DEMIN - Departamento de Engenharia de Minas
URI permanente desta comunidadehttp://www.hml.repositorio.ufop.br/handle/123456789/510
Navegar
5 resultados
Resultados da Pesquisa
Item Aprendizado de máquina aplicado à moagem de minério de ferro.(2023) Silva, Daniel Henrique Cordeiro; Lima, Hernani Mota de; Alves, Vladmir Kronemberger; Alves, Vladmir Kronemberger; Souza, Ernandes Sávio de; Bergerman, Maurício GuimarãesO aprendizado de máquina, juntamente com outras novas tecnologias, desempenha um papel significativo no advento da Indústria 4.0, impulsionando a otimização de vários processos em diversos setores, incluindo o Tratamento de Minérios. Com a crescente disponibilidade de dados de chão de fábrica, algoritmos avançados podem aprimorar a tomada de decisões e aumentar a eficiência, reduzindo custos e aumentando a lucratividade. No beneficiamento de minério, algumas das oportunidades a serem exploradas estão atreladas à utilização das ferramentas de Big Data, Machine Learning e Inteligência Artificial, e podem trazer benefícios na manutenção preditiva, previsão de teores químicos ou de propriedades físicas, bem como controle e otimização de processos e redução do consumo de energia. Especificamente para processos como a moagem, ferramentas de aprendizado de máquina tendem a ter seus ganhos potencializados se combinados com modelos matemáticos consolidados – sejam eles empíricos ou fenomenológicos, advindos do conhecimento do processo. Este trabalho explora a combinação de aprendizado de máquina com modelos de processo já estabelecidos para prever a granulometria do produto em uma planta de moagem de minério de ferro, que é o principal parâmetro de qualidade a ser monitorado. O objetivo é investigar como essas equações podem contribuir para a um desempenho melhor dos modelos preditivos, de forma a otimizar a tomada de decisão operacional na unidade. Por fim, as métricas observadas indicam boa acurácia para os modelos desenvolvidos com a inclusão de equações de processo consagradas, com grande potencial de utilização em operação. Reafirma-se, então, que a ciência de dados e os modelos preditivos são ferramentas de significante potencial valor para otimizar e melhorar a eficiência e a qualidade do processamento mineral e das operações de moagem. Eles permitem que os operadores tomem decisões assertivas e medidas proativas para a melhoria nas operações.Item Especificação de rochas ornamentais utilizadas na construção civil aplicando técnicas de estatística multivariada e aprendizado de máquina.(2023) Zagôto, Juliano Tessinari; Lana, Milene Sabino; Pereira, Tiago Martins; Lana, Milene Sabino; Santos, Allan Erlikhman Medeiros; Santos, Tatiana Barreto dos; Frasca, Maria Heloisa Barros de Oliveira; Klen, André MonteiroO Brasil é mundialmente reconhecido como potência produtora e exportadora de rochas ornamentais. Com grande beleza estética e qualidades físico-mecânicas inquestionáveis, as rochas ornamentais brasileiras estão espalhadas por grandes obras no mundo. Nessa perspectiva, este trabalho visa estabelecer um índice de qualidade e um critério de seleção de rochas ornamentais para revestimentos aplicados na construção civil. Para isso foi elaborado um banco de dados dos resultados dos ensaios de caracterização tecnológica de 285 amostras de rochas naturais, adotados como variáveis. Esse estudo propôs um índice de qualidade para as rochas ornamentais utilizando-se dos valores dos parâmetros tecnológicos gerais de referência, atribuindo pesos a eles e conforme o ambiente no qual a rocha é aplicado. Os ambientes foram definidos como A (piso interno seco de baixo tráfego), B (parede interna seca), C (parede interna molhada), D (parede externa), E (bancada interna seca), F (bancada interna molhada), G (bancada externa) e H (outras aplicações). Com o auxílio do software estatístico livre R foram utilizados métodos de estatística multivariada e de aprendizado de máquina. Da análise de componentes principais, pudemos extrair que as três primeiras componentes explicam aproximadamente 51% do problema. Da análise de agrupamentos foram gerados 5 (cinco) grupos classificados como G1 (Grupo dos Quartzitos), G2 (Grupo dos Granitos), G3 (Grupo majoritariamente formado por Granitos), G4 (Grupo majoritariamente formado por Granitos ricos em granada ou grupo dos Gnaisses) e G5 (Grupo dos Mármores). A partir daí, foram realizadas as estatísticas descritivas intra e inter grupos. De posse dos grupos formados, foi treinada uma árvore de decisão capaz de indicar uma rocha para um determinado ambiente com altíssimo grau de acerto. A acurácia da árvore de decisão foi de 0,96 e o Índice Kappa 0,95. O trabalho apresenta uma nova abordagem para indicar assertivamente uma rocha natural para um determinado ambiente, diminuindo a subjetividade por meio de um sistema de classificação. Apesar da complexidade matemática das técnicas adotadas, os resultados gerados são de fácil interpretação e simples visualização.Item Machine learning applied to the prediction of rockfall slope probability.(2022) Silveira, Larissa Regina Costa; Lana, Milene Sabino; Santos, Tatiana Barreto dosThe objective of this work is to propose a predictive model of rockfall slope probability in rock slopes using the KNearest Neighbors (KNN) method. A dataset composed by 220 rock slopes was used, whose variables are related to the presence of water, characteristics of the rock mass, degree of overhang, among others. For each slope of the dataset, rockfall probability (high, medium, or low) is known and determined by cluster analysis. The number of the nearest neighbors (k) ranged from 1 to 20. The obtained average accuracy of the tested predictive models was equal to 78.4%. The models produced satisfactory results in the prediction of the rockfall probability, since the area under the ROC curve was equal to 0.80. The best model was selected based on the k value with the highest accuracy and the highest area under the ROC curve. The selected model had a k value equal to 7.Item Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.