Understanding refractory wear variables on steelmaking ladles is important to promote safe, low-cost, high-performance and quality steel processing. Traditional statistical models are usually applied; however, the difficulties in assuming hypotheses, data multicollinearity and analyzing large amounts of data can lead to prediction errors. In the last decades, new techniques of data analysis have been sought for the construction of deterministic models from large database with computerized procedures. Among these techniques are the artificial neural networks (ANN). The present work is a comparative analysis of wear and performance evaluation of MgO-C refractories from the slag line of steelmaking ladles. It was performed using statistical and the self-organizing maps (SOM) ANN techniques to identify the main variables that cause refractory degradation. The comparative results between classical statistics and SOM analysis showed that the main variables were the desulfurized treatment route, nepheline consumption, calcium silicon additions, ladle furnace use and time, steel permanence time in the ladle, treatment times of secondary refining, type of steel product, total load in the ladles and ladle conditions. Classical statistical and SOM evaluations of the dataset (approximately 6700 heats and 1,457,518 single process data) were able to distinguish the main causes of refractory degradation, confirming the possibility of applying SOM in steelmaking analysis.

了解炼钢钢包的耐火材料磨损变量对于促进安全、低成本、高性能和优质钢加工非常重要。通常采用传统的统计模型；然而，假设假设、数据多重共线性和分析大量数据的困难可能导致预测错误。在过去的几十年中，人们一直在寻找新的数据分析技术，以利用计算机化程序从大型数据库构建确定性模型。这些技术中有人工神经网络（ANN）。目前的工作是对来自炼钢钢包渣线的 MgO-C 耐火材料的磨损和性能评估进行比较分析。它使用统计和自组织图 (SOM) 人工神经网络技术来确定导致耐火材料降解的主要变量。经典统计与SOM分析比较结果表明，主要变量为脱硫处理路线、霞石消耗量、硅钙添加量、钢包炉使用和时间、钢在钢包中的滞留时间、二次精炼处理次数、钢材种类，钢包和钢包条件下的总负荷。数据集的经典统计和 SOM 评估（大约 6700 个炉次和 1,457,518 个单一工艺数据）能够区分耐火材料退化的主要原因，证实了在炼钢分析中应用 SOM 的可能性。经典统计与SOM分析比较结果表明，主要变量为脱硫处理路线、霞石消耗量、硅钙添加量、钢包炉使用和时间、钢在钢包中的滞留时间、二次精炼处理次数、钢材种类，钢包和钢包条件下的总负荷。数据集的经典统计和 SOM 评估（大约 6700 个炉次和 1,457,518 个单一工艺数据）能够区分耐火材料退化的主要原因，证实了在炼钢分析中应用 SOM 的可能性。经典统计与SOM分析比较结果表明，主要变量为脱硫处理路线、霞石消耗量、硅钙添加量、钢包炉使用和时间、钢在钢包中的滞留时间、二次精炼处理次数、钢材种类，钢包和钢包条件下的总负荷。数据集的经典统计和 SOM 评估（大约 6700 个炉次和 1,457,518 个单一工艺数据）能够区分耐火材料退化的主要原因，证实了在炼钢分析中应用 SOM 的可能性。钢包和钢包条件下的总负荷。数据集的经典统计和 SOM 评估（大约 6700 个炉次和 1,457,518 个单一工艺数据）能够区分耐火材料退化的主要原因，证实了在炼钢分析中应用 SOM 的可能性。钢包和钢包条件下的总负荷。数据集的经典统计和 SOM 评估（大约 6700 个炉次和 1,457,518 个单一工艺数据）能够区分耐火材料退化的主要原因，证实了在炼钢分析中应用 SOM 的可能性。