3.2 - Amostragem de Minérios Fragmentados - Introdução À Teoria Matemática Da Amostragem

DIAGRAMAS DE PROCESSAMENTO DE MINÉRIOS
3.2 AMOSTRAGEM DE MINÉRIOS FRAGMENTADOS - Introdução à

Teoria Matemática da Amostragem
Sumário do Parágrafo
3.2.1 Distribuição de Amostragem.

3.2.2 Amostragem simples de atributos em amostras grandes.
Justificação da aplicação de Lei de Gauss.
3.2.3 Aplicação ao caso dum minério teórico fragmentado.
Método de Hassialis.
3.2.4 Generalização para o caso dum minério real fragmentado.
3.2.5 Substituição duma amostra grande por várias amostras pequenas. Aplicação
ao caso das determinações granulométricas.
3.2.6 Cálculo da dimensão das amostras pelo Método de Pierre Gy.
3.2.7 Reamostragem sucessiva de amostras de grandes dimensões.
3.2.8 Conclusões.
3.2.1 Distribuição de Amostragem
Amostragem é a operação que consiste em escolher num todo heterogéneo

(dita população) uma amostra (ou sub-população) tal que do estudo desta se possa
deduzir o valor de um parâmetro da população.
A amostragem pode assumir dois tipos diferentes: a amostragem de

atributos, quando apenas estamos interessados em saber se um dado indivíduo da
população possui ou não dada propriedade ou atributo e a amostragem de variáveis,
em que se estudam indivíduos que possuem (ou estão associados) a qualquer um dos
valores possíveis de uma dada variável.
A Teoria Matemática da Amostragem tem por objectivo:

• fornecer critérios de comparação dos resultados da amostragem com a
expectativa teórica e interpretar os desvios, decidindo se podem ou não
ser atribuídos ao simples acaso;
• fornecer critérios para a estimativa dos parâmetros da população a
partir das amostras;
• e fornecer critérios para aferir da confiança que se pode ligar a uma
dada estimativa.
Suponhamos que de uma população retiramos um certo número de amostras e

calculamos para cada uma o valor do parâmetro que estamos a amostrar. Se o número
de amostras for muito grande, estes valores podem agrupar-se de modo a constituírem
eles próprios uma distribuição de frequências a que se chama distribuição de
amostragem.
ANÁLISE DO DIAGRAMA DE TRATAMENTO - 20

Para que a amostra de um parâmetro tenha significado na estima desse

parâmetro na população, é necessário que a distribuição de amostragem tenha média
igual ao verdadeiro valor na população, caso contrário a amostragem dir-se-á
distorcida. Um dos processos para tentar eliminar, ou diminuir, a distorção é fazer
uma amostragem ao acaso. Exemplificando um pouco mais, se um dado minério for
amostrado segundo uma técnica perfeita, não se espera que a amostra tenha
exactamente o mesmo teor do minério (por sinal desconhecido), mas apenas que o
desvio para esse valor seja apenas devido ao acaso. Neste pressuposto a teoria da
probabilidade é inteiramente aplicável.
Entende-se por amostragem simples uma amostragem ao acaso feita sobre

uma população cujos indivíduos não se encontram de nenhuma forma ligados entre si
no que diz respeito ao parâmetro a amostrar, ou seja, sobre uma população amorfa,
sem qualquer estrutura definida.
O conhecimento de distribuições de amostragem não distorcidas não pode,

salvo em casos muito raros, obter-se a partir da definição, porque tal exigiria um
número extremamente grande de amostras. Contudo, em face de amostras grandes
poderemos fazer certas aproximações que simplificam o problema.
3.2.2 Amostragem simples de atributos em Amostras Grandes. justificação da

aplicação da Lei de Gauss.
Em presença da possibilidade de extracção duma amostra simples, vamos

analisar que tipo de aproximação poderemos fazer no caso da amostra ser grande.
Imagine-se um lote de minério hipotético, inteiramente constituído por grãos

totalmente libertos, isto é, só grãos de espécie mineral útil e de ganga. Numa visão
muito mais simplificada, pensemos no minério como um conjunto de 750 grãos
brancos -- a ganga -- e 250 pretos -- o mineral útil -- num total de 1000 partículas. A
probabilidade de que uma amostra ao acaso, composta por 100 grãos, tenha teor de
25% (em número de grãos), é dada pela razão entre o número de amostras possíveis
de 100 grãos contendo 25 grãos pretos e o número total de amostras de 100 partículas
que podem ser extraídas duma população inicial de 1000. Recorrendo ao cálculo
combinatório, sabe-se que esse número total de amostras de 100 retiradas duma
população de 1000 é dado por:
1000!
100
C1000 =
100!⋅900!
Por outro lado, como

250!
25
C 250 =
25!⋅225!
representa o número de modos de retirar 25 grãos pretos dum total de 250, para cada
um dos quais existem, do mesmo modo,

750!
75
C750 =
75!⋅725!
modos diferentes de retirar 75 grãos de ganga para perfazer os 100 da amostra, a

probabilidade de obter o teor de 25% será dada por:
25
C 250 ⋅ C 750
75
P= 100
= 0.0968 (1)
C1000
Contudo, o cálculo de probabilidades à custa desta expressão resulta

demasiado difícil quando o lote inicial tem um elevado número de partículas e
impossível quando o lote é infinito. Nestes casos, supondo a população infinita, a
retirada duma amostra de n indivíduos não afecta a frequência do atributo (por
exemplo, o teor) na população. Assim sendo, a probabilidade p de um grão ser de
minério não é afectada pelas anteriores retiradas. O mesmo se poderá dizer da
probabilidade do grão ser de ganga, q=1-p. Obviamente, p e q serão as proporções
(ou teores) das partículas de substância útil e ganga, respectivamente, no lote infinito.
Nestas condições, a retirada duma amostra de n partículas é equivalente a n
sucessivas retiradas de 1 partícula. Trata-se, pois, de uma "série de provas repetidas
idênticas" , dita de Bernouilli, segundo a qual:
"a probabilidade de que uma amostra contenha m grãos de minério e n-m de
ganga (não minério) corresponde à probabilidade de que sejam retiradas m
partículas de minério, segundo uma probabilidade pm e, em seguida, n-m
partículas de ganga com probabilidade qn-m, multiplicada pelo número de
modos possíveis de realização desse acontecimento:
n!
Pn (m) = C nm p m q n− m = p m q n−m (2)
m!(n − m)!
Esta é a expressão da Lei Binomial ou de Newton, uma lei estatística muito

1
bem estudada. ( )
Teremos, obviamente
∑ Pn ( m ) = 1
m
e define-se valor médio, ou simplesmente média, de m como a esperança matemática
(2)
da variável m,
m = ∑ m . Pn ( m )
m
e variância de m como a esperança matemática do quadrado dos desvios da variável
para a média,
1 Em relação ao lote de minério em estudo, p representará o teor do lote, enquanto m

refere o número de grãos de minério presente nos n grãos que compõem a amostra,
isto é, um valor não normalizado do teor da amostra.
2 A esprança matemática ou valor esperado duma variável é a soma de todos os seus

possíveis valores com cada valor ponderado pela sua probabilidade de ocorrência.

σ 2m = ∑ ( m − m )2 . Pn ( m )
m
Para o caso da Lei Binomial demonstra-se que
m = np
(3)
σ 2m = npq
Contudo, nem sempre estaremos interessados no valor da probabilidade da

amostra ter um dado teor, sendo por vezes mais interessante em termos práticos
industriais avaliar a probabilidade do teor m (em número de partículas de espécie
útil) da amostra se desviar um certo valor do teor médio. Ou seja, criaremos uma
nova variável
x = m−m (4)
a que chamaremos desvio.
De acordo com os pressupostos anteriores
q =1 − p
m = np
e da definição de desvio, vem
m = m + x = np + x
pelo que
n − m = n − ( np + x ) = n(1 − p ) − x = nq − x
Deste modo a anterior expressão da Lei Binomial passará a ser uma função
explícita da variável desvio, x :
Pn ( m ) = Pn ( m + x ) ⇒ Pn ( x )
n!
Pn ( x ) = p np + x q nq − x
( np + x )!( nq − x )!
Se utilizarmos a formula de Moivre-Stirling para o cálculo de factoriais de

grandes números,
a ! = a a .e − a 2 . π . a
obter-se-á uma formulação aproximada para Pn(x). Esta fórmula no caso em que p e
q são próximos e x não é muito elevado em face de npq (variância) é muito
aceitavelmente aproximada pela LEI NORMAL ou de GAUSS, de expressão:

x2 x2
1 − 1 −
Pn ( x) = ⋅e 2 npq
= ⋅e 2σ 2
(5)
2πnpq σ 2π
em que σ = σ 2 = npq é designado por desvio padrão da distribuição.
Para cada valor σ do desvio padrão (constante para conjunto de valores n, p e

q) uma curva diferente será gerada pela expressão anterior. Para valores crescentes
de σ a base da curva alarga-se e o seu pico central reduz-se e adoça-se, mantendo-se,
contudo, a área unitária abaixo da curva.
Todas estas possíveis curvas têm, no entanto, em comum a propriedade de que
a mesma proporção de área está contida entre os mesmos limites de desvio (expresso
em unidades de desvio padrão). Isto é:
- 50.00% da área encontra-se entre x=±0,0674 σ
- 68.27% da área encontra-se entre x=±σ
- 95.45% da área encontra-se entre x=±2σ
- 99.73% da área encontra-se entre x=±3σ
Nos casos em p for muito diferente de q a aproximação à Lei Normal não

será conveniente, devendo recorrer-se, no caso dos minérios metálicos à Lei Gama.
Se em vez do desvio absoluto utilizarmos o desvio reduzido, medido em

unidades de desvio padrão, obter-se-á uma nova expressão:
x m−m
ξ= = (6)
σ σ
Ao realizar esta transformação de variável deverão manter-se as áreas abaixo

da curva de distribuição, mantendo-se o mesmo significado físico e, naturalmente , o
mesmo valor, pelo que:
dx
Pn (ξ ) ⋅ dξ = Pn ( x) ⋅ dx e , naturalmente, Pn ( ξ ) = Pn ( x ) ⋅
dξ
dx
e como x = σ ⋅ ξ e =σ
dξ
ξ2
1 −
virá: Pn (ξ ) = e 2
2π
Retomando o problema original de procurar um valor do parâmetro teor médio

do lote de minério que caia, com uma determinada probabilidade, dentro de um
determinado intervalo de erro tolerável (que mede a confiança no resultado que
vamos obter), a fase de desenvolvimento do modelo probabilístico permite-nos já
calcular a "probabilidade de que o desvio reduzido seja, em módulo, menor que um
dado valor h, previamente fixado":

ξ2
h 1 −
Prob( ξ < h) = ∫ e 2
dξ =
−h
2π
(7)
ξ2
h 1 −
= 2⋅∫ e 2
dξ = Θ(h)
0
2π
Os integrais desta função estão calculados e compilados em tabelas estatísticas

das quais de extraíram os seguintes valores para uso nos exemplos deste capítulo:
Probabilidade Θ, expressa
em função do desvio ξ, medido em
unidades de desvio padrão
Θ(h) ξ Θ(h) ξ
0.90 1.645 0.97 2.170
0.91 1.705 0.98 2.362
0.92 1.750 0.99 2.567
0.93 1.812 0.999 3.291
0.94 1.881 0.9999 3.890
0.95 1.960 0.99999 4.417
0.96 2.054 0.999999 4.892
Em circunstâncias normais estaremos interessados, não tanto no número

absoluto m de partículas, mas sim na frequência relativa desse número de
partículas, pelo que surgirá uma nova variável y, este sim, teor da amostra em
número de partículas:
m
y=
n
Esta transformação de variável, tal como anteriormente, deverá realizar-se de

modo que as áreas abaixo da curva de distribuição mantenham o mesmo valor, pelo
que:
f ( y ) ⋅ dy = f ( m ) ⋅ dm
dm
ou seja, f ( y ) = f ( m) ⋅
dy
dm
Mas como m = n ⋅ y e =n
dy
e partindo da anterior expressão da Lei Normal como função de m :

1 ( m − np )2
1 − ⋅
f ( m) = ⋅ e 2 npq
npq . 2 π
estamos em condições de efectuar a transformação de variável para y:

1 ( y − p )2
1 ( yn − np )2 − ⋅
− ⋅ 2 pq
n n 1
f(y ) = ⋅e 2 npq
= ⋅ ⋅e n
npq . 2 π npq 2π
de onde se conclui que y=m/n também segue a Lei Normal com os seguintes valores
da média, desvio padrão e variância, respectivamente:
y=p
npq pq
σ= =
n n
pq
σ2 =
n
(notar que na expressão da Lei Normal reduzida que tem vido a ser usada, a variável
reduzida é o desvio para a média e figura elevado ao quadrado no numerador do
expoente da exponencial, de onde se pode deduzir do valor da média da actual
variável y).
3.2.3 Aplicação ao caso dum minério teórico fragmentado. Método de Hassialis
Seja um lote infinito de partículas monominerálicas (isto é, totalmente

libertas) e todas do mesmo calibre. Esta simplificação inicial, se bem que
demasiado exagerada, vai permitir uma generalização que torna legítima a aplicação
dos resultados em ambiente industrial.
Se consideramos dm e dg, respectivamente, as densidades do minério e da
ganga, então o teor em peso da amostra (em espécie mineral) será dado por:
m ⋅ dm
t=
m ⋅ dm + ( n − m ) ⋅ dg
e fazendo y=m/n, obteremos:
y ⋅ dm y ⋅ dm
t= = (8)
(n − m) y ⋅ (dm − dg) + dg
y ⋅ dm + ⋅ dg
n
(relembremos que t é o teor da amostra em peso e y é o teor da mesma amostra

em número de partículas).
Ora, sucede que o teor t=t(y), expresso como função da variável y na
expressão anterior não sendo linear em y, não há garantia de seguir uma Lei Normal,
mas sim uma lei cujo tratamento analítico é mais complicado. O método proposto
por HASSIALIS consiste na linearização de t(y) por desenvolvimento em Série de
Taylor em torno do valor médio de y e desprezando os termos de ordem superior à
primeira, de forma a permitir que esta nova variável t seja representável pela mesma
Lei Normal:
y − y dt ( y )
t( y ) = t( y ) + ⋅( ) + ⋅⋅⋅ (9)
1! dy y

sendo o valor médio de t obtido no valor médio de y, isto é,

y − y dt ( y ) y ⋅ dm
t = t( y ) = t( y ) + ⋅( )y = t ( y ) =
1! dy y ⋅ ( dm − dg ) + dg
e, fazendo
dt
a =( )
dy y
virá,
t − t = a ⋅( y − y )
Reescrevendo agora a expressão da Lei Normal como função de y=m/n

( y − y )2
−
1 2 ⋅σ 2y
f(y ) = ⋅e
2π ⋅ σy
e efectuando a mudança de variável
t − t = a ⋅( y − y ) 1
y − y = ⋅( t − t )
a
f ( t ) ⋅ dt = f ( y ) ⋅ dy
dy
dy 1 f(t ) = f( y )⋅
= dt
dt a
obteremos
( t − t )2 ( t − t )2
− −
1 2 ⋅a 2 ⋅σ 2y 1 2 ⋅a 2 ⋅σ 2y
f(t ) = ⋅e = ⋅e (10)
a ⋅ 2 πσ y 2π ⋅a ⋅ σy
o que mostra que a nova variável t, teor em peso, segue uma Lei Normal com
variância
σ 2t = a 2 ⋅ σ 2y (11)
Para chegarmos ao cálculo desta variância (como função de n) necessitamos

de determinar a e σ em função de n e dos parâmetros conhecidos em jogo
(densidades do minério e da ganga e um valor teor médio, pelo menos aproximado).
Assim, a anterior expressão de t em função de y poderemos resolvê-la em ordem a y
para, depois de derivá-la, obtermos o valor de a como inverso da derivada de y em
ordem a t no seu valor médio:
⎛ dt ⎞ 1 −t ⋅ dg t ⋅ dg
a=⎜ ⎟ = e sendo: y= =
⎝ dy ⎠ y ⎛ dy ⎞ t ( dm − dg ) − dm t ( dg − dm ) + dm
⎜ ⎟
⎝ dt ⎠ t
por derivação conduz a:
dy dm ⋅ dg
=
dt ( t ( dg − dm ) + dm )2

pelo que,
( t ( dg − dm ) + dm )2
a=
dm ⋅ dg
Por outro lado, como vimos,

y=p
p ⋅ q y ⋅ (1 − y ) 1 dg ⋅ dm ⋅ t ⋅ (1 − t )
σ 2y = = = ⋅
n n n ( t ( dg − dm ) + dm )2
Tomando agora o quadrado do valor de a, estamos em condições de calcular a

variância da variável t, teor da amostra em peso, como função de n, dimensão da
amostra:
σ 2t = a 2 ⋅ σ 2y
1 t ⋅ (1 − t )
σ 2t = ⋅ ( t ⋅ ( dg − dm ) + dm )2 ⋅
n dm ⋅ dg
(12)
Esta última expressão dá-nos acesso directo à resolução do nosso problema

original da determinação do tamanho da amostra:
"determinar o tamanho da amostra para que se tenha uma probabilidade P
de que o teor t dessa amostra se não desvie do teor médio de um valor
superior a Δt".
Tomemos o problema concreto do cálculo da dimensão da amostra que deverá

ser recolhida de modo que a determinação do teor em Zn caia num intervalo Δt =
0.2% em volta do teor médio, previamente conhecido como valendo 5%, com
probabilidade P = 99%. O minério é um chert com Blenda de densidades,
respectivamente, dm = 4 e dg = 2.6.
A marcha geral de cálculo, segundo Hassialis, esquematiza-se do seguinte
modo:
1. Calcular σt como função de n usando a expressão [12] anteriormente deduzida:

2 0.05 × (1 − 0.05)
σ t2 = ⋅ (0.05 × (2.6 − 4) + 4) ⋅
1 0.0705
=
n 2.6 × 4 n
0 .266
σ t = σ 2t =
n
2. Calcular o desvio relativo, ξ(n), aceitável para o valor a determinar na
amostra que, obviamente, virá, de acordo com [6], expresso em função de n:

m − m Δt 0 .002 × n
ξ( n ) = = =
σt σt 0 .266
3. Usar a tabela de integração da Lei Normal e calcular o valor de ξ(p) em

volta da média que garanta uma área total abaixo da curva igual a P (pág.
6):
Θ(ξ)=0.99 ⇒ ξ(p) = 2.576 (ver tabela da página 6)
4. Igualar ξ(n) = ξ(p)

0 .002 × n
= 2 .576
0 .266
5. Resolver a anterior equação em ordem a n e calcular o número de

partículas que vão constituir a amostra:
2 .576 × 0 .266 2
n =( ) = 117024 .6
0 .002
6. Calcular o peso W da amostra (em kg) a partir do número de partículas,

desde que se conheça o diâmetro médio das partículas (em mm) e a
densidade média do minério, bem como um factor de forma para as
partículas, pela expressão:
3
W = n × f × D × d × 10 −6 kg
Admitindo o minério constituído por partículas esféricas (de coeficiente de

forma f=4/3 x π/8), de calibre médio 1 polegada (25,4 mm) e de densidade
média 2.69, o peso da amostra será dado por:
4 π
W = 117024 × × × 25 .4 3 × 2 .69 × 10 −6 ≈ 2700 kg
3 8
Se o calibre médio fosse de 100# (0.150 mm)
W = 0 .00056 = 0 .56 gr
Contudo, dever-se-á notar que para o cálculo das dimensões de uma amostra é
necessário conhecer-se de antemão alguma coisa sobre o lote a amostrar, em
particular o próprio teor médio, além das densidades do minério e da ganga, da
densidade média, calibre médio, composição, etc. Ora, como o que se pretende com a
própria amostragem é precisamente determinar esse teor médio, o problema da
determinação da dimensão da amostra não tem solução senão mediante uma
amostragem prévia. Estamos, pois, perante um processo iterativo que, embora
sendo algo fastidioso em termos de cálculo, tem as vantagens de ser ele próprio um
processo de cálculo construtivo em que o operador vai controlando os próprios
resultados do cálculo com a sua própria sensibilidade: toma-se uma amostra de
dimensões não calculadas da qual se determina o teor, a composição granulométrica
e a densidade; calcula-se a dimensão correcta da amostra a partir destes valores; se

esta for inferior à primeira, o cálculo pára neste ponto; caso contrário deverá
recolher-se uma amostra com as dimensões calculadas; procede-se sucessivas vezes
deste modo até que os valores do cálculo conduzam a valores iguais ou inferiores aos
da última amostra colhida. Em geral o processo converge rapidamente.
3.2.4 Generalização para o caso dum minério real fragmentado.

Generalização do Método de Hassialis.
A aproximação de um minério real ao minério teórico estudado anteriormente

é, em geral, insatisfatória porque conduz a dimensões de amostras superiores aos
valores mínimos necessários para obter a precisão desejada.
O método de Hassialis pode com facilidade ser generalizado para o caso do
lote conter partículas de pesos específicos e calibres diferentes. Seja então Wij a
fracção em peso do material pertencente à fracção granulométrica de diâmetro
(calibre) Di e densidade dj. O teor mássico, tj, da fracção de densidade dj pode ser
calculado como (o leitor deve notar que o teor volúmico é linear com a densidade,
mas o teor mássico é hiperbólico!):
dm( dj − dg )
tj = (13)
dj ( dm − dg )
Se calcularmos a fracção do número de partículas do lote i,j no lote geral

Wij
Di 3 ⋅ dj
pij =
Wij
∑
i , j Di ⋅ dj
3
o teor da amostra será calculado como o quociente entre a quantidade de espécie

mineral útil presente em cada fracção i,j e a massa total do lote (ou seja, da massa de
todas as classes i,j:
∑Wij ⋅ tj ∑ pij ⋅ Di ⋅ dj ⋅ tj 3
t= i,j
= i,j
(14)
∑Wij i,j
∑ pij ⋅ Di ⋅ dj
i,j
3
Tal como anteriormente, esta lei de dependência do teor mássico, t, não é

linear com os valores dos teores em número, pij, de cada fracção de calibre e
densidade i,j, mas pode ser facilmente linearizável desenvolvendo em Série de Taylor
em torno de todos os valores médios de pij:
⎛ ∂t ⎞
t = t + ∑⎜ ⎟ ⋅ ( pij − pij ) + ⋅⋅⋅ (15)
i , j ⎝ ∂pij ⎠ pij
Seguindo raciocínios semelhantes ao usados anteriormente, Hassialis

demonstra que, no caso em questão, a variância é calculada por:

⎛ ∂t ⎞ ⎛ ∂t ⎞ ⎛ ∂t ⎞
2
1
σ = ∑⎜
2
⎟ ⋅ σ pij
2
− ⋅ ∑ ∑ pij ⋅ pkl ⋅ ⎜ ⎟ ⋅⎜ ⎟ (16)
ij ⎝ ∂pij ⎠ pij ⎝ ∂pij ⎠ pij ⎝ ∂pkl ⎠ pkl
t
n ij kl
onde se suprimem os termos do duplo somatório com índices i,,j=k,l. Do mesmo

modo se supõe, também como anteriormente, que as variáveis pij seguem a Lei
Normal com a variância dada por:
pij (1 − pij )
σ 2pij = (17)
n
Para conhecer todos os termos da expressão da variância de t basta calcular a

expressão das derivadas parciais de t em ordem a cada valor de pij, directamente a
partir da expressão de t:
Di 3 ⋅ dj ⋅ tj ⋅ ∑ pij ⋅ Di 3 ⋅ dj − Di 3 ⋅ dj ⋅ ∑ pij ⋅ Di 3 ⋅ dj ⋅ t j
⎛ dt ⎞ ij ij
⎜ ⎟ = (18)
⎝ dpij ⎠ pij ⎛ ⎞
2
⎜ ∑ Di 3 ⋅ dj ⋅ pij⎟
⎝ ij ⎠
Todos estes cálculos, embora laboriosos, não oferecem qualquer dificuldade e

Hassialis indica uma marcha que pode ser cuidadosamente seguida por uma tabela,
hoje em dia realizável com toda a facilidade sobre uma folha de cálculo:
• 1ª coluna: índices das diferentes fracções correspondentes a cada linha;

• 2ª coluna: fracção em peso Wij - (input proveniente da amostra prévia)
• 3ª coluna: teor tij - (input ou cálculo sobre os dj da amostra prévia)
• 4ª coluna: densidade dj - (input proveniente da amostra prévia)
• 5ª coluna: diâmetro (calibre) médio
• 6ª coluna: 5ª ao cubo - cubo do diâmetro
• 7ª coluna: 6ª x 4ª - massa da partícula da classe ij
• 8ª coluna: 2ª / 7ª - número de partículas no lote ij
• 9ª coluna: 8ª / sum 8ª - percentagem de partículas em número pij
cálculo das derivadas parciais de t em ordem a pij - equação [18]
• 10ª coluna: 7ª x 9ª - cada termo do 1º somatório do numerador
• 11ª coluna: 10ª x 3ª - cada termo do 2º somatório do numerador
• 12ª coluna: 7ª x 3ª - factor que multiplica o 1º somatorio do numerador
• 13ª coluna: 12ª x sum 10ª - 1ª parcela do numerador
• 14ª coluna: 7ª x sum 11ª - 2ª parcela do numerador
• 15ª coluna: 13ª - 14ª - numerador
• 16ª coluna: 15ª / (sum10ª) ao quadrado - valor de cada derivada parcial
• 17ª coluna: 16ª ao quadrado - quadrado das derivadas parciais
• 18ª coluna: 9ª x (1-9ª) - numerador da expressão da variância dos pij -- equação
[17] ( n ⋅ σ 2pij )
calculo da variância multiplicada por n -- equação [16]
• 19ª coluna: 18ª x 17ª - cada termo do somatório do primeiro termo
• 20ª coluna. 16ª x 9ª - cada derivada parcial multiplicada por pij
• 21ª coluna: sum 20ª-20ª - para suprimir do somatório cada um dos termos
• 22ª coluna: 20ª x 21ª - cada termo do somatório do 2º termo

calcula-se, então, n.σt2 = sum 19ª - sum 22ª
Retomemos agora o problema anterior mantendo o mesmo intervalo de

tolerância Δt = 0.2% em volta do teor de 5% em Zn e a mesma probabilidade P =
99%, mas determinemos a partir dum ensaio preliminar que o minério é constituído
pelas seguintes fracções em peso:
- 0.15% de Blenda densidade - 4.00
- 70.85% de mistos densidade - 2.71
- 29.00% de chert densidade - 2.65
Nota importante -- nesta rotina os teores e o erro Δt devem estar sempre no
mesmo intervalo. No exemplo que se segue usou-se ]0,1[ para comparação com os
exercícios anteriores.
Para este caso o valor de:
n ⋅ σ 2t = 0 .002545 − ( − 0 .00035 ) = 0 .002897
Por outro lado, para a que a probabilidade com que o teor ocorre com
tolerância de 0.2% seja de P=99%, o desvio relativo será de 2.576, o que implica um
desvio padrão de :
0 .002
σt = = 0 .000776
2 .576
de onde se obtém
0 .002897
n= = 4806 partículas
0 .000776 2
• 23ª coluna: n x 9ª - permite calcular o número de partículas em cada classe

• 24ª coluna: n x 10ª x 4/3 x π/8 x 10-6 - peso em kg de cada fracção da amostra, se
o calibre for estiver em mm.
classe 1 32.211 kg
classe 2 78.696 kg
classe 3 0.166 kg
Finalmente o peso total da amostra será dado pelo somatório da 24ª coluna -
- 111 kg
Também como anteriormente, o processo de cálculo deverá ser iterativo até se
encontrar a dimensão de amostra mais conveniente.
Se o minério contém várias espécies minerais de que se pretende determinar o

teor, calcula-se a dimensão da amostra para cada uma delas e toma-se como dimensão
o maior dos resultados obtidos.
3.2.5 Substituição duma amostra grande por várias amostras pequenas.

Aplicação ao caso das determinações granulométricas.
O cálculo descrito anteriormente é em geral muito trabalhoso e exige grande

número de dados, só determináveis por amostragens prévias sucessivas.

Por este motivo a solução para o problema da amostragem de minérios

fragmentados tem sido procurada por outras vias. Uma das soluções preconizadas na
literatura é a seguinte:
"recolhe-se um certo número de amostras pequenas, todas com o mesmo
peso, que se analisam; em seguida determina-se a média dos teores e
desenvolve-se o cálculo para determinar o número de amostras, iguais às
primeiras, necessárias para se obter a precisão desejada"
Como vamos ver é um método muito menos laborioso.

Recolhem-se as amostras pequenas, todas da mesma dimensão não calculada e
3
determinam-se os parâmetros x1, x2, ..., xn que se pretendem medir. ( )
Admitindo como anteriormente que a distribuição da amostragem segue uma

Lei Normal, então a melhor estima para o parâmetro será a sua média aritmética:
∑i xi
x* = (19)
n
Como as amostras com que vamos trabalhar são, por definição, pequenas, não
é legítimo usar para variância da estimativa de xi a variância da população, sendo
então necessário fazer também uma estimativa dessa variância, naturalmente da
forma:
∑ ( xi − x ) 2
∑ ( xi − x * + x * − x ) 2
σ*2 = i
= i
=
n n
∑ ( xi − x* )2 + n ⋅ ( x * − x )2 + 2 ⋅ ( x * − x ) ⋅ ∑ ( xi − x* )
= i i
n
em que x é o valor médio de x na nova população (isto é, a média das n amostras -

população com n efectivos). Mas como ∑ ( xi − x *) = 0 , teremos:
i
∑ ( xi − x* ) 2
σ* =2 i
+ ( x * − x )2
n
Continuamos, porém, com o assunto por resolver porque o segundo termo da

variância, representando o quadrado do desvio da média das amostras em relação
à média da população, não pode ser calculado porque não é conhecida a média da
população. À falta dum valor real para aquele quadrado do desvio vamos tomar um
seu valor médio, que não é mais do que a variância da média da nova população
que, como se sabe, diminui com o inverso do número de efectivos tomados, e é dada
por:
3 NOTA: Neste caso, a população é o conjunto de todas as amostras desse tamanho

pequeno que poderiam ser isoladas no lote inicial; esta nova população foi
amostrada e dela decidimos tirar uma amostra de n efectivos (isto é, n amostras que,
por sua vez, já eram amostras da população inicial).

σ2
n
onde σ 2 é a variância de x na população que, sendo precisamente o que estamos a

tentar procurar, não teremos outra saída senão substituí-la pela sua estimativa, isto é:
∑ ( xi − x* )2
σ*2
σ*2 = i +
n n
(20)
∑ ( xi − x* ) 2
σ*2 = i
n −1
Este último resultado confirma a prática corrente em estatística de, ao calcular

a variância de um número de amostras muito reduzido, dividir não por n mas sim por
(n-1).
A média aritmética e a variância, x * e σ * 2 , respectivamente, são

estimativas da média e da variância da nova população constituída pelos conjuntos n
amostras pequenas.
Por outro lado, se tirarmos agora conjuntos de N amostras pequenas a
variância dos vários x * i , (dita variância da média, porque os atributos são valores
médios) será dada, como anteriormente, pelo quociente entre a variância de cada
conjunto a dividir pelo número de efectivos N usados no cálculo dessa variância, ou
seja:
σ*2
σ x* =
2
(21)
N
O problema da dimensão da amostra transforma-se, assim, no problema de

calcular o número N de amostras pequenas que devem ser tomadas em cada
conjunto de que se calcula a média aritmética, de forma a garantir um desvio padrão
reduzido com uma dada probabilidade:
"determinar o número de amostras, de uma dada dimensão, suficientes para

garantir uma probabilidade P de que o teor médio estimado t* não se afaste
do teor médio da população mais do que um dado Δt"
A marcha de cálculo será a seguinte:
Depois de determinar os vários teores ti em todas as pequenas amostras

recolhidas:
∑i ti
1. Calcular a média aritmética, pela equação [19], t * =
n
2. Determinar os desvios ( ti − t * )
3. Calcular a variância, pela equação [20], σ * = 2 ∑ ( ti − t * )2

, onde n é o
( n −1)
número de amostras colhidas pela primeira vez

σ*2
4. Calcular a variância da média, pela equação [21], σ = como função de 2
t*
N
N, número de amostras que deverão ser colhidas para garantir a precisão
desejada
Δt
5. Calcular o desvio relativo aceitável, pela equação [6], ξ N = , como função
σ t*
de N
6. Calcular o desvio relativo na Lei Normal tal que Θ(ξP ) = P (na tabela
correspondente -- pág. 6)
7. Igualar ξ N = ξ P e resolver a equação em N daí resultante para determinar o

número de amostras
8. Se o valor de N calculado for maior do que o número de amostras colhidas (n

inicial), recolher as que faltam e repetir o cálculo para verificação. O valor final
para o parâmetro (neste caso, o teor) será dado pela média aritmética.
Este método está particularmente indicado para o cálculo da dimensão das

amostras destinadas às determinações granulométricas.
A aplicação desta rotina a cada conjunto de valores das diferentes cumulantes
do mesmo lote granulométrico vai originar diferentes previsões do valor de N. Em
princípio, trabalhando-se sobre as cumulantes, os vários valores de N não deverão
diferir muito entre si quando o número de amostras de partida estiver próximo do
óptimo. De qualquer modo, aconselha-se a adopção do maior valor de N
determinado.
Exemplo de Aplicação:
Num ensaio de determinação granulométrica em CYCLOSIZER foram

analisadas 3 amostras do mesmo material, sensivelmente do mesmo tamanho (≅ 50 gr)
e obtiveram-se os histogramas que se apresentam na tabelas seguinte.
Desvios NORMAIS reduzidos

2.567 1.96 1.645
HISTOGRAMA DE TEORES Var(3) Delta Abs 99% 95% 90%
Calibre Amostra1 Amostra2 Amostra3 Med aritm desv^2 desv^2 desv^2 Sdes2/3-1 Drel*med NUMERO DE AMOSTRAS - N
0.074 0.226087 0.235763 0.248936 0.236929 1.18E-04 1.36E-06 1.44E-04 1.32E-04 7.11E-03 17 10 7
0.041 0.086957 0.067198 0.072340 0.075498 1.31E-04 6.89E-05 9.98E-06 1.05E-04 2.26E-03 135 79 55
0.032 0.139130 0.135535 0.129787 0.134817 1.86E-05 5.15E-07 2.53E-05 2.22E-05 4.04E-03 9 5 4
0.024 0.158696 0.164009 0.153191 0.158632 4.10E-09 2.89E-05 2.96E-05 2.93E-05 4.76E-03 9 5 3
0.018 0.126087 0.132118 0.125532 0.127912 3.33E-06 1.77E-05 5.67E-06 1.33E-05 3.84E-03 6 3 2
0.012 0.058696 0.060364 0.057447 0.058836 1.95E-08 2.34E-06 1.93E-06 2.14E-06 1.77E-03 5 3 2
infra 0.204347 0.205013 0.212767 0.207376 9.17E-06 5.58E-06 2.91E-05 2.19E-05 6.22E-03 4 2 2
1 1 1
Delta relativo
0.03 igual para todas as classes

Nas colunas intermédias realizaram-se os cálculos preconizados na rotina

anterior. O leitor deverá refazer esses cálculos ...
Nas 3 colunas da direita apresentam-se os valores do número N de amostras,
determinados para cada calibre de acordo com 3 diferentes níveis de probabilidade de
ocorrência do erro aceitável.
A rotinas expostas anteriormente estão concebidas na base do estabelecimento
dum desvio absoluto tolerável para cada valor experimentalmente determinável.
Contudo, para que os resultados a obter para as diferentes classes granulométricas de
uma mesma amostra sejam minimamente comparáveis, deverá ser exigido o mesmo
desvio relativo, sendo o desvio absoluto, necessário para o cálculo, calculado por:
Δ absoluto = Δ relativo x Valor médio
sendo o valor médio, no caso presente, a média aritmética dos valores da frequência
de cada calibre nos vários histogramas.
Conforme pode ser analisado, introduzindo um Δ relativo = 0.03 (3%), a que
correspondem Δ absolutos entre 0.007 e 0.002, os resultados mostram claramente que
os dois primeiros lotes iniciais possuem uma variância demasiado elevada,
conduzindo a valores de N inesperadamente elevados. Face a estes valores, e perante
um nível de significância de 95%, numa primeira fase seria aconselhável aceitar N=5
ou N=6 e realizar no Cyclosizer mais 2 ou 3 determinações, esperando-se que a
presença de mais valores viesse a reduzir a variância dos 2 primeiros lotes granulomé-
tricos para valores mais aceitáveis.
A viabilidade desta estratégia poderá ser avaliada na experiência que se

apresenta em seguida. Ao constatar a discrepância dos valores de N nos dois
primeiros lotes resolveu-se fazer uma pequena alteração de 1 grama na amostra de
calibre +41 micra da amostra 1, de modo a diminuir um pouco a variância desse lote
granulométrico. Como pode ser analisado na tabela seguinte, os resultados
melhoraram extraordinariamente, sendo agora mais claro que N=6 deverá ser o valor
a seguir na iteração seguinte para uma exigência de 95% de probabilidade.

2.567 1.96 1.645
0.074 0.231111 0.235763 0.248936 0.238603 5.61E-05 8.07E-06 1.07E-04 8.55E-05 7.16E-03 11 6 5
0.041 0.066667 0.067198 0.07234 0.068735 4.28E-06 2.36E-06 1.30E-05 9.82E-06 2.06E-03 15 9 6
0.032 0.142222 0.135535 0.129787 0.135848 4.06E-05 9.80E-08 3.67E-05 3.87E-05 4.08E-03 15 9 6
0.024 0.162222 0.164009 0.153191 0.159807 5.83E-06 1.77E-05 4.38E-05 3.36E-05 4.79E-03 10 6 4
0.018 0.128889 0.132118 0.125532 0.128846 1.82E-09 1.07E-05 1.10E-05 1.08E-05 3.87E-03 5 3 2
0.012 0.06 0.060364 0.057447 0.05927 5.32E-07 1.20E-06 3.32E-06 2.53E-06 1.78E-03 5 3 2
infra 0.208889 0.205013 0.212767 0.20889 4.44E-13 1.50E-05 1.50E-05 1.50E-05 6.27E-03 3 1 1
1 1 1
Delta relativo
Na última tabela diminuiu-se a exigência de precisão aumentando-se o Δ

relativo para 0.05 (5%). Nestas circunstâncias as 3 amostras ensaiadas seriam
perfeitamente suficientes para níveis de significância de 95%, sendo aconselhável a

utilização de mais duas amostras para um nível de 99%. Notar que o Δ absoluto
varia agora entre 0.004 e 0.01.

2.567 1.96 1.645
0.074 0.231111 0.235763 0.248936 0.238603 5.61E-05 8.07E-06 1.07E-04 8.55E-05 1.19E-02 4 2 2
0.041 0.066667 0.067198 0.07234 0.068735 4.28E-06 2.36E-06 1.30E-05 9.82E-06 3.44E-03 5 3 2
0.032 0.142222 0.135535 0.129787 0.135848 4.06E-05 9.80E-08 3.67E-05 3.87E-05 6.79E-03 6 3 2
0.024 0.162222 0.164009 0.153191 0.159807 5.83E-06 1.77E-05 4.38E-05 3.36E-05 7.99E-03 3 2 1
0.018 0.128889 0.132118 0.125532 0.128846 1.82E-09 1.07E-05 1.10E-05 1.08E-05 6.44E-03 2 1 1
0.012 0.06 0.060364 0.057447 0.05927 5.32E-07 1.20E-06 3.32E-06 2.53E-06 2.96E-03 2 1 1
infra 0.208889 0.205013 0.212767 0.20889 4.44E-13 1.50E-05 1.50E-05 1.50E-05 1.04E-02 1 1 0
1 1 1
Delta relativo
Ao terminar a apresentação destes métodos deverá insistir-se, porém, que tudo

quanto foi desenvolvido só é aplicável ao caso das populações de indivíduos não
correlatos, amostrados ao acaso, em que é válida a aproximação de Lei Binomial
à Lei Normal, critérios esses que são apenas aplicáveis aos caso dos minérios
fragmentados em que desapareceu já toda a estrutura geológica original.

3.2.6 Cálculo da dimensão das amostras pelo Método de Pierre Gy.
PIERRE GY, baseando-se em modelos estatísticos mais sofisticados, que

lançam mão de algumas das ferramentas usadas na Geoestatística para o estudo das
correlações que ocorrem nas estruturas dos jazigos minerais, nomeadamente tomando
em consideração o calibre das partículas, a sua composição mineralógica e grau de
libertação e a forma das partículas, desenvolveu a chamada equação básica da
amostragem:
M ⋅ L C ⋅d3
= (21)
L−M s2
na qual :
M - é o peso mínimo de amostra necessário (gr)
L - é o peso total de material a ser amostrado (gr)
C - uma constante (gr/cm3)
d - calibre dos maiores fragmentos a ser amostrados (cm)
s - erro estatístico relativo cometido durante a amostragem , dado pelo
quociente entre o erro absoluto da amostragem e o teor médio a amostrar:
σ
s= t (22)
t
Na maioria dos casos M é muito pequeno quando comparado com L, pelo que
a a anterior equação é aproximada por:
C ⋅d3
M= (23)
s2
Perante um dado rigor a uma dada probabilidade de confiança para esse rigor,
aceitando um ajuste da Lei Normal, determina-se o respectivo desvio padrão reduzi-
Δ
do ξ P = t , sendo Δ t o erro absoluto cometido e P a probabilidade da sua
σt
ocorrência.
A constante C é específica do material a amostrar e calculada em cada caso

tomando em consideração a composição mineralógica e o estado de libertação, de
acordo com:
C = f ⋅g ⋅l ⋅m
onde:
f - factor forma [ = 0.5 minérios normais, = 0.2 para minério de ouro ]
g - factor relativo à gama granulométrica:
- seja d o calibre abaixo do qual existe 95% do peso total (K95)
- seja d´ o calibre acima do qual existe 95 % do peso total (K5),
então, se:
- d/d´ > 4 g = 0.25 - d/d´< 2 g = 0.75
- 2 < d/d´< 4 g = 0.5 - d/d´= 1 g=1
l - é um factor de libertação que varia de:

- 0 libertação muito imperfeita

- a 1 libertação completa
Gy desenvolveu uma fórmula baseada no calibre d dos maiores
fragmentos presentes na amostra, que podem ser retirados dum crivo
que deixe passar 95% do material, e no valor do calibre, lb, em
centímetros, a que o material estará tecnicamente liberto (a determinar,
por exemplo, via microscópio ou lupa binocular, ou outros métodos
mais sofisticados como, por exemplo, líquidos densos, etc). Os valores
do factor l são determináveis por:
lb
l=
d
Quando l > 1 então deve ser forçado l = 1, a que corresponde libertação
absoluta.
m - é um factor relativo à composição mineralógica, calculado por:

1− a
m= ⋅ [(1 − a ) ⋅ dm + a ⋅ dg ]
a
a - teor médio em espécie mineral (a determinar em ensaios
preliminares)
dm - densidade média da espécie mineral útil
dg - densidade média da ganga
A equação [23] conduz ao peso mínimo teórico que a amostra deve ter,
supondo que foi retirada como amostra simples, isto é, ao acaso e com um mínimo
de distorção. Na prática, por razões de segurança, é costume tomar-se o dobro do
peso calculado pela fórmula de GY, em particular no caso das pequenas amostras de
produtos sob finos calibres.
Seja o anterior minério de Zn, Blenda , com um teor médio em Zn da ordem

de 5% vai ser amostrado ao calibre de 1 polegada (2,54 cm) e pretende-se garantir um
desvio não superior a 0.2% com uma probabilidade de 99%. Aceita-se que a
libertação prática se obtém a 100# (0.15 mm = 0.015 cm).
Rotina de Cálculo:
1. Para se garantir o resultado com uma probabilidade de 99%, o intervalo de

tolerância em volta da média duma distribuição Normal, corresponde a
2 .567 × σ t pelo que:
2 .567 ⋅ σ t = 0 .002
σ t = 0 .00078
de onde se pode calcular o erro relativo s, pela equação [22]

σ 0 .00078
s= t = = 0 .0156
t 0 .05
2. Admitindo que a Blenda é estequiometricamente ZnS, então o minério contém

7.22 % de Zn. Assim:

a = 0.0722
dm = 4
dg = 2.65
pelo que se pode calcular
m = 50.149 gr/cm3
3. O factor de libertação calcula-se pela fórmula respectiva:

0 .15
l= = 0 .0768
25 .4
4. Toma-se o factor f = 0.5 e aceitando d/d´> 4 como medida da extensão

granulométrica tomaremos g = 0.25, pelo que se pode calcular a constante C:
C = f ⋅ g ⋅ l ⋅ m = 0 .5 × 0 .25 × 0 .0768 × 50 .149 = 0 .4814 gr/cm3
5. Calcula o peso total da amostra pela fórmula [23]:
C ⋅d3 0 .4814 × 2 .54 3

M= = = 32417 .9 = 32 .418 kg
σ2 0 .0156 2
Aconselha-se a tomada duma amostra de peso igual a 2 x M ≅ 66 kg
3.2.7 Reamostragem sucessiva de amostras de grandes dimensões
Depois de recolhida a amostra vai proceder-se, no caso da determinação de

teores, à sua fragmentação e sucessiva reamostragem para obtenção da quantidade
final de material a enviar à análise química (em geral de apenas algumas gramas).
Este procedimento incluirá, normalmente, 2 ou mais estágios de fragmentação
(granuladores de cones, moinhos de rolos e moinhos vibrantes de anel), cada um deles
seguido de homogenização e de uma nova fase de amostragem. Como estas novas
tomas de produto se vão realizar a calibres sucessivamente mais pequenos, as
amostras a recolher serão de dimensões cada vez menores.
Por outro lado, admitindo-se que durante todo este processo de amostragens
sucessivas o quadrado do erro relativo total produzido é dado pela soma dos
quadrados dos erros relativos cometidos em cada um dos n estágios intermédios e
que estes, em primeira aproximação, são iguais entre si, então,
st2 = s12 + s12 +L + sn2

st2
si =
2

pelo que, qualquer rotina de cálculo do tamanho de amostra (Hassialis ou GY) poderá
ser aplicada a cada estágio, usando o respectivo calibre de trabalho e cada uma das
variâncias si2 , acima definidas. Note-se, de passagem, que ao usar uma variância
inferior logo no estágio a calibre graúdo vai ser necessariamente recolhida uma
amostra de maiores dimensões, pois diminuiu a variabilidade aceite.
Retomemos, então, o exemplo anterior de amostragem do minério de Zn ao

calibre máximo de 1 polegada (25.4 mm), no silo de alimentação da moagem que
antecede a flutuação e apliquemos esta filosofia de abordagem ao caso da fórmula de
Gy. Contudo, o mesmo estilo de cálculo poderá ser facilmente reconvertido para a
rotina de Hassialis.
Admitamos que a amostra recolhida diariamente é preparada segundo uma
rotina que envolve 3 estágios de fragmentação seguido da reamostragem aos calibres
de:
- 25.4 mm
- 5 mm
- 1 mm
- 200 # (0.074 mm)
1. Calcule-se a dimensão total da amostra a recolher do silo de granulados. Note-se

que nesta versão do problema vai ser aceite para o 1º estágio de amostragem uma
variância relativa de 1/4 da usada anteriormente no problema original, o que,
obviamente, vai conduzir à colheita de uma amostra 4 vezes maior porque o nível
de exigência subiu (menor variância):
s2
s12 = t
4
M1 = 2 × M × 4 = 2 × 32 .418 × 4 ≅ 260 kg
2. Após granulação a 5mm (0.5 cm) recalculemos os parâmetros da fórmula de

GY:
st2 0 .0156 2
s =
2
2 = = 6 .084 E − 05
4 4
m = 50 .149
0 .15
l= = 0 .1732 d > 4 ⇒ g = 0 .5
5 d′
C = 0 .5 × 0 .25 × 0 .1732 × 50 .149 = 1.0857
1.0857 × 0 .5 3
M2 = 2 × = 2 × 2230 .7 ≅ 5 kg
6 .084 E − 05
3. Aplicando a mesma rotina para as amostragem após granulação a 1 mm (0.1

cm):
2 .4278 × 0 .13
M3 = 2 × = 2 × 39 .9 ≅ 80 gr
6 .084 E − 05

e após moagem a 200# (0.0074 cm)

8 .9246 × 0 .0074 3
M4 = 2 × = 2 × 0 .059 ≅ 0 .12 gr
6 .084 E − 05
4. Aconselhar-se-ia, assim, recolher durante os 4 estágios de amostra gem:

- 260 Kg ao calibre de 25.4 mm
- 5 kg ao calibre de 5 mm
- 80 gr ao calibre de 1 mm
- 0.12 gr ao calibre de 200#
Contudo, uma exploração mais atenta deste algoritmo de cálculo sugere a sua
utilização segundo um outro ponto de vista. É evidente que uma amostra de 0.12 gr é
demasiado pequena, pelo que é aceitável recolher no fim cerca de 1 gr de material,
para enviar ao laboratório de análises. Desta feita, ao tomar no último estágio uma
amostra de tamanho superior ao calculado, comete-se um erro estatístico inferior, ou
seja, é tomada uma variância inferior da variância total do procedimento de
amostragem, o que por sua vez, autorizando erros um pouco maiores (variância
superiores) nos estágios de amostragem a calibres mais graúdos, permitirá recolha de
amostras ligeiramente inferiores a esses calibres.
Assim, segundo esta estratégia, o algoritmo deverá recomeçar a partir do
calibre mais fino solicitando ao operador a indicação do tamanho de amostra
aceitável, Mn, superior ao calculado. Seguidamente resolve-se a anterior equação do
cálculo de Mi em ordem à variância:
C × d3
sn2 = 2 ×
Mn
determinando-se, em seguida, a variância sobrante:
ss2 = st2 − sn2
e recalculando todas as massas Mi a recolher nos estágios a calibres superiores:

C × di
∀ i =1,n −1M i = 2 ×
ss2
n −1
O operador poderá continuar optando por escolher para o estágio n-1 uma
amostra também ligeiramente maior que a agora recalculada tomando conta, da
mesma forma, neste estágio de uma variância menor e deixando mais folga para os
estágios de amostragem a calibres superiores, muito mais penalizados pelas
dimensões de amostra impostas pelo cálculo.
E assim sucessivamente até ao 2º estágio, de forma a reduzir o mais possível a
dimensão da amostra original.
Como proposta de trabalho o leitor poderá escrever um programa em

qualquer linguagem científica que execute este algoritmo de modo eficiente e
interactivo.

3.2.8 Conclusões
A exploração das diferentes rotinas experimentadas permite estabelecer

algumas conclusões de interesse prático para escolha do método de cálculo mais
apropriado em cada caso.
Em primeiro lugar, é por demais óbvio que a dimensão da amostra cresce
com a calibre a que o minério se encontra e que esse crescimento é proporcional ao
cubo desse calibre.
Por outro lado, é interessante notar que quando há maior quantidade de mistos
a dimensão da amostra diminui (para o mesmo calibre médio das partículas) -- tente
interpretar este facto ...
Finalmente, é de referir que a rotina de cálculo sobre o número mínimo de
amostras pequenas, sendo de fácil implementação em termos de cálculo, dever
sempre ser usada para avaliação do rigor da amostragem, desde que hajam dados
disponíveis de réplicas experimentais.
Bibliografia:
TAGGART, A.F. "Handbook of Mineral Dressing" - Cap 19, (01 - 71), John
Willey & Sons, New York, 1945
MADUREIRA, C.M. "Geologia Aplicada", Dep Minas - FEUP, 1965
WILLS, B.A. Mineral Processing Technology - 4th Edition, Pergamon Press,
Oxford, 1988
PIERRE GY "L´ Echantillonage des Minerais em Vrac", Tome I, Revue de
L´ Industrie Minerale, St. Etienne.

3.3 Balanços Mineralúrgicos: análise de variância do cálculo da Recuperação

e do Rendimento Ponderal
3.3.1 Métodos para cálculo de Balanços de Massa.

3.3.2 Análise de sensibilidade do cálculo da Recuperação.
3.3.3 Análise de sensibilidade do cálculo do Rendimento Ponderal.
3.3.1 Métodos para cálculo de Balanços de Massa
A avaliação da eficiência dum diagrama de tratamento, bem como o controlo

do próprio processo, à custa das determinações efectuadas sobre os resultados da
operação, impõe o balanço das massas totais e das massas dos vários componentes
determinados (analisados) em todos os nós do circuito. O princípio da conservação
da massa é a base do cálculo desses balanços (que se podem efectuar sobre as
espécies minerais ou sobre os metais úteis), sendo a fórmula dos dois produtos
("two-product formula") a mais frequentemente usada nesses cálculos.
Um nó simples duma rede, uma separação ou uma mistura, é constituído

sempre por 3 ramos, a cada um dos quais se associa sempre:
• a massa ou caudal mássico que o atravessa, que passaremos a designar por
Xi , com i = 1, 2, 3;
• a massa ou caudal mássico do componente determinado (analisado) nesse
ramo, que notaremos por xi,j, com i = 1, 2, 3 e j = 1... n. sendo n o número
de componentes analisados.
Os componentes normalmente analisados nos circuitos de processamento de
minérios são os teores, os calibres (quando sobre uma gama extensa, a cada malha
corresponde um componente distinto) e as percentagens de sólidos. Salvo no caso
das diluições, as massas e caudais mássicos referem-se a sólidos secos.
Sobre cada nó simples podem escrever-se várias equações de balanço:

- 1 equação sobre as massas totais em jogo
- e n equações, cada uma sobre as massas de cada componente anali-
sado.
Para escrita dessas equações é costume atribuir sinal + aos fluxos de entrada
no nó e atribuir sinal - aos fluxos de saída do nó, pelo que para um nó de separação
as equações de balanço total e de balanço em componente, assumem,
respectivamente, as formas:
X1 − X 2 − X 3 = 0 (1)
X 1 ⋅ x1, j − X 2 ⋅ x 2, j − X 3 ⋅ x3, j = 0 (2)
Se, como é corrente, aceitarmos dividir todos os caudais por um deles,

normalmente a alimentação ao nó, para que os outros sejam calculados em função
dele, e designarmos por:

X2 X3
α= virá =1 − α (3)
X1 X1
a equação (2) escrever-se-á na forma:
x1, j − α ⋅ x 2, j − (1 − α ) ⋅ x3, j = 0 (4)
de onde se pode obter o valor de:
( x1, j − x 3 , j )
α= (5)
( x2 , j − x3 , j )
Quando numa operação de concentração o fluxo numerado com n = 2 for o

concentrado, o parâmetro α é designado por rendimento ponderal, sendo a
recuperação ρj, do componente j, dada por:
x 2, j ( x1, j − x 3, j ) x 2, j
ρj = α ⋅ = ⋅ (6)
x1, j ( x 2, j − x 3, j ) x1, j
Do mesmo modo, o fluxo numerado com n = 3 será o estéril, sendo:

- x1,j o teor da alimentação;
- x2,j o teor do concentrado, e
- x3,j o teor do estéril,
analisados no componente j.
As fórmulas (5) e (6) são as chamadas two product formula acima referidas,
usadas para controlo do circuito a partir dos dados da amostragem e das análises.
Quando existem montados dispositivos de análise "on stream", para determinação de
teores e/ou percentagens de sólidos, os parâmetros anteriores podem ser obtidos
directamente das consolas dos dispositivos de controlo do circuito. Se as análises são
efectuadas em laboratório, como no caso das composições granulométricas, os tempos
de resposta são elevados e o cálculo apenas poderá ser realizado posteriormente.
NOTA: nos desenvolvimentos que se seguem todos os teores, serão representados

no intervalo [0,1].
3.3.2 Análise de Sensibilidade do Cálculo da Recuperação
Embora de grande utilidade, as formulas dos dois produtos apresentam

limitações, a que é necessário estar atento para que possam ser superadas, que
derivam basicamente do facto dessas fórmulas serem estabelecidas no pressuposto do
regime permanente ("steady state conditions"). Se bem que este regime possa ser
aceite para cálculos sobre dados acumulados ao durante períodos longos, em geral não
é legítimo esperar equilíbrios dinâmicos durante períodos curtos, por exemplo,
intervalos entre colheitas de amostras para análises granulométricas ou de teores "on
line".

