Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação.

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Azevedo, Anderson Gonçalves de
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
dARK ID: ark:/61566/001300000kqqq
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Solos - compactação
Minérios de ferro
Rejeitos - metalurgia
Inteligência artificial
Mineralogia
Link de acesso: https://www.repositorio.ufop.br/handle/123456789/20234
Resumo: Programa de Pós-Graduação em Geotecnia. Núcleo de Geotecnia, Escola de Minas, Universidade Federal de Ouro Preto.
id UFOP_5d870155fffb59ed392f59d89df335da
oai_identifier_str oai:repositorio.ufop.br:123456789/20234
network_acronym_str UFOP
network_name_str Repositório Institucional da UFOP
repository_id_str
spelling Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação.Solos - compactaçãoMinérios de ferroRejeitos - metalurgiaInteligência artificialMineralogiaPrograma de Pós-Graduação em Geotecnia. Núcleo de Geotecnia, Escola de Minas, Universidade Federal de Ouro Preto.Dentro da cadeia de produção de minério de ferro, dar uma destinação adequada aos rejeitos gerados durante o processo de beneficiamento tem se mostrado um dos grandes desafios dos últimos anos. Entre as alternativas de disposição de rejeito, o uso do empilhamento filtrado é a técnica que, notavelmente, tem se consagrado no manejo dos rejeitos da mineração, sendo amplamente empregada. Para auxiliar na compreensão do comportamento mecânico do rejeito, ensaios de caracterização mineralógica e química têm sido realizados, de forma incremental, com o intuito de prever os efeitos de mudanças no minério proveniente da mina (ROM, do inglês run of mine) ou alterações nas etapas de beneficiamento sobre o rejeito e, consequentemente, sobre o controle tecnológico da pilha. Nesse contexto, o presente trabalho teve como objetivo avaliar a influência dos parâmetros mineralógicos e químicos sobre os parâmetros de compactação de um rejeito, a partir do uso de técnicas de estatística multivariada e aprendizado de máquina supervisionado. Para tal, foram construídos modelos preditivos com a variável densidade seca máxima (MDD) como variável resposta (dependente) e a variável umidade ótima (OMC) associada às variáveis mineralógicas/químicas como variáveis explicativas (independentes). Posteriormente, foram verificadas as métricas de validação de cada técnica utilizada para predição e interpretadas as importâncias das variáveis para predição da densidade seca máxima. De forma geral, foi possível identificar uma repetibilidade das importâncias na maioria das técnicas, com exceção para a Regressão Linear Múltipla (MLR), que apresentou problema de overfitting e comportamento distinto dos demais modelos. Essa repetibilidade sugere um consenso no entendimento de seus impactos sobre a densidade seca máxima. Nesse contexto, os resultados sugeriram que, para a amostra estudada, os minerais- minério GM e HE, e os minerais de ganga QI, QM e CA apresentaram maiores influências sobre os resultados do MDD. Para os resultados a partir das variáveis químicas, Fe, SiO2 e PPC destacaram-se, seguidos por Al2O3 com menor expressividade. Entre os impactos das variáveis de maiores importâncias sobre a densidade seca máxima foi possível observar ainda que, as variáveis explicativas QI, QM e SiO2 apresentaram proporcionalidade inversa, ao passo que as demais, um relação direta.Within the iron ore production chain, properly managing the tailings generated during the beneficiation process has proven to be one of the greatest challenges in recent years. Among the alternatives for tailings disposal, the use of filtered stacked tailings has notably established itself as a widely employed technique in tailings management. To aid in understanding the mechanical behavior of the tailings, mineralogical and chemical characterization tests have been incrementally conducted to predict the effects of changes in the ore from the mine (ROM, run of mine) or alterations in beneficiation stages on the tailings and, consequently, on the technological control of the stack. In this context, the present study aimed to evaluate the influence of mineralogical and chemical parameters on the compaction parameters of a tailings material using multivariate statistical techniques and supervised machine learning. For this purpose, predictive models were constructed with maximum dry density (MDD) as the dependent variable and optimum moisture content (OMC) associated with mineralogical/chemical variables as explanatory (independent) variables. Subsequently, validation metrics for each prediction technique used were assessed, and the importance of the variables for predicting maximum dry density was interpreted. Overall, it was possible to identify a repeatability of the variable importance across most techniques, except for Multiple Linear Regression (MLR), which exhibited overfitting issues and behavior distinct from other models. This repeatability suggests a consensus in understanding the impacts on maximum dry density. In this context, the results suggested that, for the sample studied, the ore minerals massive goethite and specular hematite, and the gangue minerals whole quartz, mixed quartz and kaolinite had the greatest influence on the MDD results. Regarding the results based on chemical variables, Fe, SiO2, and LOI stood out, followed by Al2O3 with lower significance. Among the impacts of the most important variables on maximum dry density, it was also possible to observe that the explanatory variables quartz and SiO2 showed an inverse proportionality, while the others displayed a direct relationship.Santos, Tatiana Barreto dosSantos, Tatiana Barreto dosNogueira, Francielle CâmaraMenezes, Danielle Aparecida deLopes, Paulo Filipe TrindadeAzevedo, Anderson Gonçalves de2025-06-06T20:19:52Z2025info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfAZEVEDO, A. G. de. Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação. 2025. 203 f. Dissertação (Mestrado em Geotecnia) – Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.https://www.repositorio.ufop.br/handle/123456789/20234ark:/61566/001300000kqqqAttribution-NoDerivs 3.0 United Stateshttp://creativecommons.org/licenses/by-nd/3.0/us/Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 29/05/2025 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite a adaptação.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOP2025-06-06T20:20:06Zoai:repositorio.ufop.br:123456789/20234Repositório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332025-06-06T20:20:06Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)false
dc.title.none.fl_str_mv Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação.
title Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação.
spellingShingle Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação.
Azevedo, Anderson Gonçalves de
Solos - compactação
Minérios de ferro
Rejeitos - metalurgia
Inteligência artificial
Mineralogia
title_short Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação.
title_full Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação.
title_fullStr Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação.
title_full_unstemmed Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação.
title_sort Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação.
author Azevedo, Anderson Gonçalves de
author_facet Azevedo, Anderson Gonçalves de
author_role author
dc.contributor.none.fl_str_mv Santos, Tatiana Barreto dos
Santos, Tatiana Barreto dos
Nogueira, Francielle Câmara
Menezes, Danielle Aparecida de
Lopes, Paulo Filipe Trindade
dc.contributor.author.fl_str_mv Azevedo, Anderson Gonçalves de
dc.subject.por.fl_str_mv Solos - compactação
Minérios de ferro
Rejeitos - metalurgia
Inteligência artificial
Mineralogia
topic Solos - compactação
Minérios de ferro
Rejeitos - metalurgia
Inteligência artificial
Mineralogia
description Programa de Pós-Graduação em Geotecnia. Núcleo de Geotecnia, Escola de Minas, Universidade Federal de Ouro Preto.
publishDate 2025
dc.date.none.fl_str_mv 2025-06-06T20:19:52Z
2025
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv AZEVEDO, A. G. de. Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação. 2025. 203 f. Dissertação (Mestrado em Geotecnia) – Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.
https://www.repositorio.ufop.br/handle/123456789/20234
dc.identifier.dark.fl_str_mv ark:/61566/001300000kqqq
identifier_str_mv AZEVEDO, A. G. de. Uso de técnicas de aprendizado de máquina e estatística multivariada para avaliação da influência da mineralogia e química de um rejeito de minério de ferro sobre seus parâmetros de compactação. 2025. 203 f. Dissertação (Mestrado em Geotecnia) – Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.
ark:/61566/001300000kqqq
url https://www.repositorio.ufop.br/handle/123456789/20234
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NoDerivs 3.0 United States
http://creativecommons.org/licenses/by-nd/3.0/us/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NoDerivs 3.0 United States
http://creativecommons.org/licenses/by-nd/3.0/us/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFOP
instname:Universidade Federal de Ouro Preto (UFOP)
instacron:UFOP
instname_str Universidade Federal de Ouro Preto (UFOP)
instacron_str UFOP
institution UFOP
reponame_str Repositório Institucional da UFOP
collection Repositório Institucional da UFOP
repository.name.fl_str_mv Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)
repository.mail.fl_str_mv repositorio@ufop.edu.br
_version_ 1856654663311425536

Registros relacionados