Desenvolvimento de um modelo de sensor virtual para previsão de superfície específica do minério de ferro pós prensa

Este trabalho desenvolve um sensor virtual para prever a superfície específica (BSA) do minério de ferro após prensagem em HPGR, utilizando técnicas de aprendizado de máquina. A proposta surge da limitação dos métodos laboratoriais, que apresentam atrasos de até quatro horas, dificultando o controle da qualidade e elevando o retrabalho e o consumo energético. Foram analisados 12 meses de dados operacionais coletados em alta frequência (10 minutos) e dados laboratoriais de BSA obtidos periodicamente. O pré-processamento envolveu sincronização temporal entre variáveis de processo e variáveis de qualidade, tratamento de outliers, filtragem de registros incompatíveis com a operação do HPGR e seleção de atributos relevantes, resultando em um conjunto final com 27 variáveis preditoras. Diversos modelos de aprendizado supervisionado foram avaliados, incluindo Decision Tree, Random Forest, SVR, KNN, Regressão Ridge e Perceptron Multicamadas. Apesar de representarem um avanço em relação às abordagens lineares, os modelos tradicionais mostraram capacidade limitada para capturar a forte dependência temporal da variável-alvo. A fim de superar essa limitação, foram empregadas Redes Neurais Recorrentes (LSTM e GRU), incorporando janelas deslizantes de 48 passos para representar a sequência temporal do processo e compensar a defasagem inerente às medições laboratoriais. Os resultados demonstraram ganhos substanciais em relação aos modelos de aprendizado supervisionado. Os achados evidenciam que modelos recorrentes, especialmente a arquitetura LSTM, são altamente eficazes para construção de sensores virtuais aplicados à operação de HPGR, permitindo estimativas em tempo quase real da qualidade do minério e favorecendo ações preditivas no controle do processo. Os resultados demonstram que modelos recorrentes são altamente eficazes para sensores virtuais em HPGR, permitindo estimativas quase em tempo real e favorecendo decisões operacionais mais precisas. Recomenda-se, como continuidade, sua integração a gêmeos digitais e o uso de transfer learning e federated learning para ampliar a robustez e generalização em diferentes plantas.

This work develops a virtual sensor to predict the specific surface area (BSA) of iron ore after pressing in HPGR, using machine learning techniques. The proposal arises from the limitation of laboratory methods, which have delays of up to four hours, hindering quality control and increasing rework and energy consumption. Twelve months of operational data collected at high frequency (10 minutes) and laboratory BSA data obtained periodically were analyzed. Pre-processing involved temporal synchronization between process variables and quality variables, treatment of outliers, filtering of records incompatible with HPGR operation, and selection of relevant attributes, resulting in a final set of 27 predictor variables . Several supervised learning models were evaluated, including Decision Tree, Random Forest, SVR, KNN, Ridge Regression, and Multilayer Perceptron. Despite representing an advance over linear approaches, traditional models showed limited ability to capture the strong temporal dependence of the target variable. In order to overcome this limitation, Recurrent Neural Networks (LSTM and GRU) were employed, incorporating sliding windows of 48 steps to represent the temporal sequence of the process and compensate for the lag inherent in laboratory measurements. The results demonstrated substantial gains over supervised learning models. The findings show that recurrent models, especially the LSTM architecture, are highly effective for building virtual sensors applied to HPGR operation, allowing near real-time estimates of ore quality and favoring predictive actions in process control. The results demonstrate that recurrent models are highly effective for virtual sensors in HPGR, allowing near real-time estimates and favoring more accurate operational decisions. It is recommended, as a continuation, their integration with digital twins and the use of transfer learning and federated learning to increase robustness and generalization in different plants.