Predição simultânea de produtos e rejeitos em plantas de processamento de zinco e ouro a partir das características do minério

A geometalurgia vem se mostrando uma forte aliada da indústria mineral, por ser uma disciplina capaz de aumentar a eficiência e os lucros da operação, minimizar a ocorrência de eventos indesejados no beneficiamento mineral e levar a um melhor aproveitamento do minério. Todos benefícios que impactam diretamente no lado financeiro das operações. Apesar de serem raramente elaborados, modelos geometalúrgicos que incorporam variáveis que impactam diretamente no meio ambiente geram conhecimento a respeito do impacto ambiental da operação mineira, em termos de consumo de água e energia e até mesmo no volume de rejeitos gerados e suas características químicas. Neste contexto, este estudo propõe desenvolver uma metodologia capaz de elaborar, com dados já existentes, um modelo geometalúrgico que contemple variáveis com impacto financeiro e ambiental, visando fornecer insumos para que o planejamento de mina considere ambos fatores em seus estudos. Para atingir este objetivo, as recuperações mássica e metalúrgica de todos os pontos de saída de massa e metal no beneficiamento foram modeladas, sendo elas relacionadas à produtos vendáveis ou rejeitos. Ao final do estudo, quando todas as previsões relacionadas à recuperação mássica forem somadas, o fechamento mássico deve ser honrado. O mesmo deve ocorrer com o fechamento metalúrgico ao somar todas as previsões das variáveis de recuperação metalúrgica. Tendo em vista a necessidade do fechamento, optou-se por estudar uma técnica capaz de predizer todas as variáveis simultaneamente, o que possivelmente levaria à melhores resultados. Identificou-se a técnica de redes neurais artificiais como capaz de atender à tal requisito e os resultados gerados através desta técnica foram confrontados com os obtidos por outras três técnicas de estatística multivariada e machine learning. Ao avaliar as previsões, observou-se que a técnica de redes neurais apresentava resultados superiores às demais, mostrando-se a mais adequada para o propósito do estudo. Finalizada a elaboração do modelo, o passo seguinte foi reconciliar suas previsões com as respostas obtidas pela usina de processamento em uma operação industrial, visando comprovar sua eficiência. Para isso, 24 pilhas de minério da mina de zinco de Vazante tiveram sua passagem pela usina monitorada e as previsões feitas pelo modelo foram confrontadas com as respostas reais da planta. Os resultados mostraram-se excelentes para as variáveis de maior impacto financeiro e ambiental na operação, provando que a metodologia elaborada é adequada e pode ser utilizada na prática.Geometallurgy has proved to be beneficial to mining chain helping to improve operation earnings, minimize the occurrence of undesirable events during mineral beneficiation and to lead to a better ore utilization and recovery. All benefits described above impacts directly on the operation cash flow. Although rarely elaborated, geometallurgical models incorporating variables that directly impacts on the environment bring knowledge about the operation environmental impact, in terms of water and energy consumption and even about the quantity of tailings generated and its chemical characteristics. The focus of this study is to propose a methodology able to create, using the data available, a geometallurgical model that includes variables with financial and environmental impact, aiming at providing the needed inputs for the mining planning to consider both factors while planning. To achieve this goal, the mass and metallurgical recoveries of all mass and metal output points were modelled, being them related to saleable products or tailings. At the end of the study, when all the forecasts related to the mass recovery were added, the mass closure needs to be honored. The same needs to happen with the metallurgical closure when adding all the forecasts related to the metallurgical recovery variables. Bearing in mind this closure need, it was decided to investigate a technique able to forecast all variables simultaneously, which would probably bring better results. The neural networks technique was identified as able to meet this requirement and the results generated through this technique were compared against other three multivariate statistical and machine learning techniques. By evaluating the predictions, it was observed that the neural networks presented superior results than the other techniques, proving itself more appropriated to the study purposes. Finalized the model elaboration, the next step was to reconcile its forecasts against the actual beneficiation plant responses, aiming at checking its operational efficiency. Thus, 24 ore piles from Vazante zinc mine were monitored during their passage through the plant and the model forecasts were compared against the actual results. The results were excellent for the variables with highest financial and environmental impact, demonstrating that the elaborated methodology is adequate and can be used in practice