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.

Abstract

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.