Estudo de Caso

Uso de machine learning para garantir maior recuperação metalúrgica

Entenda como a Inteligência Artificial ajudou a definir parâmetros de startup e reduzir a instabilidade na troca de pilhas de minério

Mineração

Da britagem ao transporte, soluções com grande vivência dos processos

Dados do Projeto

MELHORIA

1% de aumento

na recuperação metalúrgica

A solução permitiu melhorar os índices de recuperação

EVOLUÇÃO

+ de 30% de redução

no tempo entre campanhas

O tempo de troca de campanhas foi reduzido, permitindo produzir mais

ACEITAÇÃO

90% de utilização

pela equipe da planta

A solução teve um fator de utilização de 90%, o que mostra sua aprovação pela equipe

Contexto e Desafios

Na planta de beneficiamento do cliente, a composição diferente do material de cada nova pilha de minério que entrava fazia com que a estabilização do processo levasse muito tempo.​

Isso impactava na flotação, onde os operadores enfrentavam ​dificuldades para identificar bons parâmetros de dosagem, o que fazia com que reagentes fossem usados em excesso e levava a uma recuperação metalúrgica abaixo do ideal.​​

A equipe de planejamento passou a usar algumas características do material para buscar pilhas semelhantes no histórico e ver quais os parâmetros que melhor impactavam no KPI desejado. Nem por isso, contudo, os resultados foram satisfatórios, pois na prática as pilhas nem sempre se mostravam semelhantes, havendo mineralogias diferentes.​​

Era preciso explorar os dados e desenvolver um sistema que usasse machine learning para ir além de poucas características e, considerando a pilha como um todo, encontrasse outras realmente semelhantes. Isso passava pelos desafios de:

  1. Aprofundar o conhecimento sobre a instabilidade e como cada disciplina contribuía para ela
  2. Desenvolver um sistema que usasse de processos como classificação, clusterização e padrões operacionais para analisar a similaridade entre pilhas
  3. Testar na prática a efetividade do sistema na recuperação metalúrgica da planta

Soluções Utilizadas e Equipamentos Fornecidos

Fizemos um worshop usando Lean Inception para compreender melhor a instabilidade na transição entre pilhas e a contribuição de cada disciplina nesse processo, envolvendo todas as equipes do cliente. ​

Utilizamos algoritmos de Machine Learning programados em Python para classificar e clusterizar as pilhas, permitindo analisar sua similaridade de uma maneira mais inteligente e efetiva.​

Desenvolvemos um sistema que, se valendo dessa análise de similaridade, ​passou a buscar no histórico parâmetros que levaram a um melhor KPI operacional para pilhas semelhantes, prescrevendo faixas de operação móveis conforme a classificação da matéria prima. Em alguns casos, a solução informa alguns parâmetros para a aplicação de controle avançado existente na flotação.​​

Desenvolvemos uma interface no PI Vision que, com KPIs operacionais, orienta as equipes de engenharia de produção e operação na melhor tomada de decisão.

Especialistas

Data Scientist

Daniele Kappes

Prêmiações

No items found.

Whitepapers

No items found.

Fale com a gente.

Sabemos como é difícil encontrar ferramentas eficientes e soluções adequadas para seus problemas. Nosso time está à disposição para te ajudar a escolher a melhor solução, com base em nossa experiência nas mais diversas áreas da indústria.

Mensagem enviada!

Agora é só aguardar e nosso time irá entrar em contato você!
Oops! Seu formulário não pode ser enviado. Confira se os campos foram preenchidos corretamente e envie novamente.
Conecte-se com nosso time de especialistas nas diversas áreas da indústria.
Encontrar  especialistas

Uso de machine learning para garantir maior recuperação metalúrgica

Entenda como a Inteligência Artificial ajudou a definir parâmetros de startup e reduzir a instabilidade na troca de pilhas de minério

May 27, 2021

publicado por

Data Scientist

Daniele Kappes

MELHORIA

1% de aumento

na recuperação metalúrgica

A solução permitiu melhorar os índices de recuperação

EVOLUÇÃO

+ de 30% de redução

no tempo entre campanhas

O tempo de troca de campanhas foi reduzido, permitindo produzir mais

ACEITAÇÃO

90% de utilização

pela equipe da planta

A solução teve um fator de utilização de 90%, o que mostra sua aprovação pela equipe

Na planta de beneficiamento do cliente, a composição diferente do material de cada nova pilha de minério que entrava fazia com que a estabilização do processo levasse muito tempo.​

Isso impactava na flotação, onde os operadores enfrentavam ​dificuldades para identificar bons parâmetros de dosagem, o que fazia com que reagentes fossem usados em excesso e levava a uma recuperação metalúrgica abaixo do ideal.​​

A equipe de planejamento passou a usar algumas características do material para buscar pilhas semelhantes no histórico e ver quais os parâmetros que melhor impactavam no KPI desejado. Nem por isso, contudo, os resultados foram satisfatórios, pois na prática as pilhas nem sempre se mostravam semelhantes, havendo mineralogias diferentes.​​

Era preciso explorar os dados e desenvolver um sistema que usasse machine learning para ir além de poucas características e, considerando a pilha como um todo, encontrasse outras realmente semelhantes. Isso passava pelos desafios de:

  1. Aprofundar o conhecimento sobre a instabilidade e como cada disciplina contribuía para ela
  2. Desenvolver um sistema que usasse de processos como classificação, clusterização e padrões operacionais para analisar a similaridade entre pilhas
  3. Testar na prática a efetividade do sistema na recuperação metalúrgica da planta

Cases e Artigos Semelhantes

Fale com a gente.

Sabemos como é difícil encontrar ferramentas eficientes e soluções adequadas para seus problemas. Nosso time está à disposição para te ajudar a escolher a melhor solução, com base em nossa experiência nas mais diversas áreas da indústria.

Mensagem enviada!

Agora é só aguardar e nosso time irá entrar em contato você!
Oops! Seu formulário não pode ser enviado. Confira se os campos foram preenchidos corretamente e envie novamente.
Conecte-se com nosso time de especialistas nas diversas áreas da indústria.
Encontrar  especialistas