Análise comparativa de métodos para estimativa do rendimento do processo de beneficiamento de nióbio

Abstract

Esta dissertação apresenta uma análise comparativa entre métodos estatísticos e técnicas de aprendizado de máquina para a estimativa do rendimento do processo de beneficiamento do minério de nióbio a partir dos teores do minério. Neste estudo, o rendimento é definido como a recuperação em massa para o concentrado, correspondente à razão entre a massa de concentrado produzida e a massa de alimentação do ensaio geometalúrgico. Foram avaliados modelos de regressão linear simples, regressão linear multivariada, regressão polinomial e regressão fatorial, bem como os algoritmos de árvore de decisão e floresta aleatória. Utilizou-se uma base de dados geometalúrgicos fornecida pela Companhia Brasileira de Metalurgia e Mineração, composta por resultados de testes de flotação em bancada realizados em amostras de minério provenientes de testemunhos de sondagem e de amostragem de frente de lavra. Esses ensaios contemplam etapas de preparação e beneficiamento mineral, incluindo moagem, separação magnética de baixa intensidade e flotação de pirocloro. A base de dados original era composta por seis mil quatrocentas e vinte e cinco amostras. Após um rigoroso processo de validação e controle de qualidade, foram selecionadas duas mil e oitenta e cinco amostras pertencentes a um único domínio geometalúrgico. O fluxo metodológico contemplou a partição dos dados em conjuntos de treinamento, teste e validação futura, a aplicação de validação cruzada em múltiplas partições e sementes aleatórias, a seleção de variáveis nos modelos estatísticos e de aprendizado de máquina, e a avaliação do desempenho preditivo por meio do erro percentual absoluto mediano, erro absoluto médio, raiz do erro quadrático médio e coeficiente de determinação. Os modelos estatísticos apresentaram desempenho elevado e estável, explicando até noventa e três por cento da variabilidade do rendimento, com baixos erros relativos. A regressão linear multivariada demonstrou elevada robustez preditiva, com erro percentual absoluto mediano da ordem de sete e meio por cento, mostrando-se adequada para aplicações operacionais. O teor de Nb2O5 destacou-se como o principal preditor do rendimento, enquanto os teores de Fe2O3, BaO, OTR e TiO2 contribuíram de forma incremental. Os resultados demonstram a viabilidade de estimar o rendimento a partir de espécies químicas de alimentação e evidenciam a complementaridade entre modelos lineares e algoritmos de aprendizado de máquina.

This dissertation presents a comparative analysis between statistical methods and machine learning techniques for estimating the yield of the niobium ore beneficiation process based on ore grades. In this study, yield is defined as the mass recovery to the concentrate, corresponding to the ratio between the mass of concentrate produced and the feed mass of the geometallurgical test. The evaluated methods included simple linear regression, multivariate linear regression, polynomial regression, and factorial regression, as well as decision tree and random forest algorithms. A geometallurgical database provided by Companhia Brasileira de Metalurgia e Mineração was used, comprising bench-scale flotation test results from ore samples obtained from drill cores and face sampling in the mining operation. These tests included mineral processing stages such as grinding, low-intensity magnetic separation, and pyrochlore flotation. The original database consisted of 6,425 samples. After a rigorous validation and quality control process, 2,085 samples belonging to a single geometallurgical domain were selected. The methodological workflow included data partitioning into training, testing, and future validation datasets, the application of cross-validation using multiple partitions and random seeds, variable selection for both statistical and machine learning models, and predictive performance assessment using median absolute percentage error, mean absolute error, root mean squared error, and coefficient of determination. The statistical models showed high and stable performance, explaining up to 93% of the yield variability with low relative errors. Multivariate linear regression demonstrated strong predictive robustness, with a median absolute percentage error of approximately 7.5%, proving suitable for operational applications. The Nb2O5 grade was identified as the main predictor of yield, while Fe2O3, BaO, REO, and TiO2 contributed incrementally to the models. The results demonstrate the feasibility of estimating yield from feed chemical composition and highlight the complementarity between linear models and machine learning algorithms.