Redes neurais artificiais aplicadas à moagem de minério de ferro combinadas a modelos empíricos
DOI:
https://doi.org/10.33448/rsd-v11i13.32329Palavras-chave:
Tratamento de minérios; Moagem; Redes Neurais Artificiais; Aprendizado de Máquina; Controle de processos.Resumo
A cada dia, com o advento da Indústria 4.0, novas tecnologias são disponibilizadas e aplicadas ao Tratamento de Minérios, impulsionadas pela crescente disponibilidade de dados de chão de fábrica. Algumas das oportunidades a serem exploradas estão atreladas à utilização das ferramentas de Big Data, Advanced Analytics, Machine Learning e Inteligência Artificial. No beneficiamento de minério de ferro, nos processos de moagem, os ganhos potenciais oriundos de ferramentas de aprendizado de máquina tendem a ser ampliados quando combinados com modelos matemáticos consagrados, oriundos do conhecimento do processo, sejam eles empíricos ou fenomenológicos. Este artigo apresenta a aplicação de redes neurais artificiais para a predição da granulometria no produto de uma planta de moagem, principal parâmetro de qualidade, combinadas a modelos empíricos que descrevem o processo, visando estabelecer se tais equações podem contribuir para uma melhor performance dos modelos preditivos, de forma a suportar uma melhor e mais rápida tomada de decisão pelo operador da unidade.
Referências
Mariscal, G., Marban, O. & Fernandez, C. (2010). A survey of data mining and knowledge discovery process models and methodologies. The Knowledge Engineering Review, 25(2), 137-166.
IBM (2022) Introduction to CRISP-DM. <https://www.ibm.com/docs/en/spss-modeler/18.2.0?topic=guide-introduction-crisp-dm>
Shearer, C. (2000). The CRISP-DM Model: The New Blueprint for Data Mining. Journal of Data Warehousing, 5, 13-22.
Google (2022) Machine Learning Crash Course. < https://developers.google.com/machine-learning/crash-course/>
Pessoa, A. D. ., Sousa, G. C. L. de ., Araujo, R. C. & Anjos, G. J. M. (2021). Modelo de rede neural artificial para previsão da capacidade de carga de estacas cravadas. Research, Society and Development, 10(1), e12210111526. https://doi.org/10.33448/rsd-v10i1.11526
Donda, J. D., Galinari C. M. & Rabelo, P. J. B. (1999). O Controle da Eficiência Energética nos Circuitos de Pré-moagem e Moagem Primária da Samarco Mineração. In: II Simpósio Brasileiro de Minério de Ferro - ABM, Ouro Preto, p. 144-150.
Donda, J. D. (2003). Um método para prever o consumo específico de energia na (re)moagem de concentrados de minério de ferro em moinhos de bolas. Belo Horizonte, Tese (doutorado), CPGEM, Universidade Federal de Minas Gerais.
Donda, J. D. & Rosa, A. C. (2014). A lei de Moagem – Comprovação para minério de ferro. Livraria e Editora Graphar. Brasil.
Figueira, H. V. O., Almeida, S. L. M., Luz, A. B. (2004). Tratamento de Minérios, Rio de Janeiro: Centro de Tecnologia Mineral CETEM. Editora CETEM. Brasil.
Delboni, H. J. (2007). Tendências Tecnológicas Brasil 2015, Rio de Janeiro: Centro de Tecnologia Mineral CETEM. Editora CETEM. Brasil.
Napier-Munn, T. J., Morrel, S., Morrison, R. D., Kojovic, T. (1999). Mineral Comminution Circuits, Their Operation and Optimisation. Julius Kruttschnitt Mineral Research Center. Austrália.
Serpa, A. (2019). Modelagem do Teor de Sílica no Produto da Flotação de Minério de Ferro baseada em Redes Neurais. Trabalho de conclusão de curso de graduação. Curso de Graduação em Engenharia de Controle e Automação, Escola de Engenharia da UFMG. Belo Horizonte, Brasil:
Souza, E. S. (2014). Controle Automático de Circuitos de Moagem. Tese de Doutorado em Engenharia de Produção, Porto Alegre: Escola de Engenharia da UFRGS.
Oliveira K P. S. (2000). Aplicação das técnicas de redes neurais e de análise de componentes principais na modelagem de uma lagoa aerada da Ripasa SA. Tese de Mestrado, Faculdade de Engenharia Química, Unicamp.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. EUA.
Chollet, François and others (2022). Keras API <https://keras.io/api/>
Labach, A., Salehinejad, H. & Valaee, S. (2019). Survey of dropout methods for deep neural networks. <https://doi.org/10.48550/arXiv.1904.13310>
Hinton G. Krizhevsky A. et al Srivastava, N. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(56):1929−1958, 2014.
Pedregosa et al.,(2011). Scikit-learn: Machine Learning in Python, Journal of Machine Learning Research, Journal of Machine Learning Research, 12, pp. 2825-2830.
Minsky, M., & Papert, S. (1969). Perceptrons. M.I.T. Press. EUA.
McCulloch, W.S. & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5, 115–133.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Daniel Henrique Cordeiro Silva; Vladmir Kronemberger Alves ; Ernandes Savio
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
