Use este identificador para citar ou linkar para este item: http://www.repositorio.ufop.br/jspui/handle/123456789/13058
Título: Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro.
Título(s) alternativo(s): Artificial neural networks and Random Forest based soft sensor applied to the real time prediction of iron ore content in the iron ore froth flotation concentrate.
Autor(es): Guedes, Érick Victor de Oliveira
Orientador(es): Cocota Júnior, José Alberto Naves
Reis, Agnaldo José da Rocha
Palavras-chave: Flotação
Soft sensor - software
Redes neurais - computação
Random Forest
Data do documento: 2020
Membros da banca: Cocota Júnior, José Alberto Naves
Reis, Agnaldo José da Rocha
Luz, José Aurélio Medeiros da
Almeida, Silvia Grasiella Moreira
Referência: GUEDES, Érick Victor de Oliveira. Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. 2020. 75 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2020.
Resumo: A flotação surgiu para a concentração onde propriedades classicamente utilizadas (densidade, suscetibilidade magnética, eletrocondutividade) possuem contraste insuficiente ou que apresentem faixas granulométricas muito finas, e passou a ser muito utilizada em áreas como a mineração. Este processo consiste da captação de partículas hidrofóbicas por bolhas de ar e sua flotação, fazendo a separação de tais partículas das hidrofílicas, que se mantêm em suspensão. Para permitir a separação de materiais que naturalmente não apresentam diferenças v em suas propriedades de hidrofobicidade, são utilizados reagentes para induzir as características desejadas. Como a medição do teor e obtenção da recuperação do mineral, objetivos primários do processo, acontece por meio de análise laboratorial que demanda um período de 2 horas, é proposto o desenvolvimento de um soft sensor para sua obtenção em tempo real. Um soft sensor utiliza um modelo desenvolvido para reunir diversas variáveis relevantes a um processo e inferir uma medição para as variáveis de saída desejadas. Os dados coletados de uma linha de flotação passaram por dois métodos de redução de dimensionalidade paralelamente, o RReliefF e o Principal Component Analysis (PCA), e foram utilizados para treinamento, validação e teste dos modelos propostos. Para a modelagem do soft sensor foram utilizadas as técnicas de Redes Neurais Artificiais (RNA) e de Random Forest (RF). Para o treinamento das RNA, foram usados os algoritmos de Levenberg-Marquardt (LM) e o Scaled Conjugate Gradient (SCG). Os desempenhos dos métodos utilizados foram comparados e são apresentados neste texto.
Resumo em outra língua: The flotation process emerged to be used where properties classically used (density, magnetic susceptibility, electroconductivity) have insuficient contrast or present very fine particle sizes, and became largely used in areas such as mining. This process consists of the capture and flotation of hydrophobic particles by air bubbles, separating these particles from the hydrophilic ones, which remain in suspension. In order to allow the separation of minerals that naturally do not exhibit differences in its hydrophobic properties, reagents are added to induce the desired characteristics. Given that the measurement of the vii process’ primary objectives, concentrate grade and recovery, is realized through laboratory analysis which demands a 2 hours period, this work proposes the development of a soft sensor to infer these data in real time. A soft sensor uses a model to gather several variables relevant to the process and infer a measurement to the desired output variables. Two methods of dimensionality reduction were applied in parallel to the data collected from a flotation line, the RReliefF and the principal component analysis (PCA), before the data was used for training, validation and test of the proposed models. Artificial neural networks (ANN) and Random Forests (RF) were used to model the soft sensor. For training the ANN, it was used the Levenberg-Marquardt (LM) algorithm and the Scaled Conjugate Gradient (SCG). The performance of the methods used were compared and are presented in this text.
Descrição: 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/123456789/13058
Licença: Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 09/12/2020 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.
Aparece nas coleções:PROFICAM - Mestrado (Dissertações)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DISSERTAÇÃO_AplicaçãoSoftSensor.pdf3,05 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons