ISSN 2594-357X
25º Seminário de Mineração — Vol. 25 , num. 25 (2026)
Título
Autoria
DOI
Downloads
Resumo
A variabilidade mineralógica dos minérios de ferro exerce influência direta no desempenho dos processos de beneficiamento, especialmente na geração de finos ultrafinos (lama), impactando a estabilidade operacional e a eficiência global das plantas. Nesse contexto, a ausência de ferramentas preditivas robustas limita a capacidade de controle do processo. Este trabalho propõe uma abordagem geometalúrgica integrada para previsão da geração de lama, baseada na definição de domínios mineralógicos por meio de técnicas de redução de dimensionalidade (PCA) e clusterização (k-means), seguida da aplicação de um modelo de regressão log-log incorporando variáveis geometalúrgicas e a segmentação por domínios. A metodologia foi aplicada para uma mina de ferro. Os resultados indicam que o modelo apresenta bom desempenho preditivo (R² ajustado de 0,62), evidenciando que a geração de lama é fortemente controlada pelo teor de Al₂O₃ e pela distribuição granulométrica do ROM. Adicionalmente, a incorporação de domínios mineralógicos definidos por aprendizado não supervisionado permitiu capturar heterogeneidades não representadas por variáveis contínuas, melhorando a capacidade de previsão. A abordagem proposta possibilita a antecipação de comportamentos operacionais críticos, contribuindo para estratégias mais assertivas de planejamento e controle do processo, e reforçando o papel da geometalurgia como ferramenta estratégica na gestão de operações minerais.
I Mineralogical variability in iron ore deposits has a direct influence on the performance of mineral processing operations, particularly in the generation of ultrafine particles (slimes), impacting operational stability and overall plant efficiency. In this context, the lack of robust predictive tools limits the ability to effectively control the process. This study proposes an integrated geometallurgical approach for predicting slime generation, based on the definition of mineralogical domains using dimensionality reduction techniques (PCA) and clustering (k-means), followed by the application of a log-log regression model incorporating geometallurgical variables and domain-based segmentation. The methodology was applied to an iron ore mine. The results indicate that the model presents good predictive performance (adjusted R² = 0.62), demonstrating that slime generation is strongly controlled by Al₂O₃ content and the granulometric distribution of the ROM. Additionally, the incorporation of mineralogical domains defined through unsupervised learning enabled the capture of heterogeneities not represented by continuous variables, improving predictive capability. The proposed approach allows for the anticipation of critical operational behavior, contributing to more effective planning and process control strategies, and reinforcing the role of geometallurgy as a strategic tool in the management of mineral operations.
Palavras-chave
Clusterização, Minério de ferro, Geração de lama, Variabilidade mineralógica, Geometalurgia
Clustering, Iron ore, Slime Generation, Mineralogical Variability, Geometallurgy
Como citar
Andrade, Laura Buarque; Goncalves, Tatiane Aparecida Rocha; Lima, Neymayer Pereira; Ferreira, Rodrigo Fina; Motta, Eduardo Geraldo Melo.
Clusterização mineralógica e geometalurgia para previsão de geração de lama em minério de ferro,
p. 352-360.
In: 25º Seminário de Mineração,
São Paulo, SP - Brasil,
2026.
ISSN: 2594-357X, DOI 10.5151/2594-357X-43622
