Estimativa e classificação de variáveis geometalúrgicas a partir de técnicas de aprendizado de máquinas

Abstract

A geometalurgia é o ramo da engenharia de minas, que pretende obter a partir de variáveis georeferenciadas, respostas para o beneficiamento mineral. Em muitos casos, é necessário neste processo, obter funções de transferências, que associam cada variável primária com a variáveis resposta metalúrgica, e assim serem realizadas predições que auxiliam a engenharia, otimizando custos e receitas, e incentivando soluções para os problemas das empresas. A determinação destas funções de transferência é uma tarefa difícil de ser realizada, principalmente em depósitos com alta variabilidade geológica, tais como os depósitos de ouro, de origem hidrotermal. Esta tarefa pode ser agilizada, se realizado modelos computacionais de alta performance, que aprendam com os dados obtidos a melhor classificação/regressão, e se atualizem de acordo com o crescimento do banco de dados. Estas técnicas são denominadas no atual estado da arte como aprendizado de máquinas. (Machine Learning). O objetivo principal deste trabalho é criar modelos de aprendizado de padrões, que relacionem uma função de transferência unindo variáveis do depósito mineral, como mineralogia e teor, com variáveis de resposta de equipamentos de beneficiamento (ore sorting, flotação), como a recuperação metalúrgica. Os dados apresentados pertencem a depósitos minerais auríferos do quadrilátero ferrífero. Como contribuição à comunidade, e ao meio científico, esta tese propõe avanços em tecnologias de automatização, que correlacionam parâmetros entre a geologia e o beneficiamento mineral, permitindo um conhecimento mais profundo das variáveis relacionadas com a produção mineral. De tal forma estes modelos produzem informações suficientes para a tomada de decisão e planejamentos, que podem ser realizados posteriormente ao desenvolvimento desta tese, como a redução de consumo de água nas usinas (um problema atual para barragens de rejeito no Brasil), redução e economia de reagentes, atualização mais apurada das reservas minerais, entre outras otimizações que possam vir a se usufruir destes resultados. Resultados foram obtidos na criação de modelos geometalúrgicos que se aplicam tanto em domínios reduzidos como em um equipamento ore sorting ,como em macro domínios na predição de valores da usina, a partir de informações da geologia. Espera-se que este trabalho seja uma ponte inicial para o desenvolvimento de técnicas mais modernas de estatística e computação para a aplicação na mineração.

The geometallurgy is a mining engineering branch that aims to estimate geometalurgical response variables from primary geological variables. In several problems it is necessary to obtain transfer functions that combines each primary variable value into reponse variable values, thereafter predicting mining process scheduling, optimizing costs and revenue, and proposing technological solutions for the problems faced by mining corporations. The determination of these transfer functions is sometimes a difficult task, mainly in hidrotermal gold ore deposits allied with high variability. This task could be streamlined creating high performance computational models, that learns with data obtained the best classification/regression and updating according the data bank growing. These techniques are called machine learning methods in the current state of the art. The main thesis objective is create a machine learning model that connects a transfer function from mineral deposit variables, such as mineralogy, grades, for processing equipments (ore sorting) or response variables(Recovery, reagent consumptions, grindability, etc.). As a contribution to community and scientific community, this thesis proposes technological advances that correlates geological parameters with ore processing, allowing to obtain a deep knowledge about the mining production variables. These models will produce the necessary information to take decisions in mining planning, such as the milling plant water consumption (A recent problem in tailing dams in Brasil), reduction and saving reagents, best updating of mineral inventory, and other optimization process that will use these results. Results are obtained for creating geometalurgical models applied in small size domains as in ore sorting equipment, such as in big size domains for predicting mill variables using geological information. We hope that this work might be an initial development of modern statistical and computational techiniques applied in mining.