso, lo cual
ayuda a comprenderlo e incluso optimizarlo [41-42]. Sin embargo, su
aplicabilidad al control on-line suele verse limitada por la dificultad de
determinar con la precisión necesaria los parámetros que intervienen
en su definición. Una clasificación de los principales submodelos,
atendiendo al fenómeno que tratan de describir es:
- Transferencia de calor. Buscan modelar las pérdidas térmicas

que tienen lugar a través de la escoria, los humos, las paredes del
convertidor, etc. Especialmente las paredes refractarias del
convertidor afectan al proceso, dado que actúan como
acumuladores de calor y pueden aportar gran variabilidad al
control de la temperatura [43,44]. Las técnicas aplicadas van
desde simples planteamientos unidimensionales del primer
principio [43], hasta detallados modelos CFD [45], pasando por
modelos de diferencias finitas en las que el dominio de estudio
se restringe al refractario. Los parámetros que necesitan estos
modelos no son fáciles de determinar [43,46] y su uso en el
control del proceso necesita de un cuidadoso ajuste estadístico.
- Disolución de la chatarra. Es un fenómeno más complejo que el

anterior e implica la modelización acoplada de la transferencia
de masa y de calor [47]. Tiene gran impacto en el proceso ya que
la chatarra puede suponer más del 25 % de la carga del
convertidor [25] y afecta a la evolución de la temperatura del
baño, la formación de la escoria y la postcombustión 4 ,
especialmente en la primera mitad del soplado [48]. Se han
venido empleado métodos tanto analíticos como numéricos para
el estudio de este fenómeno.
4
Durante el soplado de la colada con oxígeno, parte del CO desprendido del arrabio se oxida a CO 2 en las
proximidades del baño incrementando el aporte energético al mismo.
Contexto metodológico 21
- Flujo y mezcla. El proceso BOF se caracteriza no sólo por tener

altas tasas de transferencia de calor, sino también de materia y
de cantidad de movimiento en el seno del baño de metal fundido
[49]. Las técnicas de CFD han jugado un papel fundamental en
las tres últimas décadas, permitiendo una mejor comprensión de
los fenómenos físicos involucrados [50]. A pesar de la evolución
del CFD, aún no es posible representar en un solo modelo todos
los aspectos de interés técnico y hay que identificar muy bien qué
parte del problema se quiere representar [51]. En estos casos tan
complejos, el modelado numérico, por sí sólo, tiene poca validez
[14] y debe apoyarse necesariamente en el modelado físico [52,53]
y en la toma de medidas en planta, si el caso lo permite.
- Decarburación. A lo largo del proceso de soplado se eliminan

por oxidación gran parte de los elementos disueltos en el arrabio.
Estas reacciones son exotérmicas, siendo la eliminación del silicio
y del carbono las que más energía generan. El silicio se oxida
rápidamente y pasa a formar parte de la escoria, teniendo un
efecto térmico fácilmente predecible. Sin embargo, la eliminación
del carbono obedece a mecanismos más complejos que están
interrelacionados con otros aspectos como la disolución de
chatarra, la formación de la escoria o el patrón5 de soplado; por
este motivo, el submodelo de decarburación está presente en los
modelos exhaustivos físico-químicos[54,55]. Para su desarrollo
se emplean métodos tanto analíticos [56], como numéricos [54] e
incluso se recurre a la modelización física [57].
c) Modelos de control. La finalidad de estos modelos es muy concreta:

determinar en tiempo real las cantidades de materias primas, oxígeno
y gases inertes que son necesarias para alcanzar la temperatura y el
contenido de carbono deseados [8]. Esto no es una tarea fácil, dado que
pequeñas modificaciones en las condiciones del proceso tienen un
efecto muy acusado en los resultados, pudiendo afectar a la validez del
modelo [58]. Potencialmente, cuanto más complejos sean los modelos,
mejores resultados se obtendrán [59]. Sin embargo, la agregación de
modelos descriptivos detallados no suele dar lugar a modelos de
control aplicables [41-45] dado que es necesario que sean robustos [60]
y capaces de funcionar de la forma más desatendida posible a largo
plazo [62]. Por ello se recurre normalmente a modelos macroscópicos
tanto fenomenológicos, basados en leyes fundamentales, como
empíricos [46], que pueden ser a su vez estadísticos [58,62,63] o basados
en inteligencia artificial [64-67]. En la práctica, se dan frecuentemente
casos intermedios, es decir, modelos fenomenológicos en los que un
buen número de parámetros han de ajustarse empíricamente [62] o
modelos estadísticos basados en cierta medida en el manejo de los
5 Evolución prescrita a lo largo del soplado del caudal de oxígeno y de la distancia de la lanza al baño
22 Introducción
principios fundamentales 6 [68]. En la última década se ha producido

una inflación 7 de publicaciones en las que se proponen modelos
basados en distintos tipos de redes neuronales [69-73].
1.2.3. Desarrollo cojunto de procesos y modelos
La bibliografía analizada en los apartados anteriores pone de manifiesto que la

interrelación proceso-modelo depende principalmente del alcance y la finalidad del
modelo.
Entre los modelos descriptivos aplicados a la optimización off-line se encuentran

buenos ejemplos de un desarrollo combinado proceso-modelo. Aunque algunos
trabajos tienen un interés principalmente académico [33,55], otros se integran en una
dinámica de mejora continua ayudando a entender y optimizar algunos elementos del
proceso tales como sensores [17,18], equipos [53] y operaciones [42,44].
Por el contrario, en los modelos de control aplicados a la optimización on-line del

proceso abundan trabajos con un planteamiento demasiado distanciado de la realidad
productiva. Suele faltar un análisis previo del problema a resolver y de la calidad y
significación de los datos empleados. Tampoco se suele analizar el comportamiento del
modelo tras su implementación, ni las mejoras que ha implicado para el proceso. Sin
embargo, muchos trabajos tienen aspectos que deberán ser aprovechados en esta
investigación. La revisión de dichos aspectos permite establecer algunas de las
características que ha de tener el desarrollo combinado proceso-modelo:
a) Equipo mixto de trabajo. Para cualquier desarrollo realmente

innovador es fundamental la colaboración mutua entre los ámbitos
académico e industrial. Así lo indica McLean en su excelente
panorámica sobre ciencia y tecnología de la siderurgia [11]. Se plantea
el reto de conciliar los legítimos intereses de cada parte, lo cual es
perfectamente posible, tal como demuestran los programas europeos
de investigación ECSC [74] y posteriormente RFCS [75]. Parece que
aquí es necesario hacer algún esfuerzo, ya que, de los más de 200
artículos revisados para este análisis, sólo en 20 de ellos participa un
investigador del sector industrial y de estos 20 artículos, sólo 5 están
escritos en colaboración con el sector académico.
b) Sostenibilidad a largo plazo. La importancia de este aspecto la

experimentan en primera persona las personas encargadas de la
automatización del proceso y aparece bien ilustrada en una publicación
de los responsables de modelos de EKO Stahl [61]. Todo modelo de
control bien planteado ha de mantener su consistencia a corto, medio y
largo plazo incluyendo mecanismos de autocorrección [61], tuning-
6 Se les ha denominado, a veces, modelos de caja gris, en contraposición a los modelos de caja negra,
puramente estadísticos.
7 Se emplea este término intencionadamente, dado que a nuestro juicio se trata de trabajos de validez
cuestionable puesto que en unos casos la selección de variables de proceso no es correcta y en otros casos ni
siquiera se indica qué variables se manejan.
Objetivos de la investigación 23
autoaprendizaje [76] y prácticas de mejora continua [77],

respectivamente.
c) Análisis previo de diferentes alternativas proceso-modelo. Quizá sea

el aspecto más olvidado y a nuestro juicio más importante. Antes de
modelar, hay que analizar la posibilidad de obtener la misma
información mediante una o varias medidas. También hay que valorar
si son viables modificaciones en el proceso que simplifiquen el modelo.
Por ejemplo, Zimmer [43] subraya la importancia de minimizar las
pérdidas térmicas para reducir la variabilidad en el control térmico de
la colada. Recíprocamente, puede decidirse implementar un modelo,
no tanto por su capacidad predictiva como porque contribuye a la
estandarización y consistencia del proceso [9].
d) Análisis de la importancia de las variables y de la calidad de los datos.

Este aspecto está fuertemente relacionado con el anterior y también se
olvida con frecuencia. Sin embargo, resulta fundamental analizar en
detalle qué información se necesita, de qué información se dispone y
qué importancia relativa tiene cada variable en el proceso a modelar
[61], de modo que se concentren los esfuerzos en la determinación
precisa de las variables de mayor peso en el modelo [58]. Los datos han
de estar exentos de error en la medida de lo posible, dado que según el
principio GIGO (garbage in, garbage out)8, la calidad del resultado del
modelo no puede ser superior a la de los datos de entrada [78].
e) Orientado a la construcción del conocimiento. Como se deduce

fácilmente de lo anterior, el desarrollo combinado proceso-modelo
implica un esfuerzo nada desdeñable. Sin embargo, este trabajo es
altamente reutilizable si se organiza adecuadamente en una base de
conocimiento [79], propia del trabajo científico correctamente
estructurado [46].
1.3. Objetivos de la investigación

El análisis del contexto tecnológico y metodológico permite identificar una serie de
carencias o vacíos que motivan los objetivos de esta investigación y fundamentan las
preguntas que la tesis busca responder.
Vacío I. La siderurgia integral se encuentra en una encrucijada global. Sigue

siendo necesaria, pero debe adaptar su nivel de emisiones si quiere
mantenerse como opción de futuro. Como respuesta, se han venido
planteando proyectos de investigación globales de tipo “breakthrough”
que deberían aportar una mejora sustancial, pero que están
condicionados por el riesgo y las incertidumbres. No parece que haya
8 Garbage in, garbage out. Expresión procedente del campo de la informática, se refiere al hecho de que un
modelo que se alimente con datos falsos dará lugar a resultados incuestionablemente erróneos. Esta obviedad
ya fue enunciada por Babbage, sorprendido de que algunas personas esperaban obtener el resultado correcto
a pesar de introducir datos falsos en su máquina de calcular.
24 Introducción
un nivel equivalente de esfuerzo a nivel de subprocesos elementales, es

decir, de mejoras “incrementales”. Los responsables del proceso BOF
carecen de herramientas para analizar el impacto en las emisiones
dentro de su ámbito de responsabilidad.
Vacío II. Se ha constatado una cierta desconexión entre el esfuerzo de modelado

descrito en la bibliografía y el efecto real cuantificable que causan estos
desarrollos. Da la sensación de que los esfuerzos de las investigaciones
no están siempre bien orientados. Por ejemplo, existen cientos de
artículos sobre predicción del end-point 9 del convertidor, cuando
existe un sistema de medición fiable y contrastado que es la sublanza
[16].
Vacío III. Ahondando en el punto anterior, se da la paradoja de que el cálculo de

la carga de materias primas se basa en una tosca predicción de la
temperatura del arrabio, sin que exista ni haya sido abordada nunca
una alternativa, a tenor de lo que reflejan las publicaciones.
Buscando compensar los vacíos mencionados, se plantean los siguientes objetivos para
esta investigación:
Objetivo I. Desarrollar una herramienta de análisis del proceso BOF, que permita
simular diferentes estrategias productivas y evaluar su impacto técnico,
económico y ambiental.
Objetivo II. Perfilar un método de desarrollo conjunto de los procesos térmicos y

de los modelos de control y probar su eficacia en planta.
Objetivo III. Mejorar la predicción de la temperatura del arrabio en la acería y

evaluar su impacto mediante el modelo térmico del Objetivo I.
En último término, en esta tesis se propone que el desarrollo conjunto de los procesos
térmicos del BOF y de su modelización resulta más eficiente que si se abordan por
separado. Esta idea se aplica a la reducción de la huella de carbono mediante una mejor
determinación de la temperatura del arrabio en la acería. Así, las preguntas a las que
esta tesis busca dar respuesta son:
Pregunta I. ¿Es posible mejorar la previsión de la temperatura del arrabio a pesar

de las incertidumbres asociadas y la escasez de datos de proceso
relevantes?
Pregunta II. ¿Qué reducción se puede lograr en la huella de carbono mediante la

aplicación del desarrollo conjunto proceso-modelo a la predicción de la
temperatura del arrabio, sin recurrir a proyectos de inversión?
Pregunta III. ¿Resulta ventajoso el desarrollo conjunto de procesos y modelos frente

a un enfoque separado?
9Situación del baño en cuanto a temperatura y contenido de carbono en los últimos minutos del proceso; su
conocimiento permite ajustar la cantidad de oxígeno o de adición refrigerante final.
Estructura de la tesis 25
1.4. Estructura de la tesis
En coherencia con los objetivos planteados, esta investigación se ha centrado

principalmente en el estudio térmico del convertidor básico de oxígeno (BOF) y de la
interfase con el horno alto (BF), analizando las variables y parámetros que tienen un
mayor impacto, técnico, económico y ambiental. A partir de lo anterior, se profundiza
en la mejora de la predicción de la temperatura del arrabio en la acería, por ser un factor
clave en el aprovechamiento de los recursos y en la reducción de la huella de carbono.
Tal como se ilustra en la Figura 4, esta tesis se estructura en cinco capítulos. En el

Capítulo 1 Introducción se plantea la investigación, partiendo de los antecedentes
tecnológicos que permiten identificar las carencias existentes y orientar los objetivos.
También se revisa críticamente la metodología que se ha venido empleando en las
últimas décadas en el desarrollo de la tecnología siderúrgica.
En el Capítulo 2 Métodos se desarrollan los métodos empleados: un modelo térmico

fenomenológico del convertidor que sirva para describir su comportamiento y una serie
de técnicas encaminadas a mejorar la predicción de la temperatura del arrabio.
El Capítulo 3 Resultados es el banco de pruebas de las técnicas desarrolladas

previamente. En él se ajustan, validan y aplican los métodos descritos en el Capítulo 2
con referencia a las publicaciones que conforman este compendio. En primer lugar, se
muestran los resultados de validación del modelo térmico BOF y de la evaluación de
la huella de carbono:
 Publicación I: planteamiento general del modelo y efecto de la

temperatura del arrabio en las emisiones;
 Publicación III: validación del modelo y análisis de medidas de mejora;
seguidamente se presentan los resultados obtenidos en la determinación de la

temperatura del arrabio en la acería mediante técnicas básicas:
 Publicación IV: termometría de infrarrojos y modelos de series
temporales;
para finalmente estudiar la aplicación de técnicas de aprendizaje automático:
 Publicación V: splines adaptativos multivariante;
 Publicación II: redes neuronales artificiales.
En el Capítulo 4 Discusión se recapitulan los principales resultados obtenidos y se

realiza una discusión conjunta de los mismos, bajo la óptica del desarrollo conjunto de
procesos y modelos. Además, se define un método combinado de determinación de la
temperatura de arrabio en acería y se evalúa su rendimiento en términos de precisión y
aplicabilidad
Finalmente, en el Capítulo 5 Conclusiones se presentan las consecuencias finales de la

investigación y se revisan los objetivos y preguntas de la tesis. También se plantean
algunas ideas de trabajo futuro que se consideran interesantes.
26 Introducción
Figura 4. Estructura de los capítulos de la tesis en relación con (a) las líneas de trabajo seguidas
y los resultados publicados, así como con (b) las partes del proceso consideradas.
2. Métodos
2.1. Modelo térmico del convertidor BOF
Tal como se expuso en el capítulo anterior, los modelos existentes del proceso BOF son,
o bien muy generales (nivel regional) o bien muy limitados (fenómenos individuales).
Para poder describir el funcionamiento del convertidor y así analizar la importancia
relativa de las variables involucradas, se hizo necesario desarrollar íntegramente una
descripción matemática adecuada del proceso BOF. Dado que se necesitaba un modelo
explicativo de los aspectos energéticos del proceso que fuera aplicable a todo el rango
posible de operación, se optó por emplear un enfoque fenomenológico y macroscópico
del proceso, ya que conduce a modelos que generalizan bien [46]. Los modelos
fenomenológicos (law-driven models), son la mejor opción cuando se pretende
aplicarlos a diferentes escenarios productivos, si definen y validan correctamente.
Tal como se ha comentado anteriormente, el convertidor es un reactor que opera de

forma discontinua, procesando lotes denominados coladas. Al comienzo de cada colada
se cargan la mayor parte de las materias primas: el arrabio y la chatarra. Posteriormente,
a lo largo de unos 20 minutos, diferentes materiales fluyen de forma más o menos
continua. Entran diferentes adiciones10, y también gases como O2, N2/Ar y sale gas de
escape. Al terminar el proceso de conversión se vacía el convertidor, obteniéndose acero
como producto principal y escoria como subproducto.
El modelo térmico propuesto se basa en los balances de masa y de energía, así como en
las reacciones químicas de oxidación que tienen lugar en el convertidor. Los tres
fenómenos están acoplados entre sí.
2.1.1. Balance de masa
La conservación de la masa implica que para cada colada ha de cumplirse el balance

general, es decir, la suma de las masas de las materias primas ha de ser igual a la suma
de los pesos de los productos. El balance ha de satisfacerse también individualmente
para cualquier elemento químico, como por el ejemplo el hierro. También es posible
aplicar el balance a cualquier subsistema de interés, como pueden ser cada una de las
fases presentes (metal, escoria, gas de escape).
Así, el balance global se expresa como:
∑ 𝑚𝑖 = ∑ 𝑚𝑖 + ∆𝑚 (1)
𝑖∈𝑖𝑛𝑝𝑢𝑡 𝑖∈𝑜𝑢𝑡𝑝𝑢𝑡
y el balance elemental para el elemento j:
10
Se conocen como adiciones aquellos materiales sólidos que se cargan aparte de las materias primas
principales y que pueden ser fundentes para la formación de la escoria (cal, dolomía cocida, guijo…) o
materiales para ajuste del balance térmico (mineral de hierro, briquetas, antracita, ferrosilicio…)
28 Métodos
𝑗 𝑗
∑ 𝑚𝑖 𝑥𝑖 = ∑ 𝑚𝑖 𝑥𝑖 + ∆𝑚𝑗 (2)
donde mi es la masa de cada uno de los materiales que entran (input) o salen (output)
𝑗
del convertidor y 𝑥𝑖 es la fracción másica del elemento j en el material i. En la práctica,
siempre habrá un imbalance Δm, derivado de las incertidumbres inherentes a las
mediciones (pesos, análisis) y de la incompleta descripción del proceso (reacciones o
flujos de material no considerados).
La formalización del balance de masa es un prerrequisito para establecer el balance de

energía. Además, por sí mismo y dependiendo de qué datos sean conocidos, se puede
aplicar a la estimación de:
a) pérdidas; por ejemplo, perdidas de Fe en los humos
b) masas de materiales necesarios o de productos obtenidos
c) composición química de materiales o de productos
2.1.2. Balance de energía
El balance de energía se aplica al sistema abierto formado por el volumen interior del
convertidor durante el intervalo de fabricación de una colada:
∆𝐸 = 𝑄 − 𝑊𝑡 + ∑ (𝐻 + 𝐸𝐶 + 𝐸𝑃 )𝑖 − ∑ (𝐻 + 𝐸𝐶 + 𝐸𝑃 )𝑖 (3)
La fabricación de una colada comienza y termina con el convertidor vacío, por lo que
no se acumula energía en su interior. Por tanto, ∆E es nulo. Además, no se aporta ni se
genera trabajo técnico con lo que el término 𝑊𝑡 también se elimina, así como los
términos 𝐸𝐶 y 𝐸𝑃 , dado que las variaciones de energía cinética y potencial son
despreciables. En consecuencia, la Ecuación (3) puede simplificarse:
0 = −𝑄𝑇𝐿 + ∑ 𝑚𝑖 ℎ𝑖 − ∑ 𝑚𝑖 ℎ𝑖 (4)
donde el término 𝑄𝑇𝐿 (> 0) representa las pérdidas térmicas a través de la frontera del
sistema. De forma análoga al balance de masa, se puede incorporar en este término el
imbalance derivado de imprecisiones y aspectos del proceso no considerados.
Como ya se indicó en la introducción, el proceso de conversión implica la eliminación

de buena parte del carbono, silicio y otros elementos presentes en las materias primas,
a través de reacciones de oxidación fuertemente exotérmicas; por ello, la entalpía de
reacción es una componente esencial del balance. Al existir reacciones químicas,
algunas de las sustancias que entran en el sistema, los reactivos, se transforman en
nuevas sustancias, los productos. Debido a esto, no se puede utilizar una referencia de
entalpía arbitraria para cada sustancia, sino que es necesario establecer un estado de
referencia común para todas las sustancias presentes en el sistema. La práctica más
común en el análisis de sistemas reactivos consiste en utilizar el llamado estado de
referencia estándar definido por una temperatura de 25 °C y una presión de 1 atm y
asignar arbitrariamente un valor nulo a la entalpía de los elementos químicamente
estables. Con esta referencia, se pueden asignar valores entálpicos a los compuestos en
estado estándar. Dichos valores son las denominadas entalpías de formación, ℎ𝑓0 , que
Modelo térmico del convertidor BOF 29
se muestran en color azul en la Figura 5 y son conocidas para la mayoría de los

compuestos químicos de interés. Así, el balance de energía puede expresarse:
𝑄𝑇𝐿 = ∑ 𝑚𝑖 (ℎ𝑓0 + ∆ℎ𝑆−𝐼 ) − ∑ 𝑚𝑖 (ℎ𝑓0 + ∆ℎ𝑆−𝐹 ) (5)

𝑖 𝑖
donde ∆ℎ𝑆−𝐼 representa la variación de entalpía que experimenta un reactivo entre las
condiciones estándar y las condiciones iniciales en las que se carga al convertidor.
Análogamente, ∆ℎ𝑆−𝐹 representa la variación de entalpía del producto entre el estado
estándar y las condiciones reales de salida del convertidor. Estas variaciones de entalpía
se muestran en color verde en el esquema de la Figura 5.
Sin embargo, la entalpía de formación de las sustancias que participan en el proceso de

conversión real no siempre es conocida. Materiales tales como la antracita, la cal o la
escoria, están formados por diferentes sustancias químicas individuales, cuyas
cantidades relativas pueden variar considerablemente dependiendo de su origen.
Debido a la enorme variabilidad que pueden presentar en su composición y estructura,
no es posible encontrar sus entalpías de formación en las recopilaciones habituales de
propiedades termodinámicas.
Afortunadamente, sí es posible encontrar en la bibliografía, aunque de forma un tanto

dispersa y no siempre comparable, las variaciones de entalpía para las reacciones que
tienen lugar en el convertidor. Normalmente vienen referidas a unas condiciones
arbitrarias denominadas condiciones metalúrgicas. Estas condiciones se denotarán con
el superíndice M y se corresponderán con una temperatura de 1600 °C y una presión de
1 atm. El estado de referencia de cada uno de los reactivos y productos será el más
adecuado en cada caso (en fase gas, disuelto en Fe, en la fase escoria, etc.). La suma de
las variaciones de entalpía para todas las reacciones en condiciones metalúrgicas, ∆𝐻𝑟𝑀 ,
será
∆𝐻𝑟𝑀 = ∑ 𝑚𝑖 ℎ𝑓𝑀 − ∑ 𝑚𝑖 ℎ𝑓𝑀 (6)

𝑖 𝑖
𝑖∈𝑜𝑢𝑡𝑝𝑢𝑡 𝑖∈𝑖𝑛𝑝𝑢𝑡
donde ℎ𝑓𝑀 es la entalpía de formación del reactivo o producto en el estado de

referencia metalúrgico. Tomando esta nueva referencia, el balance de energía puede
expresarse como
𝑄𝑇𝐿 = ∑ 𝑚𝑖 (ℎ𝑓𝑀 + ∆ℎ𝑀−𝐼 ) − ∑ 𝑚𝑖 (ℎ𝑓𝑀 + ∆ℎ𝑀−𝐹 ) (7)

𝑖 𝑖
donde ∆ℎ𝑀−𝐼 y ∆ℎ𝑀−𝐹 representan la variación de entalpía entre las condiciones

metalúrgicas y las condiciones en las que se carga un reactivo o sale un producto,
respectivamente. Estas variaciones de entalpía se indican en rojo en el esquema de la
Figura 5.
El término −∆ℎ𝑀−𝐼 representa la energía que se ha de proporcionar al conjunto de

materias primas desde sus condiciones iniciales (es decir, tal como se cargan al
convertidor) hasta las condiciones de referencia. Esta variación de entalpía engloba las
entalpías de descomposición ∆ℎ𝐵 , calentamiento y cambio de fase ∆ℎ 𝑇 y disolución
∆ℎ𝐷 :
30 Métodos
−∆ℎ𝑀−𝐼 = ∆ℎ𝐵 + ∆ℎ 𝑇 + ∆ℎ𝐷 (8)
Es decir, ∆ℎ𝑀−𝐼 representa la energía que se emplea en procesos tales como fundir y
calentar la chatarra hasta la temperatura metalúrgica; o, en el caso del ferrosilicio, en
disociar el silicio, disolverlo en hierro líquido y elevar su temperatura.
Por otra parte, ∆ℎ𝑀−𝐹 representa la energía consumida en llevar los productos desde
las condiciones metalúrgicas hasta las condiciones finales, es decir, calentar acero,
escoria y gas de escape desde la temperatura metalúrgica hasta la temperatura final.
La Ecuación (7) también se puede expresar como:
𝑄𝑇𝐿 = ∑ 𝑚𝑖 ℎ𝑓𝑀 − ∑ 𝑚𝑖 ℎ𝑓𝑀 + ∑ 𝑚𝑖 ∆ℎ𝑀−𝐼 𝑖

𝑖 𝑖
𝑖∈𝑖𝑛𝑝𝑢𝑡 𝑖∈𝑜𝑢𝑡𝑝𝑢𝑡 𝑖∈𝑖𝑛𝑝𝑢𝑡 (9)
− ∑ 𝑚𝑖 ∆ℎ𝑀−𝐹 𝑖
𝑖∈𝑜𝑢𝑡𝑝𝑢𝑡
Sustituyendo la Ecuación (6) y reordenando, se obtiene finalmente
−∆𝐻𝑟𝑀 = ∑ 𝑚𝑖 ∆ℎ𝑀−𝐹 𝑖 − ∑ 𝑚𝑖 ∆ℎ𝑀−𝐼 𝑖 + 𝑄𝑇𝐿 (10)

Esta última expresión, se interpreta como que una parte la entalpía de reacción
exotérmica −∆𝐻𝑟𝑀 > 0, mostrada en color negro en la Figura 5, se invierte en
incrementar la entalpía de las entradas hasta las condiciones metalúrgicas (−∆ℎ𝑀−𝐼 >
0); otra parte se invierte en incrementar la entalpía de los productos desde las
condiciones metalúrgicas hasta las condiciones finales (∆ℎ𝑀−𝐹 > 0) y, finalmente, otra
parte se pierde (𝑄𝑇𝐿 > 0).
Figura 5. Variaciones de entalpía de reactivos y productos del proceso BOF respecto a

las condiciones de referencia estándar (en azul) y respecto a las condiciones
metalúrgicas (en rojo).
2.1.3. Aplicaciones del modelo térmico a la práctica operativa
El modelo térmico del convertidor BOF que se ha planteado tiene varias aplicaciones
prácticas tales como:
a) Cálculo de la carga. Definida la cantidad, composición y temperatura

del acero deseado, se determinan las cantidades de materias primas a
cargar y de oxígeno a soplar.
b) Cálculo estático. Definidas totalmente las materias primas a cargar 11 y

la temperatura y composición finales deseadas en el acero, se determina
la cantidad de oxígeno a soplar y el balance térmico resultante12.
c) Estimación de las pérdidas térmicas. A partir de datos de coladas

reales, se tendrán totalmente definidas las materias primas y los
productos en cuanto a su cantidad, composición y temperatura. El
cierre del balance permitirá estimar las pérdidas térmicas.
d) Estimación del efecto térmico de materiales, equipos o prácticas

operativas 13 . Partiendo de datos de coladas reales, y habiendo
caracterizado previamente las pérdidas térmicas, se pueden estimar las
variaciones de entalpía causadas por determinados cambios en el
proceso.
Como se ve, dependiendo de la aplicación, variarán los datos de entrada y de salida del
modelo. Un enfoque práctico para abordar cualquier problema consiste en implementar
únicamente la rutina correspondiente al cálculo estático. El resto de aplicaciones se
podrán resolver mediante una o varias llamadas a dicha rutina. Por este motivo, a
continuación, se plantean los balances con las hipótesis, datos e incógnitas
correspondientes al cálculo estático.
2.1.4. Ecuaciones del modelo térmico
El planteamiento de los balances anteriormente descritos, junto con las restricciones

derivadas de la operativa del proceso, permite plantear el sistema de ecuaciones
fundamentales del modelo térmico propuesto. Así, en ausencia de pérdidas el balance
global de masa se expresa como
∑ 𝑚𝑖 = ∑ 𝑚𝑖
(11)
11
Principalmente el arrabio y la chatarra para el caso de una carga neutra (aquella que cumple directamente
el balance de energía) o, además, la cantidad de un agente endotérmico (Fe2O3) o exotérmico (FeSi, C ó CSi)
en el caso de una carga no neutra (aquella derivada de restricciones adicionales a la cantidad de arrabio y de
chatarra a cargar).
12
Es decir, el déficit o superávit de energía que deberá suplirse con la adición de un agente exotérmico o
endotérmico, respectivamente.
13
La estimación del impacto en el balance térmico puede tener gran interés en la práctica operativa real ante
la llegada a planta de un nuevo material cuyos efectos sean desconocidos, y que tampoco pueda estimarse
con suficiente precisión ni de forma teórica ni mediante ensayos, por tratarse de un material complejo, de
composición o rendimiento indeterminados. De igual modo, la aplicación del balance de energía puede
emplearse en la caracterización térmica de un nuevo equipo (por ejemplo, una lanza de postcombustión) o
de una nueva práctica operativa (por ejemplo, un patrón de soplado o una estrategia de adición de fundentes).
32 Métodos
donde mi es la masa de cada uno de los materiales que entran (input) o salen (output)
del convertidor. Interesa desglosar la salida en las tres fases que la componen: acero
(steel, st), escoria (slab, sl) y gas de escape (off-gass, OG), dado que las tres masas son
desconocidas y cada fase tiene una composición diferente. En cuanto a las entradas,
𝑂
todas sus masas son conocidas excepto la de oxígeno, 𝑚𝑖𝑛 , dado que el oxígeno a soplar
es uno de los resultados del cálculo estático. Por ello es útil separar esta especie del resto
de entradas. Con todo esto, la expresión del balance global de masa queda de la forma:
𝑂
𝑚𝑠𝑡 + 𝑚𝑠𝑙 + 𝑚𝑂𝐺 = 𝑚𝑖𝑛 + ∑ (1 − 𝑥𝑖𝑂 )𝑚𝑖
(12)
𝑖∈𝑖𝑛𝑝𝑢𝑡
donde 𝑥𝑖𝑂 es la fracción másica de oxígeno en el material i.
Por otra parte, el balance individual para una especie cualquiera A, será:
𝐴 𝐴 𝐴 𝐴
𝑚𝑠𝑡 𝑥𝑠𝑡 + 𝑚𝑠𝑙 𝑥𝑠𝑙 + 𝑚𝑂𝐺 𝑥𝑂𝐺 = 𝑚𝑖𝑛 (13)
donde 𝑥𝑖𝐴 y 𝑚𝑖𝑛

𝐴
son la masa total de entrada y la fracción másica en el material i de
la especie A, respectivamente. La Ecuación (13) se particulariza para las especies a
considerar en esta investigación de la siguiente forma:
𝐹𝑒 𝐹𝑒 𝐹𝑒 𝐹𝑒
𝐶 𝐶 𝐶 𝐶
𝑂 𝑂 𝑂 𝑂
𝑆𝑖 𝑆𝑖 𝑆𝑖 𝑆𝑖
𝑀𝑛 𝑀𝑛 𝑀𝑛 𝑀𝑛
𝑃 𝑃 𝑃 𝑃
𝐶𝑎𝑂 𝐶𝑎𝑂 𝐶𝑎𝑂 𝐶𝑎𝑂

𝑀𝑔𝑂 𝑀𝑔𝑂 𝑀𝑔𝑂 𝑀𝑔𝑂

𝑆𝑖𝑂2 𝑆𝑖𝑂2 𝑆𝑖𝑂 𝑆𝑖𝑂2

𝑚𝑠𝑡 𝑥𝑠𝑡 + 𝑚𝑠𝑙 𝑥𝑠𝑙 + 𝑚𝑂𝐺 𝑥𝑂𝐺 2 = 𝑚𝑖𝑛 (22)
𝑁 𝑁 𝑁 𝑁
𝑚𝑠𝑡 𝑥𝑠𝑡2 + 𝑚𝑠𝑙 𝑥𝑠𝑙2 + 𝑚𝑂𝐺 𝑥𝑂𝐺2 = 𝑚𝑖𝑛2 (23)
𝐴𝑟 𝐴𝑟 𝐴𝑟 𝐴𝑟
Adicionalmente, tanto para la fase escoria como para la fase gas, se puede plantear que
las fracciones másicas de las especies consideradas suman la unidad 14:
14Para la fase acero no tiene sentido plantear una tercera restricción por dos motivos. En primer lugar, porque
no se consideran de forma explícita las especies químicas presentes en la carga y que pasan directamente al
acero sin reaccionar (como el Cu o el Ni); sin embargo, las que pasan sin reaccionar a la fase escoria y gas, sí
se consideran (CaO, MgO, SiO2, Ar, N2). En segundo lugar, si se explicitasen los elementos que no se oxidan,
𝑗
∑ 𝑥𝑠𝑙 = 1
(25)
𝑗∈𝑠𝑙
𝑗
∑ 𝑥𝑂𝐺 = 1
(26)
𝑗∈𝑂𝐺
Finalmente, se puede hacer uso de la estequiometría, es decir, del conocimiento que se

tiene del estado de oxidación de cada elemento presente en el gas y en la escoria, lo cual
permite expresar el contenido en oxígeno de ambas fases en función del contenido del
resto de elementos.
𝑂 𝑆𝑖
32 𝑀𝑛
16 𝑃
80 𝐹𝑒
𝑥𝑠𝑙 = 𝑥𝑠𝑙 + 𝑥𝑠𝑙 + 𝑥𝑠𝑙 + 𝑥𝑠𝑙 𝑘𝐹𝑒 (27)
28 55 62
𝑂 𝐶 (1
16
𝑥𝑂𝐺 = 𝑥𝑂𝐺 + 𝑘𝑃𝐶 ) (28)
12
Las Ecuaciones (12, 14-28) constituyen un sistema de 16 ecuaciones con 49 variables de

las cuales 15 son conocidas, aunque los valores concretos varían de colada en colada:
 10 son las masas de entrada de cada una de las especies consideradas,

𝐹𝑒 𝐶 𝑆𝑖 𝑀𝑛 𝑃 𝐶𝑎𝑂 𝑀𝑔𝑂 𝑆𝑖𝑂
excepto el oxígeno: 𝑚𝑖𝑛 , 𝑚𝑖𝑛 , 𝑚𝑖𝑛 , 𝑚𝑖𝑛 , 𝑚𝑖𝑛 , 𝑚𝑖𝑛 , 𝑚𝑖𝑛 , 𝑚𝑖𝑛 2 ,
𝐴𝑟 𝑁
𝑚𝑖𝑛 , 𝑚𝑖𝑛2 . Todas son conocidas dado que se tiene caracterizada de
forma completa la carga del convertidor, excepto por lo que se refiere a
𝑂
la cantidad de oxígeno 𝑚𝑖𝑛 .
 5 corresponden a la composición final deseada del acero en elementos

𝐶 𝑆𝑖 𝑀𝑛 𝑃 𝑂
que participan en las reacciones: 𝑥𝑠𝑡 , 𝑥𝑠𝑡 , 𝑥𝑠𝑡 , 𝑥𝑠𝑡 , 𝑥𝑠𝑡 . Todos son
datos conocidos. Los elementos que no reaccionan como el Cu, el Ni u
otros, no es necesario tenerlos en cuenta. Ello deja como incógnita el
contenido en Fe del acero ya que no se puede obtener por diferencia
entre el 100% y la suma de elementos considerados ni tampoco se
puede considerar que todo el hierro de la carga pasa al acero, dado que
una parte no despreciable se oxida y pasa a la escoria, como se verá
enseguida.
Por otra parte, se pueden anular otras 15 incógnitas teniendo en cuenta que:
 El contenido del acero en óxidos y gases inertes es despreciable:

𝐶𝑎𝑂 𝑀𝑔𝑂 𝑆𝑖𝑂2 𝑁 𝐴𝑟
𝑥𝑠𝑡 = 𝑥𝑠𝑡 = 𝑥𝑠𝑡 = 𝑥𝑠𝑡2 = 𝑥𝑠𝑡 =0
𝑁
 El contenido de la escoria en C, N y Ar es despreciable: 𝑥𝑠𝑙
𝐶
= 𝑥𝑠𝑙2 =
𝑥𝑠𝑙𝐴𝑟 = 0.
 El gas de escape está formado principalmente por CO, CO 2 más los

gases inertes N2 y Ar, pudiendo despreciarse el resto de especies:
𝐹𝑒 𝑆𝑖 𝑀𝑛 𝑃 𝐶𝑎𝑂 𝑀𝑔𝑂 𝑆𝑖𝑂
𝑥𝑂𝐺 = 𝑥𝑂𝐺 = 𝑥𝑂𝐺 = 𝑥𝑂𝐺 = 𝑥𝑂𝐺 = 𝑥𝑂𝐺 = 𝑥𝑂𝐺 2 = 0
la tercera restricción (la suma de fracciones másicas de elementos del acero igual a la unidad) no sería
linealmente independiente dado que podría obtenerse como combinación lineal de todas las ecuaciones
anteriores.
34 Métodos
Finalmente, es necesario realizar unas hipótesis adicionales que determinan las 3

variables siguientes:
 𝑥𝑠𝑙
𝐹𝑒
: como se indicó anteriormente, una parte del hierro del baño se
oxida y pasa a la escoria. La cantidad y el estado de oxidación del hierro
de la escoria dependen de las condiciones de soplado del oxígeno. El
proceso de soplado BOF suele diseñarse para alcanzar un valor de
𝐹𝑒
hierro en la escoria de en torno al 18 %. Por ello se considerará 𝑥𝑠𝑙 =
0.018, aunque podría asignársele otro valor a este parámetro.
 𝑘𝐹𝑒 : el grado de oxidación del hierro a Fe2+ o a Fe3+ depende de las

condiciones en las que se produzca. En el proceso BOF se considera
habitualmente que el estado de oxidación del hierro equivale a 𝑘𝐹𝑒 =
0.32, aproximadamente.
 𝑘𝑃𝐶 : la mayoría del carbono se oxida a CO, si bien otra parte no

despreciable (10-20%) se oxida de forma completa a CO2 en el baño o
en su proximidad inmediata. Este valor se conoce como tasa de post-
combustión. Se puede considerar 𝑘𝑃𝐶 = 0.1.
Resumiendo, de las 49 variables empleadas:
 15 son datos de entrada del cálculo y, en general, varían de colada en

colada: composición final del acero, composición de la carga y masa de
la carga, excepto O2.
 15 pueden considerarse nulas, independientemente de la colada, por

tratarse de contenidos despreciables de ciertas especies en ciertas fases.
 3 se fijan mediante hipótesis adicionales de cantidad y grado de

oxidación del Fe presente en la escoria y grado de oxidación del C
presente en el gas de escape y pueden tomarse como parámetros.
 16 quedan como incógnitas a resolver:

𝑂
- El oxígeno a aportar: 𝑚𝑖𝑛 .
𝐹𝑒
- La masa de acero y su contenido en hierro: 𝑚𝑠𝑡 , 𝑥𝑠𝑡 .
𝑂
- La masa y composición de la escoria: 𝑚𝑠𝑙 , 𝑥𝑠𝑙 , 𝑥𝑠𝑙𝑆𝑖 , 𝑥𝑠𝑙
𝑀𝑛 𝑃
, 𝑥𝑠𝑙 ,
𝐶𝑎𝑂 𝑀𝑔𝑂 𝑆𝑖𝑂2
𝑥𝑠𝑙 , 𝑥𝑠𝑙 , 𝑥𝑠𝑙 .
𝑂 𝐶 𝑁
- La masa y composición del gas de escape: 𝑚𝑂𝐺 , 𝑥𝑂𝐺 , 𝑥𝑂𝐺 , 𝑥𝑂𝐺2 ,
𝐴𝑟
𝑥𝑂𝐺 .
La aplicación del balance de masa ha conducido, pues, al planteamiento de un sistema

de 16 ecuaciones con 16 incógnitas. La versión final de este sistema se indica de nuevo,
para mayor claridad, en las Ecuaciones (S1-S16) del Cuadro 1. Se representan en rojo las
incógnitas, en verde las variables a las que se les puede suponer un valor y en azul, los
datos conocidos en el cálculo de cada colada. Además, las incógnitas se recuadran y se
numeran la primera vez que aparecen.
(1) (2) (3) (4)

𝑂
𝑚𝑠𝑡 + 𝑚𝑠𝑙 + 𝑚𝑂𝐺 = 𝑚𝑖𝑛 + ∑ (1 − 𝑥𝑖𝑂 )𝑚𝑖 (S1)
(5)
𝐹𝑒 𝐹𝑒 𝐹𝑒 𝐹𝑒
𝑚𝑠𝑡 𝑥𝑠𝑡 + 𝑚𝑠𝑙 𝑥𝑠𝑙 + 𝑚𝑂𝐺 𝑥𝑂𝐺 = 𝑚𝑖𝑛 (S2)
(6)
𝐶 𝐶 𝐶 𝐶
(7) (8)
𝑂 𝑂 𝑂 𝑂
(9)
𝑆𝑖
𝑚𝑠𝑡 𝑥𝑠𝑡 + 𝑚𝑠𝑙 𝑥𝑠𝑙𝑆𝑖 𝑆𝑖
+ 𝑚𝑂𝐺 𝑥𝑂𝐺 𝑆𝑖
= 𝑚𝑖𝑛 (S5)
(10)
𝑀𝑛 𝑀𝑛 𝑀𝑛 𝑀𝑛
(11)
𝑃 𝑃 𝑃 𝑃
(12)
𝐶𝑎𝑂 𝐶𝑎𝑂 𝐶𝑎𝑂 𝐶𝑎𝑂
(13)
𝑀𝑔𝑂 𝑀𝑔𝑂 𝑀𝑔𝑂 𝑀𝑔𝑂
(14)
𝑆𝑖𝑂2 𝑆𝑖𝑂2 𝑆𝑖𝑂 𝑆𝑖𝑂2
𝑚𝑠𝑡 𝑥𝑠𝑡 + 𝑚𝑠𝑙 𝑥𝑠𝑙 + 𝑚𝑂𝐺 𝑥𝑂𝐺 2 = 𝑚𝑖𝑛 (S10)
(15)
𝑁 𝑁 𝑁 𝑁
𝑚𝑠𝑡 𝑥𝑠𝑡2 + 𝑚𝑠𝑙 𝑥𝑠𝑙2 + 𝑚𝑂𝐺 𝑥𝑂𝐺2 = 𝑚𝑖𝑛2 (S11)
(16)
𝐴𝑟
𝐴𝑟
𝑚𝑠𝑡 𝑥𝑠𝑡 + 𝑚𝑠𝑙 𝑥𝑠𝑙𝐴𝑟 + 𝑚𝑂𝐺 𝑥𝑂𝐺
𝐴𝑟
= 𝑚𝑖𝑛 (S12)
𝑗
∑ 𝑥𝑠𝑙 = 1
(S13)
𝑗∈𝑠𝑙
𝑗
∑ 𝑥𝑂𝐺 = 1
(S14)
𝑗∈𝑂𝐺
𝑂
32 16 80
𝑥𝑠𝑙 = 𝑥𝑠𝑙𝑆𝑖 𝑀𝑛
+ 𝑥𝑠𝑙 𝑃
+ 𝑥𝑠𝑙 𝐹𝑒
+ 𝑥𝑠𝑙 𝑘𝐹𝑒 (S15)
28 55 62
𝑂 𝐶
16
𝑥𝑂𝐺 = 𝑥𝑂𝐺 (1 + 𝑘𝑃𝐶 ) (S16)
12
Cuadro 1. Ecuaciones del balance de masa en el convertidor BOF
Es interesante observar que resulta posible definir un problema mínimo en el que las
únicas especies participantes sean Fe, C y O. Las Ecuaciones (S1-S4) junto con las
Ecuaciones (S13-S16) constituyen un sistema de 8 ecuaciones con 8 incógnitas que
representan un problema mínimo e independiente. A estas cuatro ecuaciones se pueden
ir añadiendo las Ecuaciones (S5-S7) que corresponden a los elementos que se reparten
entre acero y escoria (en ésta última, en forma de óxidos) y para los que la concentración
en el acero es conocida; cada uno de estos elementos aporta una ecuación y una
36 Métodos
incógnita adicional al sistema, pudiendo considerarse más o menos elementos según el

grado de detalle que interese. Finalmente, las Ecuaciones (S8-S12) se refieren a
compuestos que pueden tratarse como inertes (no se oxidan) y que al final del proceso
estarán presentes en una sola de las fases. Se pueden incluir tantos compuestos de este
tipo como interese, dado que cada uno aporta una ecuación y una incógnita adicional
al sistema. La solución a las ecuaciones del Cuadro 1 se muestra en el Cuadro 2.
𝐹𝑒
𝑁2 1 − 𝑥𝑠𝑙 𝑘𝐹𝑒
∑𝑖∈𝑖𝑛𝑝𝑢𝑡 𝑚𝑖 − 𝑚𝑖𝑛 𝐴𝑟
− 𝑚𝑖𝑛 𝐶
− 𝑚𝑖𝑛 − 𝐹𝑒 (1 ∑ 𝑗∈𝑠𝑙 𝑚 𝑗 (1 + 𝑘𝑗 ) + ∑ 𝑗∈𝑠𝑙 𝑚𝑖𝑛
𝑗
𝑘𝑗
𝑖≠𝑂2
1 − 𝑥𝑠𝑙 + 𝑘𝐹𝑒 ) 𝑗≠𝑂 𝑖𝑛 𝑗≠𝑂
𝑗≠𝐹𝑒 𝑗≠𝐹𝑒
𝑚𝑠𝑡 = 𝐹𝑒 (M1)
1 − 𝑥𝑠𝑙 𝑘𝐹𝑒
𝑂
1−𝑥𝑠𝑡 𝐶
− 𝑥𝑠𝑡 − 𝐹𝑒 (1 ∑ 𝑗∈𝑠𝑙 𝑥 𝑗 (1 + 𝑘𝑗 ) + ∑ 𝑗∈𝑠𝑙 𝑥𝑠𝑡
𝑗
𝑘𝑗
1 − 𝑥𝑠𝑙 + 𝑘𝐹𝑒 ) 𝑗≠𝑂 𝑠𝑡 𝑗≠𝑂
1 𝑗 𝑗
𝑚𝑠𝑙 = 𝐹𝑒 (1 ∑ (𝑚𝑖𝑛 − 𝑚𝑠𝑡 𝑥𝑠𝑡 )(1 + 𝑘𝑗 )
1 − 𝑥𝑠𝑙 + 𝑘𝐹𝑒 ) (M2)
𝑗∈𝑠𝑙
𝑗≠𝑂
𝑗≠𝐹𝑒
𝑁 𝐴𝑟 𝐶 𝐶)
16
𝑚𝑂𝐺 = 𝑚𝑖𝑛2 + 𝑚𝑖𝑛 + (𝑚𝑖𝑛 − 𝑚𝑠𝑡 𝑥𝑠𝑡 (1 + (1 + 𝑘𝑃𝐶 ) ) (M3)
12
𝑂 𝑂 𝐹𝑒 𝑗 𝑗
𝑚𝑖𝑛 = 𝑚𝑠𝑡 𝑥𝑠𝑡 + 𝑚𝑠𝑙 𝑥𝑠𝑙 𝑘𝐹𝑒 + ∑ (𝑚𝑖𝑛 − 𝑚𝑠𝑡 𝑥𝑠𝑡 ) 𝑘𝑗
𝑗∈𝑠𝑙
𝑗≠𝑂 (M4)
𝑗≠𝐹𝑒
𝐶 𝐶 )(1
16
+ (𝑚𝑖𝑛 − 𝑚𝑠𝑡 𝑥𝑠𝑡 + 𝑘𝑃𝐶 )
12
𝑂
𝑚𝑂2 = 𝑚𝑖𝑛 − ∑ 𝑥𝑖𝑂 𝑚𝑖 (M5)
𝐹𝑒 𝐹𝑒
𝐹𝑒
𝑚𝑖𝑛 − 𝑚𝑠𝑙 𝑥𝑠𝑙
𝑥𝑠𝑡 = (M6)
𝑚𝑠𝑡
𝐶 𝐶
𝐶
𝑚𝑖𝑛 − 𝑚𝑠𝑡 𝑥𝑠𝑡
𝑥𝑂𝐺 = (M7)
𝑚𝑂𝐺
𝑂 𝑂 𝑂
𝑂
𝑚𝑖𝑛 − 𝑚𝑠𝑡 𝑥𝑠𝑡 − 𝑚𝑂𝐺 𝑥𝑂𝐺
𝑥𝑠𝑙 = (M8)
𝑚𝑠𝑙
𝐴𝑟 𝑁
𝑂
𝑚𝑖𝑛 + 𝑚𝑖𝑛2 𝐶
𝑥𝑂𝐺 =1− − 𝑥𝑂𝐺 (M9)
𝑚𝑂𝐺
𝐴 𝐴
𝑥𝑠𝑙𝐴 = (M10)
𝑚𝑠𝑙
𝑁
𝑁 𝑚𝑖𝑛2
𝑥𝑂𝐺2 = (M11)
𝑚𝑂𝐺
𝐴𝑟
𝐴𝑟
𝑚𝑖𝑛
𝑥𝑂𝐺 = (M12)
𝑚𝑂𝐺
𝐴𝑂𝑥
𝑥𝑠𝑙 = 𝑥𝑠𝑙𝐴 (1 + 𝑘𝐴 ) (M13)
𝐶𝑂 𝐶 (1
28
𝑥𝑂𝐺 = 𝑥𝑂𝐺 − 𝑘𝑃𝐶 ) (M14)
12
𝐶𝑂 𝐶
44
𝑥𝑂𝐺2 = 𝑥𝑂𝐺 𝑘𝑃𝐶 (M15)
12
Cuadro 2. Soluciones del balance de masa en el convertidor BOF

En la Ecuación (M1), mst se expresa como función exclusiva de datos conocidos.

