Modelagem da umidade dos embarques de produtos de minério de ferro fino para auxiliar no controle e gestão de riscos ao TML (Limite de Umidade Transportável)

Cunha, Rogério Rabelo (2022)

dissertação de mestrado

RESUMO: O transporte marítimo de cargas sólidas a granel envolve riscos muito sérios à embarcação, seus tripulantes e ao meio ambiente, e é regulamentado pela IMO (International Maritime Organization), que criou o IMSBC (International Maritime Solid Bulk Cargoes Code), e recomendou aos órgãos governamentais, para adoção ou uso como base para regulamentações nacionais. De acordo com o IMSBC, granéis sólidos susceptíveis à liquefação são cargas que podem se liquefazer caso embarcadas com umidade acima do seu TML (Transportable Moisture Limit). O uso de modelos empíricos para predição de umidade de embarque toma uma grande dimensão neste contexto, permitindo que as decisões sejam tomadas em tempo hábil, para garantir a segurança da carga e a conformidade com os requisitos regulatórios. Neste trabalho, foi utilizado um banco de dados de embarques de finos de minérios de ferro de aproximadamente 980 cargas, com informações de qualidade química, umidade e granulometria e foram construídos três diferentes modelos para predição da umidade do embarque (séries temporais e regressões e redes neurais artificiais) e os resultados comparados a fim de verificar qual o mais indicado. Os modelos de redes neurais artificiais conseguiram explicar uma maior correlação, chegando a 90%, sendo, portanto, mais adequados para aplicação industrial.

ABSTRACT: Bulk cargos maritime transportation represents significant risks to the vessel, its crew, and the environment, and is duly regulated by IMO (International Maritime Organization), who created the IMSBC (International Maritime Solid Bulk Cargoes Code) and recommended to governmental institutions to use it directly or as a foundation to their national regulations. According to IMSBC, bulk cargoes susceptible to liquefaction are those which can be liquefied if loaded with moisture above its TML (Transportable Moisture Limit). The application of empirical models for moisture prediction takes huge importance in this context, supporting due time decisions to guarantee the overall safety cargo and regulatory requirements compliance. Over 980 iron ore fines cargoes database, with chemical quality, moisture and size distribution were studied. In this work tree different models were developed to cargo moisture prediction (time series, regression, and artificial neural network) and outcomes compared against each other. The obtained results showed artificial neural network models were able to explain higher variance, over 90%, thus being more suitable to industrial application.


Collections: