APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NO MODELAMENTO MATEMÁTICO DAS VARIÁVEIS DE PROCESSO PARA A OBTENÇÃO DE PELOTAS CRUAS DE MINÉRIO DE FERRO

Transcrição

1 APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NO MODELAMENTO MATEMÁTICO DAS VARIÁVEIS DE PROCESSO PARA A OBTENÇÃO DE PELOTAS CRUAS DE MINÉRIO DE FERRO M. Chagas 1, M. L. P. Machado 1, J.B. Conti,¹ E.F. Jesus 2 1 Ifes Instituto Federal do Espírito Santo PROPEMM Avenida Vitória, 1729 Bairro Jucutuquara, Vitória-ES - marcelo.chagas@ifes.edu.br 2 Vale S/A, ES, Brasil RESUMO A aglomeração do minério de ferro tem por objetivo aproveitar a parcela mais fina gerada durante o processo de extração e beneficiamento do minério, transformando assim um material que até então seria um rejeito do processo em um produto com alto valor agregado. Este estudo focou especificamente o processo de aglomeração das pelotas cruas nas usinas de pelotização, conduzido em discos pelotizadores, sendo esta uma etapa decisiva na qualidade do produto final e o conhecimento de suas particularidades de fundamental importância na otimização do processo. Avaliando a sensibilidade das variáveis envolvidas no processo de aglomeração das pelotas cruas por meio de redes neurais artificiais, o modelo resultou na identificação de variáveis que afetam significativamente a qualidade da pelota crua, bem como desenvolveu um modelo computacional capaz de promover a otimizações na preparação, produção e controle de qualidade das pelotas cruas produzidas. Palavras-chave: Pelotização, Minério de Ferro, Rede Neural Artificial. INTRODUÇÃO O Processo de pelotização A aglomeração do minério de ferro surgiu com a necessidade de tornar mais produtivo o processo de produção de matérias primas ligada à indústria siderúrgica, 4155

2 pelo aproveitamento da parcela mais fina gerada durante o processo de extração e beneficiamento do minério, transformando assim um material rico em ferro que até então seria um rejeito do processo em um produto com alto valor agregado (1). A pelota de minério de ferro é um aglomerado com formato aproximado de uma esfera com algumas propriedades notáveis como: Distribuição granulométrica entre 9 mm e 15 mm, alto teor de ferro (em torno de 66%), propriedades mineralógicas uniformes, resistência mecânica alta e uniforme, baixa tendência à abrasão e bom comportamento durante o transporte (2). O processo de produção de pelotas de minério de ferro compreende várias etapas como a separação da matéria prima, moagem, classificação segundo a granulometria, aglomeração e processos de secagem, queima, e resfriamento. Este estudo focou especificamente o processo de aglomeração das pelotas cruas nas usinas de pelotização, onde o minério de ferro com seus aditivos, principalmente aglomerantes e carvão, é revolvido formando aglomerados usando como forças de atração a tensão superficial e a capilaridade da água presente na forma de umidade na mistura. Desta forma, a pelota é formada pelo rolamento da mistura crescendo como uma bola de neve (2). O método das redes neurais artificiais A rede neural artificial é um modelo matemático desenvolvido para análise de dados mapeando entradas e saídas com aplicações na predição de parâmetros, mapeamento de variáveis e classificação de padrões. Para isto, é disposta uma sequência de neurônios artificiais que, com o auxilio de algoritmo de treinamento, mapeia grandes sequencias de dados. A figura 1 mostra, esquematicamente, uma arquitetura de rede neural (3). Fig.1 Arquitetura de uma RNA tipo Feedforward 4156

