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

• Ano de defesa: 2025
• Autor(a) principal: Corsini, Eduardo Rizzo
• Orientador(a): Resende, Cassius Zanetti
• Banca de defesa: Cavalieri, Daniel Cruz, Moura, Ralf Luís de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Federal do Espírito Santo; Campus Serra
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia de Controle e Automação
• País: Brasil
• Palavras-chave em Português: Redes Neurais; Sensor Virtual; HPGR; Superfície Específica
• Área do conhecimento CNPq: Engenharias
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/8074

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.