Posteriormente, por sustitución sucesiva, se obtienen las 13 incógnitas restantes, así
como cualquier otra variable de interés, tal como se indica en las Ecuaciones (M2-M16).
Aunque el sistema no lineal del balance de masa se puede resolver numéricamente sin
mayor complicación, en el desarrollo de esta investigación se vio conveniente obtener
una expresión analítica de la solución ya que, además de facilitar la comparación de
resultados entre investigadores, acelera la ejecución de cálculos masivos, tal como es
requerido en estudios de optimización y análisis de sensibilidad. El proceso seguido
para la resolución analítica del sistema se detalla en un anexo.
Una vez obtenidas las masas y las composiciones de entradas, productos y

subproductos, se puede aplicar la Ecuación (10) —correspondiente al balance de
energía— para determinar las temperaturas desconocidas.
La Ecuación (10) se indica de nuevo en el Cuadro 3, donde se representan en verde las

variables a las que se les puede suponer un valor, en azul los datos conocidos una vez
resuelto el balance de masa, y en rojo la única incógnita que es función de las
temperaturas finales de productos y subproductos.
Es habitual suponer que las pérdidas térmicas representan una parte de la energía
aportada, es decir, una fracción de la suma del calor sensible del arrabio más la energía
de reacción. Siguiendo a Kudrin [80], se adoptó un valor del 5 % para esta fracción de
pérdidas.
La entalpía de reacción ∆𝐻𝑟𝑀 , junto con las de descomposición ∆ℎ𝐵 , las de

calentamiento más cambio de fase ∆ℎ 𝑇 y las de disolución ∆ℎ𝐷 (−∆ℎ𝑀−𝐼 = ∆ℎ𝐵 +
∆ℎ 𝑇 + ∆ℎ𝐷 ) se obtuvieron de tres fuentes principalmente: Miller [8], Kudrin [80] y
Ghosh [6]; cuando se encontraron discrepancias entre ellas, se siguieron las fuentes que
más concordaban con las prácticas y los procesos de planta [81]. Se siguió el mismo
procedimiento para establecer las propiedades entálpicas de los materiales. El
resultado de este análisis bibliográfico15 se muestra en la Tabla 1 y en la Tabla 2. Bajo
las premisas anteriores se puede determinar ∆ℎ𝑀−𝐹 .
Finalmente, se asumió que las temperaturas de la escoria, del acero y del gas de escape
se mantienen aproximadamente iguales entre sí a lo largo del proceso. Por tanto, se
asignó la misma temperatura final a acero y escoria. Para el gas de escape —que fluye
de forma continua a lo largo de todo el proceso—, se tomó la temperatura media del
baño a lo largo del soplado; con esto se puede determinar la temperatura prevista en el
acero al final del proceso.
−∆𝐻𝑟𝑀 = ∑ 𝑚𝑖 ∆ℎ𝑀−𝐹 𝑖 − ∑ 𝑚𝑖 ∆ℎ𝑀−𝐼 𝑖 + 𝑄𝑇𝐿

(S17)
Cuadro 3. Ecuación del balance de energía en el convertidor BOF
15Las fuentes utilizadas en la Tabla 1 y en la Tabla 2 son: (a) Ghosh [6], (b) Kudrin [80], (c) NIST [82], (d)
Yawata [81], (e) Kelley [83], (f) ENSIDESA[84].
Tabla 1. Entalpías de reacción (kJ/kg) en condiciones metalúrgicas (1600 °C, 1 atm)
Fuente 1 Fuente 2 Fuente 3

Reacción Se aplica a Reactivos Productos Referido a Usado en el estudio
Valor Ref. Condic. Valor Ref. Condic. Valor Ref. Condic.
38
-1930 acero
Oxidación del C por el O, ambos disueltos C de la carga
[C] + [O] CO (g) kg de C ÷ (a) - -2083 (b) hierro -1867 (f) -2000
en el baño, para dar lugar a CO en fase gas. metálica
-3370 arrabio
Oxidación del C por el O, ambos disueltos -15350 acero

C de la carga
en el baño, para dar lugar a CO2 en fase [C]+ 2 [O] CO2 (g) kg de C ÷ (a) - -15417 (b) hierro -15000
metálica
gas. -16790 arrabio
Oxidación del Si por el O, ambos disueltos

Si de la carga
en el baño, para dar lugar a SiO2 [Si]+ 2 [O] (SiO2) kg de Si -24400 (a) -24400
metálica
incorporado a la fase escoria.
Oxidación del Mn por el O, ambos Mn de la

disueltos en el baño, para dar lugar a óxido carga [Mn] + [O] (MnO) kg de Mn -5340 (a) hierro -5400 (b) hierro -5000
incorporado a la fase escoria. metálica
Oxidación del P por el O, ambos disueltos

Métodos
en el baño, para dar lugar a P2O5 P de la carga [P] + [O] (P2O5) kg de P -23800 (a) -24000
Oxidación del Fe líquido por el O disuelto

en el baño, para dar lugar a FeO líquido Fe del baño [Fe] + [O] (FeO) kg de Fe -2490 (a) -2505 (b) -2500
Oxidación del Fe líquido por el O disuelto

en el baño, para dar lugar a Fe2O3 Fe del baño [Fe] + [O] (Fe2O3) kg de Fe -4060 (a) -4315 (b) -4100
Oxidación C sólido por O2 gaseoso para dar C de la

C + O (g) CO (g) kg de C -9975 (b) -10000
lugar a CO en fase gas. antracita
Oxidación C sólido por O2 gaseoso para C de la

C + 2 O (g) CO2 (g) kg de C -33033 (b) -33000
dar lugar a CO2 en fase gas. antracita
Tabla 2. Entalpías de calentamiento y transformación (kJ/kg)
Fuente 1 Fuente 2 Fuente 3 Usado en
Reacción Se aplica a Inicial* Final* Referido a
Valor Ref. Condic. Valor Ref. Condic. Valor Ref. Condic. el estudio
Calentamiento del arrabio desde la temperatura de carga a

Arrabio THM TCM kg de arrabio 0.87·(TCM-THM) (a) Arrabio 0.87·(TCM-THM) (b) Arrabio 0.87·(TCM-THM)
CM
Fusión y calentamiento de la chatarra desde la temperatura (a)

Chatarra TA TCM kg de chatarra 1350 Fe 1377 (b) Acero 1385 (d) Fe 1350
ambiente a CM (c)
Fusión y calentamiento del arrabio sólido desde la kg de arrabio Arrabio

Arrabio sólido TA TCM 1470 ÷ 1544 (a) Fe 1438 (b) 1385 (d) Fe 1400
temperatura ambiente a CM sólido sólido
Cal + dol.
Calentamiento de la cal desde la temperatura ambiente a CM Cal TA TCM kg de CaO 1500 (a) CaO 1389 (b) 1497 (d) CaO 1500
calcinada
Calentamiento de la dolomía calcinada desde la temperatura Dolomía Cal + dol.

TA TCM kg de MgO 1975 (c) MgO 1389 (b) 1931 (d) MgO 1900
ambiente a CM calcinada calcinada
SiO2 SiO2
Calentamiento del guijo desde la temperatura ambiente a CM Guijo TA TCM kg de SiO2 1823 (c) 1810 (e) 1800
(cuarzo) (cuarzo)
Calentamiento del mineral desde temperatura ambiente a CM (c)

Mineral TA TCM kg de mineral 4430 (a) Fe2O3 4500 Fe2O3 4500
dando lugar a Fe líquido y O disuelto en el baño (e)
(a)
Calentamiento del carbono sólido desde la temperatura
Antracita TA TCM kg de C 2721 (6*) 2717 (b) 2700
ambiente hasta CM
(e)
Calentamiento del FeSi_75 desde temperatura ambiente hasta
FeSi_75 TA TCM kg de FeSi -360 FeSi_75 -360
CM dando lugar a Fe líquido y Si disuelto en el baño
Calentamiento del N2 desde la temperatura ambiente hasta la

N2 TA TOG kg de N2 1840 + 1.28·(TOG-TCM) (a) 1 atm 1842 + 1.28·(TOG-TCM) (c) 1840 + 1.28·(TOG-TCM)
temperatura final.
Calentamiento del Ar desde la temperatura ambiente hasta la

Ar TA TOG kg de Ar 820 + 0.53·(TOG-TCM) (a) 1 atm 834 + 0.52·(TOG-TCM) (c) 820 + 0.53·(TOG-TCM)
temperatura final.
Modelo térmico del convertidor BOF
Calentamiento del O2 soplado desde la temperatura ambiente

O2 soplado TA TCM kg de O2 1700 (a) 1 atm 1700 (c) 1700
hasta CM.
Calentamiento del CO desde CM hasta la temperatura final. CO TCM TOG kg de CO 1.28·(TOG-TCM) (a) 1 atm 1.29·(TOG-TCM) (c) 1.28·(TOG-TCM)
Calentamiento del CO2 desde CM hasta la temperatura final. CO2 TCM TOG kg de CO2 1.36·(TOG-TCM) (a) 1 atm 1.36·(TOG-TCM) (c) 1.36·(TOG-TCM)
Calentamiento de la escoria desde CM hasta la temperatura

Escoria TCM Tsl kg de escoria 1.03·(TSl-TCM) (e) 1.21·(TSl-TCM) (b) 2.04·(TSl-TCM) (e) 1.21·(TSl-TCM)
final.
Disolución del O2 soplado dando lugar a O disuelto en el baño O2 soplado O2 (g) [O] kg de O2 -7313 (a) Fe -7322 (c) Fe -7313
39
Calentamiento del acero desde CM hasta la temperatura final. Acero TCM Tst kg de acero 0.82·(TSt-TCM) (a) Acero 0.84·(TSt-TCM) (b) Acero 0.82·(TSt-TCM) (c) Fe
* El significado de los subínices en las temperaturas es el siguiente, HM: arrabio; CM: condiciones metalúrgicas; A: ambiente; OG: gas de escape; st: acero; sl: escoria
40 Métodos
2.2. Modelos para la interfase BF-BOF

La importancia de la interfase BF-BOF radica en el impacto que ésta tiene en las materias
primas, la energía y las emisiones. El modelado térmico de este proceso ha recibido
cierta atención en las últimas décadas, aunque con frecuencia limitándose a alguna
parte concreta de la interfase de forma individual.
Son escasos los modelos generales dedicados a predecir la evolución de la temperatura

entre el horno alto y la acería, al contrario de lo que ocurre con el estudio de la evolución
de la temperatura del acero aguas abajo del BOF [86].
Aunque se han propuesto algunos modelos fenomenológicos [87-89], este enfoque no

resulta válido para su aplicación al control en condiciones reales de planta, dado que
muchos fenómenos y variables relevantes son difíciles de medir o incluso de
caracterizar mínimamente. Por este motivo, se aborda la predicción de la temperatura
del arrabio en la acería desde un punto de vista estadístico (data-driven models).
2.2.1. Métodos de referencia
Cuando se trabaja con modelos predictivos, es práctica habitual comparar sus

resultados con los que se obtendrían mediante otros métodos mucho más elementales
[90]. Además, estos métodos simples proporcionan una mínima predicción en ausencia
de datos de proceso completos.
El método de predicción más sencillo consiste en tomar siempre un mismo valor típico
o estándar (standard value, SV). En este caso la predicción de la temperatura del arrabio
para la colada número t, es decir 𝑦̂𝑡 , se expresa como:
𝑦̂𝑡 = 𝑐𝑆𝑉 (29)
donde el valor típico cSV suele ser la media del histórico de observaciones, ya que este
valor minimiza el error esperado. Además de ser una buena referencia, constituye una
buena práctica implementarlo como valor por defecto en los modelos de control.
Al margen de esta opción de último recurso, el método más simple es la predicción naíf
(naïve forecasting, NF) en la que se toma como predicción la última observación
disponible de la variable, que no tiene por qué ser necesariamente el valor anterior:
𝑦̂𝑡 = 𝑦𝑡−𝑤 (30)
Donde yt-w es la última temperatura conocida y w es el índice de retardo. Normalmente

w = 1, aunque puede ser mayor cuando la temperatura anterior no pudo ser medida o
almacenada.
Finalmente, se puede obtener una predicción —probablemente mejor— promediando

las últimas w observaciones de la temperatura. Este método se conoce como predicción
de media móvil (moving average smoothing, MAS) y se expresa como:
𝑤
1
𝑦̂𝑡 = ∑ 𝑦𝑡−𝑖 (31)
𝑤
𝑖=1
Modelos para la interfase BF-BOF 41
Es un método también muy sencillo que sólo precisa que el ordenador de proceso
almacene y recupere las anteriores medidas de temperatura. Como referencia se ha de
indicar que, al inicio de esta investigación, la predicción de temperatura existente en
planta consistía en la media móvil de las últimas 20 coladas.
Para la predicción de series temporales se han venido utilizando tanto métodos

estocásticos convencionales como métodos de aprendizaje automático mucho más
avanzados. Muy recientemente, Papacharalampous [91] ha llevado a cabo un profunda
y extensa comparación entre ambas familias de técnicas, concluyendo que ambas
pueden proporcionar resultados válidos. Por este motivo, a lo largo de esta
investigación se han explorado ambas vías: modelos estocásticos (ARIMA y ARIMAX)
y modelos de aprendizaje automático (MARS y ANN).
2.2.2. Modelos ARIMA y ARIMAX estándar
Los modelos auto-regresivos y de media móvil con integración (autoregressive

integrated moving average, ARIMA) fueron desarrollados a finales de los años 70 del
pasado siglo y Box y Jenkins contribuyeron enormemente a su sistematización [92].
Mientras que en un modelo de regresión típico, la variable de interés se predice usando

una combinación lineal de predictores, en los modelos ARIMA las estimaciones futuras
vienen explicadas por los datos del pasado y no por variables independientes. Consta
de una componente auto-regresiva (AR), en la que la variable de interés se modeliza
usando una combinación lineal de valores pasados y de una componente de media
móvil (MA) que usa los errores de las predicciones pasadas como predictores. Además,
puede ser necesario aplicar a los datos una o varias diferenciaciones previas (I) para
eliminar las componentes no estacionarias. Un modelo ARIMA admite la siguiente
expresión:
𝑝 𝑞
𝑦̂𝑡 = 𝑐 + ∑ 𝜙𝑖 𝑦𝑡−𝑖 + ∑ 𝜃𝑖 𝜀𝑡−𝑖 (32)

𝑖=1 𝑖=1
donde c es una constante, ϕi son los coeficientes de regresión para la parte auto-
regresiva que están basados en las p observaciones previas de la variable. Por otra parte,
en la parte de media móvil, θi son los coeficientes de regresión para la parte de media
móvil que están basados en los errores de las q predicciones pasadas. Así, un modelo
general vendrá indicado por ARIMA(p, d, q), donde p y q indican el orden de las partes
AR y MA respectivamente y d es el orden de diferenciación previo requerido. Con el fin
de elegir los valores óptimos de p, d y q, se suele aplicar el método de Box-Jenkins [92]
así como el algoritmo de Hyndman-Khandakar [93].
Si bien en los modelos ARIMA las estimaciones futuras vienen explicadas por los datos
del pasado, existe la posibilidad de complementarlos con variables independientes,
dando lugar a los modelos ARIMAX (ARIMA with exogenous predictors). Si se
introducen r variables adicionales como predictores exógenos:
𝑝 𝑞 𝑟
𝑦̂𝑡 = 𝑐 + ∑ 𝜙𝑖 𝑦𝑡−𝑖 + ∑ 𝜃𝑖 𝜀𝑡−𝑖 + ∑ 𝛽𝑖 𝑥𝑡𝑖 (33)

𝑖=1 𝑖=1 𝑖=1
42 Métodos
donde los valores βi son los coeficientes de regresión para las r variables independientes
x i.
2.2.3. Modelos MARIMA y MARIMAX
Es importante notar que en las implementaciones estándar de los modelos ARIMA y

ARIMAX mostrados en las Ecuaciones (32,33) los coeficientes c, ϕi, θi y βi se mantienen
fijos para las predicciones sucesivas, es decir, para todas las coladas futuras. En esta
investigación, sin embargo, se propone una versión mejorada para asegurar un buen
comportamiento a largo plazo del modelo. Las Ecuaciones (32,33) se transforman en:
𝑝 𝑞
(𝑡,𝑤) (𝑡,𝑤) (𝑡,𝑤)
𝑦̂𝑡 = 𝑐 + ∑ 𝜙𝑖 𝑦𝑡−𝑖 + ∑ 𝜃𝑖 𝜀𝑡−𝑖 (34)
𝑖=1 𝑖=1
𝑝 𝑞 5
(𝑡,𝑤) (𝑡,𝑤) (𝑡,𝑤) (𝑡,𝑤)
𝑦̂𝑡 = 𝑐 + ∑ 𝜙𝑖 𝑦𝑡−𝑖 + ∑ 𝜃𝑖 𝜀𝑡−𝑖 + ∑ 𝛽𝑖 𝑥𝑡𝑖 (35)
𝑖=1 𝑖=1 𝑖=1
donde los índices t y w de los coeficientes indican que para cada nueva predicción de
temperatura, 𝑦̂𝑡 , el modelo se re-ajusta con las w observaciones previas de la
temperatura, y. Por tanto, los coeficientes c, ϕi, θi y βi son función de yt-1, …, yt-w.
Los modelos indicados en la Ecuación (34) y la Ecuación (35) se notarán como

MARIMA(w, p, d, q) y MARIMAX(w, p, d, q, r), es decir modelos ARIMA móvil y
ARIMAX móvil, respectivamente, basados en las w observaciones previas.
2.2.4. Modelo MARS estándar
Previsiblemente, un modelo de regresión multivariante avanzado ha de aprovechar

mejor que los métodos ARIMAX la información contenida en los predictores exógenos.
Entre los métodos de regresión multivariante, destaca la técnica conocida como

multivariate adaptive regression splines (MARS), es decir, regresión multivariante
mediante splines adaptativos. Desde su introducción por Friedman [94,95] en los años
90, se ha venido aplicando a diversos campos, incluyendo la biología, la medicina, las
finanzas, la industria, la energía y el medioambiente.
A pesar de las capacidades predictivas de esta técnica, hasta la fecha no se había

publicado aún ninguna aplicación al proceso BOF; la utilización de MARS en los
procesos siderúrgicos se limitaba a los procesos de colada continua y de laminación [96-
98].
La expresión de un modelo MARS estándar es

𝑀
𝑦̂𝑡 = 𝛽0 + ∑ 𝛽𝑚 𝐵𝑚 (𝑥⃗𝑡 ) (36)

𝑚=1
donde la temperatura prevista para la colada t,𝑦̂𝑡 , es función de los valores que toman
N variables independientes en dicha colada: 𝑥⃗𝑡 = (𝑥𝑡1 , 𝑥𝑡2 , … 𝑥𝑡𝑁 ) . El modelo se
construye como una suma ponderada de M funciones base, 𝐵𝑚 (𝑥⃗𝑡 ), con coeficientes de
peso constantes, 𝛽𝑚 .
La determinación de los coeficientes 𝛽𝑚 en la Ecuación (36) mediante regresión es

directa. Por el contrario, existen múltiples posibilidades de construcción para las
funciones base [99]. El método emplea una técnica adaptativa no paramétrica basada
en la segmentación del dominio junto con el empleo de un conjunto de funciones base
sencillas. Este planteamiento fue utilizado por primera vez en 1982 por Patricia Smith
[100] para una variable y generalizado al caso multivariante en 1991 por Jerome
Friedman [94,95] con el nombre de MARS. Jekabsons [101] ha realizado una
implementación abierta y libre del algoritmo desarrollado por Friedman a la que ha
denominado ARESLAB toolbox for MatLab.
El modelo se construye en dos fases: una primera fase en la que se seleccionan y añaden
las funciones base que más contribuyen a la regresión, y una fase hacia atrás en la que
se poda el modelo inicial, eliminando las funciones que menos contribuyen a que el
modelo generalice bien.
a) Fase de selección. Comienza con el modelo más simple, es decir, uno
formado sólo por el término independiente: 𝐵0 (𝑥⃗𝑡 ) = 1 . De forma
iterativa se van añadiendo pares de funciones base al modelo. Cada
nuevo par consiste en una función ya existente en el modelo —que
puede ser el término independiente—, multiplicada por un par de
funciones de la forma16 (𝑥𝑖 − 𝑐)+ y (𝑐 − 𝑥𝑖 )+ , tal como se indica en la
Figura 6, donde 𝑥𝑖 es una de las variables de entrada y c es uno de los
valores que toma dicha variable en el conjunto de datos de
entrenamiento.
Figura 6. Representación gráfica de un par de funciones base elementales utilizadas

por MARS para la variable xi en torno a un valor observado de dicha variable, c:
(𝑥𝑖 − 𝑐)+ (en naranja) y (𝑐 − 𝑥𝑖 )+ (en azul).
16 El subíndice “+” indica la función “parte positiva” es decir,
𝑥𝑖 − 𝑐, si 𝑥𝑖 > 𝑐,
(𝑥𝑖 − 𝑐)+ = {
0, en otro caso
𝑐 − 𝑥𝑖 , si 𝑥𝑖 < 𝑐,
(𝑐 − 𝑥𝑖 )+ = {
0, en otro caso
44 Métodos
En otras palabras, se añade un nuevo par de funciones base de la

siguiente colección
{(𝑥𝑖 − 𝑐)+ , (𝑐 − 𝑥𝑖 )+ } 𝑐 ∈ {𝑥𝑡−1,𝑖 , 𝑥𝑡−2,𝑖 , … , 𝑥𝑡−𝑤,𝑖 }