3 A complexidade dos equipamentos envolvidos no processo de pelotização, a grande quantidade de fatores inter-relacionados e a dificuldade de desenvolver experimentos em uma condição fabril nos conduzem ao modelamento matemático que possui grande aplicação na metalurgia (4). O método das redes neurais artificiais tem mostrado grande confiabilidade e respostas rápidas em diversas áreas, provando ser uma escolha adequada quando se pretende conseguir uma análise preditiva generalista, englobando uma grande quantidade de variáveis. As redes neurais têm a capacidade de captar relações não lineares e altamente complexas entre as entradas e saídas do processo. São computacionalmente eficientes e não exigem o conhecimento prévio do processo a ser modelado (5). O presente trabalho buscou mapear a importância das variáveis na etapa de geração das pelotas cruas durante o processo de pelotização, analisando variáveis de entrada, tais como: granulometria da matéria prima, composição dos constituintes, umidade presente na mistura, velocidade de rotação do disco pelotizador e superfície específica do material. Além disso, correlacionar estas variáveis de entrada com as características qualitativas da pelota crua, como: resiliência, diâmetro médio e distribuição granulométrica. MATERIAL E MÉTODO Procedimento computacional Uma sequencia de 5000 dados industriais obtidos do processo de pelotização foram usados para criar uma rede neural artificial (RNA) com a arquitetura Multilayer Perceptron (MLP), do tipo feedforward, com uma camada composta por variáveis de entrada do processo contendo nove neurônios. A tabela 1 apresenta os valores médios da sequência de dados do processo, assim como, o desvio padrão para cada um deles. A porcentagem em peso dos principais aditivos constituintes da polpa como: sílica (SiO 2 ) - presente no minério de ferro; cal hidratado (CaO) - que tem ação como aglomerante e agente de basicidade; carvão com composição dividida entre carbono fixo, material volátil e cinzas; e água - presente na mistura em forma de umidade e que confere características plásticas à polpa. 4157

4 A superfície específica corresponde à razão entre a área dos pós da matériaprima e sua massa, e está relacionada com as interações entre sólidos e líquidos da polpa. A porcentagem dos pós com granulometria abaixo de 325 mesh (0,044mm) é também apresentada na tabela 1. A rede neural é seguida de uma camada implícita com 19 neurônios e uma camada de saída com 3 neurônios relacionados aos parâmetros de saída do processo, sendo estas: o diâmetro médio das pelotas, a porcentagem de pelotas com diâmetro entre 10 mm e 16 mm e a resiliência. Este último, tem como fator de medição o teste de números de quedas, onde a pelota crua cai de uma altura de 46 cm sobre uma placa de aço sendo verificado o número de quedas antes do surgimento de fissuras ou desintegração da mesma (2). Foram utilizados: o algoritmo de treinamento Levenberg Marquard, a função de aprendizado do gradiente descendente e a função de desempenho do erro quadrático médio. A análise de sensibilidade foi conduzida para inferir sobre a importância relativa de cada variável. A contribuição de cada uma é estimada considerando a razão entre os resultados de erro médio quadrático da RNA na condição original, com o erro médio quadrático em uma condição em que uma das variáveis é considerada indisponível. Esta relação indica a deterioração no desempenho de RNA para cada variável (6), mostrando assim sua contribuição no resultado global. Tabela 1 Variáveis de entrada Variáveis Média Desvio Padrão SiO 2 (%) 2,34 0,13 CaO (%) 0,49 0,27 Carbono Fixo (%) 0,98 0,07 Superfície específica (m 2 /kg) 1.850,00 - <325 Mesh (%) 80,82 2,88 Umidade (%) 8,80 0,31 Volateis (%) 10,73 0,98 Cinzas (%) 16,77 1,00 Rotação (RPM) 6,58 0,36 RESULTADOS E DISCUSSÃO Após as fases de treinamento, teste e validação da rede neural utilizando os dados de processo, verificou-se a convergência dos parâmetros de saída da RNA 4158

5 com os dados industriais (tabela 2), indicando que o modelo matemático foi adequado aos dados de entrada. Isto também pode ser observado nas figuras 2 a 4, onde estão representados, graficamente, os resultados obtidos com a RNA. Tab.2 Coeficientes de regressão para os parâmetros de saída Parâmetros de saída Treinamento Teste Validação 10 < D <16 mm 0,87 0,88 0,82 Diâmetro Médio 0,84 0,85 0,77 Resiliência (número de quedas) 0,70 0,66 0,64 O gráfico da figura 5 compara a contribuição relativa de cada variável no desempenho global da RNA. Observou- se que a variável de maior influencia nas saídas do processo foi a velocidade de rotação do disco pelotizador, seguido da porcentagem de CaO na mistura do material bruto. A ação destas variáveis é mostrada na tabela 3, onde a velocidade de rotação do disco pelotizador influenciou no aumento do diâmetro médio das pelotas cruas e uma maior porcentagem de pelotas entre 10 e 16 mm, porém não influenciou significativamente na resiliência. Já a porcentagem de CaO influenciou negativamente a resiliência e não ocasionou em grandes alterações no diâmetro médio nem na parcela de pelotas com diâmetro entre 10 e 16 mm. Rotação (RPM) Tab. 3 Contribuição das variáveis de maior influencia 10 < D <16 mm Diâmetro Médio Resiliência (número de quedas) CaO (%) A rotação do disco pelotizador foi a variável de maior influencia no processo, sendo cerca de quatro vezes maior que as demais, o que atinge diretamente o tempo de residência da pelota e a espessura das camadas internas de minério e aditivos no disco. Desta forma, em rotações mais altas, existe a tendência da camada superior do disco, constituída por pelotas de maior diâmetro, aumentar de espessura na periferia devido a maior energia cinética. Com isto as pelotas com diâmetros maiores são expulsas, o que resulta em um diâmetro médio mais elevado. 4159