Conforme facilmente se pode analisar, a anterior equação (6) de definição da

recuperação é altamente sensível ao valor de x3,j . Com efeito, trata-se dum
quociente de expressões que diferem apenas pela presença do valor de x3,j no
denominador (que, como vimos representa o teor do estéril no caso particular de se
tratar de um nó separador simples !).
Aquela equação (6) pode ser diferenciada parcialmente relativamente a todos
os valores dos componentes, xi,j, obtendo-se, sucessivamente:
∂ρ j x 2 , j ⋅ x 3, j
=
( )
(7)
∂x1, j x1, j 2 ⋅ x 2 , j − x 3, j
∂ρ j
=
(
− x 3, j ⋅ x1, j − x 3, j ) (8)
∂x 2 , j ( )
2
x1, j ⋅ x 2 , j − x 3, j
∂ρ j
=
(
− x 2 , j ⋅ x 2 , j − x1, j ) (9)
∂x 3, j ( )
2
x1, j ⋅ x 2 , j − x 3, j
Ora, demonstra-se que a variância duma função de várias variáveis pode ser
calculada por:
2
⎛ ∂F ⎞
VF ( x ) = ∑ ⎜ ⎟ ⋅ V xi (10)
i ⎝ ∂xi ⎠
isto é, é dada pela soma das variâncias dos argumentos ponderadas pelo quadrado da
variação da função com cada argumento, pelo que a variância associada ao cálculo da
recuperação através da fórmula (6) será dada por:
⎛ ∂ρ j ⎞ ⎛ ∂ρ ⎞ ⎛ ∂ρ ⎞
2 2 2
Vρ j = ⎜⎜ ⎟⎟ ⋅ V x + ⎜⎜ j ⎟⎟ ⋅ V x + ⎜⎜ j ⎟⎟ ⋅ Vx = (11)
⎝ ∂x1, j ⎠ 1, j
⎝ ∂x 2 , j ⎠ 2, j
⎝ ∂x 3, j ⎠ 3, j
⎛ x 2x 2
( ) ( ) ⎞
2 2
1 ⎜ 2 , j 3, j x 3, j 2 x1, j − x 3, j x 2 , j 2 x 2 , j − x1, j ⎟
= ⋅⎜ ⋅ Vx1, j + ⋅ V x2 , j + ⋅ V x3 , j ⎟
( ) ( ) (x )
2
x1, j 2 ⋅ x 2 , j − x 3, j x1, j 2 −
2
− x 3, j
2
⎝ x 2, j x 3, j 2, j ⎠
expressão que nos permite avaliar o erro esperado ao calcular a recuperação devido
aos erros afectos às determinações dos valores dos componentes (em geral, teores)
nos produtos amostrados (no caso vertente do nó separação, alimentação, concentrado
e estéril). Contudo, nesta expressão, a influência dos vários erros está ponderada
pelos valores absolutos dos teores determinados. Seja, por exemplo, o caso duma
concentração em que se determinaram os seguintes teores no componente zinco (j=1):
f (feed) = x1,1= 2% Zn

c (conc) = x2,1 = 40% Zn

e (est) = x3,1= 0,3% Zn
a que corresponde uma recuperação ρ = 0.856. A aplicação directa da fórmula (11)

para cálculo da variância afecta a esta estimativa da recuperação:
Vρ = 57 .1 ⋅Vf + 0 .00026 ⋅Vc + 2325 .2 ⋅Ve
permite verificar de imediato que essa estimativa é muito sensível ao erro cometido na
determinação do teor dos estéreis e indiferente à precisão da determinação do teor do
concentrado.
Admitindo um erro relativo de 5%, igual para todas as determinações, então
os desvios absolutos dos três produtos em análise valem, respectivamente:
sf = 0.02 x 0.05 = 0.001 Vf = sf2= 0.000001

sc = 0.4 x 0.05 = 0.02 Vc = sc2 = 0.0004
se = 0.003 x 0.05 = 0.00015 Ve = se2 =2.25 x 10-8
virá
Vρ = 1.1 x 10-4 e o desvio padrão dado por:
sρ = Vρ = 0.0105
Deste modo, para um nível de confiança de 95%, o desvio esperado para o

cálculo efectuado será de dois desvios padrão, ou seja:
ρ = 0.856 ± 0.021
Por outro lado, pense-se agora numa separação em que se opere uma menor
separação do componente (Zn) analisado, com valores de 2%, 2.2% e 1.3% em Zn,
respectivamente, para a alimentação, concentrado e estéril. Embora o cálculo da
recuperação conduza ao mesmo valor do exemplo anterior, a variância vem dada por:
Vρ = 6311 ⋅Vf + 3155 ⋅Vc + 738 ⋅Ve
onde se vê que, no caso duma separação de menor relação de concentração, a

estimativa da recuperação vem muito afectada pelo erro cometido na determinação
dos teores do concentrado e da alimentação do que do estéril.
Haverá, pois, em cada caso concreto, que estabelecer a estratégia mais

adequada e tomar as precauções devidas nos procedimentos de amostragem e análise.
EXEMPLO:
Numa lavaria de Cobre com analisadores "on line" foram obtidos os seguintes
teores e respectivos erros relativos (função das características técnicas dos
equipamentos ou, eventualmente, determinados ao longo da experiência com esses
equipamentos):
teores erros relativos

- alimentação f = 3.5% 4%
- concentrado c = 18% 2%
- estéril e = 1% 8%
Calcular a recuperação e a incerteza associada a esse resultado.

O resultado final será ρ = 0.756 ± 0.048 para um nível de confiança de 95% !
3.3.3 Análise de Sensibilidade do Cálculo do Rendimento Ponderal
Tal como no anterior, o cálculo do rendimento ponderal a partir da equação

(5) derivada da fórmula dos dois produtos é susceptível de estar associado a um erro
demasiado elevado se os valores dos componentes não estiverem suficientemente
separados. Por exemplo, um ciclone produz em geral uma boa partição da fase
líquida bem como dos calibres suficientemente afastados do calibre de corte, mas não
necessariamente em termos de teores em algum metal presente no minério nem nos
calibres próximos do de corte. Assim sendo, quando esses dados estão disponíveis, o
problema será decidir qual o componente que produz o balanço material mais
rigoroso.
A anterior equação (5) poderá também ser derivada parcialmente em ordem a
cada um dos fluxos analisados, f, c e e:
∂α 1
= (12)
∂x1, j x2 , j − x3 , j
∂α
=
(
− x1, j − x 3, j ) (13)
∂x 2 , j ( )
2
x 2 , j − x 3, j
∂α x1, j − x 2 , j
= (14)
∂x 3, j ( )
2
x 2 , j − x 3, j
para, de acordo com (10), se calcular a variância do cálculo do rendimento ponderal

em função das variâncias dos valores experimentais nela intervenientes:
2 2 2
⎛ ∂α ⎞ ⎛ ∂α ⎞ ⎛ ∂α ⎞
Vα = ⎜⎜ ⎟⎟ ⋅ Vx1, j + ⎜⎜ ⎟⎟ ⋅ V x + ⎜⎜ ⎟⎟ ⋅ V x = (15)
⎝ ∂x1, j ⎠ ⎝ ∂x 2 , j ⎠ 2, j
⎝ ∂x 3, j ⎠ 3, j
(x ) (x )
2 2
1 1, j − x 3, j 1, j − x2 , j
= ⋅Vx1, j + ⋅ V x2 , j + ⋅ V x3 , j
( ) (x ) (x )
2 4 4
x 2 , j − x 3, j 2, j − x 3, j 2, j − x 3, j
EXEMPLO:
Uma espiral, a funcionar como unit cell num circuito fechado de moagem, foi
amostrada e analisados os seus produtos:
- alimentação 0.92% ± 0.02% Sn
- concentrado 0.99% ± 0.02% Sn
- estéril 0.69% ± 0.02% Sn

As densidades de polpa também foram medidas, sendo as diluições de:

- alimentação 4.87 ± 0.05
- concentrado 1.77 ± 0.05
- estéril 15.73 ± 0.05
Verifique que o rendimento ponderal, para um nível de confiança de 95% é de:
α = 0.767 ± 0.085 calculado pelos teores em Sn, e de

α = 0.778 ± 0.0045 calculado pelas diluições
pelo que sendo, a diluição o componente menos sensível, em cálculos posteriores

deve ser adoptado o respectivo rendimento ponderal.
A possibilidade evidenciada pelo exemplo anterior abre outras perspectivas

para um cálculo mais rigoroso da recuperação no caso em que o componente principal
analisado não estiver suficientemente separado. Com efeito, se existirem análises de
outros componentes, poder-se-á analisar a sensibilidade do cálculo do rendimento
ponderal e adoptar o valor obtido através do componente menos sensível, calculando
de seguida a recuperação através de:
x
ρ j = α k ⋅ 2, j
x1, j
sendo k o componente menos sensível para o cálculo de α

e j o componente principal de que se pretende calcular a recuperação.

3.4 Reconciliação de dados superabundantes em cálculos de balanço de massa
3.4.1 Métodos de reconciliação de dados em Balanços de Massa:

3.4.1.1 Determinação da melhor estimativa para o Rendimento Ponderal
3.4.1.2 Ajustamento dos valores dos componentes determinados.
3.4.2. Extensão do método para Circuitos Complexos:
3.4.2.1 Caso dum circuito fechado de moagem
3.4.2.2 Caso dum circuito de Desengrosso – Reclamação - Apuramento.
3.4.3 Método para ponderação dos ajustamentos de acordo com a variância das
determinações experimentais.
Todos os desenvolvimentos anteriores foram feitos na perspectiva da

existência de determinações experimentais e analíticas de mais do que um
componente nos fluxos de cada nó, por exemplo, numa lavaria de recuperação de
cobre é natural haver determinações de teores de Cu, Zn, Pb e Fe !
Nestes casos sucede que em cada nó há excesso de dados, de modo que se
podem calcular várias estimativas para o rendimento ponderal α à custa de cada um
dos componentes analisados, sendo cada uma independente das outras e,
aparentemente, igualmente válidas. O problema será escolher qual o componente a
usar para produzir o balanço coerente e quais os redundantes. Na generalidade dos
casos correntes, nenhum desses componentes será capaz de produzir esse balanço
coerente porque:
• a colheita das amostras nos vários fluxos está sempre sujeita a erros por
falta de representatividade;
• as técnicas analíticas usadas para tratamento das amostras estão
também sujeitas a erro
• os regimes permanentes contínuos não existem nos circuitos de
tratamento de minérios, a não ser durante tempos muito curtos, pelo
que fluxos amostrados em tempos distintos correspondem, em geral, a
regimes diferentes.
3.4.1 Métodos de Reconciliação de Dados em Balanços de Massa
A solução correntemente preconizada para obtenção dos balanços coerentes

consiste em usar todos os dados disponíveis para determinar a melhor estimativa
para o rendimento ponderal, α e, em seguida, ajustar todos esses dados de modo a
compatibilizá-los com essa estimativa.
A aplicação destes métodos a nós simples é relativamente simples e, a partir
dela pode-se obter a solução para um circuito complexo qualquer. Todavia, projectar
uma aplicação genérica para circuitos de configuração arbitrária torna-se demasiado
complexo.

