A Beyond Mining é uma Mining Tech focada no desenvolvimento de plataformas baseadas em Inteligência Artificial e Machine Learning para solucionar problemas do dia-a-dia da operação, trazendo previsibilidade, otimização e simulação para dentro do chão de mina. Atua desde 2019 nos principais hubs de inovação focados na indústria da mineração, o Mining Hub e o FIEMG Lab Challenges, além ser uma startup acelerada pelo InovAtiva Brasil e pelo programa FIEMG Lab 4.0, além de um portfólio de clientes conta que com empresas como Vale, Anglo American, Mineração Rio do Norte e AngloGold Ashanti.

SITE: Beyond Mining

Ciclo: M-Spot Ciclo 1

Mineradora Madrinha: Vale

Desafio

O FeO no sínter de minério de ferro forma-se durante o processo de queima de sinterização, por meio das reações de oxidação/redução dos óxidos de ferro. Vários fatores como composição mineralógica, temperatura, combustível e permeabilidade podem estar relacionados com a formação do FeO durante a queima. O teor de FeO do sínter tem relação direta com a sua qualidade, pois afeta a resistência física e comportamento metalúrgico durante a redução no A&F.  Visto isso, medir o FeO do sínter logo após ele ser produzido é essencial para realizar ajustes no processo. Atualmente a única maneira de fazer essa medida é por ensaios químicos de via úmida, que exigem cerca de 2 a 3 dias para serem finalizados. Os ensaios de via úmida ainda exigem que as amostras sejam preparadas (pulverizadas) antes de serem enviadas ao laboratório. A solução deverá ser capaz de medir o FeO de forma direta ou indireta em sínteres produzidos na máquina piloto de sinterização com menor tempo de resposta.

Solução

A partir das bases de dados relacionadas ao processo de sinterização de minério de Ferro, será desenvolvido, usando Machine Learning e Inteligência Artificial, um modelo matemático preditivo capaz de medir o teor de FeO no sínter, de forma indireta, integrando todas as variáveis do processo, tais como cadastro de matérias primas, composição mineralógica, distribuição granulométrica, morfologia dos grãos, temperatura, combustível, permeabilidade, cálculo de cargas e balanços de massa, ou qualquer outro parâmetro que esteja relacionado com a formação do FeO durante a queima, sempre validando os resultados com os dados históricos.  A ferramenta terá um módulo de entrada de parâmetros e um módulo com o resultado da previsão, principais KPIs e gráficos, como por exemplo, um gráfico que demonstra o teor de FeO do sinter em função de algum KPI importante, como resistência física e comportamento metalúrgico durante a redução, ou qualquer outro gargalo de operação.

Resultados e vantagens

Previsibilidade do teor de FeO no sinter em tempo hábil na perspectiva da operação, alcançando uma correlação (R²) de mais de 90%, permitindo tomadas de decisão ágeis e preditivas para ajustes de parâmetros operacionais. Ganho de tempo e economia de custos, uma vez que a aplicação da ferramenta não necessitará dos ensaios via úmida para medição de FeO.