ABSTRACT Brazilian steel industries require high-quality charcoal to produce pig iron. Desirable charcoal attributes include high elemental carbon content, large mean particle size (MPS), and high density, while producing low contents of ash and volatile matter, and presenting low contents of water and contaminants (e.g., phosphorous). These attributes are commonly determined by standardized laboratory analyses, which are time consuming and costly, besides generating chemical effluents. Portable X-ray fluorescence (pXRF) spectrometry can be used to avoid the downsides of laboratory analyses. The objective of this study was to evaluate the use of pXRF data in machine-learning models trained to predict attributes of eucalypt charcoal. pXRF data (elemental contents) from 276 charcoal samples were used to train predictive models using six machine-learning algorithms. Auxiliary explanatory variables (drying time, wood age, fine particle content, and friability) were included in the models. Models were trained to predict the following charcoal attributes: fixed C (%), ash content (%), volatile matter (%), MPS (mm), water content (%), density (kg/m3), and P contents (%). Satisfactory predictions were obtained for volatile matter, MPS, moisture, and density (R2 > 0.6), and very accurate predictions were obtained for ash and P contents (R2 > 0.75). The inclusion of auxiliary explanatory variables increased the prediction accuracy of MPS (R2 increased from 0.61 to 0.82), bulk density (from 0.56 to 0.73), and P contents (from 0.86 to 0.94). These results indicate that pXRF can be used as an ecofriendly alternative to assess the quality of eucalypt charcoal utilized in metallurgy.
RESUMO Indústrias metalúrgicas exigem carvão de alta qualidade para produzir ferro-liga. Os atributos desejáveis do carvão incluem alta porcentagem de carbono fixo, grande tamanho médio das partículas (MPS), alta densidade, baixa produção de cinzas e materiais voláteis, além de baixos teores de água e contaminantes. Esses atributos são determinados por análises laboratoriais padronizadas, que são demoradas e caras, além de gerarem efluentes químicos. A espectrometria de fluorescência de raios X portátil (pXRF) poderia ser usada para superar as desvantagens das análises laboratoriais. Este trabalho objetivou utilizar dados de pXRF em modelos de aprendizado de máquina treinados para predizer atributos de carvão de madeira de eucalipto. Os dados de pXRF de 276 amostras de carvão foram usados como variáveis explicativas para treinar os modelos preditivos usando seis algoritmos de aprendizado de máquina. Variáveis explicativas auxiliares também foram incluídas nos modelos. Os modelos foram treinados para predizer os atributos: C fixo, cinzas, matéria volátil, MPS, umidade, densidade e teor de P. Predições satisfatórias foram obtidas para matéria volátil, MPS, umidade e densidade (R2 > 0,6), e predições muito exatas foram obtidas para os teores de cinzas e teores de P (R2 > 0,75). A inclusão de variáveis explicativas auxiliares aumentou a acurácia da predição de MPS (R2 aumentou de 0,61 para 0,82), densidade (de 0,56 para 0,73) e teores de P (de 0,86 para 0,94). Esses resultados indicam que o pXRF pode ser usado como uma alternativa ecologicamente amigável para avaliar a qualidade do carvão de eucalipto utilizado na indústria metalúrgica.