(2023) Rodrigues, Caio Oliveira; Santos, Tatiana Barreto dos; Santos, Tatiana Barreto dos; Figueiredo, Rodrigo Peluci de; Silveira, Larissa Regina CostaUma das principais metodologias empíricas para avaliar a estabilidade de realces de minas subterrâneas e estimar sua diluição é o Gráfico de Estabilidade de Realces Modificado, proposto por Potvin et al. (1988), que relaciona características do maciço rochoso e a geometria do realce. Seu uso permite estimar a condição de estabilidade da escavação, utilizando um gráfico construído a partir da análise da diluição de 255 realces. Todavia, por se tratar de um método empírico, várias subjetividades estão associadas com o processo de avaliação, e a aplicação da técnica possui restrições de uso, uma vez que não consideram os ambientes geomecânicos das minas subterrâneas brasileiras. O presente trabalho propõe modelos de predição da diluição em realces por meio da aplicação de algoritmo de florestas aleatórias em um banco de dados de uma mina subterrânea de ouro brasileira contendo 26 variáveis de 70 realces de três diferentes mineralizações. A fim de investigar as variáveis que contém maior correlação com a diluição foi utilizado o método de árvores de decisão, que apontou seis variáveis principais deste banco de dados na previsão de diluição, utilizadas para geração dos modelos de florestas aleatórias em três etapas. Primeiramente, foi proposto um modelo validado pelo método da ressubstituição, a ser comparado com os modelos propostos por Costa (2017) a partir do mesmo banco de dados, que revelou superioridade das florestas aleatórias na previsão de diluição em detrimento dos modelos de regressão linear múltipla proposto pelo autor, obtendo-se R2 igual a 0.9161. Em seguida o modelo de florestas aleatórias foi validado por divisão de amostras treino/teste, que obteve valor de R2 igual a 0.3060 no melhor cenário. Por fim, visando aprimorar o modelo, o banco de dados foi dividido em três, cada um referente a um dos corpos mineralizados, e novos modelos foram gerados para cada banco de dados. Esta análise indicou evolução nos valores de acurácia dos modelos, com R2 igual a 0.5465, 0.5295 e 0.4525, contudo, com grande variabilidade das métricas de validação. A importância das variáveis também foi observada nestas últimas análises por florestas aleatórias, indicando grande coerência com os resultados obtidos por meio das árvores de decisão. O estudo foi capaz de definir as principais variáveis do banco de dados na influência de diluição em realces, e propõe modelos de predição de diluição práticos, de fácil utilização e com menos subjetividades que os métodos empíricos, sendo uma excelente ferramenta para auxiliar engenheiros geotécnicos na compreensão e estimativa da diluição operacional.Item Proposta de modelos de predição da resistência não drenada de rejeitos de bauxita.(2023) Pinto, Guilherme Henrique da Silva; Santos, Tatiana Barreto dos; Santos, Tatiana Barreto dos; Candido, Eduardo Souza; Santos, Allan Erlikhman MedeirosA correta determinação de parâmetros de resistência de rejeitos é essencial na engenharia geotécnica. Casos recentes de rupturas de barragens de rejeito de mineração, reforçam a necessidade de um melhor entendimento do comportamento mecânico de rejeitos. Para a determinação da resistência não drenada desses materiais, comumente são utilizados ensaios de campo como o ensaio de piezocone (CPTu) e palheta (Vane). Apesar dos ensaios de campo fornecerem uma medida in situ das propriedades do solo/rejeito, as metodologias para determinação da resistência não drenada por meio destes ensaios advêm de correlações empíricas e/ou analíticas que foram propostas e validadas em solos naturais. Visando contornar problemas de predição semelhantes ao tratado neste trabalho, vários autores têm aplicado técnicas da ciência de dados (estatística multivariada, aprendizado de máquina e inteligência artificial) como K-ésimo Vizinho mais Próximo, Florestas Aleatórias, Regressão Linear Múltipla, Máquina Vetor Suporte, dentre outras. Sendo assim, o presente trabalho tem por objetivo aplicar tais técnicas para a obtenção de modelos capazes de prever a resistência não drenada de pico de um rejeito de bauxita por meio de ensaios de campo (piezocone e palheta) e laboratório (teor de umidade). As variáveis influentes na obtenção da resistência não drenada também foram avaliadas por meio de diferentes combinações nos input das variáveis nos modelos. Foi aplicado também a técnica de validação cruzada k-fold para avaliar a acurácia e capacidade de generalização dos modelos elaborados. Além disso, é apresentada proposta metodológica para caracterização do comportamento não drenado com base nos dados dos ensaios de CPTu e dissipação de poropressão. Os modelos de ciência de dados obtidos foram comparados com a metodologia baseada fatores do cone Nkt, Nu e Nke calibrados com o Vane para a determinação da resistência não drenada. Dentre os resultados obtidos, as técnicas de ciência de dados apresentaram R2 superiores à 0,90, mostrando também menor dispersão dos resultados preditos se comparadas à metodologia baseada nos fatores supracitados. Com base no estudo das variáveis influentes, foi observado que as poropressões são as variáveis que mais influenciam na predição da resistência não drenada. Além disso, por meio do teste estatístico t-student foi comprovado que os modelos de ciência de dados têm desempenho superior à metodologia clássica de melhor desempenho (baseado nas poropressões), partindo das mesmas variáveis independentes.