Detalhes bibliográficos
| Ano de defesa: |
2022 |
| Autor(a) principal: |
Costa, Fabrizzio Rodrigues |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/3/3134/tde-07102022-080212/
|
Resumo: |
Na indústria mineral, o beneficiamento de minérios auríferos está diretamente relacionado às características físicas, químicas e mineralógicas do minério que impactam no desempenho dos processos de concentração e extração do ouro. A rota de processamento de extração de ouro mais eficiente está diretamente relacionada às características mineralógicas inerentes ao minério que está sendo processado. Com isso, geólogos, geometalurgistas e engenheiros buscam cada vez mais uma produção otimizada de menor impacto ambiental e custo. A caracterização tecnológica é uma ferramenta importante no reconhecimento das propriedades das matérias primas minerais, fundamentais para o aproveitamento sustentável dos recursos pois fornece informações sobre o potencial de recuperação do material e sua previsibilidade nos processos de beneficiamento. Este estudo tem como objetivo identificar variáveis de interesse à geometalurgia em minério aurífero de baixo teor com base em estudos de caracterização tecnológica e correlação de variáveis similares através das redes neurais artificiais. O escopo da pesquisa envolveu estudos de caracterização tecnológica de amostras de ouro de baixo teor (<0,6 g/t) e composição variadas por microscopia eletrônica de varredura (MEV) associada a análise de imagens automatizada (AI). Sob esses resultados foram aplicadas redes neurais artificiais por meio da técnica de mapas auto-organizáveis (de inglês, Self- Organizing Maps SOM) para estabelecer as relações de similaridades ou padrões entre as diferentes variáveis até então de difícil observação. Foram obtidos sete grupos com características de padrões similares que, do ponto de vista da geometalurgia, podem se apresentar como variáveis indicadoras de maior relevância ao processamento mineral. Também foi tratado a imputação de até 50% dos dados de recuperação que forneceu valores das variáveis sintéticas com até 93% de precisão. Esses resultados abrem a possibilidade de uma melhor interpretação e entendimento na performance do minério de ouro na construção de um modelo preditivo geometalúrgico robusto. |
