Aprendizado de máquina aplicado ao planejamento de lavra de curto prazo para o aumento do desempenho operacional de equipamentos de mina.

• Ano de defesa: 2021
• Autor(a) principal: Silva, Ranyere Sousa
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Allocation of mine loading equipment; Alocação de escavadeiras; Análise preditiva; Aprendizado computacional; Decision making support; Machine learning in short-term planning; Mineração; Predição da produção; Predictive analysis; Production process; Tomada de decisão
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3134/tde-10082021-155028/

Os processos, sistemas e pessoas envolvidos na cadeia de produção mineral são responsáveis pelo aumento considerável na geração de dados operacionais. Neste cenário, torna-se necessária a utilização de ambientes com capacidades de armazenamento e processamento de dados cada vez mais robustos para que métodos de análises inteligentes possam ser aplicados, a fim de realizar previsões do desempenho produtivo por meio de algoritmos de aprendizado de máquina. O objetivo deste estudo é aumentar a previsibilidade do desempenho operacional de equipamentos de mina, diretamente relacionado com a tomada de decisão nas atividades de planejamento de lavra de curto prazo. Para alcançar este objetivo foi proposta uma metodologia de aprendizado de máquina para o planejamento de lavra que abrange tarefas desde a preparação dos dados envolvidos no processo produtivo, até a tomada de decisão e replicação da rotina de análise para os próximos períodos que serão planejados. A metodologia foi aplicada no planejamento de lavra dos turnos operacionais em uma mina de cobre localizada na região norte do Brasil com o objetivo de prever o desempenho de produção de escavadeiras considerando variáveis de planejamento de lavra, geológicas, geográficas, de manutenção, da programação de horas, das turmas de trabalho escaladas para o turno e dos turnos de trabalho a serem planejados. A partir de diversos algoritmos de aprendizado de máquina, foram criados 175 modelos preditivos, treinados e testados por meio de validação cruzada, para que fosse definido uma modelagem que melhor se ajustasse ao padrão dos dados operacionais. Estes resultados comprovaram que sistemas preditivos podem ser inseridos na rotina operacional do planejamento de lavra de curto prazo, auxiliando na tomada de decisão para a alocação de equipamentos de maneira realística, eficiente e ágil.