3.4.1.1 Determinação da melhor estimativa para o Rendimento Ponderal
A título de apresentação, tome-se o exemplo duma lavaria de Sn em que se

analisam, por rotina, os teores de S, Fe, SiO2, S, As e TiO2, na alimentação no
concentrado e nos estéreis, conforme a Tabela I.
Como pode ser analisado, obtém-se para o Rendimento Ponderal 6
estimativas diferentes. Tais valores foram calculados na perspectiva de que cada
determinação analítica era exacta e com cada equação de balanço (4) igualada a zero:
x1, j − α j ⋅ x2 , j − (1 − α j ) ⋅ x3 , j = 0 (16)
TABELA I
Conponente alimentação Concentrado Estéril Rp Calc %
Sn 21.90 43.00 6.77 41.76
Fe 3.46 5.50 1.76 45.45
SiO2 58.00 25.10 75.30 34.46
S 0.11 0.12 0.09 66.67
As 0.36 0.38 0.34 50.00
TiO2 4.91 9.24 2.07 39.61
Contudo, só foi efectuada uma única separação e, por conseguinte, será de

esperar um rendimento ponderal α único afectando todos os componentes. Se na
anterior expressão se substituir cada αj pelo valor α, então essas expressões
apresentarão um erro de fecho, Δj, não nulo, passando a ter a forma:
x1, j − α ⋅ x2 , j − (1 − α ) ⋅ x3 , j = Δ j (17)
O cálculo da melhor estimativa α* para o valor de α, cuja confiança depende

do rigor dos dados e do nível em que cada componente é separado, pode ser
conduzido segundo dois critérios distintos:
• minimização da soma dos quadrados dos ajustamentos a fazer sobre as

determinações de cada componente:
( )
3 n
S = ∑ ∑ Δx i , j
2
∗
sendo Δx i , j = x i , j − x i , j (18)
i = 1 j =1
isto é, cada ajustamento é igual à diferença entre o valor medido e o

calculado que torna o balanço coerente;
• minimização da soma dos quadrados dos erros de fecho de cada

equação de balanço:
n
S = ∑Δj (19)
j =1
para depois de obter a melhor estima α* (largamente determinado

pelos componentes melhor separados durante o processo de

concentração) calcular os ajustamentos a cada um dos componentes,

por distribuição do erros de fecho, de modo a tornar o balanço
coerente.
Na maioria dos casos práticos os métodos são razoavelmente equivalentes. O

segundo método, é mais facilmente implementável, como veremos nos próximos
parágrafos.
Substituindo na equação (19) a equação (17) depois de ligeiramente adaptada,

obteremos:
(
S = ∑ x1, j − x 3, j ) (
+ α 2 ∑ x 2 , j − x 3, j ) ( )(
− 2α ∑ x1, j − x 3, j x 2 , j − x 3, j )
2 2
(20)
j j j
O valor de S nunca poderá ser zero, a não ser que os dados sejam consistentes.
Contudo terá um mínimo quando a derivada se anular, dS dα = 0 , isto é:
(
2α ∗ ∑ x 2 , j − x 3, j ) ( )(
− 2 ∑ x1, j − x 3, j x 2 , j − x 3, j = 0 )
2
j j
sendo a melhor estima para o rendimento ponderal dada por:
∑(x 1, j )(
− x3, j x2 , j − x3, j )
α =∗ j
∑(x )
2 (21)
2, j − x3, j
j
3.4.1.2 Ajustamento dos valores dos componentes
Uma vez determinado α* o passo seguinte será ajustar o valor dos vários
componentes (teores medidos) xi,j de modo a torná-los consistentes com o valor do
rendimento ponderal calculado. Para tal os erros de fecho deverão ser distribuídos
entre todos os componentes de modo a obter-se equações de balanço coerentes:
∗ ∗ ∗ ∗
x1, j − α ∗ ⋅ x2 , j − (1 − α ∗ ) ⋅ x3 , j = 0 com Δx i , j = x i , j − x i , j (22)
pelo que:
(x 1, j ) ( )
− Δx1, j − α ∗ ⋅ x2 , j − Δx 2 , j − (1 − α ∗ ) ⋅ x 3, j − Δx 3, j = 0 ( ) (23)
expressão em que apenas se desconhece o valor dos ajustamentos Δxi,j.

Retomando a equação de fecho (17) com os valores obtidos experimen-
talmente e α substituído por α* :
x1, j − α ∗ ⋅ x 2 , j − (1 − α ∗ ) ⋅ x 3 , j = Δ j
e subtraindo-a membro a membro da expressão (23), obteremos

Δ x1, j − α ∗ ⋅ Δ x2 , j − (1 − α ∗ ) ⋅ Δ x3 , j = Δ j (24)
expressão das restrições a que devem obedecer os valores Δxi,j face ao valor α* e aos
vários erros de fecho Δj minimizados por α*.
Notar que embora querendo minimizar os Δxi,j , a liberdade não é total visto
que os Δxi,j têm que satisfazer à equação (24), daí chamar-lhe uma CONSTRIÇÃO.
O passo seguinte será minimizar
( )
n
S ′ = ∑ Δx1, j + Δx 2, j + Δx3, j
2 2 2
(25)
j =1
sujeita às constrições (24)
Um modo de resolver um problema de minimização desta natureza com

constrições é usar o método dos multiplicadores de Lagrange que se resume da
seguinte forma:
1. escrevem-se as constrições na forma g(x,y,z,...)=0:
Δ j − Δ x1, j + α ∗ ⋅ Δ x2 , j + (1 − α ∗ ) ⋅ Δ x3 , j = 0
2. constrói-se a função Lagrangeana como sendo a soma da função

objectivo mais a constrição multiplicada por um parâmetro λ que se
designa por Multiplicador de Lagrange:
( ) (
L = ∑ Δx1, j 2 + Δx 2 , j 2 + Δx 3, j 2 + 2∑ λ j Δ j − Δx1, j + α ∗ Δx 2 , j + (1 − α ∗ ) Δx 3, j
j j
) (26)
3. demonstra-se que a condição necessária para o mínimo de S´

constrangido é dado pela solução do sistema das derivadas parciais da
Lagrangeana em ordem a cada incógnita igualadas a zero:
∂L
= 2 Δ x1, j − 2 λ j = 0 ⇒ Δ x1, j = λ j (27)
∂Δ x1, j
∂L
= 2 Δx2 , j + 2 λ j ⋅ α ∗ = 0 ⇒ Δx2 , j = − λ j ⋅ α ∗ (28)
∂Δ x 2 , j
∂L
= 2 Δx 3, j + 2λ j ⋅ (1 − α ∗ ) = 0 ⇒ Δx 3, j = − λ j ⋅ (1 − α ∗ ) (29)
∂Δx 3, j
∂L
∂λ j
( ( )
= 2 Δ j − Δx1, j + α ∗ ⋅ Δx 2, j + 1 − α ∗ ⋅ Δx3, j = 0 ) (30)

Substituindo (27), (28) e (29) em (30), obter-se-á:
2
(
Δ j = λ j + α ∗ λ j + (1 − α ∗ ) λ j = λ j 1 + α ∗ + (1 − α ∗ )
2 2 2
) = λ ⋅h
j
com
h = 1 + α ∗ + (1 − α ∗ )
2 2
(31)
pelo que se obterá sucessivamente, para cada componente:
Δj
λj =
h
Δj
Δ x1, j = λ j = (32)
h
Δj
Δ x 2, j = − λ j ⋅ α ∗ = − α ∗ ⋅ (33)
h
Δj
Δx 3, j = − λ j ⋅ (1 − α ∗ )⋅ = −(1 − α ∗ ) ⋅ (34)
h
Assim, uma vez calculado α*, calcula-se h pela equação (31). Em seguida
determinam-se todos os erros de fecho, Δj pela equação
x1, j − α ∗ ⋅ x 2 , j − (1 − α ∗ ) ⋅ x 3 , j = Δ j
para com eles calcular todos os ajustamentos Δi,j pretendidos pelas expressões (32) a
(34).
Na Tabela II apresentam-se os resultados referentes à aplicação da rotina de

cálculo aos dados da tabela I.
TABELA II
Componen- Alimenta- Concen- Estéril α - Rp Alim ajust Conc Ajust Est Ajust
te ção trado calc%
Sn 21.90 43.00 6.77 41.76 20.78 43.41 7.47
Fe 3.46 5.50 1.76 45.45 3.25 5.58 1.89
SiO2 58.00 25.10 75.30 34.46 57.16 25.41 75.83
S 0.11 0.12 0.09 66.67 0.10 0.12 0.09
As o.36 0.38 0.34 50.00 0.36 0.38 0.34
TiO2 4.91 9.24 2.07 39.61 4.79 9.28 2.15
melhor α * = 37.03

3.4.2 Extensão do Método para Circuitos Complexos
Conforme já foi referido, o desenvolvimento dum algoritmo universal para

aplicação a circuitos de configuração arbitrária é tarefa complicada.
Contudo há pequenos circuitos de utilização em qualquer lavaria de
processamento de minérios que interessa ter analisados para utilização corrente. É o
caso dos circuitos fechados de moagem, com classificador aos pés ou à cabeça, onde
as análise granulométricas dos vários produtos, determinadas diariamente, necessitam
de ser compatibilizadas na perspectiva da consistência dos balanços em jogo. Um
outro caso típico é o dos circuitos de flutuação com Desengrosso, Reclamação e
Apuramento.
Para resolver estes casos concretos será necessário escrever as equações de
balanço correspondentes aos vários nós simples que integram o circuito e procurar
estabelecer as funções objectivo (somas de quadrados de erros de fecho e de
ajustamentos a realizar nos vários componentes) a minimizar nos vários passos do
processo de cálculo.
Ao leitor sugere-se que analise esses casos esquematicamente apresentados

nas figuras seguintes, estabeleça as fórmulas finais de cálculo e, se possível, aponte
soluções generalizáveis.
3.4.2.1 Caso dum Circuito Fechado de Moagem
D=1
A=1 E=R
1 2
C=R-1
B=R-1
Neste caso será necessário escrever duas equações de balanço:

- nó de mistura 1 ( ) (
Δ 1, j = a j + ( R − 1) ⋅ c j − R ⋅ e j = R ⋅ c j − e j + a j − c j )
- nó separador 2 Δ 2 , j = R ⋅ e j − ( R − 1) ⋅ b j − d j = R ⋅ (e j − b ) + (b
j j −d )
j
ambas em função do caudal (relativo) R, e calcular de seguida o valor R* que

minimiza a soma dos quadrados dos erros de fecho:
(
S = ∑ Δ 1, j 2 + Δ 2 , j 2
j
)
Note-se, de passagem, que o problema é ainda demasiado simples uma vez
que apenas existe uma única incógnita a minimizar. Isto é, o objectivo S a minimizar
é ainda função apenas de uma só variável, R.

Uma vez obtido esse valor R*, o passo seguinte será minimizar a soma dos
quadrados dos ajustamentos a fazer à determinação de cada componente.
(
S ' = ∑ Δa j 2 + Δb j 2 + Δc j 2 + Δd j 2 + Δe j 2
j
)
sujeita às respectivas constrições a cumprir em cada um dos nós do circuito,
expressas, como anteriormente, por:
Δ 1, j − Δa j − ( R ∗ − 1) ⋅ Δc j + R ∗ ⋅ Δe j = 0
Δ 2 , j − R ∗ ⋅ Δe j + ( R ∗ − 1) ⋅ Δb j + Δd j = 0
Usando a técnica dos multiplicadores de Lagrange, constrói-se a respectiva

Lagrangeana que, neste caso, vai exigir, para cada componente analisado, dois
multiplicadores, um para cada constrição.
Uma vez determinada a estimativa R*, a Lagrangeana apresenta-se como
função do quadrado de cada um dos ajustamentos,
Δ a 2j , Δ b 2j , Δ c 2j , Δ d 2j , Δ e 2j
e dos dois multiplicadores,
λ1, j , λ 2 , j
pelo que, por derivação em relação a cada um destes argumentos, para se obter a
condição de mínimo, se vão obter:
• equações lineares que exprimem directamente cada um dos ajustamentos
(deltas) em função dos multiplicadores (lambdas) e de R*
• sistemas de duas equações nos lambdas, exclusivamente função de R* e
dos erros de fecho das equações em cada nó.
Uma vez resolvidos estes sistemas, os vários valores dos lambdas para cada
componente vão permitir calcular os ajustamentos que tornam todo o balanço
coerente.
3.4.2.2 Caso dum Circuito Desengrosso-Reclamação-Apuramento

A1
A2 A3
D R
A4 A5
A
A7
A6
Usando rotina semelhante o leitor procurará estabelecer as expressões a

minimizar de modo a obter as estimativas para os respectivos fluxos (em termos

relativos) bem como os ajustamentos a fazer às determinações dos vários

componentes para compatibilização do balanço.
Se, como anteriormente, se fizer:
α1 = A1/A1 = 1 e, sucessivamente, αi = Ai/A1
a determinação das melhores estimativas para os vários alfas vai obter-se

minimizando a soma dos quadrados dos erros de fecho das 4 equações dos nós em
presença (3 simples e o nó geral). O leitor facilmente constará que esta função
objectivo depende de cada um dos alfas na forma simples e na quadrada, pelo que,
por derivação parcial em ordem a cada um deles (para atingir a condição de mínimo)
se obterá um sistema de equações lineares em que as incógnitas são os respectivos
alfas.
O prolongamento da solução até ao cálculo dos ajustamentos para cada
componente será conseguida por extensão do método utilizado na solução do
problema anterior.
3.4.3 Método para Ponderação dos Ajustamentos de Acordo com a Varia-

bilidade das Determinações Experimentais
A melhor estimativa, α*, do rendimento ponderal calculada pelas rotinas

anteriormente apresentadas é, contudo, um valor normalmente distorcido, como aliás
pode ser analisado na TABELA II, que tende a aproximar-se, em geral, do valor
calculado sobre o componente que tem valores mais altos, mas não necessariamente o
componente melhor separado.
Esta distorção deve-se à aceitação implícita de que o erro experimental

absoluto se distribui de forma equitativa por todos os componentes, o que na prática
não se confirmará. Será muito mais plausível aceitar que o erro absoluto de cada
valor seja proporcional ao próprio valor, o que significa aceitar para cada um desses
valores o mesmo erro relativo. Será, pois, desejável encontrar um modo de ponderar
os ajustamentos a calcular para cada componente de modo a que dados mais
consistentes sejam menos ajustados que os dados menos rigorosos. Para este efeito é
costume usar o inverso da variância estimada como factor de ponderação.
A solução poderá ser conseguida mantendo os métodos anteriores, para
minimizar a soma dos quadrados doe erros de fecho das equações de balanço dos
componentes devidamente ponderados:
Δj
2
S=∑ (35)
j VΔ j
Não compensa mexer numa variável muito rigorosa (de variância pequena)
porque o seu peso na função objectivo é muito grande (devido à divisão por um
número muito pequeno). Na procura do mínimo compensa mais mexer numa variável
de grande imprecisão (de variância grande) dado o pequeno peso da sua participação
na função objectivo.

