Академический Документы
Профессиональный Документы
Культура Документы
OTIMIZAO DO PROCESSO DE
MOAGEM ATRAVS DO CONTROLE
ESTATSTICO DAS CARACTERSTICAS
MINERALGICAS DE PILHAS DE
MINRIO DE FERRO
Robert Cruzoaldo Maria (IFMG)
robert.maria@ifmg.edu.br
Lucelia Aparecida Radin (IFMG)
lucelia.radin@ifmg.edu.br
Jefferson Januario Mendes (IFMG)
jeffersonjmendes@gmail.com
Danilo Augusto Pereira de Sa (IFMG)
daniloaugustodesa@yahoo.com.br
Guilherme Alcantara Pinto (IFMG)
g.alcantara@live.com
1. Introduo
O mercado da siderurgia exige que os minrios de ferro utilizados em seus processos possuam
caractersticas qumicas, fsicas e mineralgicas dentro de valores pr-estabelecidos, uma vez
que essas propriedades esto diretamente relacionadas com o consumo de combustveis,
custos de produtividade e qualidade do produto final. A produo do ao a partir da extrao
das matrias primas at a obteno do produto final engloba um nmero considervel de
processos produtivos, tais como lavra, britagem, moagem, filtragem, pelotamento,
processamento trmico, reduo, fuso e refino, lingotamento contnuo, conformao
mecnica, etc. Salienta-se que existe um forte impacto da qualidade intrnseca dos minrios
sobre a produtividade destes processos.
Chaves e Peres (2012), afirmam que a estabilidade dos processos, assim como a melhoria dos
resultados atuais e o desenvolvimento de novas tecnologias, dependem fortemente do
conhecimento dos parmetros intrnsecos dos materiais, muito especialmente os atributos
mineralgicos. Muitos estudos tm sido conduzidos em escala de laboratrios e so poucos os
realizados em escala industrial, devido principalmente escassez de informaes sobre a
mineralogia dos tipos e das misturas de minrios de ferro empregados nos processos.
Diante disso, torna-se de grande importncia o equacionamento de modelos para nortear a
formao e otimizao de misturas de minrios de ferro de modo a aumentar a produtividade
e reduzir o consumo de energia do processo de moagem sem deixar de atender a todas s
especificaes dos clientes. Nesse contexto, a engenharia da qualidade, com suas tcnicas
estatsticas, se apresenta como uma maneira de controlar os processos de produo,
permitindo identificar e eliminar as causas dos eventuais problemas, conduzindo melhoria
contnua da organizao.
Assim sendo, prope-se desenvolver neste trabalho modelos estatsticos de regresso linear
mltipla para o controle das variveis ndice de Bond (Work Index) e Produtividade dos
Moinhos de uma usina siderrgica integrada em funo das caractersticas mineralgicas de
pilhas de minrios de ferro.
2. Referencial terico
2.1 O processo de moagem
Y
0
X X
1
...
Equao 1
e y y
i
Equao 2
Sua padronizao estatstica requer que os mesmos distribudos normalmente, ou seja, 95%
deles devem estar dentro do intervalo (-2, 2). Segundo Chagas (2008), os pontos fora desse
intervalo podem indicar a presena de outliers, que so observaes no usuais que devem ser
analisadas pelos analistas do processo. Frequentemente til plotar os resduos contra os
valores estimados da varivel resposta. O grfico resultante no deve apresentar nenhuma
tendenciosidade.
J o coeficiente de determinao (R2) mede a proporo de variabilidade presente nas
observaes da varivel resposta que explicada pelo uso das variveis regressoras no
modelo. Entretanto um alto valor de R2 no significa que o modelo encontrado seja bom, pois
a adio de uma varivel ao modelo pode aumentar R2, independente da varivel adicional ser
estatisticamente significativa. Por isso, necessrio compar-lo com o R2 ajustado, que
sensvel a entrada de novas variveis.
Para se validar os modelos estatsticos, deve-se atentar principalmente para dois testes de
hipteses, quais sejam: teste de hiptese para os parmetros do modelo (Teste T-Student) e
teste de hiptese para a significncia da regresso (Teste F-Snedecor). A partir da comparao
entre o valor do nvel descritivo calculado (p-value) e o nvel de significncia adotado,
analisa-se se a hiptese nula ser aceita ou rejeitada. H rejeio da hiptese nula quando o
nvel descritivo menor que o nvel de significncia utilizado.
Em problemas de regresso linear mltipla pode ocorrer, alm da dependncia entre a varivel
resposta y e os regressores x, tambm a dependncia entre os prprios regressores. Quando
essas dependncias forem fortes tem-se problemas de multicolinearidade. Ela pode acarretar
efeitos para as estimativas dos coeficientes de regresso e na aplicabilidade do modelo
estimado. Uma maneira de detectar a presena de multicolinearidade atravs da anlise dos
Fatores de Inflao da Varincia (Variance Inflation Factors - VIF). Quanto maior for o valor
do VIF, maior ser a multicolinearidade.
3. Metodologia
Realizou-se a anlise de um banco de dados contendo 19 variveis causas (preditoras) a saber:
Hematita Lamelar Monocristalina, Hematita Granular Monocristalina, Hematita Lamelar
Policristalina, Hematita Granular Policristalina, Hematita Monocristalina, Hematita
Policristalina, Hematita Lamelar, Hematita Granular, Martita, Martita Compacta, Martita
Porosa, Hematita Total, Magnetita, Goethita, Agregado Terroso, Hidrxido de Ferro Total,
Quartzo, Gibbsita e Outros. Como variveis respostas foram utilizadas o ndice de
moabilidade dos minrios das pilhas e o ndice de produtividade dos moinhos.
A varivel ndice de moabilidade dos minrios de cada pilha foi avaliada pelo ndice de Bond
(Work Index) que, de acordo com a NBR 11376, corresponde, numericamente, ao trabalho
necessrio para reduzir uma tonelada de minrio, desde um tamanho teoricamente infinito, at
80% da massa passante em 106m. medido em em kilowatt-hora por tonelada (kWh/ton) de
minrio modo, possibilitando, portanto, atravs de sua determinao, o clculo da energia
necessria para se moer o minrio. J a varivel produtividade representa a produo em
toneladas por hora (ton/h) de minrio de ferro na etapa de moagem de cada pilha.
O banco de dados foi enviado pela empresa no formato EXCEL contendo planilhas com as
descries das caractersticas mineralgicas de 32 pilhas de minrio de ferro.
Para melhor compreenso e julgamento estatstico do banco de dados, antes de serem
efetuadas as modelagens estatsticas, fez-se uma anlise descritiva das caractersticas
qumicas das pilhas de minrios de ferro utilizando o software MINITAB em sua verso 16.
Feito isso, desenvolveu-se modelos estatsticos de regresso linear mltipla para as duas
variveis respostas. Para tanto, novamente empregou-se o software MINITAB. A modelagem
estatstica compreendeu as seguintes etapas:
Selecionou-se o banco de dados, isto , a matriz de variveis explicativas e as
variveis respostas que seriam estudadas;
Determinou-se a matriz de correlao entre as variveis explicativas;
Analisou-se a correlao entre estas variveis;
Disps-se as variveis em vrios subgrupos formando assim diversas configuraes e
combinaes para o mesmo banco de dados visando minimizar os efeitos da
multicolinearidade;
4. Resultados e Discusses
4.1 Estatstica descritiva das caractersticas mineralgicas
Em relao aos minerais de ferro, a hematita a fase mineralgica mais abundante seguida do
hidrxido de ferro, magnetita, quartzo, gibbsita e outros. O valor mdio (% em peso) da
hematita da ordem de 81,21% enquanto que o hidrxido de ferro apresenta uma mdia de
16,41%. A pilha 30 apresenta uma maior concentrao de hidrxido (em torno de 40%) sendo
que este alto valor em relao mdia acarretar maior perda por calcinao (PPC) e
consequentemente ser exigido um maior aporte trmico (maior consumo de combustvel) na
etapa de queima das pelotas.
O teor de magnetita mdio nas pilhas est em torno de 0,864%. Os maiores valores de
magnetita so encontrado nas pilhas 1, 22, 24, 25 cujos valores so respectivamente: 1,91%;
3,47%; 1,69%; 1,53%. Um maior valor de magnetita implica em uma maior liberao de
energia na etapa de queima do processo de pelotizao, uma vez que a reao de oxidao da
magnetita exotrmica. As demais mineralogias: quartzo, gibbsita e outros cujas mdias so
respectivamente 0,831%, 0,179% e 0,422% esto em menor quantidade refletindo o elevado
teor em minerais de ferro e baixos valores para elementos deletrios.
