Implementação de pXRF para monitoramento rápido e controle de teores em minério de ferro

Abstract

As análises laboratoriais de teores em minério de ferro demandam tempo e infraestrutura. Este trabalho avaliou o potencial da fluorescência de raios X portátil (pXRF), integrada a métodos de aprendizado de máquina e geoestatística, para estimar teores laboratoriais em testemunhos de sondagem da Mina de Brucutu, no Quadrilátero Ferrífero. As leituras de pXRF foram realizadas em ambiente laboratorial e compostas para o suporte de 10 m. Foram avaliados os algoritmos Random Forest, Gradient Boosting, Support Vector Regression e K-Nearest Neighbors. O K-means também foi aplicado para identificar grupos com assinaturas geoquímicas semelhantes. Random Forest e Gradient Boosting apresentaram desempenho tecnicamente equivalente. O Gradient Boosting alcançou R² médio de 0,8496 e correlação de 0,9232. O Random Forest apresentou R² de 0,8470, correlação de 0,9222, MAE de 3,1468 e o menor MAPE entre os dois modelos, de 15,0555%. As previsões foram mais consistentes para Fe, Ca e Mg, enquanto P, Ti e FeO tiveram desempenho mais limitado. A modelagem de Fe por grupo indicou correlações mais elevadas em alguns subconjuntos, mas não comprovou melhoria global das previsões. A Krigagem dos Indicadores mostrou continuidade espacial dos grupos na escala analisada, porém teve caráter exploratório e não confirmou a existência de domínios geológicos independentes. Os resultados indicam que o pXRF pode fornecer variáveis úteis para modelos preditivos em condições laboratoriais. Sua aplicação no controle operacional ainda depende de validação externa, protocolos completos de QA/QC e integração com dados geológicos e mineralógicos.

Laboratory grade analyses in iron ore operations require time and infrastructure. This study evaluated the potential of portable X-ray fluorescence (pXRF), combined with machine learning and geostatistical methods, to estimate laboratory grades in drill cores from the Brucutu Mine, Quadrilátero Ferrífero, Brazil. The pXRF measurements were acquired under laboratory conditions and composited to a 10 m support. Random Forest, Gradient Boosting, Support Vector Regression, and K-Nearest Neighbors were evaluated. K-means was also applied to identify groups with similar geochemical signatures. Random Forest and Gradient Boosting achieved technically equivalent performance. Gradient Boosting yielded a mean R² of 0.8496 and a correlation coefficient of 0.9232. Random Forest yielded an R² of 0.8470, a correlation coefficient of 0.9222, an MAE of 3.1468, and the lower MAPE of the two models, at 15.0555%. Predictions were more consistent for Fe, Ca, and Mg, whereas P, Ti, and FeO showed more limited performance. Group-based Fe modeling produced higher correlations in some subsets but did not establish an overall improvement in prediction. Indicator kriging showed spatial continuity of the groups at the analyzed scale; however, this exploratory assessment did not confirm that they represent independent geological domains. The results indicate that pXRF data can provide useful predictor variables under laboratory conditions. Operational application still requires external validation, comprehensive QA/QC protocols, and integration with geological and mineralogical data.