(37)
𝑖 = 1, 2, … , 𝑁
multiplicado por una función base ya existente en el modelo para

obtener un nuevo par de funciones base. En cada paso, el algoritmo
prueba todas las combinaciones de: (1) términos ya existentes en el
modelo, (2) variables consideradas, y (3) valores de cada variable, tal
como se muestra en la Figura 7. De todas las posibilidades, se queda
con la que proporciona un mejor ajuste.
Figura 7. Ejemplo de colección de funciones para un caso sencillo de dos variables de

entrada y tres observaciones; en la primera iteración se toma la función base,
𝐵0 (𝑥⃗𝑡 ) = 1; en la segunda iteración se considera el producto de cualquiera de los seis
pares de funciones base posibles por la única función ya existente en el modelo, que
en este caso es 𝐵0 (𝑥⃗𝑡 ) = 1.
Normalmente, no se permite la formación de funciones base en las que

cada variable aparezca más de una vez, es decir no se permite auto-
interacción entre las variables (parámetro S = 0). Esto evita la aparición
de potencias de una variable superiores a la unidad, lo cual puede
producir singularidades en la proximidad de las fronteras del dominio.
Las no-linealidades que pueda presentar la variable se aproximan de
forma más robusta mediante funciones lineales a trozos. También es
posible establecer un límite superior al nivel de interacción entre
variables distintas (parámetro I). Por ejemplo, un valor de I = 2,
permitiría productos de pares de funciones lineales, pero no de tres
funciones ni de otro orden mayor. Un valor de I = 1 fuerza a que el
modelo resultante sea aditivo, sin interacción entre variables. Los
coeficientes 𝛽𝑚 se estiman minimizando la suma de errores al
cuadrado —esto es, por regresión convencional— encontrando el par
de funciones base que más reduce el error de ajuste. El proceso de

añadir funciones progresa hasta que el número de términos en el
modelo alcanza un valor máximo prescrito (parámetro MF). Al final de
esta fase se tiene un modelo de la forma indicada en la Ecuación (36)
con M = MF. Este modelo, normalmente, adolecerá de sobreajuste y no
generalizará bien.
b) Fase de poda. En esta etapa, en cada iteración se va quitando aquella
función base cuya eliminación suponga el menor incremento en el error
cuadrático medio. Se repite el proceso, obteniendo en cada paso un
modelo con menos términos hasta que, finalmente, sólo queda el
término independiente. De esta forma se obtiene un modelo óptimo
𝑓̂𝜆 (𝑥⃗𝑖 ) para cada tamaño de modelo λ comprendido entre 1 y MF+1.
Para encontrar el tamaño de modelo λ óptimo se podría utilizar
validación cruzada o un conjunto de datos adicional, de forma que se
elija el modelo que mejores predicciones haga sobre los datos de
validación. Sin embargo, por motivos de economía computacional, es
más frecuente utilizar la validación cruzada generalizada. Este criterio
toma el indicador GCV como aproximación del error cometido por el
modelo en modo predictivo. El valor GCV se basa en el error cuadrático
medio, penalizando la complejidad (tamaño) del modelo con un coste
𝐶(𝜆):
1 𝑡−𝑤 2
∑𝑖=𝑡−1 (𝑦𝑖 − 𝑓̂𝜆 (𝑥⃗𝑖 ))
𝐺𝐶𝑉 = 𝑤
2 (38)
𝐶(𝜆)
(1 − 𝑤 )
En los modelos MARS, es habitual seguir el criterio establecido por

Friedman [94] para penalizar la complejidad:
𝐶(𝜆) = 𝜆 + 𝑑(𝜆 − 1)/2 (39)
donde se penaliza no sólo el número de términos del modelo, λ, sino

también el número de vértices empleados17 con un coste determinado
(parámetro d). Algunos estudios numéricos sugieren que la elección de
un vértice ha de tener un coste equivalente a tres términos, en el caso
general, o de dos, para un modelo aditivo [102]. En todo caso, este coste
puede ser tomado como otro parámetro más a ser optimizado en el
desarrollo del modelo.
El modelo elegido finalmente es aquél que tiene un mejor valor de GCV. Obsérvese que
mientras la fase de selección añade términos a pares, la fase de poda elimina un término
de cada vez, por lo que no todas las funciones base aparecen formando pares en el
modelo final.
A lo largo de la exposición anterior se han venido identificando cuatro parámetros —

en realidad cuatro hiperparámetros— del modelo, a saber:
1) Orden máximo de auto-interacción, S
2) Orden máximo de interacción, I
17El número de vértices, es decir, el número puntos c que utiliza el modelo es igual a (𝜆 − 1)/2, es decir la
mitad del número de términos no constantes del modelo.
46 Métodos
3) Número máximo de funciones en la fase de selección, MF

4) Coste de la complejidad, d
Por tanto, la forma concreta de un modelo MARS estándar se expresará como MARS
(S, I, MF, d)
2.2.5. Modelo MMARSL
De forma análoga a lo expuesto para los modelos ARIMA, es importante notar que en
la implementación estándar del modelo MARS, mostrada en las Ecuación (36), los
coeficientes 𝛽𝑚 y las funciones base 𝐵𝑚 (𝑥⃗)se mantienen fijos para las predicciones
sucesivas, es decir, para todas las coladas futuras.
En esta investigación, sin embargo, se propone entrenar el modelo con los últimos datos
disponibles, de forma que se vaya adaptando a los cambios que puedan producirse en
el proceso y asegurar un buen comportamiento del modelo a largo plazo. Esta
implementación mejorada se expresa como:
𝑀
(𝑤,𝑡) (𝑤,𝑡) (𝑤,𝑡)
𝑦̂𝑡 = 𝛽0 + ∑ 𝛽𝑚 𝐵𝑚 (𝑥⃗𝑡 ) (40)
𝑚=1
donde los superíndices w y t en los coeficientes y en las funciones base indican que, para
cada nueva predicción, 𝑦̂𝑡 , tanto las funciones base como los coeficientes son
optimizados usando las w observaciones previas, es decir, 𝑥⃗𝑡−1, 𝑥⃗𝑡−2 , … 𝑥⃗𝑡−𝑤 . Así, w
representa el tamaño de la ventana móvil de entrenamiento.
Por otra parte, con el fin de aprovechar la información de serie temporal contenida en
las mediciones previas de la temperatura, se propone introducir las L observaciones
previas de la temperatura como predictores adicionales, es decir, el vector de entradas
del modelo se amplía a 𝑥⃗𝑡 = (𝑥𝑡1 , 𝑥𝑡2 , … 𝑥𝑡𝑁 , 𝑦𝑡−1 , 𝑦𝑡−2 , … 𝑦𝑡−𝐿 ).
Estas dos características adicionales al modelo MARS estándar introducen dos nuevos
hiperparámetros en el modelo, a saber:
5) Número de observaciones previas introducidas como predictores, L
6) Tamaño de la ventana móvil de entrenamiento, w
El modelo así formado se denominará MMARSL (“moving MARS with lagged

observations as predictors”), y una implementación concreta del mismo se indicará
como MMARSL (S, I, MF, d, L, w)
2.2.6. Modelos ANN
Las técnicas de redes neuronales artificiales ANN fueron exploradas en las primeras
fases de la investigación (ver Publicación II), pero posteriormente abandonadas porque,
si bien se pudo obtener una precisión adecuada en algún entrenamiento concreto, no
resultaba posible asegurar siempre un buen ajuste en los sucesivos re-entrenamientos
del modelo.
3. Resultados
3.1. Validación del modelo térmico BOF

El modelo térmico desarrollado permite simular los flujos de materia y energía del
convertidor BOF en cualquier condición de operación. Con el fin de garantizar la
bondad de los resultados, se llevó a cabo una validación del modelo mediante
comparación de los resultados con mediciones reales de planta.
Se emplearon los datos de fabricación de dos convertidores a lo largo de un año

productivo. Dado que la calidad de los datos empleados en la validación es
fundamental, previamente se realizó una revisión de la información disponible en las
bases de datos, eliminado todos aquellos registros que tenían algún indicio de error:
a) Falta de alguno de los 64 datos de entrada necesarios, bien por fallo de

sensores o debido a que no todas las variables se miden en todas las
coladas.
b) Entradas manuales de datos, por el riesgo de error humano.
c) Mediciones fuera del rango de verosimilitud.
d) Incidentes operativos tales como interrupciones de soplado, reboses,

averías, etc.
e) Condiciones especiales de fabricación, por ejemplo, prueba de equipos

no estándar.
Tras este exhaustivo filtrado, se obtuvo un conjunto de 760 registros con datos de alta
fiabilidad. Las coladas correspondientes están uniformemente distribuidas a lo largo de
un año de fabricación, cubriendo un amplio rango de condiciones operativas, tal como
se muestra en las Tabla 3 y Tabla 4.
Tabla 3. Media y desviación estándar de la temperatura y composición (porcentaje en

masa) del arrabio y del acero en el conjunto de datos de validación
T (°C) C (%) Si (%) Mn (%) P (%) O (%)

med. 1334 4.6 0.40 0.29 0.07 -
Arrabio
des. 56 0.21 0.11 0.05 0.006 -
med. 1689 0.035 0.002 0.096 0.011 0.075
Acero
des. 67 0.01 0.002 0.022 0.004 0.015
Tabla 4. Media y desviación estándar de las masas de entrada en toneladas
Cal Miner.
Arrab. Chat. Cal Dolo. Fe Antrac. FeSi N2 Ar O2
med. 251 62 14 1.1 0.6 1.4 0.11 0.06 0.11 23.0
desv. 14 11 2.3 2.0 1.2 1.7 0.28 0.06 0.11 2.2
48 Resultados
El grado de ajuste de los resultados del modelo se evaluó en base a dos parámetros
fundamentales, que son los indicadores habituales del rendimiento de los modelos
térmicos del BOF: el imbalance de energía —que se corresponde con el error de cálculo
de la temperatura final de soplado— y el error de cálculo del oxígeno necesario. Los
resultados se muestran en las Figuras 8 y 9.
El error en el balance de energía es siempre menor del 4 %, mientras que la media móvil
del error está por debajo del 1.5 %, considerando una ventana de 21 coladas. De igual
modo, el error de la predicción del oxígeno es siempre inferior al 8 % y el 5 % para
coladas individuales y grupos de 21 coladas, respectivamente.
De forma análoga, el error estimado para el balance de masa resultó inferior al 6 % para
coladas individuales e inferior al 3 % para las medias diarias.
4.0%
Energy Error
0.0%
-4.0%
0 100 200 300
Heat number in BOF #1
4.0% (a)
Energy Error
4.0%
0.0%
Energy Error
0.0%
-4.0%
0 100 200 300
-4.0% Heat number in BOF #1
0 100 200 300
(a) in BOF #2
Heat number
4.0% (b)
Energy Error
8.0%
0.0% Figura 8. Evolución a lo largo de un año de los errores en el balance de energía para el
Oxygen Error
0.0% modelo térmico BOF: (a) convertidor 1 y (b) convertidor 2.

-4.0%
0 100 200 300
0 100 200 300
(b)
8.0% (c)
Oxygen Error
8.0%
Oxygen Error
0.0%
0.0%
-8.0%
0 100 200 300
-8.0%
0 100 200 300
(c)
8.0% (d)
Oxygen Error
6.0%
Mass Error
0.0%
0.0%
-8.0%
0 100 200 300
0 100 200 300
(d)
6.0% (e)
Mass Error
Figura 9. Evolución a lo largo de un año de los errores en el oxígeno calculado por el

6.0%
Mass Error
modelo térmico BOF: (a) convertidor 1 y (b) convertidor 2.

0.0%
0.0%
-6.0%
0 100 200 300
0 100 200 300
(e)
6.0% (f)
r
Aplicación del modelo térmico BOF: emisiones de CO2 49
3.2. Aplicación del modelo térmico BOF: emisiones de CO2

El modelo desarrollado se puede aplicar a la determinación de la masa y composición
del acero, así como de los subproductos generados, en un amplio rango de condiciones
de operación. Esto proporciona una herramienta capaz de evaluar y comparar el
impacto de diferentes condiciones de proceso en consumo de recursos, costes y
emisiones.
En particular, si se determinan el volumen y el contenido en CO2 de las salidas, es decir,

las emisiones directas del proceso y se añaden las emisiones indirectas asociadas a las
diferentes materias primas, se tiene a punto una herramienta para el análisis de la huella
de carbono del proceso.
De cara a la simulación de diferentes escenarios mediante esta herramienta, se han de

emplear condiciones representativas de la práctica habitual en lo que respecta a las
materias primas y los objetivos de producción. Los valores adoptados para los
materiales de entrada y de salida se muestran en la Tabla 5 y la Tabla 6,
respectivamente, donde las salidas del modelo se indican con una “r”. Además, como
puede observarse, a las adiciones endotérmicas (mineral de hierro) y exotérmicas
(antracita y ferrosilicio) no se les impone un valor típico, ya que las cantidades de estos
materiales se ajustarán para asegurar el balance térmico de la colada, si las cantidades
de arrabio y chatarra no lo satisfacen. La Figura 10 muestra los flujos de materia y
energía obtenidos mediante el modelo para un caso típico correspondiente a una
temperatura del arrabio de 1250 °C, sin empleo de materiales endotérmicos ni
exotérmicos.
Tabla 5. Masa, temperatura y composición de los materiales de entrada (v: variable
del modelo, r: resultado del modelo)
Composición química (% en masa)

Material m (t) T (°C) Fe C Si Mn P O N Ar CaO MgO
Arrabio r v 94.39 4.80 0.46 0.27 0.08
Chatarra r 25 99.42 0.05 0.01 0.50 0.02
Cal 15 25 95 5
Cal dolo. 5 25 63 37
Mineral Fe v 25 70 30
Antracita v 25 100
FeSi v 25 25 75
N2 0.15 25 100
Ar 0.25 25 100
O2 r 25 100
Tabla 6. Masa, temperatura y composición de los materiales de salida (m: resultado

del modelo)
Composición química (% en masa)

Material m (t) T (°C) Fe C Si Mn P O N Ar CaO MgO
Acero 300 1700 99.78 0.035 0.001 0.080 0.010 0.090
Escoria r r 18.0 r r r r r r
Off-Gas r r r r r r
50 Resultados
Figura 10. Flujos de (a) materia, (b) energía y (c) carbono para una colada en las
condiciones indicadas en la Tabla 5 y la Tabla 6 con una temperatura del arrabio de
1250 °C y sin empleo de adiciones endotérmicas ni exotérmicas.
Tal como se ha planteado la investigación, interesa centrar el análisis de las emisiones

en el efecto de las variables de proceso que mayor peso tienen en la huella de carbono.
Tal como puede apreciarse en la Figura 10, el arrabio es la materia prima dominante en
los balances de masa, energía y, sobre todo, carbono. En consecuencia, la temperatura
del arrabio es la principal variable a considerar, ya que puede variar significativamente
en función del proceso seguido en la interfase BF-BOF, y de la exactitud de los modelos
empleados en su predicción. Por el contrario, la composición química del arrabio,
aunque tiene un gran peso en el balance de energía (ver energía de reacción en la Figura
10.b), viene prefijada desde el horno alto y tiene un comportamiento esencialmente
estable y sin mayor posibilidad de control desde la acería.
Además del caso ilustrado en la Figura 10 en el que no se emplean materiales

endotérmicos ni exotérmicos para el ajuste del balance térmico, existen otras dos
posibilidades: o bien utilizar adiciones exotérmicas buscando minimizar el consumo de
arrabio frente al de chatarra, o bien utilizar adiciones endotérmicas buscando
maximizar el consumo de arrabio frente al de chatarra. En este estudio se considerará
que, en función de las condiciones productivas o de mercado, los responsables del
proceso pueden adoptar cuatro estrategias diferentes:
a) Arrabio neutro, empleando solamente arrabio y chatarra sin adiciones

para ajuste del balance térmico.
b) Arrabio máximo, utilizando como refrigerante mineral de hierro.
c) Arrabio mínimo con antracita como adición exotérmica.
d) Arrabio mínimo con FeSi (ferrosilicio) como adición exotérmica.
A la hora de analizar el efecto de la temperatura del arrabio en función de la estrategia

empleada, se habrán de tener en cuenta los límites operativos que existan para las
estrategias de minimización o maximización de consumo de arrabio y que vienen

impuestos normalmente por las cantidades máximas que se pueden cargar de un
determinado material de entrada. En este estudio se adoptarán los valores indicados en
la Tabla 7. Aplicando estas restricciones al modelo y empleando posteriormente los
valores de emisiones indirectas asociados a las diferentes materias que se indican en la
Tabla 8 (obtenidos de Ryman y Larsson [23]), se obtienen los resultados de emisiones
que se resumen en la Figura 11, la cual permite entender el impacto de la temperatura
del arrabio en combinación con las cuatro estrategias de consumo de arrabio
consideradas.
3.2.1. Impacto de la temperatura del arrabio
Tal como se aprecia en la Figura 11 tanto la temperatura como la estrategia de arrabio

tienen un marcado efecto en la huella de carbono, dado que las emisiones totales varían
entre 1.15 y 1.30 t de CO2 por tonelada de acero líquido, es decir, casi un 15 % dentro
del dominio considerado. Estos valores están en razonable concordancia con los
publicados por Ryman y Larsson [23] que obtuvieron 1.3-1.6 t de CO2, para las prácticas
empleadas en Suecia en el año 2005.
Con estrategia neutra, cuanto mayor sea la temperatura del arrabio, menor será la
cantidad necesaria de éste para ajustar el balance. Dado que el arrabio es la principal
fuente de emisiones directas (Figura 10.c) e indirectas (Tablas 7 y 8), las emisiones
totales se ven reducidas en 0.006 t cada 10 °C de aumento de temperatura (Figura 11.a).
Cuando se modifica la estrategia neutra mediante la adición de pellets de mineral

(Figura 11.b) o de antracita (Figura 11.c), las emisiones totales aumentan siempre. Si se
sigue la estrategia de arrabio máximo, las emisiones se incrementan entre 0.030 y 0.080
t, dependiendo de la temperatura. Con estrategia de arrabio mínimo y antracita, las
emisiones aumentan en 0.030 t, independientemente de la temperatura. La causa del
aumento es diferente en ambos casos: la antracita hace aumentar las emisiones directas
principalmente, mientras que el mineral de hierro penaliza las indirectas en mayor
medida.
Si se minimiza el consumo de arrabio usando ferrosilicio como agente exotérmico

(Figura 11.d), se obtiene una reducción en las emisiones de 0.09 t respecto a la estrategia
neutra. A pesar de tener unas emisiones indirectas mucho mayores que la antracita, su
mayor contribución termo-química al balance, hace del ferrosilicio la mejor alternativa
desde el punto de vista de la huella de carbono.
Tabla 7. Cantidades máximas de los materiales de entrada consideradas
Arrabio Chatarra Min. Fe Antrac. FeSi Cal Cal dol. Ar/N2 O2

280 80 4 4 2 - - - -
Tabla 8. Emisiones indirectas de CO2 (tCO2 / t) para los diferentes materiales de

entrada según Ryman y Larsson [23]
Arrabio Chatarra Min. Fe Antrac. FeSi Cal Cal dol. Ar/N2 O2

1.1 0.02 0.18 0.05 3.9 1.35 1.35 0.3 0.3
52 Resultados
Figura 11. Efecto de la temperatura del arrabio en las emisiones directas (arriba),
indirectas (centro) y totales (abajo) expresadas en tonelada de CO2 por tonelada de
acero líquido en función de las diferentes estrategias de consumo de arrabio: (a)
neutro, (b) máximo, (c) mínimo con antracita y (d) mínimo con ferrosilicio. Las
emisiones se expresan en toneladas de CO2 por tonelada de acero líquido producido.
3.2.2. Impacto de las restricciones técnicas
Además de entender el papel de la temperatura, la estrategia de arrabio y las adiciones

empleadas, resulta de gran importancia identificar qué restricciones del proceso hay
que relajar para obtener una reducción adicional de la huella de carbono. Partiendo del
escenario óptimo de arrabio mínimo con ferrosilicio, la Figura 12.a muestra los
resultados que se obtendrían cuando
a) Se aumenta la capacidad de carga de chatarra de 80 a 84 t.
b) Se aumenta la cantidad máxima de FeSi de 2 a 2.2 t.
c) Se adoptan las dos medidas conjuntamente.
Como se puede ver en la Figura 12.a, la opción más interesante va a depender

principalmente de la distribución de temperaturas del arrabio en la planta; si las
temperaturas son muy altas, bastará con aumentar la capacidad de carga de chatarra; si
son muy bajas, esta medida no aportaría reducción de huella de carbono y sería
necesario aumentar la cantidad de ferrosilicio a cargar. Si se combinan ambas medidas,
se consigue una reducción de entre 0.01 y 0.015 t de CO2 en todo el rango de
temperaturas.
3.2.3. Impacto del error en la temperatura
La importancia de la exactitud en la previsión de la temperatura del arrabio radica en

el modo de trabajo de la interfase BF-BOF. Como se ha explicado, el cálculo de la carga
del convertidor —y por tanto de las cantidades de arrabio y de chatarra necesarias— se
basa en un conocimiento bastante preciso de la composición química del arrabio en
tránsito hacia la acería o ya disponible en la misma. Sin embargo, dicho cálculo emplea
una estimación bastante imprecisa de la temperatura, ya que ésta evoluciona de forma
importante entre el horno alto y la acería. Las simulaciones realizadas con la
herramienta desarrollada muestran que un error de + 10 °C en la estimación de la
temperatura implica la extracción de menos arrabio del necesario, pero requiere la
adición de 770 kg de antracita para compensar el balance térmico, lo que causa un
incremento en las emisiones totales de 0.005 t de CO2, tal como se muestra en la rama
derecha de la Figura 12.b. Por otra parte, un error de - 10 °C requiere la adición de 320
kg de pellets de mineral de hierro para ajustar el balance. Esta cantidad por sí misma
no aumenta apreciablemente las emisiones, pero el exceso de carga de arrabio causado
por la subestimación de la temperatura causa un incremento similar de CO2 tal como se
puede ver en la rama izquierda de la Figura 12.b.
Conviene resaltar dos hechos significativos que se desprenden de la Figura 12.b. Por
una parte, como la curva es prácticamente simétrica, igual de dañino resulta el error por
sobreestimación de la temperatura que por subestimación. Por tanto, no es ventajosa
ninguna estrategia que fuerce el error de la predicción en uno u otro sentido. La única
opción para reducir las emisiones a nivel de predicción de temperatura es reducir el
error. Por otra parte, la relación que muestra la gráfica es lineal. Esto implica que el
perjuicio causado por el error es directamente proporcional a su valor. Entonces, el error
absoluto medio es el indicador más adecuado para medir la exactitud de las previsiones.
54 Resultados
Figura 12. Efecto en las emisiones totales de (a) la relajación de las restricciones técnicas
del proceso en condiciones de arrabio mínimo y (b) el error en la predicción de
temperatura empleada en el cálculo de la carga del convertidor. Las emisiones se
expresan en toneladas de CO2 por tonelada de acero líquido producido.
3.2.4. Publicación I: Proceedings
Díaz J, Fernández, F J. The Impact of Hot Metal Temperature on CO2 Emissions from
BOF Steelmaking. Proceedings 2018, 2(23), 1502.
El planteamiento general del modelo térmico BOF junto con una primera estimación
del efecto de la temperatura del arrabio en las emisiones de CO2, fue objeto de una
presentación el 25 de Julio de 2018 en el 2nd International Research Conference on
Sustainable Energy, Engineering, Materials and Environment (IRCSEEME 2018). Se
adjunta la publicación posterior a la que dio lugar dicha presentación en la revista
Proceedings.
3.2.5. Publicación III: Environ. Sci. Pollut. R.
Díaz J, Fernández F J. The impact of hot metal temperature on CO2 emissions from
basic oxygen converter. Environmental Science and Pollution Research, 2019, 1-10.
La presentación en IRCSEEME 2018 comentada en el apartado anterior dio lugar a una

invitación por parte de una de las revistas colaboradoras del congreso, Environmental
Science and Pollution Research. En este artículo se presenta la validación del modelo
térmico BOF, y se evalúa el efecto de las restricciones propias del proceso en la huella
de carbono. También se valora el efecto del error de previsión de la temperatura del
arrabio en las emisiones.
Medición de la temperatura del arrabio 73
3.3. Medición de la temperatura del arrabio
3.3.1. Medición directa mediante termopares
A la luz de los resultados anteriores, una importante palanca de actuación sobre la

huella de carbono es la minimización del error de la temperatura estimada que se utiliza
en el cálculo de la carga del convertidor.
La opción más inmediata, y mejor a priori, es medir la temperatura de forma directa

mediante termopares desechables, antes de ejecutar el cálculo de la carga. Es una
opción totalmente fiable, ya que el instrumento tiene suficiente precisión, y la
repetibilidad de la medida está sobradamente verificada en la práctica siderúrgica. Se
pueden plantear dos opciones para tomar esta medida:
a) directamente en los torpedos, antes de comenzar su vertido,
b) en la cuchara de arrabio, antes de completar la extracción del arrabio.