A hematita pode ser dividida nas seguintes categorias tipolgicas: martita (47,10%), hematita
lamelar monocristalina (11,679%), hematita granular monocristalina (7,778%), hematita
lamelar policristalina (8,204%) e hematita granular policristalina (6,447%). A figura 1 ilustra
isso. Nota-se que a martita a principal categoria tipolgica de hematita que compem as 32
pilhas estudadas.
Figura 1 Composio mineralgica para diferentes pilhas de minrio de ferro (% em peso)
100%
90%
80%
Minerais (%)
70%
60%
50%
40%
30%
20%
10%
32
Mdia
31
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
0%
Pilhas
Hematita lamelar monocristalina
Martita
Magnetita
Goethita Masiva
Agregado Terroso
Quartzo
Gibbsita
Outros
Mnimo
Mximo
Mdia
5,520
3,790
11,060
3,560
2,800
6,660
10,810
8,100
56,440
9,140
13,500
28,250
0,250
20,020
14,960
34,010
14,500
11,940
25,320
28,110
21,550
89,720
38,140
38,980
62,400
3,470
11,679
7,778
19,460
8,204
6,447
14,651
19,883
14,225
81,210
24,120
22,980
47,100
0,864
Desvio
Padro
3,275
3,233
6,020
2,666
2,184
4,221
4,347
3,759
7,750
7,500
7,900
9,100
0,610
5,160
2,530
8,030
0,320
0,000
0,000
Goethita massiva
Agregado terroso
Hidrxido de ferro
Quartzo
Gibbsita
Outros
28,630
19,120
41,880
1,290
0,660
1,730
10,504
5,910
16,410
0,831
0,179
0,422
5,391
4,000
7,950
0,276
0,214
0,585
Tabela 2 Estatstica descritiva para as variveis respostas das caractersticas mineralgicas estudadas
Resultados
Mnimo
Mximo
Mdia
8,080
287,000
12,130
371,130
10,595
349,560
Desvio
Padro
0,859
18,350
R2
R2 aj.
81,0%
71,6%
80,9%
73,3%
77,8%
67,5%
76,5%
65,6%
P-Value
Constante
MC
MP
MAGNETITA
GOETHITA
QUARTZO
OUTROS
HL
Constante
HEMATITA
MARTITA
MAGNETITA
GOETHITA
QUARTZO
OUTROS
Constante
HLM
HGP
GOETHITA
AT
QUARTZO
OUTROS
MAGNETITA
Constante
HLM
HLP
MC
MP
MAGNETITA
GOETHITA
0,562
0,001
0,005
0,003
0,000
0,006
0,005
0,000
0,017
0,000
0,048
0,001
0,000
0,005
0,000
0,000
0,018
0,008
0,000
0,008
0,009
0,015
0,032
0,397
0,001
0,000
0,004
0,006
0,035
0,001
VIF
9,1
6,2
1,2
7,2
1,6
1,4
6,5
8,0
1,2
1,2
8,1
1,6
2,1
1,4
1,6
1,7
1,5
2,0
1,5
1,3
3,6
2,5
9,2
6,4
1,3
6,5
C-p
R2
R2 aj.
94,6%
92,4%
92,9%
90,9%
86,9%
82,9%
84,3%
77,4%
P-Value
Constante
HGM
HGP
MAGNETITA
AT
QUARTZO
GIBBSITA
OUTROS
Constante
HGM
HGP
MAGNETITA
QUARTZO
GIBBSITA
Constante
HG
HL
GOETHITA
QUARTZO
GIBBSITA
Constante
HGP
HLM
MARTITA
HF
QUARTZO
GIBBSITA
OUTROS
0,000
0,000
0,000
0,000
0,001
0,000
0,000
0,013
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,007
0,000
0,000
0,000
0,000
0,000
0,006
0,000
0,000
0,003
0,001
0,014
VIF
1,7
1,6
1,2
1,3
2,1
1,9
2,2
1,3
1,6
1,2
2,0
1,1
1,7
1,8
1,5
1,3
1,2
2,0
4,2
7,4
8,8
2,0
1,8
2,0
C-p
10
Vrios foram os modelos encontrados, dentre os quais destaca-se os modelos supracitados que
atenderam aos critrios estatsticos pr-estabelecidos. Percebe-se que as caractersticas
mineralgicas explicam de maneira bastante satisfatria a produtividade dos moinhos.
Nota-se que, neste caso, tambm no houve a necessidade de propor modelos sem interceptos,
uma vez que todos os P-Values se encontram dentro da faixa de aceitao, ou seja, menores
que 0,05. Alm disso, os valores do VIF (Variance Inflation Factors - Fatores de Inflao da
Varincia) se encontram abaixo de 10, o que significa a inexistncia do problema de
multicolineridade.
Os valores para os coeficientes de determinao (R2), mostram que no mnimo 84,3% da
variabilidade presente nas observaes da varivel resposta redutibilidade so explicadas
pelas variveis causas presentes nos modelos encontrados, alm dos valores de R2 se
encontrarem muito prximos dos valores de R2ajustado.
5. Concluses
A metodologia utilizada mostrou-se satisfatria para desenvolvimento de modelos de
regresso linear estatisticamente corretos das variveis respostas em funo das variveis
explicativas.
Com base nas informaes contidas neste material e no que foi exposto at aqui, pode-se fazer
algumas inferncias sobre os modelos de regresso linear mltipla encontrados, quais sejam:
Para esta varivel encontrou-se quatro equaes que atenderam rigorosamente aos critrios
estatsticos pr-estabelecidos. Assim sendo, conclui-se mais uma vez que as caractersticas
mineralgicas dos minrios de ferro conseguem explicar a produtividade dos moinhos. Diante
dos modelos obtidos, verificou-se que as variveis quartzo e hematita granular policristalina
11
proporcionam uma diminuio da produtividade dos moinhos. Por outro lado, estas mesmas
equaes apontam que as variveis gibbsita e hematita granular monocristalina ajudam a
melhorar a produtividade dos moinhos.
Por fim, ressalta-se que a formulao destes modelos de regresso linear mltipla permitir
empresa a otimizar suas misturas de minrios de ferro no intuito de aumentar a produtividade
e reduzir o consumo de energia eltrica no processo de moagem.
REFERNCIAS
ABNT, Associao Brasileira de Normas Tcnicas. Moinho de bolas, determinao do ndice de trabalho: NBR
11376. Rio de Janeiro, 1990.
CHAGAS, T. T. R. A moabilidade na moagem secundria de pellet-feeds de minrios de ferro em funo da
mineralogia, qumica e microestrutura. Dissertao (Mestrado) - Universidade Federal de Ouro Preto. Escola de
Minas. Rede Temtica em Engenharia de Materiais, 2008.
CHAVES, A. P. ; PERES, A.E.C. Teoria e Prtica do Tratamento de Minrios - Britagem, peneiramento e
moagem. Volume 3, 5 ed. Oficina de Textos: So Paulo, 2012.
LUZ, A. B; FIGUEIRA, H. V. O; ALMEIDA, S. L. M.. Tratamento de minrios. 5 ed. CETEM/MCT: Rio de
Janeiro, 2010.
MONTGOMERY, D. C; RUNGER, G. C. Estatstica Aplicada e Probabilidade para Engenheiros 4 Edio.
LTC: Rio de Janeiro, 2009.
ROSIRE, C. A; VIEIRA, C. B; SESHADRI, V; CHEMALE Jr., F. Classificao Gentica de Minrios de
Ferro Problemas e Vcios Proposta de uma Classificao Tipolgica para a Indstria. In: 28 Seminrio de
Reduo de Minrio de Ferro, ABM: So Paulo, 1997.