Tal como anteriormente, o cálculo da variância dos erros de fecho pode ser
calculada a partir do pressuposto expresso por (10), pelo que:
⎛ ∂Δ j ⎞ ⎛ ∂Δ j ⎞ ⎛ ∂Δ j ⎞
2 2 2
VΔ j = ⎜⎜ ⎟⎟ ⋅Vx + ⎜⎜ ⎟⎟ ⋅ Vx + ⎜⎜ ⎟⎟ ⋅Vx (36)

⎝ ∂x1, j ⎠ 1, j
⎝ ∂x2 , j ⎠ 2, j
⎝ ∂x 3, j ⎠ 3, j
e como
(
Δ j = x1, j − x 2 , j ⋅ α − x 3, j ⋅ (1 − α ) = x1, j − x 3, j − α ⋅ x 2 , j − x 3, j) (37)( )
virá:
VΔ j = V x1, j + α 2 ⋅ Vx2 , j + (1 − α ) ⋅ V x3, j
2
(38)
o que nos permite calcular a função objectivo S como função de α e, então,

determinar α* que a minimize. Substituindo (37) em (35), obteremos:
⎡2 ⋅α ⋅ x − x
( ) ( )( )
2 ⋅ x1, j − x 3, j ⋅ x 2 , j − x 3, j ⎤
2
dS
= ∑⎢ ⎥=0
2, j 3, j
−
dα j
⎢ VΔ j VΔ j ⎥
⎣ ⎦
de onde se calcula, finalmente:
(x )(
− x 3 , j x 2 , j − x 3, j )
∑
1, j
j VΔ j
α= (39)
(x )
2
− x 3, j
∑
2, j
j VΔ j
equação que pode ser resolvida por iteração conjuntamente com a equação (38) :
1. introduz-se uma estimativa de α em (38)
2. calcula-se uma estimativa para VΔj
3. que introduzida em (39) permite calcular um novo valor de α
4. retorno ao ponto 2. até à convergência.
Uma vez determinado esta nova melhor estimativa para α, vai retomar-se a
rotina de cálculo dos ajustamentos Δxi,j dos componentes
∗
Δx i , j = x i , j − x i , j
que, de acordo com (24) tornam o balanço coerente com a melhor estimativa, α*, do
rendimento determinada pela anterior rotina de iteração:
Δ x1, j − α ∗ ⋅ Δ x2 , j − (1 − α ∗ ) ⋅ Δ x3 , j = Δ j
sendo Δj o conjunto dos erros de fecho minimizados pelo valor α* determinado.

Seguindo o novo ponto de vista, no cálculo dos novos ajustamentos dos
componentes, este vão ser ponderados pelo inverso das respectivas variâncias, de
modo que a função objectivo a minimizar será:

⎛ Δx1, j 2 Δx 2 , j 2 Δx 3, j 2 ⎞
S = ∑ ⎜⎜ + + ⎟ (40)
j ⎝ V x1, j V x2 , j V x3, j ⎟⎠
pelo método dos multiplicadores de Lagrange e constrangida pela anterior equação de

balanço coerente:
− Δ x1, j + α ∗ ⋅ Δ x2 , j + (1 − α ∗ ) ⋅ Δ x3 , j + Δ j = 0 (41)
resultando a langrangeana da forma:
⎛ Δx1, j 2 Δx 2 , j 2 Δx 3, j 2 ⎞
L = ∑ ⎜⎜
j ⎝ V x1, j
+
V x2 , j
+
V ⎟
x3 , j ⎠ j
(
⎟ + 2∑ λ j Δ j − Δx1, j + α ∗ Δx 2 , j + (1 − α ∗ ) Δx 3, j (42) )
Derivando L parcialmente em ordem aos ajustamentos Δi,j e a λj e igualando
a zero, libertamo-nos das formas quadráticas.
Assim, para cada j:
∂L Δx
= 2 1, j − 2 λ j = 0 ⇒ Δ x1, j = λ j ⋅Vx1, j (42)
∂Δ x1, j Vx1, j
∂L Δx
= 2 2 , j + 2 λ j α ∗ = 0 ⇒ Δ x 2 , j = − λ j ⋅ α ∗ ⋅Vx2 , j (43)
∂Δ x 2 , j Vx2 , j
∂L Δ x 3, j
=2 + 2λ j (1 − α ∗ ) = 0 ⇒ Δx 3, j = − λ j ⋅ (1 − α ∗ ) ⋅ V x3, j (44)
∂Δx 3, j V x3 , j
e, finalmente,
∂L
∂λ j
(
= 2 Δ j − Δx1, j + α ∗ Δx 2 , j + (1 − α ∗ ) Δx 3, j = 0 )
ou seja
Δ j = Δx1, j − α ∗ Δx 2 , j − (1 − α ∗ ) Δx 3, j (45)
Substituindo agora (42), (43) e (44) em (45), teremos:
(
Δ j = λ j V x1, j + α ∗2V x2 , j + (1 − α ∗ ) V x3, j
2
) (46)
em que o segundo membro é a expressão (38) da variância dos erros de fecho VΔj,
pelo que:

Δj
Δ j = λ j ⋅VΔ j ou λj = e, sucessivamente,
VΔj
Vx1, j
Δ x1, j = Δ j ⋅ = λ j ⋅Vx1, j (47)
VΔ j
Vx2 , j
Δx2 , j = −α∗ ⋅ Δ j ⋅ = − λ j ⋅ α ∗ ⋅Vx2 , j (48)
VΔ j
V x3 , j
Δ x 3, j = − ( 1 − α ∗ ) ⋅ Δ j ⋅ = − λ j ⋅ (1 − α ∗ ) ⋅ V x 3 , j (49)
VΔ j
expressões que permitem levar o algoritmo de cálculo até ao fim.
Na Tabela III apresentam-se os dados iniciais ajustados por este novo

procedimento de cálculo assumindo erros relativos idênticos para cada componente
(a que correspondem diferentes erros absolutos).
Embora neste caso os resultados sejam muito semelhantes aos obtidos na
Tabela II, o que aliás não é regra corrente, é mesmo assim evidente que a distorção
para o lado da sílica desapareceu, aproximando-se dos valores do Sn, o componente
melhor separado (ver Tabela I - pág. 37).
TABELA III
Compo- Alimenta- Concentra Estéril α - Rp Alim ajust Conc Ajust Est Ajust
nente ção do calc%
Sn 21.90 43.00 6.77 41.76 21.80 43.16 6.78
Fe 3.46 5.50 1.76 45.45 3.36 5.61 1.78
SiO2 58.00 25.10 75.30 34.46 55.87 25.26 77.41
S 0.11 0.12 0.09 66.67 0.10 0.12 0.09
As o.36 0.38 0.34 50.00 0.36 0.38 0.34
TiO2 4.91 9.24 2.07 39.61 4.98 9.13 2.06
melhor α * = 41.30
Bibilografia:
WILLS, B.A. "Mineral Processing Technology" - 4th Edition, Pergamon

Press, Oxford, 1988
LYNCH, A.J. "Mineral Crushing and Grinding Circuits - Their Simulation,

Optimisation, Design and Control", Elsevier, Amsterdam, 1977
SPRING, R. "Soft-sensors and Numerical Filters in Mineral Processing",

CIM Bulletin, volume 85, nº 965, pp 68-69, Nov/Dec 1992

3.5 Análise de Circuitos Complexos

Introdução aos Balanços de Massa em Circuitos Complexos
3.5.1 Método Analítico para Estudo de Diagramas Complexos.

Matriz das Ligações e Matriz de Componentes
3.5.2 Exemplo de Aplicação
Um diagrama de concentração, por mais complexo que seja, pode sempre ser
decomposto numa série de operações unitárias simples, podendo cada uma ser
avaliada pela aplicação das equações de balanço envolvendo dois produtos.
Seja o exemplo do caso dum circuito de flutuação de zinco. O andar de de-

sengrosso é alimentado com uma polpa contendo 5% Zn a 25 t/h e produz um
concentrado de alto teor a 45% Zn. O estéril do desengrosso, titulando 0.7% Zn
alimenta uma secção de reclamação que produz um concentrado de baixo teor a 7%
Zn e um rejeito final titulando 0.2% Zn. Pretende-se calcular a produção horária de
concentrados de alto e baixo teor (ou os respectivos Rendimentos Ponderais em
alternativa) bem como a recuperação total do circuito.
Uma vez que foram feitas todas as determinações necessárias para tornarem o
problema solúvel, o leitor rapidamente pode chegar à solução do problema e obter os
seguintes valores:
C1 = 2.43 t/h e C2= 1.66 ton/h

ρ = 96.7 %
Neste caso simples é fácil determinar quais os fluxos que devem ser analisados
para produzir o sistema de equações que resolve o problema. Provavelmente o leitor
nem sequer chegou a escrever esse sistema e resolveu o problema em 2 estágios
sucessivos de cálculo, raciocinando como se se tratasse de 2 circuitos distintos sem
qualquer relação entre si.
Contudo, quando na prática corrente se pretende calcular o balanço de massa

de um circuito mais complexo, em regime permanente ("steady state"), é, em geral,
necessário recorrer a um método mais analítico para gerar o sistema de n equações
lineares a n incógnitas.
Note-se que no contexto em que estamos a trabalhar, "calcular um circuito"
significa calcular o valor dos fluxos mássicos em cada ramo do circuito, seja em
valores absolutos, seja referidos ao caudal standard unitário da alimentação.
3.5.1 Método Analítico para Estudo de Diagramas
Qualquer circuito complexo pode sempre ser reduzido a uma rede constituída
por uma série de nós simples onde os fluxos em processamento ora se juntam ou
separam. Um nó simples define-se como sendo, ou um separador simples, que

possui um entrada única e apenas duas saídas, ou uma junção (mistura) simples
constituída por duas entradas e apenas uma saída. Em princípio, qualquer separador
ou junção complexa pode ser substituída por uma cascata de separadores ou junções
simples em série.
É possível demonstrar que, admitindo conhecido um dos fluxos do circuito

(em geral a alimentação)4, o número mínimo de fluxos a analisar o teor para permitir
calcular o balanço de massa é dado por:
N = 2 ⋅ ( F + S) − 1 (1)
em que:
F - número de caudais de entrada no circuito directamente do exterior
S - número de separadores simples
No entanto, deve chamar-se à atenção de que para a determinação do número

de separadores simples será necessário decompor o diagrama complexo em nós
simples. Esta operação é perigosa na medida em que vai tornar visível circuitos
inexistentes ou, pelo menos, de difícil acesso para qualquer determinação no circuito
real em estudo.
Para obviar a este inconveniente, FREW desenvolveu um procedimento que
permite de modo fácil o estabelecimento das equações do circuito e, bem assim, uma
confirmação da contagem de nós simples do diagrama.
O método envolve o uso da chamada matriz de ligações, C, definida do
seguinte modo:
sendo i - nº de linhas = nº de nós reais do circuito

j - nº de colunas = nº de fluxos reais do circuito
⎧+1 - se o fluxo j é entrada no nó i ("feed")

Ci,j = ⎨- 1 - se o fluxo j é saída do nó i ("product") (2)
⎩ 0 - se o fluxo j não se relaciona com o nó i.
Se repararmos bem, por trás desta matriz de ligações encontram-se as

equações de balanço de massa total escritas para todos os nós reais do circuito e,
como tal, envolvendo todas as incógnitas do problemas em estudo. Assim, esta
matriz terá, em geral, número de linhas inferior ao número de colunas, pelo que será
necessário encontrar mais equações para tornar o sistema determinado. Como
sabemos, essas novas equações serão as equações de balanço de componentes e o
número de determinações desses componentes necessárias é dado pela fórmula [1].
Uma vez construída a matriz de acordo com [2], como cada coluna representa
um fluxo real do diagrama, o somatório de todos os seus elementos deverá valer +1, -
4 Frequentemente prefere-se admitir o fluxo de alimentação como unitário e calcular

todos os restantes fluxos como fracções desse fluxo de alimentação.

1 ou 0, sendo qualquer outro valor indicativo da existência dum erro (interprete).

Fácil será também identificar que se o somatório valer:
+1 - o fluxo é uma alimentação do exterior
- 1 - o fluxo é um produto final
0 - se trata de um fluxo interno
Do mesmo modo, como cada linha representa cada nó real do diagrama,

contam-se o número de entradas ne e o número de saídas ns e calculam-se, com
facilidade, o número de junções simples e o número de separadores simples do
seguinte modo:
ne -1 (nº de junções simples) (3)
ns -1 (nº de separadores simples)
sendo o número total J de junções simples e S de separadores simples do circuito
dado pelas respectivas somas estendidas a todos os nós.
Calcula-se, então, de seguida, o número de determinações a efectuar do

componente desejado, de acordo com a anterior fórmula [1].
Se o número dessas medições necessárias for superior ao número de fluxos

reais existentes isso significa que terão que se fazer determinações de caudais
mássicos em número igual à diferença.
Como nota importante deve chamar-se à atenção de que apenas podem ser
usados componentes conservativos em cada nó, isto é, componentes que não sofram
transformações que modifiquem as propriedades medidas, mas apenas ocorram
separações ou junções de fluxos de propriedades diferentes. Por exemplo, se num
dado circuito de flutuação houver um circuito de remoagem, esse circuito pode ser
mantido no cálculo se se estiver a usar determinações de teor, todavia não poderá ser
usado para o cálculo do balanço baseado em análises granulométricas. Neste caso, o
circuito de remoagem deverá ser seccionado em dois fluxos: um, que saindo do
circuito, será classificado com produto, e outro que volta a entrar, mas com
composição granulométrica diferente, classificado como entrada directamente do
exterior.
Quando o número de determinações necessárias é menor que o número de
fluxos, haverá que analisar cuidadosamente quais os fluxos que podem ser
abandonados, isto é, quais as equações de balanço de componentes a prescindir, sob
pena do sistema não ficar devidamente determinado. Com efeito, ao prescindir da
determinação de um dado fluxo são imediatamente eliminadas as equações de balanço
de componentes relativas aos nós com que esse fluxo se relaciona (2 equações se se
tratar dum fluxo interno, ou 1 equação no caso do fluxo ser uma entrada ou saída do
circuito).
Assim sendo é sempre necessário analisar cuidadosamente o diagrama e
escolher os fluxos a abandonar de modo a manter o número de equações necessárias
para igualar o número de incógnitas (igual ao número de fluxos).
Finalmente, convém referir, que ao resolver o sistema de equações surgem
com frequência matrizes singulares de determinante nulo porque uma das equações
escritas não é linearmente independente das restantes, o que nem sempre é visível à
simples análise visual da matriz. Embora não haja um método completamente seguro
para construir a matriz que evite essa situação, sugere-se como boa estratégia que se

escolham os fluxos a analisar em volta de nós com o mínimo possível de braços

comuns.
No caso de haver lugar a escolhas alternativas entre nós diferentes a incluir no

cálculo, algumas reflexões devem ser feitas, uma vez que as determinações
experimentais estão, em geral, afectadas de erro. Como se sabe, os nós em que um
dado componente é mal separado são propensos a maiores erros. Em princípio, face
a um diagrama concreto em estudo, é sempre possível utilizar uma rotina para analisar
a sensibilidade e indicar quais as equações e quais os componentes a usar para obter o
mínimo de variância no cálculo do balanço de massa. Por outro lado, aconselha-se a
determinação de caudais sempre que possível, uma vez que esses dados diminuem
consideravelmente a sensibilidade ao erro experimental.
Como vimos atrás, a matriz das ligações permite construir uma outra matriz
da forma:
Li , j = Ci , j ⋅ B j
que sob a forma de:
∑C
j
i,j ⋅ Bj = 0 (4)
resume as equações de balanço de massa total que se podem escrever sobre o

circuito e em que B j representa o caudal mássico do fluxo j, ou seja, as incógnitas do
sistema.
Para tornar o sistema perfeitamente determinado, teremos então que construir

uma outra matriz, a acrescentar à matriz de ligações, a que chamaremos matriz de
componentes, definida como:
M i , j = Ci , j ⋅ B j ⋅ a j
em que a j representa o valor do componente em análise (teor, % de calibre, diluição,