Sin embargo, las alternativas expuestas presentan algunos inconvenientes técnicos
importantes:
a) Multitud de estaciones de medida. Si la medición se hace en torpedo

y, dado que los puntos de vertido del arrabio son múltiples (del orden
de 8 en cada acería), sería necesaria una gran cantidad de puestos
totalmente automatizados y mano de obra adicional. Si la medida se
hace en cuchara, serían necesarios, al menos, dos puestos por acería.
b) Retrasos en el proceso. La medición directa implica retrasar hasta el

último momento posible la ejecución del modelo de carga, lo cual
retrasa no solamente la preparación del arrabio sino también la
preparación de la carga de chatarra asociada, impactando muy
negativamente en la productividad de la planta.
c) Medición poco representativa. A pesar de que la medida por

inmersión de termopar desechable es precisa y repetible, el valor
termina por ser poco representativo de las condiciones reales en las que
finalmente se cargará el arrabio en el convertidor, ya que tras la
medición ocurren los siguientes procesos, que aportan caídas
adicionales de la temperatura, que sería necesario modelar
matemáticamente:
- espera en el torpedo
- vertido del torpedo a la cuchara
- espera en la cuchara de arrabio
- desescoriado de la cuchara de arrabio
Si en lugar de la medición directa mediante termopar, se emplea una medición indirecta

y sin contacto usando termometría infrarroja (IR) sobre el chorro de arrabio durante el
vertido, se mitigan algunos inconvenientes, pero surgen otros. Se reduce parcialmente
el efecto de los inconvenientes (a) y (b) ya que la medida se realiza de forma continua,
aunque en el último momento. Sin embargo, se mantiene o se incrementa el
74 Resultados
inconveniente (c) por las incertidumbres asociadas a la posición del chorro, presencia
de chispas, humos, escoria, etc. Se muestran a continuación los resultados obtenidos
con termometría IR.
3.3.2. Medición indirecta mediante termometría IR
Se realizaron una serie de pruebas sobre más de 220 coladas, en las que se cruzaron los
resultados de termopar con la medición IR. Además, se grabaron simultáneamente
secuencias de video con el fin de identificar y entender las principales causas de
perturbación de la señal IR.
Los ajustes realizados sobre el pirómetro LAND-MZ IR (emisividad 0.4 [103], foco al
infinito y 5 muestras por segundo) resultaron ser adecuados dada la buena
correspondencia entre la medida IR y la convencional. Adicionalmente, fue necesario
implementar en el PLC de control un procesado de la señal consistente en tomar como
valor representativo el percentil 95 de las lecturas, para eliminar así las perturbaciones
de la señal tal como se muestra de forma resumida en la Figura 13.
Figura 13. Evolución de la señal del termómetro IR obtenida durante el vertido de 150
t de arrabio (arriba); las líneas de puntos sobre la curva IR limitan el rango
comprendido entre los percentiles 85 y 95 (1364 y 1369 °C, en este caso); las letras a-j
se corresponden con perturbaciones típicas de la medición, asociadas a características
del chorro de arrabio que se muestran mediante una selección de cuadros de la
grabación simultánea de video (abajo): (a) el chorro inicial es estrecho y con un alto
contenido en escoria, (b) presencia de vetas de escoria, (c) presencia de manchas de
escoria sólida, (d) chorro limpio con el arrabio correctamente expuesto, (e) aspecto
final del chorro con visos de escoria y (f-j) paso de una discontinuidad por delante del
visor del termómetro causada por un chorro de poco espesor.
Predicción de la temperatura del arrabio 75
Aunque la probabilidad de obtener una medición completa y satisfactoria, fue baja —

del orden del 60 % de los casos—, debido a la variabilidad de la forma y de la posición
del chorro, se obtuvo un buen valor del error absoluto medio, unos 11 °C tras realizar
un ajuste por regresión lineal, tal como indica en la Figura 14. Se observa que la
principal diferencia entre las mediciones en el chorro con termómetro infrarrojo y en la
cuchara con termopar es una constante de unos 40 – 50 °C, debidas fundamentalmente
a la caída de temperatura durante el vertido [87].
Figura 14. Diagrama de dispersión en el que se comparan los resultados obtenidos

mediante termometría convencional (ordenadas) con la estimación basada en la
medida indirecta con termometría infrarroja (abscisas), donde cada punto representa
una colada; las dos ubicaciones en las que se hicieron las pruebas se identifican con un
símbolo diferente; la desviación de la medida infrarroja respecto a los valores de
termopar se puede apreciar por referencia a la línea discontinua, mientras que el ajuste
por regresión lineal se representa con trazo continuo.
3.4. Predicción de la temperatura del arrabio
A la vista de las limitaciones que presenta la determinación de la temperatura del

arrabio mediante medición directa o indirecta, se aborda la cuestión de cómo obtener la
mejor previsión posible de la temperatura del arrabio. Tal como se comentó, los
modelos estadísticos resultan superiores en este caso, si bien se necesitan analizar y
depurar en profundidad las bases de datos de proceso de la interfase BF-BOF con el fin
de seleccionar las variables a utilizar como predictores. Las más adecuadas serán
aquellas que (1) estén sensiblemente correlacionadas con la temperatura del arrabio en
la acería, (2) estén correctamente pobladas y (3) sean fiables. Tras este análisis se
seleccionaron las seis variables que se ilustran en la Figura 15 y se recogen en la Tabla
9. Se creó finalmente el conjunto de datos utilizado en esta investigación, constituido
por 12195 registros de las seis variables indicadas.
76 Resultados
Figura 15. Representación esquemática de la interfase BF-BOF con indicación las

variables involucradas en la predicción de la temperatura del arrabio previamente a la
carga del convertidor, Y; se emplean cinco variables como posibles entradas del
modelo: temperatura inicial en el horno alto, X1; tiempo total transcurrido, X2; duración
del pre-tratamiento, X3; tiempo de permanencia del torpedo vacío en el ciclo anterior,
X4; tiempo de permanencia de la cuchara vacía en el ciclo anterior, X5.
Tabla 9. Variables empleadas en los modelos.
Descripción Símbolo Min Max Uds.

Temperatura inicial X1 1400 1540 °C
Tiempo total transcurrido X2 2 20 h
Duración del pre-tratamiento X3 0 40 min
Tiempo de torpedo vacío X4 1 16 h
Tiempo de cuchara vacía X5 0 8 h
Temperatura final Y 1200 1420 °C
Los valores de las variables se normalizaron desde el rango [min, max] al rango [0,1].
Esta normalización, que se indica en la notación de las variables con letra minúscula,
contribuye a la estabilidad de los modelos y facilita la interpretación. En la Figura 16 se
muestra una representación gráfica del conjunto normalizado de datos de estudio. Para
mayor claridad, en lugar de los 12195 datos individuales, se traza el valor promedio y
el rango mínimo-máximo para grupos de 30 coladas —que es una agrupación
representativa de un día de producción—, es decir se muestran las temperaturas
medias, mínimas y máximas diarias. Se puede observar que las temperaturas inicial y
final, x1 e y respectivamente presentan una distribución y una evolución temporal
similares. Además, en lugar de cambios aleatorios, existen tendencias locales claras que
muestran un comportamiento temporal en los datos y que interesa retener y explotar.
Las similitudes entre las curvas x1 e y muestran la correlación esperable entre las
temperaturas inicial y final. Sin embargo, algunas características de la curva y no
corresponden bien con otras de la curva x1 —tal como la caída en la temperatura final
que se observa en el entorno de t = 10000—. Esto indica que las otras variables son
también importantes —tal como parece indicar un aumento local del tiempo de
transporte en la vecindad de t = 10000—.
Figura 16. Evolución temporal e histogramas correspondientes a las variables

utilizadas en el modelado de la temperatura del arrabio; la media diaria y el intervalo
min-max se muestran con trazo negro y sombreado gris, respectivamente; el conjunto
de datos de estudio contiene 12195 registros, que abarcan un año completo; las
primeras 10000 coladas fueron utilizadas para entrenamiento y test de
hiperparámetros, mientras que las últimas 2195 fueron reservadas para la validación
final de los modelos. La línea de trazos muestra un ejemplo de ventana de
entrenamiento móvil basada en las w = 2000 observaciones anteriores a la colada t =
2500.
78 Resultados
3.4.1. Predicción mediante series temporales
La aplicación de los diferentes modelos predictivos al conjunto normalizado de datos

de estudio permitió comparar sus resultados en términos del error absoluto medio
(mean absolute error, MAE) y analizar los resultados en función del tamaño w de la
ventana móvil de entrenamiento.
Los resultados se resumen en la Figura 17, donde se puede ver que con el método del
valor típico o estándar (standard value, SV) se obtuvo un MAE de 0.0908, que aparece
como una curva constante, independiente del valor de w, ya que la predicción considera
siempre el promedio histórico.
Para la predicción naíf (naïve forecasting, NF) se obtiene un MAE mínimo de 0.0864
para w = 1 y empeora rápidamente a medida que w aumenta. Esto indica que, en caso
de tomar como predicción de la temperatura una observación anterior de la misma,
interesa que ésta no sea muy antigua, nunca más allá de las dos coladas anteriores. En
caso contrario, es más ventajoso utilizar el método del valor típico.
En el caso de la predicción de media móvil (moving average smoothing, MAS) el MAE

depende enormemente del tamaño w de la ventana móvil de entrenamiento. Se puede
observar que, obviamente, para w = 1 el error coincide con el método naíf, ya que para
este valor el método MAS se reduce al NF. El valor mínimo del MAE se alcanza para w
= 5, aumenta para valores superiores, y tiende a alcanzar asintóticamente al método del
valor típico.
Por lo que respecta a los métodos MARIMAX, la aplicación del método de Box-Jenkins
[92] al subconjunto de datos de entrenamiento orientó hacia el establecimiento de un
ARIMA(0,1,2), que se conoce también como modelo Damped Holt [90]. Se obtuvo el
mismo resultado identificando el sistema mediante el algoritmo de Hyndman-
Khandakar [93]. Además de la implementación del modelo ARIMA básico, se ensayó la
adición al modelo de las variables seleccionadas, x1, x2, x3, x4 y x5, como predictores
externos. Los errores resultantes se pueden examinar en la Figura 17. El modelo básico
MARIMA sin predictores exógenos proporciona un MAE de 0.0704 para w = 1000. La
introducción de los cinco predictores exógenos permite reducir el MAE hasta 0.0689
para w = 1000. El empleo de ventanas de entrenamiento más amplias no produce
mejoras significativas.
Una vez determinados los parámetros óptimos de cada modelo, se aplicó la

configuración final al subconjunto de 2195 datos de validación, obteniéndose unos MAE
de 0.0910, 0.0875, 0.0721, 0.0700 y 0.0685 para SV, NF, MAS, MARIMA y MARIMAX5
que se corresponden con 20.0, 19.3, 15.9, 15.4, 15.3, and 15.1 °C, respectivamente. Estos
errores son consistentes con los obtenidos previamente en la fase de optimización de
los modelos.
0.10 0
SV
0.09 0
MAE
0.08 0
MARIMA
0.07 0
0.06 0
1 10 100 1000
w
Figura 17. Comparación de los errores absolutos medios (MAE) obtenidos al aplicar
diferentes modelos a la predicción de la temperatura del arrabio en función del tamaño
de ventana de entrenamiento w; el mejor valor de MAE corresponde con el modelo
MARIMAX5.
3.4.2. Publicación IV: Energies

Oxygen Furnace (BOF) Converter Using IR Thermometry and Forecasting
Techniques. Energies 2019, 12(17), 3235.
En este artículo se aborda la medida de la temperatura del arrabio en la acería mediante

termómetro de infrarrojos y se presentan los resultados de las pruebas extensivas que
se realizaron en planta con esta técnica. Por otro lado, se analiza el rendimiento de una
serie de modelos predictivos sencillos, similares a los empleados en la planta en los
inicios de la investigación. Finalmente, se desarrollan modelos más avanzados a partir
de los modelos ARIMA que habitualmente se emplean en series temporales.
3.4.3. Predicción mediante aprendizaje automático
El modelo MMARSL planteado, se aplicó al conjunto normalizado de datos de estudio

mostrado anteriormente en la Figura 16. En primer lugar, se realizó el estudio de
hiperparámetros que se resume en la Tabla 10 sobre el subconjunto de datos de test y
entrenamiento formado por los primeros 10000 registros del conjunto. Los primeros
2000 registros se reservan para poder inicializar la ventana de entrenamiento con un
máximo de 2000 observaciones previas. Por tanto, cada caso de estudio implica el
entrenamiento y test de 8000 modelos diferentes entre t = 2001 y t = 10000. Para poder
analizar el efecto de las combinaciones más interesantes de parámetros y cubrir todo su
dominio de variación se plantearon más de 300 casos de estudio. Esto implicó la
resolución de más de 2.4·106 modelos diferentes cuyos resultados en términos de MAE
se muestran en la Figura 18.
Tal como se aprecia en la Figura 18.a, si se permite cualquier grado de interacción entre
las variables (I > 1), se obtiene un peor valor del MAE. El efecto es tanto más acusado
cuanto menor sea la ventana de entrenamiento; para valores w > 1000 el empeoramiento
es mínimo, inferior a 0.0003. Este resultado apunta hacia la naturaleza aditiva de los
efectos representados por las variables x1, … x5.
El valor inicialmente considerado de MF = 21 para el número máximo de funciones base

en la fase de selección, está cerca del óptimo (MF = 11) cuando w ≥ 1000, tal como se ve
en la Figura 18.b. Este resultado muestra que, para este problema en particular, MF = 2N
+ 1 es una buena elección, pero max(21, 2N + 1) = 21 también es una opción razonable si
el subconjunto de entrenamiento es suficientemente grande, tal como sugiere
Milborrow [104]. La Figura 18.b también permite apreciar que, con w = 2000 el aumento
de MF no contribuye significativamente a reducir el MAE de las predicciones, lo cual es
esperable ya que las funciones base que se incorporan en exceso en la fase de selección
serán eliminadas —previsiblemente— en la fase de poda subsiguiente. Sin embargo, el
ligero empeoramiento del MAE para valores de MF superiores al óptimo es debido a
que, el valor GCV (validación cruzada generalizada) es una buena aproximación de la
capacidad predictiva del modelo, pero sólo una aproximación, al fin y al cabo. En
consecuencia, aumentar MF por encima del óptimo conduce a modelos que sobreajustan
ligeramente.
Por lo que se refiere al coste de complejidad del modelo, d, para valores de w < 500, se
alcanza un mínimo claramente identificable entre 4 y 6, según se aprecia en la Figura
18.c. Para valores mayores de w, el MAE permanece en torno a su valor mínimo para
cualquier d ≥ 6.
Tabla 10. Hiperparámetros del modelo con sus valores base, su dominio de estudio y
su configuración final.
Hiperparámetro Base Min Max Final

Máximo grado de auto-interacción S 1 1 1 1
Máximo grado de interacción I 1 1 5 1
Nº máximo de funciones base en la 1ª fase MF 21 3 49 21
Coste de la complejidad del modelo d 2 0 12 2
Tamaño de la ventana móvil de entrenamiento w 1000 10 2000 2000
𝑦𝑡−1 , 𝑦𝑡−2 … 𝑦𝑡−𝐿 predictores adicionales L 0 0 6 4
102 Resultados
Figura 18. Comparación del error absoluto medio (MAE) de las predicciones en
función de los hiperparámetros del modelo cuando, sobre el caso base, se varían w y
(a) el grado de interacción entre las variables, I; (b) el número máximo de funciones
base al final de la fase de selección, MF; (c) el coste de la complejidad del modelo, d; y
(d) el número de observaciones previas usadas como predictores, L; las figuras (e) y (f)
se corresponden con las (c) y (b), respectivamente, cuando se toma L = 4.
La introducción de L observaciones previas de la temperatura final como predictores

adicionales, es decir, la utilización de 𝑥⃗𝑡 = (𝑥𝑡1 , 𝑥𝑡2 , 𝑥𝑡3 , 𝑥𝑡4 , 𝑥𝑡5 , 𝑦𝑡−1 , 𝑦𝑡−2 , … 𝑦𝑡−𝐿 ) como
vector de entrada del modelo, tiene consecuencias muy diferentes dependiendo de la
ventana de entrenamiento adoptada. La Figura 18.d muestra que para w = 100, tiene
siempre un efecto negativo, independientemente del valor de L. Para w entre 200 y 500
se obtiene una modesta mejora de entre 0.0003 y 0.0008 en el MAE, alcanzándose el
mínimo para 2 < L < 4. Por último, si w ≥ 1000, se obtiene una reducción de 0.0012 en el
MAE para 3 < L < 5. Este resultado guarda coherencia con el obtenido para la predicción
por media móvil (ver Apartado 3.4.1. Predicción mediante series temporales) donde el
valor óptimo correspondía con 4 < L < 6 aproximadamente (Figura 17).
A la vista del efecto favorable de tomar L = 4-5, y de la constatación de valores óptimos

para MF y para d, se optó por repetir el estudio de estos dos parámetros considerando L
= 4. Los resultados se muestran en la Figura 18.e y la Figura 18.f, pudiendo observarse
que la introducción de los predictores adicionales no solamente mejora el MAE sino que
lo hace menos dependiente de los otros parámetros. Para w = 2000, cualquier MF > 15
permite obtener un MAE mínimo de 0.0506. De forma similar, y también para w = 2000,
cualquier d ≥ 2 conduce al mismo valor del MAE. Se puede concluir que, para el
problema estudiado, cualquier configuración MMARSL (S = 1, I = 1, MF > 15, d ≥ 2, L =
4, w = 2000) proporciona los mejores resultados.
Tras adoptar la configuración final de hiperparámetros, el modelo se aplicó finalmente

sobre el conjunto de datos de validación (t = 10001 – 12195). El MAE obtenido fue de
0.5076, muy próximo al valor de 0.506 obtenido durante la optimización de
hiperparámetros, lo cual confirma que el GCV es un estimador adecuado de las
capacidades predictivas del modelo [94,102,104].
Dado el enfoque de re-entrenamiento continuo que se ha adoptado para los modelos,

la forma concreta que éstos adoptan no es estática, sino que varía de colada en colada.
A modo de ejemplo, en la Tabla 11 se muestran los términos del modelo que se obtiene
para la colada t = 11755. En este caso, el modelo comprende 12 funciones base. Dado
que MF = 21, se deduce que las 9 funciones base con menor contribución al GCV fueron
eliminadas en la fase de poda.
Tal como se deduce de la Tabla 11, las funciones base más importantes son aquellas que
contienen x1, x2 y x4, esto es, la temperatura inicial, el tiempo total transcurrido entre
temperaturas y el tiempo de torpedo vacío. El tiempo de cuchara vacía y el tiempo de
pre-tratamiento tienen menos importancia; de hecho, la temperatura final observada en
la colada anterior, x6 = yt-1, tiene mayor peso. Además, el algoritmo ha eliminado la
variable x9 = yt-4, lo cual indica que su contribución a la capacidad predictiva del modelo,
en esta colada en particular, era mínima o incluso negativa. Sin duda este no es el caso
general, ya que, como puede verse en la Figura 18.d, la consideración de x9 = yt-4, aporta
una ligera mejora en el conjunto de los datos de entrenamiento.
104 Resultados
Tabla 11. Ecuaciones para MMARSL {S = 1, I = 1, MF = 21, d = 2, L = 4, w = 2000} en t =

11755. El error cuadrático medio (MSE) y el error de la validación cruzada generalizada
(GCV) para el conjunto de las predicciones del modelo son 0.00408 y 0.00418,
respectivamente. Las columnas MSE y GCV indican los nuevos valores obtenidos para
estos indicadores si se elimina la función base de la fila correspondiente.
Función Base Coeficiente MSE GCV

𝐵0 1 𝛽0 0.4411 - -
𝐵1 (x2 - 0.2672)+ 𝛽1 -0.5320 0.00541 0.00553
𝐵2 (0.6998 - x4) + 𝛽2 0.3201 0.00526 0.00537
𝐵3 (x1 - 0.4643) + 𝛽3 0.3777 0.00510 0.00521
𝐵4 (0.2672 - x2) + 𝛽4 0.4428 0.00455 0.00465
𝐵5 (0.4643 - x1) + 𝛽5 -0.5489 0.00430 0.00439
𝐵6 (0.6409 - x6) + 𝛽6 -0.1124 0.00414 0.00423
𝐵7 (x5 - 0.0312) + 𝛽7 -0.0683 0.00412 0.00421
𝐵8 (x6 - 0.6409) + 𝛽8 0.1408 0.00412 0.00421
𝐵9 (x7 - 0.5818) + 𝛽9 0.0862 0.00411 0.00420
𝐵10 (x3 - 0.4571) + 𝛽10 -0.0526 0.00410 0.00419
𝐵11 (x8 - 0.6818) + 𝛽11 0.0928 0.00409 0.00418
Los modelos obtenidos en otras coladas tienen una forma muy similar con ligeros
cambios. Las principales características están siempre presentes, mientras que otras
aparecen o desaparecen dependiendo de los datos de las w coladas previas utilizados
en el entrenamiento.
La forma real del modelo se puede entender mejor si se combina la expresión analítica
de las funciones base en la Tabla 11 con la representación gráfica de la Figura 19.
La curva de 𝑦̂𝑡 frente a x1 indica que el efecto de la temperatura inicial sobre la final
tiende a reducirse a medida que aquella aumenta. Este resultado es coherente ya que, a
mayor temperatura inicial, se producirán mayores pérdidas térmicas en todas las etapas
del proceso. Para el tiempo de torpedo vacío x4, se puede aplicar un razonamiento
similar, teniendo en cuenta que las pérdidas térmicas serán más importantes al
principio e irán disminuyendo a medida que el tiempo de vacío aumenta.
El tiempo total entre medidas de temperatura, x2, así como el tiempo de cuchara vacía,
x5, tienen un efecto prácticamente lineal en el rango considerado, tal como se puede ver
en las curvas correspondientes de la Figura 19.
Tal como era de esperar, cuanto mayor sea la temperatura final de las coladas
anteriores, mayor será la temperatura esperada para la colada actual. Este efecto es más
significativo cuando las mediciones anteriores están en la parte alta del rango —por
encima de 0.6, aproximadamente—, tal como se puede apreciar en las funciones B6, B8,
B9 y B11 de la Tabla 11.
Figura 19. Representación gráfica del modelo final MMARSL(S = 1, I = 1, MF = 21, d =

