Aprendizado de máquina aplicado à moagem de minério de ferro.
dc.contributor.advisor | Lima, Hernani Mota de | pt_BR |
dc.contributor.advisor | Alves, Vladmir Kronemberger | pt_BR |
dc.contributor.author | Silva, Daniel Henrique Cordeiro | |
dc.contributor.referee | Alves, Vladmir Kronemberger | pt_BR |
dc.contributor.referee | Souza, Ernandes Sávio de | pt_BR |
dc.contributor.referee | Bergerman, Maurício Guimarães | pt_BR |
dc.date.accessioned | 2023-12-19T19:04:54Z | |
dc.date.available | 2023-12-19T19:04:54Z | |
dc.date.issued | 2023 | pt_BR |
dc.description | Programa de Pós-Graduação em Engenharia de Produção. Departamento de Engenharia de Produção, Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto. | pt_BR |
dc.description.abstract | O 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. | pt_BR |
dc.description.abstracten | Machine learning, along with other emerging technologies, plays a significant role in the advent of Industry 4.0, driving the optimization of various processes across multiple sectors, including Iron Ore Treatment. With the increasing availability of plant floor data, advanced algorithms can enhance decision-making and boost efficiency, reducing costs and increasing profitability. In iron ore beneficiation, some of the opportunities to be explored are linked to the use of Big Data tools, Machine Learning, and Artificial Intelligence, and can bring benefits in predictive maintenance, forecasting of chemical grades or physical properties, as well as process control optimization, and reduction in energy consumption. Specifically for processes such as grinding, those tools tend to have their gains amplified when combined with established mathematical models – derived from process knowledge. This work showcases the combination of machine learning with empirical process models to predict the product granularity in an iron ore grinding plant, which is the main quality parameter to be monitored. The aim is to investigate how these equations can contribute to better performance of predictive models, in order to optimize operational decision-making at the unit. Finally, the observed metrics indicate good accuracy for the models with the inclusion of established process equations, with great potential for use in operation. It is reaffirmed, then, that data science and predictive models are tools of significant value to optimize and improve the efficiency and quality of mineral processing and grinding operations. | pt_BR |
dc.identifier.citation | SILVA, Daniel Henrique Cordeiro. Aprendizado de máquina aplicado à moagem de minério de ferro. 2023. 94 f. Dissertação (Mestrado em Engenharia Mineral) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023. | pt_BR |
dc.identifier.uri | http://www.repositorio.ufop.br/jspui/handle/123456789/17956 | |
dc.language.iso | pt_BR | pt_BR |
dc.rights | aberto | pt_BR |
dc.rights.license | Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 11/12/2023 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. | pt_BR |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
dc.subject | Beneficiamento de minério - moagem | pt_BR |
dc.subject | Redes neurais - computação | pt_BR |
dc.subject | Aprendizado de máquina | pt_BR |
dc.subject | Controle de processos | pt_BR |
dc.title | Aprendizado de máquina aplicado à moagem de minério de ferro. | pt_BR |
dc.type | Dissertacao | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- DISSERTAÇÃO_AprendizadoMáquinaAplicado.pdf
- Tamanho:
- 2.68 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: