Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro.
Ano de defesa: | 2020 |
---|---|
Autor(a) principal: | |
Orientador(a): | , |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
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: | |
Link de acesso: | http://www.repositorio.ufop.br/handle/123456789/13058 |
Resumo: | Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto. |
id |
UFOP_67cfcda085789d5cb99dcc906653da34 |
---|---|
oai_identifier_str |
oai:localhost:123456789/13058 |
network_acronym_str |
UFOP |
network_name_str |
Repositório Institucional da UFOP |
repository_id_str |
|
spelling |
Guedes, Érick Victor de OliveiraCocota Júnior, José Alberto NavesReis, Agnaldo José da RochaLuz, José Aurélio Medeiros daAlmeida, Silvia Grasiella MoreiraCocota Júnior, José Alberto NavesReis, Agnaldo José da Rocha2021-01-22T15:18:06Z2021-01-22T15:18:06Z2020GUEDES, Érick Victor de Oliveira. Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. 2020. 75 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2020.http://www.repositorio.ufop.br/handle/123456789/13058Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.A flotação surgiu para a concentração onde propriedades classicamente utilizadas (densidade, suscetibilidade magnética, eletrocondutividade) possuem contraste insuficiente ou que apresentem faixas granulométricas muito finas, e passou a ser muito utilizada em áreas como a mineração. Este processo consiste da captação de partículas hidrofóbicas por bolhas de ar e sua flotação, fazendo a separação de tais partículas das hidrofílicas, que se mantêm em suspensão. Para permitir a separação de materiais que naturalmente não apresentam diferenças v em suas propriedades de hidrofobicidade, são utilizados reagentes para induzir as características desejadas. Como a medição do teor e obtenção da recuperação do mineral, objetivos primários do processo, acontece por meio de análise laboratorial que demanda um período de 2 horas, é proposto o desenvolvimento de um soft sensor para sua obtenção em tempo real. Um soft sensor utiliza um modelo desenvolvido para reunir diversas variáveis relevantes a um processo e inferir uma medição para as variáveis de saída desejadas. Os dados coletados de uma linha de flotação passaram por dois métodos de redução de dimensionalidade paralelamente, o RReliefF e o Principal Component Analysis (PCA), e foram utilizados para treinamento, validação e teste dos modelos propostos. Para a modelagem do soft sensor foram utilizadas as técnicas de Redes Neurais Artificiais (RNA) e de Random Forest (RF). Para o treinamento das RNA, foram usados os algoritmos de Levenberg-Marquardt (LM) e o Scaled Conjugate Gradient (SCG). Os desempenhos dos métodos utilizados foram comparados e são apresentados neste texto.The flotation process emerged to be used where properties classically used (density, magnetic susceptibility, electroconductivity) have insuficient contrast or present very fine particle sizes, and became largely used in areas such as mining. This process consists of the capture and flotation of hydrophobic particles by air bubbles, separating these particles from the hydrophilic ones, which remain in suspension. In order to allow the separation of minerals that naturally do not exhibit differences in its hydrophobic properties, reagents are added to induce the desired characteristics. Given that the measurement of the vii process’ primary objectives, concentrate grade and recovery, is realized through laboratory analysis which demands a 2 hours period, this work proposes the development of a soft sensor to infer these data in real time. A soft sensor uses a model to gather several variables relevant to the process and infer a measurement to the desired output variables. Two methods of dimensionality reduction were applied in parallel to the data collected from a flotation line, the RReliefF and the principal component analysis (PCA), before the data was used for training, validation and test of the proposed models. Artificial neural networks (ANN) and Random Forests (RF) were used to model the soft sensor. For training the ANN, it was used the Levenberg-Marquardt (LM) algorithm and the Scaled Conjugate Gradient (SCG). The performance of the methods used were compared and are presented in this text.Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 09/12/2020 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 o uso para fins comerciais nem a adaptação.info:eu-repo/semantics/openAccessFlotaçãoSoft sensor - softwareRedes neurais - computaçãoRandom ForestAplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro.Artificial neural networks and Random Forest based soft sensor applied to the real time prediction of iron ore content in the iron ore froth flotation concentrate.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOPLICENSElicense.txtlicense.txttext/plain; charset=utf-8924http://www.repositorio.ufop.br/bitstream/123456789/13058/5/license.txt62604f8d955274beb56c80ce1ee5dcaeMD55CC-LICENSElicense_urllicense_urltext/plain; charset=utf-849http://www.repositorio.ufop.br/bitstream/123456789/13058/2/license_url4afdbb8c545fd630ea7db775da747b2fMD52license_textlicense_texttext/html; charset=utf-80http://www.repositorio.ufop.br/bitstream/123456789/13058/3/license_textd41d8cd98f00b204e9800998ecf8427eMD53license_rdflicense_rdfapplication/rdf+xml; charset=utf-80http://www.repositorio.ufop.br/bitstream/123456789/13058/4/license_rdfd41d8cd98f00b204e9800998ecf8427eMD54ORIGINALDISSERTAÇÃO_AplicaçãoSoftSensor.pdfDISSERTAÇÃO_AplicaçãoSoftSensor.pdfapplication/pdf3120012http://www.repositorio.ufop.br/bitstream/123456789/13058/1/DISSERTA%c3%87%c3%83O_Aplica%c3%a7%c3%a3oSoftSensor.pdf3e3f5914c793dd2f2b262af8bba7835eMD51123456789/130582021-01-22 10:18:06.013oai:localhost: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ório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332021-01-22T15:18:06Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. |
dc.title.alternative.pt_BR.fl_str_mv |
Artificial neural networks and Random Forest based soft sensor applied to the real time prediction of iron ore content in the iron ore froth flotation concentrate. |
title |
Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. |
spellingShingle |
Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. Guedes, Érick Victor de Oliveira Flotação Soft sensor - software Redes neurais - computação Random Forest |
title_short |
Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. |
title_full |
Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. |
title_fullStr |
Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. |
title_full_unstemmed |
Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. |
title_sort |
Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. |
author |
Guedes, Érick Victor de Oliveira |
author_facet |
Guedes, Érick Victor de Oliveira |
author_role |
author |
dc.contributor.referee.pt_BR.fl_str_mv |
Cocota Júnior, José Alberto Naves Reis, Agnaldo José da Rocha Luz, José Aurélio Medeiros da Almeida, Silvia Grasiella Moreira |
dc.contributor.author.fl_str_mv |
Guedes, Érick Victor de Oliveira |
dc.contributor.advisor1.fl_str_mv |
Cocota Júnior, José Alberto Naves Reis, Agnaldo José da Rocha |
contributor_str_mv |
Cocota Júnior, José Alberto Naves Reis, Agnaldo José da Rocha |
dc.subject.por.fl_str_mv |
Flotação Soft sensor - software Redes neurais - computação Random Forest |
topic |
Flotação Soft sensor - software Redes neurais - computação Random Forest |
description |
Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020 |
dc.date.accessioned.fl_str_mv |
2021-01-22T15:18:06Z |
dc.date.available.fl_str_mv |
2021-01-22T15:18:06Z |
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.citation.fl_str_mv |
GUEDES, Érick Victor de Oliveira. Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. 2020. 75 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2020. |
dc.identifier.uri.fl_str_mv |
http://www.repositorio.ufop.br/handle/123456789/13058 |
identifier_str_mv |
GUEDES, Érick Victor de Oliveira. Aplicação de soft sensor baseado em redes neurais artificiais e Random Forest para predição em tempo real do teor de ferro no concentrado da flotação de minério de ferro. 2020. 75 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2020. |
url |
http://www.repositorio.ufop.br/handle/123456789/13058 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
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 |
bitstream.url.fl_str_mv |
http://www.repositorio.ufop.br/bitstream/123456789/13058/5/license.txt http://www.repositorio.ufop.br/bitstream/123456789/13058/2/license_url http://www.repositorio.ufop.br/bitstream/123456789/13058/3/license_text http://www.repositorio.ufop.br/bitstream/123456789/13058/4/license_rdf http://www.repositorio.ufop.br/bitstream/123456789/13058/1/DISSERTA%c3%87%c3%83O_Aplica%c3%a7%c3%a3oSoftSensor.pdf |
bitstream.checksum.fl_str_mv |
62604f8d955274beb56c80ce1ee5dcae 4afdbb8c545fd630ea7db775da747b2f d41d8cd98f00b204e9800998ecf8427e d41d8cd98f00b204e9800998ecf8427e 3e3f5914c793dd2f2b262af8bba7835e |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
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_ |
1797950934172565504 |