12
0,50
Residual
90
Percent
50
10
0,25
0,00
-0,25
-0,50
-0,50
-0,25
0,00
Residual
0,25
0,50
9,5
10,5
11,0
Fitted Value
11,5
0,50
0,25
Residual
Frequency
Histograma de Resduos
10,0
2
1
0,00
-0,25
-0,50
-0,4
-0,2
0,0
Residual
0,2
0,4
8 10 12 14 16 18 20
Observation Order
22
Equao 2:
NDICE DE BOND = - 9,80 + 0,210 HEMATITA - 0,0224 MARTITA + 0,479 MAGNETITA
+ 0,254 GOETHITA + 0,970 QUARTZO + 0,730 OUTROS
ANLISE RESIDUAL: NDICE DE BOND
Resduos Versus Valores Estimados
99
0,50
90
0,25
Residual
Percent
50
10
1
0,00
-0,25
-0,50
-0,50
-0,25
0,00
0,25
Residual
0,50
9,5
Histograma de Resduos
11,5
4,5
Residual
Frequency
10,5
11,0
Fitted Value
0,50
6,0
3,0
1,5
0,0
10,0
0,00
-0,25
-0,50
-0,6
-0,4
-0,2
0,0
Residual
0,2
0,4
8 10 12 14 16 18 20
Observation Order
22
13
Equao 3:
NDICE DE BOND = 6,98 + 0,0719 HLM + 0,155 HGP + 0,101 GOETHITA - 0,0934 AT
+ 1,14 QUARTZO + 0,419 OUTROS + 0,322 MAGNETITA
99
0,50
Residual
Percent
90
50
0,25
0,00
-0,25
10
-0,50
1
-0,8
-0,4
0,0
Residual
0,4
0,8
10,0
Histograma de Resduos
10,5
11,0
Fitted Value
11,5
12,0
6,0
0,50
Residual
Frequency
4,5
3,0
1,5
0,25
0,00
-0,25
-0,50
0,0
-0,4
-0,2
0,0
0,2
Residual
0,4
0,6
8 10 12 14 16 18 20 22
Observation Order
Equao 4:
NDICE DE BOND = 1,81 + 0,151 HLM + 0,222 HLP + 0,0904 MC + 0,0707 MP
+ 0,273 MAGNETITA + 0,124 GOETHITA
99
0,50
90
0,25
Residual
Percent
50
10
1
-0,50
-0,25
0,00
Residual
0,25
0,00
-0,25
-0,50
0,50
Histograma de Resduos
11,0
Fitted Value
11,5
12,0
0,25
3,6
Residual
Frequency
10,5
0,50
4,8
2,4
1,2
0,0
10,0
-0,4
-0,2
0,0
0,2
Residual
0,4
0,00
-0,25
-0,50
6
8 10 12 14 16
Observation Order
18
20
14
99
90
Residual
Percent
50
10
1
0
-2
-4
-5,0
-2,5
0,0
Residual
2,5
5,0
340
Histograma de Resduos
360
370
6,0
4,5
Residual
Frequency
350
Fitted Value
3,0
1,5
0
-2
-4
0,0
-4
-2
0
Residual
8 10 12 14 16 18 20 22 24
Observation Order
Equao 2:
PRODUTIVIDADE = 376 + 1,92 HGM - 3,84 HGP + 4,30 MAGNETITA - 26,2 QUARTZO
+ 21,6 GIBBSITA
99
90
Residual
Percent
50
10
1
-5,0
-2,5
0,0
Residual
2,5
0
-2
-4
5,0
Histograma de Resduos
360
370
3,6
Residual
Frequency
350
Fitted Value
4,8
2,4
1,2
0,0
340
-4
-2
0
Residual
2
0
-2
-4
8 10 12 14 16 18
Observation Order
20 22
15
Equao 3:
PRODUTIVIDADE = 289 + 1,56 HG + 0,778 HL + 1,02 GOETHITA + 15,3 QUARTZO
+ 20,5 GIBBSITA
Residual
Percent
90
50
10
-5
1
-10
-5
0
Residual
10
340
Histograma de Resduos
5
Residual
Frequency
370
4
2
0
350
360
Fitted Value
-5
-8
-6
-4
-2
0
Residual
8 10 12 14 16
Observation Order
18
20
22
Equao 4:
PRODUTIVIDADE = 504 - 5,95 HGP - 1,97 HLM - 1,29 MARTITA - 1,27 HF
- 14,0 QUARTZO + 21,3 GIBBSITA - 5,16 OUTROS
99
5,0
Residual
Percent
90
50
10
2,5
0,0
-2,5
-5,0
1
-10
-5
0
Residual
10
340
Histograma de Resduos
5,0
Residual
Frequency
370
4
2
0
350
360
Fitted Value
2,5
0,0
-2,5
-5,0
-6
-3
0
Residual
16
2
8 10 12 14 16 18 20 22 24
Observation Order
17