2, L = 4, w = 2000) en la colada t = 11755. En los elementos de la diagonal principal se
grafica la predicción de la temperatura final, 𝑦̂𝑡 , frente a cada una de las variables de
entrada, xi. Los otros elementos del mosaico son los contornos de superficie
correspondientes a la respuesta del modelo en un entorno en el que se hace variar un
par de variables de entrada (xi, xj); las superficies bajo la diagonal se construyen
alrededor del valor real del vector de entradas 𝑥⃗, que para la colada t = 11755 toma el
valor 𝑥⃗𝑡 = (0.41, 0.14, 0.42, 0.38, 0.054, 0.53, 0.58, 0.61, 0.43); las superficies por encima
de la diagonal están construidas alrededor del punto medio del dominio del vector de
entrada, es decir, 𝑥⃗=(0.5, 0.5, 0.5, 0.5, 0.5; los límites de los ejes son [0,1] para todas las
variables.
3.4.4. Publicación V: Metals
Díaz J, Fernández F J, Prieto M M (2019). Hot Metal Temperature Forecasting at Steel

Plant Using Multivariate Adaptive Regression Splines. Metals 2020, 10(1), 41.
En este artículo se presenta la aplicación de la regresión mediante splines adaptativos

multivariante a la predicción de la temperatura del arrabio en la acería. Nunca antes se
había propuesto un modelo estadístico para la interfase BF-BOF y también constituye
el primer caso de aplicación de la técnica MARS al proceso BOF. Introduciendo mejoras
en la implementación estándar de MARS, se consigue un error de predicción
prácticamente tan bajo como el logrado con termometría IR; sin embargo esta técnica,
presenta una mayor aplicabilidad y no precisa de inversión en equipos ni en
mantenimiento.
3.4.5. Publicación II: IRCSEEME 2018
Díaz J, Fernández F J, González A. Prediction of hot metal temperature in a BOF

converter using an ANN. 2nd International research conference on sustainable energy,
engineering, materials and environment, IRCSEEME, 25-27 July 2018, Mieres Spain,
pp 27-28.
Esta comunicación realizada en IRCSEEME en julio de 2018 presenta brevemente los

resultados obtenidos mediante la aplicación de redes neuronales artificiales ANN a la
predicción de la temperatura del arrabio en la acería. Si bien se consiguió un nivel de
error satisfactorio, no resultó posible asegurar un buen comportamiento a largo plazo,
en los sucesivos re-entrenamientos del modelo. Las redes neuronales fueron exploradas
en las primeras fases de la investigación, pero finalmente abandonadas en favor de
MARS que proporciona una precisión similar, pero con total repetibilidad.
4. Discusión
El modelo térmico BOF desarrollado ha permitido evaluar las emisiones de CO2,

simulando diferentes condiciones de operación. Se pueden extraer las siguientes ideas
principales de los resultados obtenidos:
a) Estrategia de arrabio mínimo y máximo. La utilización de estas

estrategias en lugar de la de arrabio neutro implica siempre un
aumento de entre 30 y 50 kg de CO2 por tonelada de acero líquido,
respectivamente (Figura 11).
b) Uso de FeSi como adición exotérmica. A pesar de tener unas emisiones

indirectas mucho mayores, gracias a su mayor efecto exotérmico el FeSi
genera 100 kgCO2 / t menos que la antracita (Figura 11).
c) Temperatura del arrabio. Como se aprecia en la Figura 11, para las

estrategias de arrabio neutro y arrabio máximo con antracita, el
impacto es de 6 kgCO2 / t cada 10 °C. Para la estrategia de arrabio mínimo
con FeSi, la temperatura tiene el mismo efecto si está por debajo a 1250
°C, para valores superiores el efecto es menor. Para la estrategia de
arrabio máximo, la temperatura tiene el mismo efecto por encima de
1260 °C y apenas influye por debajo de este valor.
d) Capacidad de carga de chatarra. Si se aumenta la capacidad máxima en

un 5 %, las emisiones se reducen en unos 15 kgCO2 / t. Esta medida tiene
pleno efecto para temperaturas superiores a los 1280 °C (Figura 12.a.a).
e) Capacidad de carga de FeSi. Si se aumenta la capacidad máxima en un

10 %, las emisiones se reducen en unos 10 kgCO2 / t. El rango de menor
impacto de la temperatura se amplía en 30 °C hasta 1220 °C (Figura
12.a.b).
f) Predicción de la temperatura del arrabio. Cada ± 10 °C de error en la

predicción, conduce a un aumento de las emisiones de 5 kgCO2 / t (Figura
12.b).
Con base en estos resultados, los responsables del proceso pueden establecer y priorizar
planes de acciones que minimicen el impacto del proceso en la huella de carbono.
Siguiendo el orden de las ideas anteriores, se pueden considerar las siguientes líneas de
actuación:
a) Fijar una estrategia de arrabio neutro. Es una alternativa muy poco

viable, ya que introduce una restricción excesivamente rígida en la
interfase BF-BOF. En general, se busca que la acería trabaje de forma
eficiente en términos de productividad, calidad y emisiones en el
mayor rango posible de ratios de consumo de arrabio. Esta flexibilidad
es vital para poder adaptarse a variaciones en el coste y en la
132 Discusión
disponibilidad de materias primas, así como a cambios del ritmo

productivo de hornos altos y acerías.
b) Aumentar la carga de FeSi. Es una alternativa interesante, aunque

puede verse limitada por el coste de esta ferroaleación y por el mayor
volumen de escoria generada. Por tanto, a pesar de ser la opción con
mejores resultados en términos de huella de carbono, estará
condicionada por la variabilidad del coste de las ferroaleaciones y el
margen que tenga el volumen interno del convertidor.
c) Buscar adiciones exotérmicas alternativas. Es una línea necesaria,

aunque no debe ser abordada exclusivamente mediante prueba y error
en planta, es decir sólo desde el lado del proceso. Se trata de
seleccionar y valorar qué otras adiciones o combinación de adiciones
proporcionan la mejor relación energía / CO2 y son viables para la
práctica operativa. El modelo desarrollado en esta investigación
permitiría seleccionar y valorar los materiales más interesantes.
d) Aumentar la carga de chatarra. Es una acción directa y abordable,

aunque requiere inversión en los equipos necesarios para procesar y
cargar la chatarra. Además, el propio tamaño y geometría del
convertidor pueden llegar a ser una limitación insalvable para cargar
mayores volúmenes de chatarra. Por otra parte, el interés de esta
medida está limitado al rango alto de temperaturas de arrabio (Figura
12.a), por lo que ha de ser combinada con un aumento de la
temperatura del arrabio en la acería o con otro aporte energético
(Figura 12.a.c).
e) Mejorar la predicción de la temperatura del arrabio. Es la alternativa

más directa y abordable. A pesar de aportar una reducción modesta, no
requiere inversión y no conlleva ninguna contrapartida ni
inconveniente. Se han de explorar posibles mejoras tanto en los
modelos de previsión como en el campo de los sensores y de las
prácticas operativas.
Las opciones más factibles son aquellas que no imponen restricciones ni dificultades
adicionales al proceso y requieren de una pequeña o nula inversión. A la luz de lo
anterior, y por orden de inmediatez, se debería trabajar en:
a) Mejorar la predicción de la temperatura del arrabio
b) Buscar adiciones exotérmicas alternativas
En esta tesis se desarrolla en profundidad la primera vía y se plantea como trabajo

futuro la segunda.
A modo de recapitulación, la discusión anterior muestra cómo el desarrollo de un

modelo ha permitido identificar y cuantificar acciones de reducción de la huella de
carbono en el proceso BOF. A su vez, las opciones de mejora identificadas precisarán
del desarrollo conjunto de procesos y modelos.
Discusión 133
Con el fin de lograr una mejor previsión de la temperatura del arrabio en la acería, se
han estudiado diferentes métodos que se agrupan en tres líneas de trabajo sobre el
conjunto proceso-modelo:
a) Medición indirecta con termometría IR
b) Predicción mediante modelos de series temporales
c) Predicción mediante aprendizaje automático
Los resultados obtenidos permiten comparar las técnicas empleadas en cuanto a

requerimientos, precisión y aplicabilidad, tal como se muestra en las Tablas 12 y 13 y
en la Figura 20.
En la Tabla 12 se indica el número de variables con las que trabaja cada método y el
número de observaciones de dichas variables que se requieren para entrenar el modelo;
se especifica tanto el valor mínimo para que pueda ser ejecutado, como el valor de la
ventana de entrenamiento óptima. Éste es uno de los aspectos que más afecta a la
aplicabilidad del modelo, ya que cuantas más variables y más observaciones necesite,
mayor es la probabilidad de que falte alguno de los datos necesarios para su ejecución.
Otro aspecto que afecta a la aplicabilidad del modelo es el tiempo de avance de la

predicción, que es el tiempo mínimo transcurrido entre el momento en el que se dispone
de todos los datos para ejecutar el modelo y el instante deseado para el inicio la
preparación de la carga. La predicción mediante el método del valor estándar, al basarse
en una predicción fija, no tiene ninguna limitación. Para el resto de modelos, el avance
vendrá determinado por el instante en el que el ordenador de proceso recibe la última
variable de entrada necesaria.
Normalmente, la última variable recibida es la temperatura de la colada anterior. Puede

considerarse que se dispone de dicha medida al menos 10 minutos antes del inicio de
la preparación de la carga, con lo que este será el tiempo de avance mínimo para todos
los modelos excepto para MMARS ya que emplea exclusivamente variables exógenas.
Para MMARS, la última variable en conocerse es la duración del pre-tratamiento del
arrabio, con un tiempo de avance de unos 30 minutos.
La determinación mediante termometría IR, en cambio, introduce un retraso de al

menos 10 minutos sobre el inicio de carga deseado, lo cual puede ser inasumible en
muchas situaciones.
Con base en esta información, se puede estimar el grado de aplicabilidad de cada

método, es decir, la probabilidad de que pueda ser usado. Los valores de aplicabilidad
se muestran en la Tabla 13, junto con el tiempo de computación —que en ningún caso
es crítico—, el MAE obtenido y su traducción en °C. También se indica la reducción en
huella de carbono.
134 Discusión
Tabla 12. Principales requisitos de los métodos considerados en la investigación
nº de variables nº de observaciones w Tiempo de avance

Método N Min. Opt. (min)
SV 0 0 0 inf.
NF 1 1 1 10
Inicial 1 20 20 10
MAS 1 5 5 10
MARIMA 1 100 1000 10
MARIMAX3 4 250 1000 10
MARIMAX5 6 300 1000 10
MMARS 5 20 2000 30
MMARSL3 8 200 2000 10
MMARSL4 9 200 2000 10
IR 1 1 1 -10
Tabla 13. Principales resultados de los métodos considerados en la investigación

Orden MAE Huella de Tiempo de Aplicabilidad
Ejec. carbono computación estimada
Método i (-) (°C) (kgCO2 / t) (s) (%)
SV 8 0.0910 20.0 10.0 < 0.1 100
NF 7 0.0875 19.3 9.7 < 0.1 99
Inicial - 0.0830 18.3 9.0 < 0.1 99
MAS 6 0.0721 15.9 8.0 < 0.1 99
MARIMA 5 0.0700 15.4 7.7 0.7 95
MARIMAX3 - 0.0695 15.3 7.7 1.1 93
MARIMAX5 4 0.0685 15.1 7.6 1.4 93
MMARS 3 0.0518 11.4 5.7 2.9 97
MMARSL3 - 0.0509 11.2 5.6 3.0 87
MMARSL4 2 0.0507 11.1 5.6 3.5 87
IR 1 0.0500 11 5.5 < 0.1 40
En la Tabla 13 se puede apreciar como la precisión y la aplicabilidad de los métodos

considerados guardan una relación inversa; cuanto mejor es el MAE, más baja es la
aplicabilidad. Sin embargo, las diferentes técnicas planteadas no son excluyentes entre
sí sino complementarias cuando se aplican de forma combinada, tal como se propone a
continuación.
En primer lugar, por su mejor precisión (MAE = 0.0500), interesaría aplicar el método
IR siempre que sea posible. Sin embargo, esto sólo resulta posible en apenas un 40 % de
los casos, ya que no siempre se consigue una medida representativa y el tiempo de
avance es insuficiente en la mayor parte de las situaciones productivas. Para el restante
60 % de los casos, se puede aplicar el modelo MMARSL4, con un 87 % de probabilidad,
ya que tiene avance suficiente en la gran mayoría de los casos y se suele disponer de los
datos necesarios. En este caso, el MAE será ligeramente peor, del 0.0507. En caso de
fallar MMARSL4, es prácticamente seguro que MMARSL3 también fallará, dado que
hacen uso de prácticamente los mismos datos.
Discusión 135
El siguiente método a intentar sería MMARS que sólo emplea variables exógenas, con
mayor probabilidad de ser conocidas, y mucho mayor tiempo de adelanto, si bien la
precisión es ligeramente peor con un MAE del 0.0518.
Continuando el razonamiento se seguirían intentando aplicar los otros métodos

MARIMAX5, MARIMA, MAS y NF, hasta llegar en el peor de los casos a utilizar el
método SV con la peor precisión (MAE = 0.0910) pero con un 100 % de aplicabilidad.
De esta forma, por anidamiento de métodos en el orden que se indica en la Tabla 13, se
construye un método combinado de determinación de la temperatura cuya
aplicabilidad es del 100 %, tal como se deduce del razonamiento anterior y se plasma
en la Ecuación (41).
8
𝑀𝐴𝐸 = ∑ 𝑝𝑖 ∙ 𝑀𝐴𝐸𝑖 (41)

𝑖=1
donde se indica que el MAE del método combinado es la suma de los MAE de cada
método, ponderados por la probabilidad de tener que aplicarlo (condicionada a que su
antecesor en el orden haya fallado), pi.
0.10 0
SV
0.09 0
0.08 0
MAE
MARIMA
0.07 0
0.06 0
IR
0.05 0
0.04 0
1 10 100 1000
w
Figura 20. Comparación de los errores absolutos medios (MAE) obtenidos al aplicar
diferentes métodos de determinación de la temperatura del arrabio en función del
tamaño de ventana de datos empleada w.
136 Discusión
El MAE esperado para el método combinado se estima así en 0.0515. Lo cual supone
una reducción en el error, respecto a la situación inicial, de 6.93 °C (unos 3.5 kg CO2 por
tonelada de acero líquido). La mejora conseguida implica una reducción de la huella de
carbono de unas 14000 tCO2 / año, estimadas para una producción de 4.0 Mt / año de
acero en los convertidores BOF en la acería de Avilés.
Finalmente, se revisa en qué medida este trabajo se ha llevado a cabo siguiendo las
pautas metodológicas que se habían identificado como necesarias en los inicios de la
investigación (ver apartado 1.2. Contexto metodológico). Dichas características se
evalúan a continuación a la luz de los resultados:
a) Equipo mixto de trabajo. A lo largo de esta investigación se ha

colaborado con diferentes ámbitos: académico, I+D+i, ingeniería de
procesos y fabricantes de sensores.
b) Sostenibilidad del desarrollo. Se ha adoptado un enfoque adaptativo

y desatendido para el desarrollo de los modelos predictivos. Por otra
parte, su progresiva puesta en servicio ha permitido validarlos en
amplios espacios de tiempo.
c) Consideración de diferentes alternativas proceso-modelo. Se han

identificado y valorado distintas alternativas para la reducción de las
emisiones a través de mejoras tanto en el proceso como en los modelos.
Además, se ha mejorado la determinación de la temperatura del arrabio
mediante el uso combinado de sensores y modelos, siempre de forma
integrada en las necesidades y la lógica del proceso.
d) Análisis de la importancia de las variables y de la calidad de los datos.

El modelo térmico BOF ha permitido identificar qué variables tienen
más peso en la huella de carbono y se ha realizado una cuidada
selección y filtrado de los datos necesarios tanto para el modelo térmico
como para los modelos predictivos de la temperatura.
e) Orientado a la construcción del conocimiento. En esta investigación se

ha desarrollado una herramienta de simulación del proceso BOF cuyo
interés no se limita a lo aplicado en el presente trabajo. Igualmente, la
aplicación de los modelos MMARSL es prometedora y puede ser
aprovechada en otros modelos de control del proceso BOF.
5. Conclusiones
Se resumen a continuación las principales conclusiones que se han ido extrayendo a lo

largo del desarrollo de esta investigación:
1) Se ha desarrollado una herramienta de simulación del convertidor

BOF capaz de modelar los flujos de materia y energía del proceso.
2) El modelo ha sido validado contra datos reales de proceso en dos

convertidores diferentes, a lo largo de un año, en distintas situaciones
productivas.
3) La precisión obtenida es buena, sólo ligeramente inferior a la que se

obtiene con los modelos de caja gris utilizados en el control on-line del
proceso.
4) Es generalizable. A diferencia de los modelos de control existentes, no

está restringido a un punto de trabajo concreto y no precisa de un
continuo reajuste con los resultados del proceso real.
5) El modelo tiene múltiples posibilidades de aplicación. Si bien en este

caso ha permitido investigar las emisiones de CO2, resulta igualmente
aplicable a la evaluación de costes o de las características del producto.
6) El análisis de los resultados muestra que el flujo de carbono tiene lugar

principalmente desde el arrabio al gas de escape, lo cual ha conducido
a priorizar el control de la temperatura del arrabio para reducir la
huella de carbono.
7) Se han conseguido describir y evaluar las emisiones de CO2 en función

de dicha temperatura bajo diferentes estrategias de consumo de arrabio
y variando las restricciones típicas del proceso.
8) A la luz de lo anterior se han identificado diferentes líneas de actuación

encaminadas a la reducción de la huella de carbono. La reducción del
error en la predicción de la temperatura es la alternativa más
directamente abordable, sin necesidad de inversiones, sin riesgos, sin
efectos negativos.
9) Se ha abordado la mejora desde un enfoque combinado proceso-

modelo, empleando tanto sensores como modelos, adaptando siempre
las soluciones a las características reales del proceso en lo referido a
datos disponibles, tiempos admisibles, etc.
10) Se ha aplicado con éxito la termometría infrarroja a la determinación

de la temperatura del arrabio mediante medida sin contacto. La
precisión obtenida es buena, aunque el grado de aplicabilidad de la
técnica en las condiciones reales de producción es relativamente bajo.
Con todo, el valor de la medida se obtiene con mayor avance que la
138 Conclusiones
obtenida tradicionalmente mediante inmersión de termopares

desechables.
11) Se han aplicado modelos predictivos sencillos basados en las

mediciones de temperatura de las coladas anteriores (SV, NF, MAS).
Aunque la precisión es inferior a la termometría IR, tienen una alta
aplicabilidad y se han de implementar como método de respaldo de
otros más avanzados. Además, sirven de referencia para la evaluación
de otros modelos más precisos.
12) Se ha investigado la aplicación de modelos predictivos de series

temporales, con el fin de explorar mejoras en la predicción de la
temperatura utilizando principalmente el histórico de observaciones
previas. Supusieron una mejora respecto a los modelos sencillos y al
método inicial en uso, pero su precisión es inferior a la conseguida
mediante termometría IR.
13) Finalmente, se exploraron técnicas de aprendizaje automático para

extraer la información disponible en variables de proceso registradas
en las bases de datos de proceso. Se detectó el enorme potencial de la
regresión multivariante mediante splines adaptativos. Se profundizó
en esta técnica y se mejoró introduciendo una ventana móvil de
entrenamiento y utilizando observaciones previas como predictores
adicionales.
14) Se optimizó el modelo MMARSL con hiperparámetros adaptados

específicamente a este problema y se validó contra un conjunto nuevo
de observaciones, obteniéndose una precisión muy cercana a la
termometría IR pero con una aplicabilidad mucho mayor y sin
necesidad de inversión en equipos ni en mantenimiento.
15) Finalmente, se ha visto que las diferentes técnicas empleadas no son

excluyentes, sino que pueden ser complementarias cuando se
estructuran de forma anidada en las rutinas de proceso. De esta forma,
el rendimiento del conjunto es superior al de las partes por separado.
16) Se ha establecido y aplicado satisfactoriamente una metodología de

desarrollo conjunto de procesos y modelos (DCPM) cuyo ámbito de
aplicación no se limita al proceso BOF.
Las conclusiones que se extraen de la investigación, permiten dar respuesta a las

preguntas planteadas al inicio de esta investigación:
Pregunta I. ¿Es posible mejorar la previsión de la temperatura del arrabio, a

pesar de las incertidumbres asociadas y la escasez de datos de
proceso relevantes?
Respuesta I. Se ha demostrado que sí. Aunque el proceso experimentado por el

arrabio en la interfase BF-BOF, está descrito de forma muy
incompleta por el registro de datos de proceso actual, se ha
conseguido extraer la información contenida en dichos datos,
Conclusiones 139
mejorando significativamente la previsión de la temperatura del

arrabio en la acería.
Pregunta II. ¿Qué reducción se puede lograr en la huella de carbono

mediante el desarrollo conjunto del proceso y los modelos, sin
recurrir a proyectos de inversión?
Respuesta II. Mediante el desarrollo conjunto de modelos y sensores

integrados en la lógica operacional de la planta, se ha conseguido
reducir la huella de carbono en xxx.x kg por tonelada de acero
líquido, respecto a la situación inicial y xxx.x respecto a la opción
más sencilla.
Pregunta III. ¿Resulta ventajoso el desarrollo conjunto de procesos y modelos

frente a un enfoque separado?
Respuesta III. Los resultados de la investigación apuntan hacia una respuesta

positiva de esta pregunta. En primer lugar, el desarrollo del
modelo térmico BOF ha permitido identificar vías de mejora en
el proceso que hubieran podido pasar desapercibidas sin este
análisis previo. En segundo lugar, la aplicación combinada de
distintas técnicas de predicción de la temperatura se ha mostrado
superior en términos de precisión y aplicabilidad.
A la vista de estas conclusiones y de cara a la continuación de la línea de investigación

iniciada se extraen algunas recomendaciones de trabajo futuro:
1) Desarrollar adicionalmente el modelo térmico BOF y publicarlo como

código abierto, de forma que sirva tanto de herramienta de simulación
y optimización del proceso BOF como de submodelo en otros niveles
de optimización superiores (acería, instalación integral, región).
Realizar el análisis de sensibilidad del proceso BOF con otras variables,
otros efectos y otros aspectos del proceso.
2) Analizar nuevas vías de mejora en la predicción de la temperatura del

arrabio: incorporación de nuevas variables de entrada, desarrollo del
modelo en ausencia o incertidumbre de datos, poner a prueba y
optimizar la adaptabilidad ante cambios bruscos en el proceso.
3) Aplicar la metodología DCPM a la búsqueda de adiciones y estrategias

con menor huella de carbono.
4) Aplicar la metodología DCPM —que se ha centrado en la fase de

