Aplicação de redes neurais no circuito da moagem em uma usina de pelotização

Abstract

RESUMO: O Brasil encontra-se entre os 10 maiores produtores de minério de ferro do mundo, sendo cerca de 25% dessa produção referente a pellet feed, dos quais 59% são absorvidos na produção de pelotas. A cominuição é uma das etapas unitárias mais importantes do processo de pelotização e é a operação mais dispendiosa do circuito de concentração do minério. A partir da aplicação de redes neurais artificiais este trabalho teve como objetivo analisar a influência das características do minério que abastece a moagem e das variáveis operacionais do moinho e do classificador. Foi analisado um banco de dados de 90 dias de produção de pelotas para redução direta de uma usina de pelotização do estado do Espírito Santo. Foi, então, desenvolvida uma rede neural artificial capaz de predizer a porcentagem de minério produto da moagem com granulometria passante na malha de 45 µm. A rede avaliou a influência de variáveis do minério de alimentação da moagem e de ajustes de processo de moagem e de classificação. A rede neural mostrou-se capaz de prever a granulometria < 45 µm de maneira satisfatória com um R² de 0,94. Por fim, ao analisar a influência das variáveis de processo, constatou-se que a taxa de alimentação de minério na moagem é a variável que possuí maior influência sobre o ganho de granulometria, seguida pela densidade de ciclonagem e a granulometria do minério de alimentação.

ABSTRACT: Brazil is among the 10 largest iron ore producers in the world, and around 25% of this production refers to pellet feed, which 59% is absorbed in the production of pellets. Comminution is one of the most important unit steps in the pelletizing process and is the most expensive operation of the ore concentration circuit. From the application of artificial neural networks this work had as objective to analyze an influence of the characteristics of the iron ore and the operational variables of the mill and the classifier. A database of 90 days of production of pellets for direct reduction of a pellet plant in the state of Espírito Santo was analyzed. It was then developed an artificial neural network capable of predicting a percentage of ore product of grinding which granulometry in the 45 mesh. The network evaluates an influence of feed ore iron variables and process and sorting adjustments. The neural network was able to predict the granulometry <45 µm satisfactorily with a R² of 0.94. Finally, when analyzing an influence of the process variables, it was verified that the feed rate of ore in the milling is a variable that has the greatest influence on the granulometry gain, followed by the density of the cyclone and a granulometry of ore feeding.