Estimativa e classificação de variáveis geometalúrgicas a partir de técnicas de aprendizado de máquinas

• Ano de defesa: 2019
• Autor(a) principal: Drumond, David Alvarenga
• Orientador(a): Costa, Joao Felipe Coimbra Leite
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Beneficiamento de minerais; Geometalurgia; Função de transferência
• Palavras-chave em Inglês: Ore sorting; Mineral processing; Geometalurgy; Machine learning; Transfer functions
• Link de acesso: http://hdl.handle.net/10183/202480

A geometalurgia é o ramo da engenharia de minas, que pretende obter a partir de variáveis georeferenciadas, respostas para o beneficiamento mineral. Em muitos casos, é necessário neste processo, obter funções de transferências, que associam cada variável primária com a variáveis resposta metalúrgica, e assim serem realizadas predições que auxiliam a engenharia, otimizando custos e receitas, e incentivando soluções para os problemas das empresas. A determinação destas funções de transferência é uma tarefa difícil de ser realizada, principalmente em depósitos com alta variabilidade geológica, tais como os depósitos de ouro, de origem hidrotermal. Esta tarefa pode ser agilizada, se realizado modelos computacionais de alta performance, que aprendam com os dados obtidos a melhor classificação/regressão, e se atualizem de acordo com o crescimento do banco de dados. Estas técnicas são denominadas no atual estado da arte como aprendizado de máquinas. (Machine Learning). O objetivo principal deste trabalho é criar modelos de aprendizado de padrões, que relacionem uma função de transferência unindo variáveis do depósito mineral, como mineralogia e teor, com variáveis de resposta de equipamentos de beneficiamento (ore sorting, flotação), como a recuperação metalúrgica. Os dados apresentados pertencem a depósitos minerais auríferos do quadrilátero ferrífero. Como contribuição à comunidade, e ao meio científico, esta tese propõe avanços em tecnologias de automatização, que correlacionam parâmetros entre a geologia e o beneficiamento mineral, permitindo um conhecimento mais profundo das variáveis relacionadas com a produção mineral. De tal forma estes modelos produzem informações suficientes para a tomada de decisão e planejamentos, que podem ser realizados posteriormente ao desenvolvimento desta tese, como a redução de consumo de água nas usinas (um problema atual para barragens de rejeito no Brasil), redução e economia de reagentes, atualização mais apurada das reservas minerais, entre outras otimizações que possam vir a se usufruir destes resultados. Resultados foram obtidos na criação de modelos geometalúrgicos que se aplicam tanto em domínios reduzidos como em um equipamento ore sorting ,como em macro domínios na predição de valores da usina, a partir de informações da geologia. Espera-se que este trabalho seja uma ponte inicial para o desenvolvimento de técnicas mais modernas de estatística e computação para a aplicação na mineração.