cálculo de la carga— en las etapas subsiguientes del proceso BOF:
cálculo estático y cálculo dinámico.
6. Referencias
1. M. Schober, The story of the Linz-Donawitz process. “A development which has changed
the world” Voestalpine AG, 2013, p. 44.
2. Worldsteel Steel statistical yearbook 2018. Worldsteel Association Web.
https://www.worldsteel.org/en/dam/jcr:7aa2a95d-448d-4c56-b62b-b2457f067cd9/SSY19
%2520concise%2520version.pdf. Accessed 26 August 2019.
3. ArcelorMittal Climate Action Report. https://annualreview2018.arcelormittal.com/~/
media/Files/A/Arcelormittal-AR-2018/AM_ClimateActionReport_2018.pdf- Accessed 07
December 2019.
4. Fonollosa A, Mateos P, Calleja J, El proceso siderúrgico; La Toba: Avilés, AS, Spain.
5. Yellishetty M, Mudd GM, Ranjith PG, Tharumarajah A. Environmental life-cycle
comparisons of steel production and recycling: sustainability issues, problems and
prospects. Environ. Sci. Policy 14, 650–663, 2011.
6. Ghosh, A.; Chatterjee, A. Iron making and steelmaking: theory and practice. PHI Learning
Pvt. Ltd.: New Delhi, India, 2008.
7. Geerdes, M.; Toxopeus, H.; van der Vliet, C. Modern blast furnace ironmaking: An
introduction, 1st ed.; Verlag Stahleisen GmbH: Düsseldorf, Germany, 2015.
8. R. J. Fruehan, K. J. Barker, and C. D. Blumenschein, The Making Shaping and Treating of
Steel, Steelmaking and Refining Volume; The AISE Steel Foundation: Pittsburgh, PA, USA,
1998.
9. Williams, R.V. Control of oxygen steelmaking. In Control and analysis in iron and steelmaking,
1st ed.; Butterworth Scientific Ltd.: London, United Kingdom, 1983; pp. 147-176.
10. Niedringhaus, J. C.; Blattner, J. L.; Engel, R. Armco's Experimental 184 Mile Hot Metal
Shipment. In Proceedings of the 47th Ironmaking Conference, Toronto, Canada, April 17-20
1988; pp. 3-7.
11. A. McLean, “The science and technology of steelmaking—Measurements, models, and
manufacturing,” Metallurgical and Materials Transactions B, vol. 37, no. 3, pp. 319–332,
2006.
12. Rosen, R. Life itself: a comprehensive inquiry into the nature, origin, and fabrication of life;
Columbia University Press: New York, NY, USA, 1991.
13. T. Suess, H. Trenkler, H. Hauttmann, and R. Rinesch, “Method of carrying out melting
processes,” U.S. Patent 28006311957.
14. R. I. Guthrie, “A review of fluid flows in liquid metal processing and casting operations,”
ISIJ international, vol. 49, no. 10, pp. 1453–1467, 2009.
15. C. Manning and R. Fruehan, “Emerging technologies for iron and steelmaking,” Jom, vol.
53, no. 10, pp. 36–43, 2001.
16. T. Iwamura, “Breakthrough Control Technologies in the Japanese Steel Industry,” SICE
Journal of Control, Measurement, and System Integration, vol. 1, no. 5, pp. 352–361, 2008.
17. J. Gonzalez and M. A. Barron, “Carbon estimation of steel in a BOF with noise attenuation,”
in 15th Triennial World Congress, 2002, p. 1167.
18. H. Liu, B. Wang, and X. Xiong, “Basic oxygen furnace steelmaking end-point prediction
based on computer vision and general regression neural network,” Optik-International
Journal for Light and Electron Optics, vol. 125, no. 18, pp. 5241–5248, 2014.
19. G. Blondey, G. Didry, C. Dubois, J. Grumbach, R. Schutz, C. Grisvard, and J. Huber,
“Pratique du direct tapping aux convertisseurs LWS de l’acierie de Sollac Lorraine,” Revue
de metallurgie(Paris), vol. 99, no. 4, pp. 317–323, 2002.
142 Referencias
20. E. Fritz and H. Grabner, “A system for slag separation, slag coating and automatic tapping
of the BOS converter,” Steel Times, vol. 222, no. 4, p. 143, 1994.
21. L. Hooey, J. Riesbeck, J.-O. Wikström, and B. Björkman, “Role of Ferrous Raw Materials in
the Energy Efficiency of Integrated Steelmaking,” ISIJ international, vol. 54, no. 3, pp. 596–
604, 2014.
22. A. Dahlin, J. Eriksson, A. Tilliander, and P. G. Jönsson, “Influence of ladle slag additions on
BOF process under production conditions,” Ironmaking & Steelmaking, vol. 39, no. 5, pp.
318–326, 2012.
23. C. Ryman and M. Larsson, “Reduction of CO2 emissions from integrated steelmaking by
optimised scrap strategies: Application of process integration models on the BF-BOF
system,” ISIJ international, vol. 46, no. 12, pp. 1752–1758, 2006.
24. J. Stubbles, “An Alternative View of Climate Change for Steelmakers,” Iron & steel
technology, vol. 5, no. 7, pp. 87–98, 2008.
25. R. Ares, W. Balante, R. Donayo, A. Gómez, and J. Perez, “Getting more steel from less hot
metal at Ternium Siderar steel plant,” Revue de Métallurgie, vol. 107, no. 7–8, pp. 303–308,
2010.
26. S. D. Kumar, G. Prasad, P. Ghorui, and M. Ranjan, “Coolant strategies for BOF steelmaking,”
Ironmaking & Steelmaking, vol. 35, no. 7, pp. 539–544, 2008.
27. S. Prakash, K. Mukherjee, S. Singh, and S. Mehrotra, “Simulation of energy dynamics of
electric furnace steelmaking using DRI,” Ironmaking & steelmaking, vol. 34, no. 1, pp. 61–
70, 2007.
28. T. Benoit, R. Comparini, M. Coste, C. Calvo, R. Cadet, and J.-C. Huber, “Slag splashing at
the Fos steelplant: new converters scheduling and results,” Revue de Métallurgie, vol. 102,
no. 04, pp. 323–328, 2005.
29. M. M. Costa, R. Schaeffer, and E. Worrell, “Exergy accounting of energy and materials flows
in steel production systems,” Energy, vol. 26, no. 4, pp. 363–384, 2001.
30. M. Barati, “Energy intensity and greenhouse gases footprint of metallurgical processes: A
continuous steelmaking case study,” Energy, vol. 35, no. 9, pp. 3731–3737, 2010.
31. W. Sun, J. Cai, and Z. Ye, “Advances in energy conservation of China steel industry,” The
Scientific World Journal, vol. 2013, pp. 1–8, 2013.
32. Y. Sakamoto, Y. Tonooka, and Y. Yanagisawa, “Estimation of energy consumption for each
process in the Japanese steel industry: a process analysis,” Energy conversion and
management, vol. 40, no. 11, pp. 1129–1140, 1999.
33. E. Worrell, L. Price, and N. Martin, “Energy efficiency and carbon dioxide emissions
reduction opportunities in the US iron and steel sector,” Energy, vol. 26, no. 5, pp. 513–536,
2001.
34. C. Samajdar, “Reduction in Specific Energy Consumption in Steel Industry–with special
reference to Indian steel industry,” Energy and Environmental Engineering Journal, vol. 1,
no. 3, pp. 104–107, 2012.
35. J. Dahl, M. Larsson, and C.-E. Grip, “Process integration in the steel industry,” in 2nd
International Conference on New Developments in Metallurgical Process Technology, 2004.
36. C.-E. Grip, J. Dahl, and M. Söderström, “Exergy as a means for process integration in
integrated steel plants and process industries,” stahl und eisen, vol. 129, no. 9, pp. 2–8, 2009.
37. C.-E. Grip, M. Larsson, S. Harvey, and L. Nilsson, “Process integration. Tests and
application of different tools on an integrated steelmaking site,” Applied Thermal
Engineering, vol. 53, no. 2, pp. 366–372, 2013.
38. M. Larsson and J. Dahl, “Reduction of the specific energy use in an integrated steel plant-
the effect of an optimisation model,” ISIJ international, vol. 43, no. 10, pp. 1664–1673, 2003.
39. M. Larsson, C. Wang, and J. Dahl, “Development of a method for analysing energy,
environmental and economic efficiency for an integrated steel plant,” Applied Thermal
Engineering, vol. 26, no. 13, pp. 1353–1361, 2006.
Referencias 143
40. M. H. Tari, M. Larsson, M. Soderstrom, and J. Dahl, “Improvement of Energy Usage and
Environmental Impacts in a Steel Plant,” in STEELMAKING CONFERENCE
PROCEEDINGS, 2002, vol. 85, pp. 669–686.
41. J.-C. Huber, B. Aubry, M. Delassus, F. Vanelle, T. Coffre, and J.-P. Radot, “Dynamic thermal
characterization of BOF: a tool for energy optimization,” Revue de Métallurgie, vol. 104, no.
11, pp. 534–539, 2007.
42. J.-C. Huber, J. Lehmann, and R. Cadet, “Comprehensive dynamic model for BOF process: a
glimpse into thermal efficiency mechanisms,” Revue de Métallurgie, vol. 105, no. 03, pp.
121–126, 2008.
43. A. Zimmer, Á. N. C. Lima, R. M. Trommer, S. R. Bragança, and C. P. Bergmann, “Heat
transfer in steelmaking ladle,” Journal of Iron and Steel Research, International, vol. 15, no.
3, pp. 11–60, 2008.
44. I. Shukla, G. Rajesh, P. Agarwal, A. K. Shukla, and D. Philip, “Lean Operations Strategy to
Combat Uncertainties in Temperture at BOF End Point, Tapping, Deoxidation, Alloy
Addition and Thermal History,” in Celebrating the Megascale: Proceedings of the Extraction
and Processing Division Symposium on Pyrometallurgy in Honor of David GC Robertson,
2014, pp. 333–339.
45. A. Tripathi, J. K. Saha, J. B. Singh, and S. K. Ajmani, “Numerical simulation of heat transfer
phenomenon in steel making ladle,” ISIJ international, vol. 52, no. 9, pp. 1591–1600, 2012.
46. Mazumdar, D.; Evans, J.W. Elements of mathematical modeling. In Modeling of
steelmaking processes, 1st ed.; CRC Press: Boca Raton, Florida, USA, 2010; pp. 139–173.
47. A. K. Shukla and B. Deo, “Coupled heat and mass transfer approach to simulate the scrap
dissolution in steelmaking process”, in International Symposium for Research Scholars on
Metallurgy, Materials Science & Engineering, 2006.
48. G. Sethi, A. Shukla, P. Das, P. Chandra, and B. Deo, “Theoretical aspects of scrap dissolution
in oxygen steelmaking converters,” in AISTECH-CONFERENCE PROCEEDINGS-, 2004,
vol. 2, p. 915.
49. H.-J. Odenthal, U. Falkenreck, and J. Schlüter, “CFD simulation of multiphase melt flows in
steelmaking converters,” in ECCOMAS CFD 2006: Proceedings of the European Conference
on Computational Fluid Dynamics, Egmond aan Zee, The Netherlands, September 5-8, 2006,
2006.
50. K. Chattopadhyay, M. Isac, and R. Guthrie, “Applications of Computational Fluid
Dynamics (CFD) in iron-and steelmaking: Part 2,” Ironmaking & Steelmaking, vol. 37, no.
8, pp. 562–569, 2010.
51. C. HE, Z. Rong, D. Kai, Y. QIU, and K. SUN, “Modeling of an Impinging Oxygen Jet on
Molten Bath Surface in 150 t EAF,” Journal of Iron and Steel Research, International, vol. 18,
no. 9, pp. 13–20, 2011.
52. S. Ajmani and A. Chatterjee, “Cold model studies of mixing and mass transfer in
steelmaking vessels,” Ironmaking & steelmaking, vol. 32, no. 6, pp. 515–527, 2005.
53. B. T. Maia, R. A. Faustino, G. Abreu, B. Costa, and R. P. Tavares, “Effect of Blow Parameters
in the Mixing Time Using Physical Model of BOF Converter,” in AISTech Conference
Proceedings, 2013.
54. M. Ersson, L. Höglund, A. Tilliander, L. Jonsson, and P. Jönsson, “Dynamic coupling of
computational fluid dynamics and thermodynamics software: applied on a top blown
converter,” ISIJ international, vol. 48, no. 2, pp. 147–153, 2008.
55. H. Jalkanen, “Experiences in physicochemical modelling of oxygen converter
process(BOF).,” in Sohn International Symposium; Advanced Processing of Metals and
Materials Volume 2: Thermo and Physicochemical Principles: Iron and Steel Making, 2006,
vol. 2, pp. 541–554.
56. M. A. Barron, D. Y. Medina, and I. Hilerio, “Numerical Simulation of Decarburization in a
Top-Blown Basic Oxygen Furnace,” Modeling and Numerical Simulation of Material
Science, vol. 2014, 2014.
144 Referencias
57. M. Martin, C. Blanco, M. Rendueles, and M. Diaz, “Gas-liquid mass-transfer coefficients in

steel converters,” Industrial & engineering chemistry research, vol. 42, no. 4, pp. 911–919,
2003.
58. J. Francken, D. Maquin, J. Ragot, and B. Bele, “Robust data reconciliation for the
determination of the control system set-points of a basic oxygen furnace,” in Workshop on
Automation in Mining, Mineral and Metal Industry, IFAC-MMM-2009, 2009, p. CDROM.
59. H. Gutte, T. Schulz, G. Neuhof, and D. Janke, “Process control in the oxygen steel
production,” Acta Metallurgica Sinica (English letters), vol. 13, no. 6, pp. 1101–1112, 2009.
60. J. Valyon and G. Horváth, “A sparse robust model for a Linz–Donawitz steel converter,”
Instrumentation and Measurement, IEEE Transactions on, vol. 58, no. 8, pp. 2611–2617, 2009.
61. G. Sickert and R. Schramm, “Long-time experiences with implementation, tuning and
maintenance of transferable BOF process models,” Revue de Métallurgie, vol. 104, no. 03,
pp. 120–127, 2007.
62. J. Francken, D. Maquin, J. Ragot, and B. Bèle, “Simultaneous data reconciliation and
parameter estimation. Application to a basic oxygen furnace,” in 2nd IFAC International
Conference on Intelligent Control Systems and Signal Processing, ICONS 2009, 2009, p.
CDROM.
63. M. Han and X. Wang, “Case based reasoning for Converter steelmaking dynamic oxygen
volume control,” in Intelligent Control and Information Processing (ICICIP), 2010
International Conference on, 2010, pp. 398–401.
64. M. Han, X. Wang, and Y. Wang, “Applying ICA on neural network to simplify BOF
endpiont predicting model,” in Neural Networks, 2008. IJCNN 2008. (IEEE World Congress
on Computational Intelligence). IEEE International Joint Conference on, 2008, pp. 771–776.
65. J. N. Li, Y. Li, F. Liu, S. P. Bie, C. C. Tang, and X. L. Zhang, “Modeling of BOF Steelmaking
Based on the Data-Driven Approach,” in Advanced Materials Research, 2013, vol. 818, pp.
92–97.
66. X. Wang, M. Han, and J. Wang, “Applying input variables selection technique on input
weighted support vector machine modeling for BOF endpoint prediction,” Engineering
Applications of Artificial Intelligence, vol. 23, no. 6, pp. 1012–1018, 2010.
67. Z. Wang, Q. Liu, F. Xie, B. Wang, B. Wang, X. Lu, and G. Fu, “Model for prediction of oxygen
required in BOF steelmaking,” Ironmaking & Steelmaking, vol. 39, no. 3, pp. 228–233, 2012.
68. T. Okura, I. Ahmad, M. Kano, S. Hasebe, H. Kitada, and N. Murata, “High-performance
prediction of molten steel temperature in tundish through gray-box model,” ISIJ
international, vol. 53, no. 1, pp. 76–80, 2013.
69. C. Bing-yao, Z. Hui, and Y. You-jun, “Research on the BOF steelmaking endpoint
temperature prediction,” in Mechatronic Science, Electric Engineering and Computer
(MEC), 2011 International Conference on, 2011, pp. 2278–2281.
70. S. Chauhan, M. Singh, and V. K. Meena, “Comparative study of BOF Steelmaking Process
based on ANFIS and GRNN Model,” International Journal of Engineering and Innovative
Technology, vol. 2, no. 9, pp. 198–202, 2013.
71. Z. Ma, Q. Zhou, P. Liu, and X. Zhang, “Study on Productive Process Model Basic Oxygen
Furnace Steelmaking Based on RBF Neural Network,” International Journal of Computer
Science Issues (IJCSI), vol. 11, no. 3, p. 70, 2014.
72. M. Sriram, N. Singh, and G. Rajaraman, “Neuro fuzzy modelling of Basic Oxygen Furnace
and its comparison with Neural Network and GRNN models,” in Computational
Intelligence and Computing Research (ICCIC), 2010 IEEE International Conference on, 2010,
pp. 1–8.
73. G. Wang, X. Kong, Z. Zhang, W. Zhao, S. Gao, and X. Xu, “Based on BP network terminal
quality prediction for BOF steelmaking process,” in Control and Decision Conference
(CCDC), 2010 Chinese, 2010, pp. 2663–2667.
74. C. McDonald, P. Koopmans, J. Drugge, J. Vatanen, and M. Luomala, “Consistent basic
oxygen steelmaking performance,” Revue de Métallurgie, vol. 101, no. 04, pp. 275–284, 2004.
Referencias 145
75. L.-F. Sancho, J. Diaz, and I. Alvarez, “Application of conoscopic holography to control the
melt stirring,” Revue de Métallurgie, vol. 103, no. 03, pp. 121–130, 2006.
76. J. F. Bussiere, “Review of progress in quantitative nondestructive evaluation,” vol. 18, D. O.
Thompson and D. E. Chimenti, Eds. Springer US, 1999, pp. 13–27.
77. F. Rodríguez, V. Álvarez, M. Rodríguez, and L. Rodríguez, “Desarrollo de un modelo para
la predicción del espumado de la escoria en un convertidor de acero,” in 12th International
Conference on Project Engineering, 2008.
78. W. Lidwell, K. Holden, and J. Butler, Universal principles of design, revised and updated:
125 ways to enhance usability, influence perception, increase appeal, make better design
decisions, and teach through design. Rockport Pub, 2010.
79. M. J. Eppler, “A comparison between concept maps, mind maps, conceptual diagrams, and
visual metaphors as complementary tools for knowledge construction and sharing,”
Information visualization, vol. 5, no. 3, pp. 202–210, 2006
80. Kudrin VA; Steelmaking; MIR: Moscow, Russia, 1985.
81. Yawata, NS; BOF static and dynamic control models; Nippon Steel: Tokyo, Japan, 1986.
82. NIST Chemistry WebBook. https://webbook.nist.gov. Accessed 10 March 2017.
83. Kelley, KK; Contributions to the data on theoretical metallurgy; US Bureau of mines:
Washington, DC, USA, 1960.
84. ENSIDESA; Curso de formación metalúrgica para jefes de sección; ENSIDESA: Oviedo,
España, 1985.
85. Yawata, NS; BOF static and dynamic control models; Nippon Steel: Tokyo, Japan, 1986.
86. He, F.; He, D.F.; Xu, A.J.; Wang, H.B.; Tian, N.Y. Hybrid model of molten steel temperature
prediction based on ladle heat status and artificial neural network. J. Iron Steel Res. Int. 2014,
21, 181–190.
87. Du, T.; Cai, J.J.; Li, Y.J.; Wang, J.J. Analysis of Hot Metal Temperature Drop and Energy-
Saving Mode on Techno-Interface of BF-BOF Route. Iron Steel 2008, 43, 83–86+91.
88. Liu, S.W.; Yu, J.K.; Yan, Z.G.; Liu, T. Factors and control methods of the heat loss of torpedo-
ladle. J. Mater. Metall. 2010, 9, 159–163.
89. Wu, M.; Zhang, Y.; Yang, S.; Xiang, S.; Liu, T.; Sun, G. Analysis of hot metal temperature
drop in torpedo car. Iron Steel 2002, 37, 12–15.
90. Hyndman, R.J.; Athanasopoulos, G. The forecaster’s toolbox. In Forecasting: principles and
practice, 2nd ed.; OTexts: Melbourne, Australia, 2018; pp. 47-81.
91. Papacharalampous, G.A.; Tyralis, H; Koutsoyiannis, D. Comparison of stochastic and
machine learning methods for multi-step ahead forecasting of hydrological processes. Stoch.
Env. Res. Risk A. 2019, 33(2), 481-514.
92. Box, G.E.; Jenkins, G.M.; Reinsel, G.C.; Ljung, G. M. Model identification. In Time series
analysis: forecasting and control, 5th ed.; John Wiley & Sons, Inc., Hoboken, NJ, USA, 2015;
pp. 179-208.
93. Hyndman, R.J.; Athanasopoulos, G. ARIMA models. In Forecasting: principles and practice,
2nd ed.; OTexts: Melbourne, Australia, 2018; pp. 221-274.
94. Friedman, J. H. Multivariate adaptive regression splines. Ann. Stat. 1991, 19, 1-67.
95. Friedman, J.H.; Roosen, C.B. An Introduction to Multivariate Adaptive Regression Splines.
Stat. Methods Med. Res. 1995, 4, 197–217.
96. Nieto, P., Suárez, V., Antón, J., Bayón, R., Blanco, J., & Fernández, A. (2015). A new
predictive model of centerline segregation in continuous cast steel slabs by using
multivariate adaptive regression splines approach. Materials, 8(6), 3562-3583.
97. Mukhopadhyay, A., & Iqbal, A. (2009). Prediction of mechanical property of steel strips
using multivariate adaptive regression splines. Journal of Applied Statistics, 36(1), 1-9.
98. Yu, W. H., Yao, C. G., & Yi, X. D. (2017). A Predictive Model of Hot Rolling Flow Stress by
Multivariate Adaptive Regression Spline. In Materials Science Forum (Vol. 898, pp. 1148-
1155). Trans Tech Publications Ltd.
146 Referencias
99. Jekabsons, G.; Zhang, Y. Adaptive basis function construction: an approach for adaptive
building of sparse polynomial regression models. In Machine learning, 1st ed.; IntechOpen
Ltd.: London, UK, 2010; pp. 127-156.
100. Smith, P. L. Curve fitting and modeling with splines using statistical variable selection
techniques. Langley Research Center, Hampton, VA, 1982, Report NASA 166034.
101. Jekabsons G. ARESLab: Adaptive Regression Splines toolbox for Matlab/Octave, 2016.
Available online: http://www.cs.rtu.lv/jekabsons/Files/ARESLab.pdf (accessed on 15
November 2019).
102. Hastie, T.; Tibshirani, R.; Friedman J. MARS: Multivariate Adaptive Regression Splines. In
The elements of statistical learning: Data mining, inference and prediction, 2nd ed.;
Springer: New York, NY, USA, 2009; pp. 241-249.
103. Mihalow, F.A. Radiation thermometry in the steel industry. In Theory and practice of
radiation thermometry. 1st ed.; DeWitt, D.P., Nutter, G.D., Eds.; John Wiley & Sons, Inc.,
Hoboken, New Jersey, USA, 1988.
104. Milborrow, M. S. Package ‘earth’ November 9, 2019. Available online: https://cran.r-
project.org/web/ packages/earth/earth.pdf. (accessed on 18 January 2019)
7. Informes de índices de impacto 2018
7.1. Publicación III. Environmental Science and Pollution Research

Díaz J, Fernández F J. The impact of hot metal temperature on CO2 emissions from basic
oxygen converter. Environmental Science and Pollution Research, 2019, 1-10.
Journal name: Environmental Science and Pollution Research
ISSN: 0944-1344
Editorial: Springer, Heidelberg, Germany
Journal Impact Factor: 2.914
Category: Environmental sciences
Rank: 91/251
Quartile: Q2
JIF Percentile: 63.944
7.2. Publicación IV. Energies

Oxygen Furnace (BOF) Converter Using IR Thermometry and Forecasting Techniques.
Energies 2019, 12(17), 3235.
Journal name: Energies
ISSN: 1996-1073
Editorial: MDPI, Basel, Switzerland
Category: Energy and fuels
Rank: 56/103
Quartile: Q3
7.3. Publicación V. Metals

