Title

Predição e explicabilidade do tml utilizando aprendizado de máquina

Prediction and Explainability of TML Using Machine Learning

Authorship

FERREIRA, RODRIGO FINA; GOMES, RODRIGO MARTINS; MELO, ROSSANA; POLICARPO, DANY LUIZ VIEIRA

FERREIRA, RODRIGO FINA

I am this author

GOMES, RODRIGO MARTINS

I am this author

MELO, ROSSANA

I am this author

POLICARPO, DANY LUIZ VIEIRA

I am this author

DOI

10.5151/2594-357X-44313

Downloads

Abstract

O presente trabalho propõe uma abordagem baseada em aprendizado de máquina para predição do Limite de Umidade Transportável (TML) em finos de minério de ferro, parâmetro crítico para mitigação do risco de instabilidade durante o transporte marítimo. A metodologia foi aplicada a um conjunto de 136 amostras industriais, avaliando diferentes algoritmos e cenários de variáveis, incluindo dados operacionais, mineralógicos e granulométricos. Os resultados demonstraram que modelos baseados apenas em variáveis disponíveis na rotina operacional apresentam elevado desempenho (erro médio absoluto de 0,12), equivalente a cenários mais complexos, destacando o Random Forest como o modelo mais eficiente. Adicionalmente, o uso da técnica SHAP permitiu interpretar os modelos, identificando as variáveis mais influentes no TML e sua direção de impacto. A principal contribuição do estudo para a gestão de riscos está na possibilidade de prever o TML de forma rápida e confiável antes do embarque, reduzindo a dependência de ensaios demorados e permitindo decisões preventivas. A ferramenta proposta aumenta a segurança operacional, melhora o controle de umidade e apoia a otimização de blends, contribuindo para a mitigação do risco.

This study proposes a machine learning–based approach to predict the Transportable Moisture Limit (TML) of iron ore fines, a critical parameter for mitigating instability risks during maritime transport. The methodology was applied to a dataset of 136 industrial samples, evaluating multiple algorithms and variable scenarios, including operational, mineralogical, and granulometric data. Results show that models using only routinely available operational variables achieve high performance (mean absolute error of 0.12), comparable to more complex scenarios, with Random Forest identified as the most effective model. Additionally, the use of SHAP techniques enabled model interpretability by identifying the most influential variables and their impact on TML predictions. The main contribution to risk management lies in enabling fast and reliable TML prediction prior to shipment, reducing reliance on time-consuming laboratory tests and supporting proactive decision-making. The proposed tool enhances operational safety, improves moisture control, and supports blend optimization, directly contributing to the mitigation of risks in iron ore shipping operations.

Keywords

TML, Finos de minério de ferro, Aprendizado de máquina

TML, Iron ore fines, Machine learning