6 Em rotação mais baixa, ao contrário, a camada superior na periferia do disco diminui de espessura. Como consequência, pelotas maiores não possuem energia cinética suficiente para deixar o disco, diminuindo assim o diâmetro médio das pelotas neste caso ainda, existe a tendência de porções mais finas agregarem-se à pelota crua, diminuindo sua qualidade. Assim, uma rotação bem ajustada gera pelotas de boa qualidade e em uma faixa estreita de granulometria. O CaO tem relevância na formação das pelotas pela sua ação aglomerante e por ser agente aditivo de basicidade. Pequenas modulações em sua quantidade não mostram grandes variações na granulometria das pelotas cruas, porém, comprometem seu desempenho no teste de resiliência. Além disso, o CaO age na basicidade da polpa, alterando suas características de dispersão. Fig. 2 Regressão do diâmetro médio Fig. 3 - Regressão de pelotas entre 10 e 16 mm Fig. 4 Regressão do índice de resiliência Fig. 5 Razão entre erros por variável 4160

7 CONCLUSÃO O modelo de RNA mostrou ser capaz de realizar análise de sensibilidade de variáveis de processo de uma usina de pelotizatização, visando melhorias na qualidade do produto final. Este modelo identificou as variáveis que afetam significativamente a qualidade da pelota crua. A velocidade de rotação do disco apresentou significância cerca de quatro vezes superior em relação às demais variáveis. A quantidade de CaO na mistura foi a segunda variável mais significante, atuando com maior intensidade na resiliência das pelotas cruas. Enquanto a rotação age fisicamente no processo, influenciando na distribuição granulométrica das pelotas, a quantidade de CaO age nas propriedades químicas da polpa, afetando na propriedade aglomerante da massa. Diante dos resultados obtidos neste estudo futuras modulações no processo de pelotização poderão ser feitas com maior eficácia. AGRADECIMENTOS Agradecimentos a Vale S/A e Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pelo financiamento. REFERÊNCIAS [1] THELLA, J. S.; VENUGOPAL, R. Modeling of iron ore pelletization using 3 ** (k p) factorial design of experiments and polynomial surface regression methodology. Powder Technology, v.211, p , [2] MEYER, K. Pelletizing of Iron Ores, Springer-Verlag Berlin, Heidelberg, and Verlag Stahleisen mbh, Dusseldorf, [3] HAYKIN, S. Redes Neurais: Princípio e Prática. São Paulo: Bookman, [4] TIMOFEEVA, A. S. et al. Optimizing the granulometric composition of pellets obtained on a disc pelletizer. Metallurgist, v. 57, n. 5 6, [5] DWARAPUDI, S.; GUPTA, P.K.; RAO, S.M. Prediction of Iron Ore Pellet Strength Using Artificial Neural Network Model. ISIJ International, v. 47, n. 1, p ,

8 [6] STATSOFT. Sensitivity analysis (in Neural Network). Disponível em: Analysis. Acesso em: 13 set APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN MATHEMATICAL MODELING OF PROCESS VARIABLES FOR OBTAINING IRON ORE GREEN PELLETS ABSTRACT The agglomeration of iron ore aims to take advantage of the thinner portion generated during the mining and processing of iron ore, thus transforming a material that hitherto would be a waste of the process in a product with high added value. This study focused specifically on the process of agglomeration of raw pellets in the pellet plants, conducted in pelletizing disks, which is a decisive stage in the final product quality and knowledge of their peculiarities of fundamental importance in process optimization. Evaluating the sensitivity of the variables involved in the agglomeration of the green pellets by means of artificial neural networks process, the paper resulted in the identification of variables that significantly affect the quality of the green pellets, and developed a computer model capable of promoting optimizations in the preparation, production and quality control of green pellets produced. Keywords: Pelletization, Iron ore, Artificial Neural Network 4162