Please use this identifier to cite or link to this item: http://www.repositorio.ufop.br/jspui/handle/123456789/13113
Title: Predição do teor de ferro em processo de beneficiamento mineral usando modelo autorregressivo.
Other Titles: Iron ore grade prediction in mineral processing plant using auto-regressive model.
Authors: Gomes, Vinícius Geraldo Rodrigues
metadata.dc.contributor.advisor: Euzébio, Thiago Antonio Melo
Silva, Moisés Tavares da
Keywords: Análise de séries temporais
Controle de processo - métodos estatísticos - modelos autorregressivos - AR
Métodos experimentais - mínimos quadrados recursivos - MQR
Beneficiamento de minério
Issue Date: 2020
metadata.dc.contributor.referee: Euzébio, Thiago Antonio Melo
Silva, Moisés Tavares da
Acioli Junior, George
Monteiro, Paulo Marcos de Barros
Cota, Luciano Perdigão
Citation: GOMES, Vinícius Geraldo Rodrigues. Predição do teor de ferro em processo de beneficiamento mineral usando modelo autorregressivo. 2020. 107 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2020.
Abstract: A tarefa de medir o teor de ferro do minério processado em uma usina é complexa, mas fundamental para o bom desempenho da operação. Em geral, esta medição e realizada por meio de analise laboratorial que insere um atraso de algumas horas na obtenção dos resultados. Neste trabalho e realizada a predição do teor de ferro a partir dos dados históricos das analises laboratoriais. Estes dados indicam os teores dos materiais alimentados em uma etapa de concentração magnética e uma etapa de flotação reversa de duas unidades distintas de beneficiamento mineral da mineradora Vale S.A. Inicialmente, são realizadas analises de estacionariedade, autocorreção e autocorreção parcial. Em seguida, são usados modelos autorregressivos e o algoritmo de mínimos quadrados recursivos para predição do teor de ferro. Os resultados demonstram o bom desempenho do modelo na tarefa de efetivamente predizer as amostras futuras e indicar tendências ascendentes ou descendentes do teor de ferro, auxiliando, assim, os engenheiros de automação e de processos das plantas na tomada de decisões.
metadata.dc.description.abstracten: The task of measuring the iron content of ore processed at a plant is complex, but essential to the performance of the operation. In general, this measurement is carried out by means of laboratory analysis which produces a delay of several hours in obtaining the results. In this work, the iron content prediction is made from the historical data of the laboratory analyzes. These datas indicates the contents of the material that feeds a stage of magnetic concentration and a stage of reverse flotation from two distincts mineral processing units of the mining company Vale S.A. Initially, analyzes of stationarity, autocorrelation and partial autocorrelation are performed. Then, autoregressive models and the recursive least squares algorithm are used to predict the iron content. The results show good performance of the model in the task of effectively predicting future samples and indicating behavior ascending or descending trends, thus, assisting process engineer and control and automation engineer in making decisions.
Description: Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.
URI: http://www.repositorio.ufop.br/handle/123456789/13113
metadata.dc.rights.license: Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 03/02/2021 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais nem a adaptação.
Appears in Collections:PROFICAM - Mestrado (Dissertações)

Files in This Item:
File Description SizeFormat 
DISSERTAÇÃO_PrediçãoTeorFerro.pdf4,22 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons