XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

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

As indstrias de um modo geral, buscam constantemente a reduo do

consumo de energia e aumento da produtividade em seus processos.
No setor de minerao no diferente. Assim, uma das etapas do
processamento mineral que mais consome energia a moagem. Dentre
os parmetros que interferem tanto na qualidade final do produto
quanto no desempenho da moagem, esto as caractersticas
mineralgicas. Diante deste contexto, prope-se desenvolver neste
trabalho, modelos estatsticos de regresso linear mltipla para
variveis respostas de processos mnero-metalrgicos (ndice de bond work index e produtividade dos moinhos) de uma mineradora em
funo dos parmetros mineralgicos oriundos de pilhas de minrios
de ferro. Este estudo foi de grande valia para a melhor compreenso
da influncia dessas caractersticas sobre as variveis respostas do
processo de moagem. Ressalta-se que os modelos desenvolvidos so
importantes para o controle e otimizao deste processo de modo a
reduzir o consumo de energia e aumentar a produtividade, bem como
alcanar ndices que atendam rigorosamente as especificaes dos
clientes, sejam eles internos ou externos.
Palavras-chave: Regresso Linear; Minerao; Moagem; Controle de
Processos.

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

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

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

A moagem o ltimo estgio do processo de fragmentao. Nesse estgio, as partculas so

reduzidas pela combinao de impacto, abraso, compresso e atrito, a um tamanho adequado
liberao do mineral, geralmente, a ser concentrado nos processos subsequentes. Cada
minrio tem uma malha tima para ser modo, dependendo de muitos fatores incluindo a
distribuio de mineral til na ganga e o processo de separao que ser usado em seguida.
Para Luz et al (2010), a moagem a rea da fragmentao que requer maiores investimentos,
maior gasto de energia e considerada uma operao importante para o bom desempenho de
uma instalao de tratamento. A submoagem do minrio resulta num produto grosso com
liberao parcial do mineral til inviabilizando o processo de concentrao. Neste caso, a
recuperao parcial do minrio til e a baixa razo de enriquecimento respondem pela
inviabilidade do processo. A sobremoagem tambm no desejada, pois ela reduz o tamanho
das partculas desnecessariamente, o que acarretar maior consumo de energia e perdas no
processo de concentrao.
Assim, percebe-se que a moagem deve ser muito bem estudada na etapa de dimensionamento
e escolha de equipamento e muito bem controlada na etapa de operao da usina, pois o bom
desempenho de uma instalao industrial depende em muito da operao de moagem.

2.2 Caractersticas mineralgicas

A caracterizao mineralgica descreve quais minerais esto presentes no minrio. A
composio mineralgica a principal condicionante do comportamento dos minrios nas
etapas dos processos de minerao e de siderurgia. Essa composio mineralgica contribui
para a melhoria das qualidades fsicas das pelotas de minrio de ferro e, por consequncia,
influencia a produtividade da pelotizao e o manuseio subsequente das pelotas.
Para Rosire et al (1997), todas as caractersticas intrnsecas dos minrios esto intimamente
relacionadas no somente com a gnese primordial das formaes ferrferas e dos minrios
associados, mas tambm com os processos geolgicos subsequentes a que foram submetidos.
Por isso, esses autores sugeriram a utilizao de uma classificao tipolgica de minrios de
ferro que fornea indstria mnero-metalrgica relevantes informaes para anlise de suas
caractersticas e a pesquisa de seu melhor aproveitamento, desde a frente de lavra at os
processos siderrgicos.

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

fundamental a definio de alguns fatores que devem sempre acompanhar a caracterizao

de um minrio, tais como: mineralogia quantitativa e qualitativa, aspectos de forma e tamanho
dos cristais e poros, tipo de trama (para partculas policristalinas), dentre outras.
Nessa classificao, os minrios seriam magnetticos e hematticos, dependendo do
predomnio de cada um desses constituintes.
Os minrios hematticos so classificados nos seguintes tipos, dependendo das suas
caractersticas microscpicas:
Martticos - quando forem constatadas evidncias do processo de oxidao da
magnetita;
Granulares - quando inexistirem quaisquer evidncias de martitizao quer por
recristalizao ou pelo fato de nunca haver existido uma fase intermediria. Nesse
contexto enquadram-se tambm minrios jaspilticos, de baixo grau de cristalinidade,
onde se desenvolve hematita micro ou criptocristalina, em funo do baixo grau de
metamorfismo por eles sofridos e que podero ser classificados como microgranulares.
Especularticos quando predominarem cristais tabulares, denominados de especularita.
Os minrios goethticos, considerados nessa classificao, representam casos especiais onde
hidrxidos de ferro ocorreriam em propores elevadas o suficiente para afetarem, mas no
inviabilizarem, sua utilizao no processo de pelotizao. O termo goethtico dever ocorrer
geralmente como adjetivo aos tipos hematticos martticos, granulares, especulares e/ou
magnetticos.

