Detalhes bibliográficos
Ano de defesa: |
2019 |
Autor(a) principal: |
Pereira, Simone Guimarães |
Orientador(a): |
Costa, Joao Felipe Coimbra Leite |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Não Informado pela instituição
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Palavras-chave em Inglês: |
|
Link de acesso: |
http://hdl.handle.net/10183/197220
|
Resumo: |
Para um bom aproveitamento dos recursos minerais, é necessário potencializar o controle geológico e metalúrgico vinculado a um bom planejamento de lavra. Assim, é possível uma previsão acurada de produção da usina de beneficiamento. Para isso, é imprescindível um modelamento robusto do depósito. Esse modelo deve contemplar as variáveis químicas (variável preditora) e a relação dessas variáveis com a recuperação mássica do recurso (variável resposta). Por depender da relação com outras variáveis a recuperação mássica é não aditiva. Essa não aditividade deve ser respeitada utilizando metodologias adequadas para modelá-la. Outro fator importante é a relação numérica entre dados metalúrgicos e dados químicos. Geralmente, a coleta e análise de dados metalúrgicos é inexistente, ou significativamente menor que o número de amostras químicas, e geralmente sua disposição espacial é concentrada apenas nas regiões de alto teor. O que caracteriza os dados como faltantes não aleatórios (MNAR). Isso pode dificultar ou impedir a integração bem-sucedida da variável metalúrgica ao modelo através de métodos geoestatísticos. A primeira etapa deste trabalho foi complementar os dados faltantes. O método utilizado para inserção é a atualização bayesiana, com transformação fixa dos resultados MAR (mecanismo de falta aleatória) em MNAR (mecanismo de falta não aleatória). Após o banco completo, a estimativa da recuperação respeitou sua não aditividade, utilizando a metodologia de estimada por regressão de Esperança Condicional Alternada (Alternating Conditional Expectation - ACE). A partir dos métodos listados, foi criado um modelo geometalúrgico. Com o modelo geometalúrgico, foram construídas pilhas de homogeneização e a partir dos valores obtidos na usina de beneficiamento foi feito uma reconciliação. Adicional a essa validação, foram aplicadas as metodologias de estimativa às novas amostras de laboratório. Assim, pôde-se comparar os valores estimados com o modelo de recuperação mássica, contra os valores obtidos com o teste de laboratório. A reconciliação das pilhas processadas na usina demonstrou que a inserção de dados melhorou a acuracidade e precisão das estimativas do modelo geometalúrgico, obtendo correlação de 0,73 e erro relativo de 1,65, comparado ao modelo gerado com o banco original com dados faltantes não aleatórios, que obteve correlação de 0,65 e erro relativo de 5,85. |