Díaz J, Fernández F J, Prieto M M. Hot Metal Temperature Forecasting at Steel Plant
Using Multivariate Adaptive Regression Splines. Metals 2020, 10(1), 41.
Journal name: Metals
ISSN: 2075-4701
Editorial: MDPI, Basel, Switzerland
Category: Metallurgy and metallurgical engineering
Rank: 18/76
Quartile: Q1
8. Anexos
8.1. Resolución del sistema de ecuaciones del balance de masa BOF

La aplicación del balance de masa en el convertidor condujo a las Ecuaciones (S1-S16)
que forman un sistema no lineal. Por sustitución, se puede obtener un sistema de cuatro
ecuaciones con cuatro incógnitas; para ello se expresan tanto el balance global como las
𝑂
masas del balance global (𝑚𝑠𝑙 , 𝑚𝑂𝐺 , 𝑚𝑖𝑛 y 𝑚𝑠𝑡 ) en función de estas únicas cuatro
incógnitas y del resto de datos conocidos.
8.1.1. Balance global
Reordenando la Ecuación (S1), se obtiene
𝑂
𝑚𝑠𝑡 + 𝑚𝑠𝑙 + 𝑚𝑂𝐺 − 𝑚𝑖𝑛 = ∑ (1 − 𝑥𝑖𝑂 )𝑚𝑖
(A1)
8.1.2. Masa de escoria
Partiendo de la Ecuación (S13), se puede expresar
𝐹𝑒 𝑂 𝑗
𝑚𝑠𝑙 = 𝑚𝑠𝑙 𝑥𝑠𝑙 + 𝑥𝑠𝑙 + ∑ 𝑥𝑠𝑙 (A2)
𝑗∈𝑠𝑙
𝑗≠𝑂
( 𝑗≠𝐹𝑒 )
𝐹𝑒 𝑂
donde se han indicado 𝑥𝑠𝑙 y 𝑥𝑠𝑙 de forma separada, como el primero es conocido y
el segundo puede expresarse en función del resto de componentes de acuerdo con la
Ecuación (S15), se tiene
𝐹𝑒 𝑆𝑖
32 𝑀𝑛
16 𝑃
80 𝐹𝑒 𝑗
𝑚𝑠𝑙 = 𝑚𝑠𝑙 𝑥𝑠𝑙 + (𝑥𝑠𝑙 + 𝑥𝑠𝑙 + 𝑥𝑠𝑙 + 𝑥𝑠𝑙 𝑘𝐹𝑒 ) + ∑ 𝑥𝑠𝑙 (A3)
28 55 62
𝑗∈𝑠𝑙
𝑗≠𝑂
( 𝑗≠𝐹𝑒 )
que de forma reordenada equivale a
𝐹𝑒 (1 𝑗
𝑚𝑠𝑙 = 𝑚𝑠𝑙 𝑥𝑠𝑙 + 𝑘𝐹𝑒 ) + ∑ 𝑚𝑠𝑙 𝑥𝑠𝑙 (1 + 𝑘𝑗 )
𝑗∈𝑠𝑙 (A4)
𝑗≠𝑂
𝑗≠𝐹𝑒
Sustituyendo las Ecuaciones (S5-S10) en la expresión anterior se obtiene
𝐹𝑒 (1 𝑗 𝑗
𝑚𝑠𝑙 = 𝑚𝑠𝑙 𝑥𝑠𝑙 + 𝑘𝐹𝑒 ) + ∑ (𝑚𝑖𝑛 −𝑚𝑠𝑡 𝑥𝑠𝑡 )(1 + 𝑘𝑗 )
𝑗≠𝑂
𝑗≠𝐹𝑒
150 Anexos
y, reordenando de nuevo, se llega a
𝑗 𝐹𝑒 (1 𝑗
∑ 𝑥𝑠𝑡 (1 + 𝑘𝑗 ) 𝑚𝑠𝑡 + (1 − 𝑥𝑠𝑙 + 𝑘𝐹𝑒 )) 𝑚𝑠𝑙 = ∑ 𝑚𝑖𝑛 (1 + 𝑘𝑗 ) (A6)
𝑗∈𝑠𝑙 𝑗∈𝑠𝑙
𝑗≠𝑂 𝑗≠𝑂
(𝑗≠𝐹𝑒 ) 𝑗≠𝐹𝑒
Esta ecuación tiene como únicas incógnitas 𝑚𝑠𝑡 y 𝑚𝑠𝑙 y en ella se han condensado 9
de las 16 ecuaciones iniciales del sistema: Ecuaciones (S5-S10, S13, S15).
8.1.3. Masa de gas de escape
De forma análoga, partiendo de la Ecuación (S14) se puede expresar
𝐶 𝑂 𝑁
𝐴𝑟
𝑚𝑂𝐺 = 𝑚𝑂𝐺 (𝑥𝑂𝐺 + 𝑥𝑂𝐺 + 𝑥𝑂𝐺2 + 𝑥𝑂𝐺 ) (A7)
𝑂
y sustituyendo 𝑥𝑂𝐺 por la Ecuación (S16), se obtiene
𝐶
16 𝑁 𝐴𝑟
𝑚𝑂𝐺 = 𝑚𝑂𝐺 (𝑥𝑂𝐺 (1 + (1 + 𝑘𝑃𝐶 ) ) + 𝑥𝑂𝐺2 + 𝑥𝑂𝐺 ) (A8)
12
Finalmente, sustituyendo también las Ecuaciones (S3, S11, S12) se obtiene
𝐶 𝐶
16 𝑁 𝐴𝑟
𝑚𝑂𝐺 = (𝑚𝑖𝑛 − 𝑚𝑠𝑡 𝑥𝑠𝑡 ) (1 + (1 + 𝑘𝑃𝐶 ) ) + 𝑚𝑖𝑛2 + 𝑚𝑖𝑛 (A9)
12
que reordenada da lugar a
𝐶
16
𝑥𝑠𝑡 (1 + (1 + 𝑘𝑃𝐶 ) ) 𝑚 + 𝑚𝑂𝐺
12 𝑠𝑡
16 (A10)
𝐶 𝑁 𝐴𝑟
= 𝑚𝑖𝑛 (1 + (1 + 𝑘𝑃𝐶 ) · ) + 𝑚𝑖𝑛2 + 𝑚𝑖𝑛
12
Esta ecuación tiene como incógnitas 𝑚𝑂𝐺 y 𝑚𝑠𝑡 y en ella se han condensado otras 5
de las 17 ecuaciones del sistema inicial: Ecuaciones (S3, S11, S12, S14, S16).
8.1.4. Masa de oxígeno a aportar
Se comienza por sustituir las Ecuaciones (S15, S16) en la Ecuación (S4), lo que da lugar
a
𝑂 𝑂 𝐹𝑒 𝑗 𝐶
16
𝑚𝑖𝑛 = 𝑚𝑠𝑡 𝑥𝑠𝑡 + 𝑚𝑠𝑙 𝑥𝑠𝑙 𝑘𝐹𝑒 + ∑ 𝑚𝑠𝑙 𝑘𝑗 + [𝑚𝑂𝐺 (1 + 𝑘𝑃𝐶 ) ] (A11)
12
𝑗∈𝑠𝑙
𝑗≠𝑂
[ 𝑗≠𝐹𝑒 ]
𝑗 𝐶
A continuación se sustituye 𝑚𝑠𝑙 por las Ecuaciones (S5-S10) y 𝑚𝑂𝐺 por la Ecuación
(S3). Tras reordenar se obtiene
Anexos 151
𝑂 𝑂 𝐹𝑒
𝑚𝑖𝑛 = 𝑚𝑠𝑡 𝑥𝑠𝑡 + 𝑚𝑠𝑙 𝑥𝑠𝑙 𝑘𝐹𝑒
𝑗 𝐶 𝑗 𝐶
16
+ ∑ (𝑚𝑖𝑛 −𝑚𝑠𝑡 𝑥𝑠𝑡 ) 𝑘𝑗 + (𝑚𝑖𝑛 −𝑚𝑠𝑡 𝑥𝑠𝑡 )(1 + 𝑘𝑃𝐶 )
12 (A12)
𝑗∈𝑠𝑙
𝑗≠𝑂
𝑗≠𝐹𝑒
que da lugar a
𝑗 𝐶 (1
16 𝑂 𝐹𝑒 𝑂
∑ 𝑥𝑠𝑡 𝑘𝑗 + 𝑥𝑠𝑡 + 𝑘𝑃𝐶 ) −𝑥𝑠𝑡 𝑚𝑠𝑡 − 𝑥𝑠𝑙 𝑘𝐹𝑒 𝑚𝑠𝑙 + 𝑚𝑖𝑛
12
𝑗∈𝑠𝑙
𝑗≠𝑂
(𝑗≠𝐹𝑒 ) (A13)
𝑗 𝐶 (1
16
= ∑ 𝑚𝑖𝑛 𝑘𝑗 + 𝑚𝑖𝑛 + 𝑘𝑃𝐶 )
12
𝑗∈𝑠𝑙
𝑗≠𝑂
𝑗≠𝐹𝑒
Esta expresión sustituye a la Ecuación (S4) y tiene como únicas incógnitas 𝑚𝑠𝑡 , 𝑚𝑠𝑙 y
𝑂
𝑚𝑖𝑛 .
8.1.5. Expresión explícita de las incógnitas
Las Ecuaciones (A1, A6, A10, A13) constituyen un sistema de cuatro ecuaciones con
cuatro incógnitas que se puede expresar matricialmente de la siguiente forma:
1 1 1 −1 𝑚𝑠𝑡 𝑏1
𝑎 𝑎22 0 0 𝑚 𝑠𝑙 𝑏
[ 21 ] · [ 𝑚𝑂𝐺 ] = [ 2 ] (A14)
𝑎31 0 1 0 𝑏3
𝑂
𝑎41 𝑎42 0 1 𝑚𝑖𝑛 𝑏4
donde
𝑗
𝑎21 = ∑ 𝑥𝑠𝑡 (1 + 𝑘𝑗 )
𝑗≠𝑂
𝑗≠𝐹𝑒
𝐹𝑒 (1
𝑎22 = 1 − 𝑥𝑠𝑙 + 𝑘𝐹𝑒 ) (A16)
𝐶
16
𝑎31 = 𝑥𝑠𝑡 (1 + (1 + 𝑘𝑃𝐶 ) · ) (A17)
12
𝑗 𝐶 (1
16 𝑂
𝑎41 = ∑ 𝑥𝑠𝑡 𝑘𝑗 + 𝑥𝑠𝑡 + 𝑘𝑃𝐶 ) −𝑥𝑠𝑡
12
𝑗≠𝑂
𝑗≠𝐹𝑒
𝐹𝑒
𝑎42 = − 𝑥𝑠𝑙 𝑘𝐹𝑒 (A19)
𝑏1 = ∑ 𝑚𝑖
𝑖∈𝑖𝑛𝑝𝑢𝑡 (A20)
𝑖≠𝑂2
𝑗
𝑏2 = ∑ 𝑚𝑖𝑛 (1 + 𝑘𝑗 )
𝑗≠𝑂
𝑗≠𝐹𝑒
152 Anexos
𝐶 16 𝑁 𝐴𝑟
𝑏3 = 𝑚𝑖𝑛 (1 + (1 + 𝑘𝑃𝐶 ) · ) + 𝑚𝑖𝑛2 + 𝑚𝑖𝑛 (A22)
12
𝑗
𝐶 16
𝑏4 = ∑ 𝑚𝑖𝑛 𝑘𝑗 + 𝑚𝑖𝑛 (1 + 𝑘𝑃𝐶 )
12
𝑗≠𝑂
𝑗≠𝐹𝑒
El sistema indicado en la Ecuación (A14) se puede simplificar más si se despeja 𝑚𝑠𝑙 ,

𝑂
𝑚𝑂𝐺 y 𝑚𝑖𝑛 , en las Ecuaciones (A6, A10, A13) respectivamente. Esto equivale a
expresar las masas de escoria, gas de escape y oxígeno aportado en función de la masa
de acero obtenido 𝑚𝑠𝑡 como única incógnita18.
1 𝑗
𝑚𝑠𝑙 = 𝐹𝑒 (1 ∑ 𝑚𝑖𝑛 (1 + 𝑘𝑗 )
1− 𝑥𝑠𝑙 + 𝑘𝐹𝑒 )
𝑗∈𝑠𝑙
𝑗≠𝑂
𝑗≠𝐹𝑒
1 (A24)
𝑗
− 𝑚𝑠𝑡 𝐹𝑒 (1 ∑ 𝑥𝑠𝑡 (1 + 𝑘𝑗 )
1 − 𝑥𝑠𝑙 + 𝑘𝐹𝑒 )
𝑗∈𝑠𝑙
𝑗≠𝑂
𝑗≠𝐹𝑒
𝑁 𝐴𝑟 𝐶 16 𝐶
16
𝑚𝑂𝐺 = 𝑚𝑖𝑛2 + 𝑚𝑖𝑛 + 𝑚𝑖𝑛 (1 + (1 + 𝑘𝑃𝐶 ) ) − 𝑚𝑠𝑡 𝑥𝑠𝑡 (1 + (1 + 𝑘𝑃𝐶 ) ) (A25)
12 12
𝐹𝑒
𝑂 𝑗 𝑥𝑠𝑙 𝑘𝐹𝑒 𝑗
𝐶 (1
16
𝑚𝑖𝑛 = ∑ 𝑚𝑖𝑛 𝐹𝑒 (1 (1 + 𝑘𝑗 ) + ∑ 𝑚𝑖𝑛 𝑘𝑗 + 𝑚𝑖𝑛 + 𝑘𝑃𝐶 )
1− 𝑥𝑠𝑙 + 𝑘𝐹𝑒 ) 12
𝐹𝑒
𝑂 𝑗 𝑥𝑠𝑙 𝑘𝐹𝑒 𝑗
+ 𝑚𝑠𝑡 𝑥𝑠𝑡 − ∑ 𝑥𝑠𝑡 𝐹𝑒 (1 (1 + 𝑘𝑗 ) − ∑ 𝑥𝑠𝑡 𝑘𝑗
1− 𝑥𝑠𝑙 + 𝑘𝐹𝑒 )
( 𝑗≠𝐹𝑒 𝑗≠𝐹𝑒
(A26)
𝐶 (1
16
− 𝑥𝑠𝑡 + 𝑘𝑃𝐶 )
12
La sustitución de las tres expresiones anteriores en el balance de masa global, Ecuación

(A1) permite despejar 𝑚𝑠𝑡 como función exclusiva de datos conocidos tal como se
muestra en la Ecuación (A27). El sistema queda así resuelto, bastando con sustituir el
valor obtenido de 𝑚𝑠𝑡 en las Ecuaciones (A24-A26) para obtener el valor de 𝑚𝑠𝑙 , 𝑚𝑂𝐺
𝑂
y 𝑚𝑖𝑛 , respectivamente tal como se muestra en las Ecuaciones (A28-A30).
Posteriormente, por sustitución sucesiva, se obtienen las 13 incógnitas restantes, tal
como se muestra en las Ecuaciones (A28-A30), así como cualquier otra variable de
interés.
18
Este enfoque enlaza con la conveniencia de expresar las magnitudes por unidad de masa de producto. Es
práctica común en la siderurgia referenciar las cantidades a tonelada de acero líquido.
Anexos 153
𝑚𝑠𝑡
𝐹𝑒
𝑁2 1 − 𝑥𝑠𝑙 𝑘𝐹𝑒
∑𝑖∈𝑖𝑛𝑝𝑢𝑡 𝑚𝑖 − 𝑚𝑖𝑛 𝐴𝑟
− 𝑚𝑖𝑛 𝐶
− 𝑚𝑖𝑛 − 𝐹𝑒 (1 ∑ 𝑗∈𝑠𝑙 𝑚 𝑗 (1 + 𝑘𝑗 ) + ∑ 𝑗∈𝑠𝑙 𝑚𝑖𝑛
𝑗
𝑘𝑗
𝑖≠𝑂2 1 − 𝑥𝑠𝑙 + 𝑘𝐹𝑒 ) 𝑗≠𝑂 𝑖𝑛 𝑗≠𝑂
𝑗≠𝐹𝑒 𝑗≠𝐹𝑒 (A27)
= 𝐹𝑒
𝑂 𝐶 1 − 𝑥 𝑘
𝑠𝑙 𝐹𝑒 𝑗 𝑗
1−𝑥𝑠𝑡 − 𝑥𝑠𝑡 − ∑ 𝑥𝑠𝑡 (1 + 𝑘𝑗 ) + ∑ 𝑗∈𝑠𝑙 𝑥𝑠𝑡 𝑘𝑗
𝐹𝑒
1 − 𝑥𝑠𝑙 (1 + 𝑘𝐹𝑒 ) 𝑗∈𝑠𝑙
1 𝑗 𝑗
𝑚𝑠𝑙 = 𝐹𝑒 ∑ (𝑚𝑖𝑛 − 𝑚𝑠𝑡 𝑥𝑠𝑡 )(1 + 𝑘𝑗 )
1 − 𝑥𝑠𝑙 (1 + 𝑘𝐹𝑒 )
𝑗≠𝑂
𝑗≠𝐹𝑒
𝑁 𝐴𝑟 𝐶 𝐶
16
𝑚𝑂𝐺 = 𝑚𝑖𝑛2 + 𝑚𝑖𝑛 + (𝑚𝑖𝑛 − 𝑚𝑠𝑡 𝑥𝑠𝑡 ) (1 + (1 + 𝑘𝑃𝐶 ) ) (A29)
12
𝑂 𝑂 𝐹𝑒 𝑗 𝑗 𝐶 𝐶
16
𝑚𝑖𝑛 = 𝑚𝑠𝑡 𝑥𝑠𝑡 + 𝑚𝑠𝑙 𝑥𝑠𝑙 𝑘𝐹𝑒 + ∑ (𝑚𝑖𝑛 − 𝑚𝑠𝑡 𝑥𝑠𝑡 ) 𝑘𝑗 + (𝑚𝑖𝑛 − 𝑚𝑠𝑡 𝑥𝑠𝑡 )(1 + 𝑘𝑃𝐶 )
12
𝑗≠𝑂
𝑗≠𝐹𝑒
𝑂
𝑚𝑂2 = 𝑚𝑖𝑛 − ∑ 𝑥𝑂𝑖 𝑚𝑖
(A31)
𝐹𝑒 𝐹𝑒
𝐹𝑒
𝑚𝑖𝑛 − 𝑚𝑠𝑙 𝑥𝑠𝑙
𝑥𝑠𝑡 = (A32)
𝑚𝑠𝑡
𝐶 𝐶
𝐶
𝑥𝑂𝐺 = (A33)
𝑚𝑂𝐺
𝑂 𝑂 𝑂
𝑂
𝑚 𝑖𝑛 − 𝑚 𝑠𝑡 𝑥𝑠𝑡 − 𝑚𝑂𝐺 𝑥𝑂𝐺
𝑥𝑠𝑙 = (A34)
𝑚𝑠𝑙
𝐴𝑟 𝑁
𝑂
𝑚𝑖𝑛 + 𝑚𝑖𝑛2 𝐶
𝑥𝑂𝐺 = 1− − 𝑥𝑂𝐺 (A35)
𝑚𝑂𝐺
𝑁
𝑁 𝑚 2
𝑥𝑂𝐺2 = 𝑖𝑛 (A36)
𝑚𝑂𝐺
𝐴𝑟
𝐴𝑟
𝑚𝑖𝑛
𝑥𝑂𝐺 = (A37)
𝑚𝑂𝐺
𝑥𝑠𝑙𝐴𝑂𝑥 = 𝑥𝑠𝑙𝐴 (1 + 𝑘𝐴 )
(A38)
𝐶𝑂 𝐶 (1
28
𝑥𝑂𝐺 = 𝑥𝑂𝐺 − 𝑘𝑃𝐶 ) (A39)
12
𝐶𝑂 𝐶
44
𝑥𝑂𝐺2 = 𝑥𝑂𝐺 𝑘𝑃𝐶 (A40)
12

Diaz PHD PDF

Cargado por

Copyright:

Formatos disponibles

Diaz PHD PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diaz PHD PDF

Cargado por

Copyright:

Formatos disponibles

Tesis Doctoral

Predicción de la temperatura del arrabio en la

José Díaz Trapiella

Esta investigación se centra en el convertidor básico de oxígeno, donde el arrabio

En primer lugar, se desarrolla un modelo térmico del convertidor básico de oxígeno,

Seguidamente, se investigan tres líneas de mejora de la previsión de la temperatura del

A pesar de la escasez de datos de proceso relevantes y de las incertidumbres asociadas,

En esta investigación se ha aplicado con éxito el desarrollo conjunto de procesos y

Esta tesis supone la concreción y formalización académica de parte de la experiencia

Esta tesis también es tributaria de una valiosa y prolongada estancia en el Centro de

Este trabajo también constituye una recapitulación de 22 años de colaboración en el

José Díaz Trapiella

Gijón, 27 de diciembre de 2019

La tesis doctoral puede presentarse como un compendio de publicaciones del

esta tesis doctoral se presenta como un compendio de las siguientes publicaciones:

Díaz J, Fernández F J, González A. Prediction of hot metal temperature in a BOF

Díaz J, Fernández F J, Suárez I. Hot Metal Temperature Prediction at Basic-Lined

Díaz J, Fernández F J, Prieto M M (2019). Hot Metal Temperature Forecasting at Steel

1.1. Contexto tecnológico 13

1.2. Contexto metodológico 18

1.3. Objetivos de la investigación 23

1.4. Estructura de la tesis 25

2.1. Modelo térmico del convertidor BOF 27

2.2. Modelos para la interfase BF-BOF 40

3.1. Validación del modelo térmico BOF 47

3.2. Aplicación del modelo térmico BOF: emisiones de CO 2 49

3.3. Medición de la temperatura del arrabio 73

3.4. Predicción de la temperatura del arrabio 75

7. INFORMES DE ÍNDICES DE IMPACTO 2018 147

7.1. Publicación III. Environmental Science and Pollution Research 147

7.2. Publicación IV. Energies 147

7.3. Publicación V. Metals 147

1.1. Contexto tecnológico

El acero es un material que ha jugado un papel clave en el progreso de la humanidad,

A día de hoy, el acero se enfrenta a nuevos retos de productividad, calidad, y

1.1.1. El proceso siderúrgico integral

Tal como se representa esquemáticamente en la Figura 1, existen dos rutas principales

a) En el proceso siderúrgico integral se parte de mineral de hierro, carbón

b) En el proceso siderúrgico secundario, se parte principalmente de

A primera vista, la producción de acero mediante horno eléctrico parece la mejor

Sin embargo, la realidad se muestra totalmente opuesta a esta intuición ya que en la

 Calidad: el acero de horno eléctrico (EAF) contiene más gases disueltos

 Cantidad: actualmente la necesidad mundial de acero no puede ser

En conclusión, el proceso siderúrgico integral es necesario, pero urge minimizar la

1.1.2. El convertidor básico de oxígeno

El convertidor básico de oxígeno (BOF) es un reactor en el que el arrabio procedente del

El arrabio es hierro líquido con un contenido en carbono del 4-5 % y cantidades

La proporción empleada de arrabio y chatarra suele variar dependiendo de factores

Figura 2. Representación esquemática del proceso BOF con indicación de los

1.1.3. La interfase entre horno alto y acería

Mientras que la composición del arrabio permanece prácticamente inalterada desde el

esta complejidad, y por lo que respecta al ámbito de esta investigación, el proceso

Posteriormente, un transporte ferroviario lleva los torpedos hasta la acería, recorriendo

La temperatura exacta del arrabio se determina posteriormente, inmediatamente antes

Los torpedos y cucharas vacíos se limpian y quedan a la espera de realizar un nuevo

Figura 3. Diagrama de flujo simplificado de la interfase entre el horno alto (BF) y la

Aunque el control de la temperatura del arrabio en la interfase BF-BOF es siempre

1.2. Contexto metodológico

En la búsqueda bibliográfica realizada a lo largo de la investigación, se vio que, si bien