Sensor virtual para classificação da sílica no produto de um processo de flotação de minério de ferro.

Abstract

A flotação reversa de minério de ferro visa reduzir o teor de sílica no concentrado. Porém, o controle eficaz é limitado pela disponibilidade descontínua dos resultados laboratoriais, obtidos apenas a cada duas horas. Propõe-se neste trabalho um sensor virtual baseado em aprendizado de máquina para classificar em tempo real o teor de sílica no concentrado da planta de flotação da Mina de Timbopeba da Vale S.A., utilizando dados históricos de processo. A metodologia seguiu etapas de inspeção, pré-processamento, análise estatística e modelagem. Após análise exploratória, selecionaram-se 21 variáveis como entradas do modelo. Para ser possível utilizar as variáveis de laboratório como entradas do modelo, aplicou-se uma estratégia de médias móveis. O modelo utilizado foi o Random Forest, avaliado em classificação binária, cujos rótulos escolhidos foram “Normal” (≤ 2,5%), para porcentagens de sílica no concentrado dentro da faixa de especificação, e “Alta” (> 2,5%), para porcentagens acima do especificado; e multiclasse, para os teores de sílica no concentrado considerados baixos (< 1,5%), moderados (entre 1,5% e 2,5%) ou altos (> 2,5%). Os dados apresentaram desbalanceamento acentuado. Para mitigá-lo, utilizaram-se duas estratégias: ponderação por classe e balanceamento híbrido combinando oversampling sintético (SMOTE) com limpeza (Tomek Links). Conclui-se que o sensor virtual desenvolvido, em especial com balanceamento híbrido, é viável para fornecer estimativas categóricas em tempo real do teor de sílica. Assim, sua saída pode ser integrada a sistemas de controle avançado para ajustes ágeis na dosagem de reagentes e no nível das células, otimizando o processo, reduzindo custos e melhorando a qualidade do concentrado final.