2.3 Conceitos Estatsticos

Nos modelos de regresso linear mltiplos (MRLM), a varivel dependente ou resposta Y
pode estar relacionada com k variveis explicativas ou independentes.
A equao 1 mostra o MRLM apresentado por Montgomery e Runger (2009).

Y
0

X X
1

...

Equao 1

Os parmetros j, j = 0,...,k so chamados de coeficientes de regresso. Este modelo descreve

um hiperplano no espao k-dimensional.

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

Ainda em consonncia com os autores supracitados, torna-se necessria a suposio de que os

erros sejam variveis aleatrias, no correlacionadas com mdia zero e varincia constante
para que se possa estimar os parmetros do mesmo. J os testes de hipteses e a estimao de
intervalos de confiana requerem que os erros sejam normalmente distribudos.
Os resduos so definidos de acordo com a equao 2 apresentada a seguir.

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.

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

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;

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

Usou-se a rotina Anlise de Regresso para elaborao de modelos de regresso linear

mltipla para cada combinao pesquisada;
Fez-se a retirada de variveis seguindo o critrio do P-Value, isto , retirou-se a
varivel que apresentava o maior P-Value e aplicou-se a rotina Anlise de Regresso
novamente at todas as variveis se tornarem significativas para o modelo (PValue < 0,05);
Em seguida, fez-se uma anlise de vrios parmetros estatsticos (R e Rajustado,
VIF, P-Value), de diversos grficos bem como uma anlise residual de cada modelo
gerado;
Selecionou-se os modelos estatisticamente corretos.

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

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

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

Hematita granular monocristalina

Hematita lamelar policristalina

Hematita granular policristalina

Martita

Magnetita

Goethita Masiva

Agregado Terroso

Quartzo

Gibbsita

Outros

Na tabela 1 so apresentados os resultados dos valores mximos e mnimos, mdia e desvio

padro das variveis causas. Em seguida, na tabela 2 apresentada a estatstica descritiva de
cada uma das duas variveis respostas estudadas.
Tabela 1 Estatstica descritiva para as variveis causas das caractersticas mineralgicas estudadas
Mineral

Mnimo

Mximo

Mdia

Hematita lamelar monocristalina

Hematita granular monocristalina
Hematita monocristalina
Hematita lamelar policristalina
Hematita granular policristalina
Hematita policristalina
Hematita lamelar
Hematita granular
Hematita
Martita compacta
Martita porosa
Martita
Magnetita

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

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

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

ndice de Bond (kWh/ton)

Produtividade (ton/h)

8,080
287,000

12,130
371,130

10,595
349,560

Desvio
Padro
0,859
18,350

4.2 Modelagem Estatstica

Aps a anlise via estatstica descritiva, apresenta-se os modelos estatsticos encontrados.
Ressalta-se que a anlise residual para validao dos modelos apresentada no anexo A.
Na tabela 3 so apresentados os melhores modelos das combinaes formadas que atenderam
rigorosamente aos parmetros estatsticos pr-estabelecidos para a varivel resposta ndice de
Bond.
Tabela 3 - Modelos estatisticamente corretos para ndice de bond relacionado s caractersticas mineralgicas
MODELOS PARA O NDICE DE BOND

R2

R2 aj.

NDICE DE BOND = - 1,40 + 0,118 MC +

0,0765 MP + 0,412 MAGNETITA + 0,186
GOETHITA + 0,963 QUARTZO + 0,427
OUTROS + 0,199 HL

81,0%

71,6%

NDICE DE BOND = - 9,80 + 0,210

HEMATITA - 0,0224 MARTITA + 0,479
MAGNETITA + 0,254 GOETHITA + 0,970
QUARTZO + 0,730 OUTROS

80,9%

73,3%

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

77,8%

67,5%

NDICE DE BOND = 1,81 + 0,151 HLM + 0,222

HLP + 0,0904 MC + 0,0707 MP + 0,273
MAGNETITA + 0,124 GOETHITA

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

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

Dentre os modelos encontrados, apresentou-se modelos estatisticamente corretos de regresso

linear mltipla. Nota-se que as caractersticas mineralgicas explicam de maneira
razoavelmente satisfatria o ndice de bond.
Analisando os parmetros estatsticos, percebe-se que na primeira e na ltima equao o PValue das constantes (0,562 e 0,397, respectivamente) so superiores a 0,05, donde pode-se
propor a construo de modelos sem o termo independente.
Os valores para os coeficientes de determinao (R2), mostram que no mnimo 76,5% da
variabilidade presente nas observaes do ndice de bond so explicadas pelas variveis
causas presentes nos modelos encontrados, alm dos valores de R2 se encontrarem prximos
dos valores de R2ajustado.
Na tabela 4 so apresentados os melhores modelos das combinaes formadas que atenderam
rigorosamente aos parmetros estatsticos pr-estabelecidos para a varivel resposta
Produtividade.
Tabela 4 - Modelos estatisticamente corretos para a produtividade relacionada s caractersticas mineralgicas
MODELOS PARA PRODUTIVIDADE

R2

R2 aj.

