Title

Aplicação de Marchine Learning, para predição de degradação da espessura de correia transportadora de minério: Um estudo de caso em transportador de material estéril (overland) em complexo mina de Serra Sul (S11D), no estado do Pará

Application of Machine Learning for predicting conveyor belt thickness degradation: A case study in an overland waste material conveyor at the Serra Sul Mining Complex (S11D), state of Pará

Authorship

SILVA, WILSON CHARLES SILVA DA; TRINDADE, RAIMUNDO MOISES MENDES; SOUSA, MATEUS DA SILVA

SILVA, WILSON CHARLES SILVA DA

I am this author

TRINDADE, RAIMUNDO MOISES MENDES

I am this author

SOUSA, MATEUS DA SILVA

I am this author

DOI

10.5151/2594-5327-44331

Downloads

Abstract

Este trabalho apresenta o desenvolvimento de um modelo preditivo para apoiar a tomada de decisão na manutenção de correias transportadoras no Complexo Serra Sul (S11D), integrante do Sistema Norte da Vale, responsável por grande parte da produção de minério de ferro da companhia. As correias são ativos críticos para a operação, e sua manutenção impacta diretamente custos, produtividade e segurança. A proposta consiste na aplicação de um modelo de séries temporais do tipo ARIMA para estimar a degradação da camada superior da correia a partir de dados históricos de espessura obtidos por inspeções de campo. Utilizando a metodologia CRISP-DM, o estudo estruturou as etapas de coleta, tratamento, modelagem e validação dos dados, permitindo a construção de um modelo capaz de prever o desgaste ao longo do tempo. Os resultados indicaram que o modelo possibilita ampliar o ciclo de substituição das correias de 18 para 24 meses, sem aumento do risco operacional. Essa mudança resulta em redução significativa de custos de manutenção, aumento da disponibilidade física dos ativos e diminuição das horas de parada programada. Conclui-se que o uso de inteligência artificial na manutenção preditiva contribui para maior eficiência operacional, melhor planejamento e tomada de decisão mais assertiva

This work presents the development of a predictive model to support decision-making in conveyor belt maintenance at the Serra Sul Complex (S11D), part of Vale’s Northern System, which is responsible for a large share of the company’s iron ore production. Conveyor belts are critical assets for operations, and their maintenance directly impacts costs, productivity, and safety. The proposal consists of applying an ARIMA-type time series model to estimate the degradation of the belt’s top cover based on historical thickness data obtained through field inspections. Using the CRISP-DM methodology, the study structured the stages of data collection, processing, modeling, and validation, enabling the development of a model capable of forecasting wear over time. The results indicated that the model makes it possible to extend the belt replacement cycle from 18 to 24 months without increasing operational risk. This change leads to a significant reduction in maintenance costs, increased asset availability, and a decrease in scheduled downtime. It is concluded that the use of artificial intelligence in predictive maintenance contributes to greater operational efficiency, improved planning, and more accurate decision-making.

Keywords

Mina, Manutenção, Marchine Learnig

Mining, Maintenance, Machine Learning