PRODUTIVIDADE = 373 + 1,90 HGM - 3,79

HGP + 5,00 MAGNETITA + 0,483 AT - 27,4
QUARTZO + 30,1 GIBBSITA - 3,39 OUTROS

94,6%

92,4%

PRODUTIVIDADE = 376 + 1,92 HGM - 3,84

HGP + 4,30 MAGNETITA - 26,2 QUARTZO +
21,6 GIBBSITA

92,9%

90,9%

PRODUTIVIDADE = 289 + 1,56 HG + 0,778

HL + 1,02 GOETHITA + 15,3 QUARTZO +
20,5 GIBBSITA

86,9%

82,9%

PRODUTIVIDADE = 504 - 5,95 HGP - 1,97

HLM - 1,29 MARTITA - 1,27 HF - 14,0
QUARTZO + 21,3 GIBBSITA - 5,16 OUTROS

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

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

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:

Varivel Resposta ndice de Bond

Mediante as equaes encontradas para o ndice de bond, conclui-se que as caractersticas

mineralgicas dos minrios de ferro conseguem explicar esta varivel. Foram obtidos quatro
modelos atravs dos quais ficou evidente a importncias das variveis explicativas goethita,
magnetita, martita compacta, martita porosa e quartzo, sendo que todas elas provocam um
aumento do ndice de bond e consequentemente do consumo de energia eltrica.

Varivel Resposta Produtividade dos Moinhos

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

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

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

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

ANEXO A Anlise Residual dos Modelos Estatsticos

Caractersticas Mineralgicas - ndice de Bond
Equao 1:
NDICE DE BOND = - 1,40 + 0,118 MC + 0,0765 MP + 0,412 MAGNETITA + 0,186 GOETHITA +
0,963 QUARTZO + 0,427 OUTROS + 0,199 HL
ANLISE RESIDUAL: NDICE DE BOND
Grfico de Probabilidade Normal dos Resduos
99

0,50

Residual

90

Percent

Resduos Versus Valores Estimados

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

Resduos Versus Ordem dos Dados

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

Grfico de Probabilidade Normal dos Resduos

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

Resduos Versus Ordem dos Dados

0,25

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

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

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

ANLISE RESIDUAL: NDICE DE BOND

Grfico de Probabilidade Normal dos Resduos

Resduos Versus Valores Estimados

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

Resduos Versus Ordem dos Dados

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

ANLISE RESIDUAL: NDICE DE BOND

Resduos Versus Valores Estimados

99

0,50

90

0,25

Residual

Percent

Grfico de Probabilidade Normal dos Resduos

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

Resduos Versus Ordem dos Dados

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

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

Caractersticas Mineralgicas - Produtividade

Equao 1:
PRODUTIVIDADE = 373 + 1,90 HGM - 3,79 HGP + 5,00 MAGNETITA + 0,483 AT
- 27,4 QUARTZO + 30,1 GIBBSITA - 3,39 OUTROS

ANLISE RESIDUAL: PRODUTIVIDADE

Resduos VersusValores Estimados

99

90

Residual

Percent

Grfico de Probabilidade Normal dos Resduos

50
10
1

0
-2
-4

-5,0

-2,5

0,0
Residual

2,5

5,0

340

Histograma de Resduos

360

370

Resduos Versus Ordem dos Dados

4

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

ANLISE RESIDUAL: PRODUTIVIDADE

Resduos Versus Valores Estimados

99

90

Residual

Percent

Grfico de Probabilidade Normal dos Resduos

50
10
1

-5,0

-2,5

0,0
Residual

2,5

0
-2
-4

5,0

Histograma de Resduos

360

370

Resduos Versus Ordem dos Dados

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

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

Equao 3:
PRODUTIVIDADE = 289 + 1,56 HG + 0,778 HL + 1,02 GOETHITA + 15,3 QUARTZO
+ 20,5 GIBBSITA

ANLISE RESIDUAL: PRODUTIVIDADE

Grfico de Probabilidade Normal dos Resduos
99

Resduos Versus Valores Estimados

5

Residual

Percent

90
50
10

-5

1
-10

-5

0
Residual

10

340

Histograma de Resduos
5

Residual

Frequency

370

Resduos Versus Ordem dos Dados

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

ANLISE RESIDUAL: PRODUTIVIDADE

Grfico de Probabilidade Normal dos Resduos

Resduos Versus Valores Estimados

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

Resduos Versus Ordem dos Dados

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

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produo

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

17