% sólidos, etc).
Do mesmo modo se verifica que esta matriz resume todas as equações de
balanço de massa dos componentes:
∑Cj
i,j ⋅ Bj ⋅ a j = 0 (5)
Combinado as duas matrizes L e M obteremos:
L11 , L12 ,....., L1 f

L21 , L22 ,....., L2 f
...
Ln1 , Ln 2 ,....., Lnf

M 11 , M 12 ,....., M 1 f
M 21 , M 22 ,....., M 2 f
...
M n1 , M n 2 ,....., M nf
onde f = número de fluxos e n = número de nós.

Se o fluxo f for considerado o fluxo de referência, em relação ao qual se
calculam todos os outros, normalmente a alimentação principal ao circuito, será Bf =
1 e, então, Bj representará a fracção do fluxo de referência que circulará na corrente j.
Por razões de comodidade no cálculo, aconselha-se na numeração dos fluxos a
reservar para o fluxo de referência, em geral o de alimentação, o valor mais alto.
⎛ C1,1 ..........C1,( s −1) ⎞ ⎛ B ⎞ ⎛ − C1, s ⎞

⎜ ⎟ ⎜ 1 ⎟ ⎜ ⎟
⎜ C 2,1 ..........C 2,( s −1) ⎟ ⎜ B2 ⎟ ⎜ − C 2 , s ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ... ⎟ ⎜ ... ⎟ ⎜ ... ⎟
⎜ C n ,1 ..........C n ,( s −1) ⎟ ⎜ ... ⎟ ⎜ − C ⎟
⎜ ⎟ ×⎜ ⎟=⎜
n,s
⎟ (6)
⎜ C1,1 ⋅ a1 ......C1,( s −1) ⋅ a ( s −1) ⎟ ⎜ ... ⎟ ⎜ − C1, s ⋅ a s ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ C 2,1 ⋅ a1 ......C 2,( s −1) ⋅ a ( s −1) ⎟ ⎜ ... ⎟ ⎜ − C 2, s ⋅ a s ⎟
⎜ ... ⎟ ⎜ ... ⎟ ⎜ ... ⎟
⎜ ⎟ ⎜ ⎟ ⎜⎜ ⎟⎟
⎜ C ⋅ a ......C ⎟ ⎝ Bs −1 ⎠
⎝ n ,1 1 n ,( s −1) ⋅ a ( s −1) ⎠ ⎝ − C n,s ⋅ a s ⎠
Uma última equação poderá ser incluída, uma vez que o diagrama no seu
conjunto pode ser considerado como um nó simples em que o balanço se faz entre as
entradas que igualam as saídas do circuito. Se for possível utilizá-la, esta equação
pode ser muito útil porque, em geral, há uma boa separação ao nível deste nó.
Há casos em que é mesmo necessário recorrer a esta equação de balanço para
obter o número necessário de equações. Contudo haverá que estar atento pois
frequentemente esta equação não será independente das equações dos nós internos.

3.5.2 Exemplo de Aplicação
Seja o caso dum circuito de flutuação como o representado na figura anexa,

constituído por uma unidade desengrossadora, seguida de reclamação e de
apuramento, sendo os respectivos produtos mistos recirculados sem remoagem para
a alimentação do circuito:
Estabeleça o sistema de equações usando a metodologia proposta por FREW,

tirando partido de todas as etapas:
- estabelecimento da matriz das ligações;
- confirmação do número de fluxos internos e externos;
- determinação do número de nós simples (separadores e misturas);
- cálculo do número de determinações mínimo a realizar;
- estabelecimento do sistemas de equações final;
- resolução do sistema e apresentação dos resultados.
Paralelamente pode confirmar se as determinações que foram feitas e que se

encontram referenciadas no diagrama, são suficientes ou não. Pense nas alternativas e
nas implicações de se ter decidido não medir o fluxo designado com o nº 7.
No caso de haver disponíveis análises de mais do que um componente, por

exemplo, Cu, Fe, S, para além do Zn, o leitor poderá reescrever os passos de cálculo
para a reconciliação de dados superabundantes para o caso representado por este
diagrama. Note-se que a única diferença relativamente ao diagrama do parágrafo
3.2.2 anterior é a recirculação dos produtos mistos para a célula de desengrosso à
cabeça.

Memorando para generalização da metodologia de desenvolvimento do cálculo

de um Circuito Complexo
Sobre o exemplo proposto no presente parágrafo, aconselha-se o leitor a validar a
seguinte generalização do procedimento na resolução do problema proposto.
1. Numeração dos Nós representados no diagrama de forma sequencial

2. Numeração dos Fluxos de forma sequencial, deixando o fluxo de Alimentação
para receber a numeração mais alta
3. Construção da Matriz de Ligações:
− Determinar a Equação do Nó Geral, confirmando os fluxos de Entrada
e de saída no circuito;
− Determinar o número de Separadores Simples
− Determinar o número de Misturadores Simples
4. Estudo das possibilidade de solução do problema:
− Identificação do número de Incógnitas do problema e de número de
equações que podem ser escritas
− Uma vez que, em geral, se admite que o Fluxo de Alimentação é
unitário, o que corresponde a considerar todos os restantes fluxos
medidos em unidades de Fluxos de Alimentação, o número de
incógnitas é o número de fluxos menos um
− Em princípio podem ser escritas duas equações sobre cada nó – uma de
Balanço de Massa Total e outra de Balanço de Massa de Constituinte
5. Determinação do número mínimo de Fluxos a analisar para recolha de dados
sobre o teor dos constituintes presentes, utilizando a equação de Frew:
− Esta equação, ao identificar o número de fluxos a analisar permite
desde logo antever que equações podem ser escritas
− Se o número de fluxos de Frew for igual à totalidade dos fluxos
existentes, então podem ser escritas 2 equações por cada nó
representado, perfazendo o número de incógnitas existentes
− Se o número de fluxos de Frew for menor que a totalidade dos fluxos
existentes, então:
− Tal significa que há equações a mais para as incógnitas existentes,
visto que ao abandonar fluxos haverá equações de balanço de
constituinte que não podem ser escritas (por falta de dados)
− Se cada fluxo(s) a abandonar se relacionar(em) apenas com 1 nó,
então pode-se prescindir das respectivas equações, porque estariam
a mais (de acordo com o expresso no parágrafo imediatamente
anterior)
− Se o(s) fluxo(s) a abandonar se relacionar(em) cada um com 2 nós,
então, por cada fluxo serão abandonadas 2 equações de
constituinte, situação que não permite resolver o problema por
falta de equações
− Nestas circunstâncias, a solução é, em geral, alcançada lançando
mão da equação de balanço de constituinte do Nó Geral
− Notar, todavia, que uma vez que esta equação do Nó Geral é
linearmente dependente das equações dos Nós, ela só pode ser

utilizada no caso de abandono de uma ou várias das equações dos

Nós
6. Temos, assim, o sistema de equações que resolvem o problema devidamente
estabelecido:
− Tantas equações de Balanço de Massa Total quantos os Nós
representados no circuito. Notar que essas equações, uma vez que
envolvem os fluxos de Massa Total, são sempre todas utilizadas,
independentemente de ser ter abandonado, ou não, a determinação de
um fluxo, na sequência da aplicação da fórmula de FREW
− Tantas equações de Balanço de Constituinte quantos os Nós
representados no circuito. Neste caso, três situações se colocam:
− Se os fluxos de FREW coincidirem com a totalidade dos fluxos
representados, a solução virá da resolução de um sistema de
equações lineares em número igual ao das incógnitas
− Se for abandonado algum fluxo de acordo com a fórmula de
FREW, prescinde-se das respectivas equações, lançando mão da
equação do Nó Geral consoante as circunstâncias, como descrito
acima. Também aqui a solução é alcançada resolvendo um
sistema de equações lineares com tantas equações quantas as
incógnitas
− Se for decidido utilizar informação (teores) de todos os fluxos
representados e esse número for superior ao determinado pela
fórmula de FREW, então teremos equações em número superior ao
número de incógnitas, ou seja, há dados em excesso. Neste caso
será necessário reconciliar esses dados para se chegar a uma
solução única (dita melhor estimativa)
7. Note-se de imediato que, mesmo nos dois primeiros casos imediatamente
anteriores, em que temos equações em número igual ao das incógnitas,
poderemos ter que proceder à reconciliação de dados se dispusermos de teores
de vários constituintes analisados em todos esses fluxos
Chegados a este ponto, o circuito fica calculado pela resolução do Sistemas de

Equações (lineares) estabelecido. A Matriz das Ligações é uma excelente ferramenta
para escrever todas as equações, conforme descrito anteriormente (pág. 64, equações
(4) e (5) e pág. 65, sistema (6)), desde que não haja lugar à reconciliação de dados,
isto é, seguiu-se a regra de FREW e só foi escolhido um único constituinte para se
efectuar determinações analíticas nos fluxos seleccionados!
Como discutido anteriormente, esta situação deve ser evitada! Quanto mais
informação fidedigna existir sobre os vários fluxos, melhor será o conhecimento sobre
o circuito.
Assim, na generalidade dos casos teremos que efectuar reconciliação de dados:

− Quer porque decidimos (e bem) analisar todos os fluxos representados e
acessíveis no circuito, não seguindo o resultado da aplicação da fórmula de
FREW

− Quer porque decidimos optar por um programa analítico que contemple vários
constituintes
Nestas circunstância, a reconciliação de dados envolve:

− O cálculo das Melhores Estimativas dos vários Fluxos, levando em linha de
conta a totalidade da informação analítica disponível e, posteriormente,
− Efectuar o ajuste das determinações analíticas às Melhores Estimas dos fluxos,
de modo a obter-se um cálculo coerente.
Os passos dessa reconciliação serão:
8. Sobre as equações de Balanço de Massa Total, é possível diminuir a dimensão

do problema, resolvendo por substituição estas equações até se obter o número
mínimo de fluxos INCÓGNITAS
9. Este número mínimo de INCÓGNITAS é exactamente o número de equações
de Balanço de Constituinte que se podem escrever com o número de fluxos de
FREW. A Equação do NÓ Geral permite verificar que a resolução por
substituição foi correctamente efectuada
10. Uma vez identificadas quais as INCÓGNITAS, todos os restantes fluxos
podem ser expressos nessas INCÓGNITAS e serão devidamente substituídos
em todas as equações de Balanço de Constituinte que vão ser usadas
11. Estas equações são sucessivos produtos dos fluxos INCÓGNITAS
(normalizados pela alimentação) x teores de constituintes. Não esquecer que o
fluxo Alimentação foi considerado unitário!
12. Quando esses fluxos INCÓGNITAS são substituídos pelas respectivas
Melhores Estimas procuradas (normalmente referenciados com um *), então
as várias equações para cada constituinte deixam de ser iguais a ZERO,
passando cada uma a evidenciar um ERRO DE FECHO
13. A solução para a Melhor Estima será encontrada como aquela que minimiza a
soma do quadrado desses ERROS de FECHO
14. Então poderemos quadrar o termo esquerdo dessas equações (podem ser
binómios, trinómios ou quadrinómios) e efectuar a soma de todos esses
ERROS. Esta soma tem como termos desconhecidos apenas os fluxos
INCÓGNITAS acima identificados, na forma quadrada e na forma simples.
15. Derivando parcialmente essa soma em ordem a cada um desses fluxos
INCÓGNITAS e igualando a zero (para se obter a soma mínima desejada),
vão ser obtidas tantas equações quantas essas INCÓGNITAS, de novo na
forma linear devido à operação de derivação. Notar que mesmo que se parta
de equações de Nó em número superior às INCÓGNITAS, após derivação
surgem sempre tantas equações quantas as INCÓGNITAS!
16. Temos assim um novo sistema de equações lineares que permite determinar as
Melhores Estimativas para os Fluxos INCÓGNITAS
17. As Melhores Estimativas para os restantes FLUXOS obtêm-se a partir da
respectivas equações de substituição (referidas em 8 e 10)
18. Chegados aqui o Circuito está RESOLVIDO

19. A fase seguinte será promover o ajuste de todos os Teores de constituinte às

Melhores Estimativas dos Fluxos acabadas de determinar, de modo que a
soma do quadrado desse ajustes seja mínima, mas com a condição de serem
respeitadas as constrições associadas a cada NÓ
20. O passo seguinte será, exactamente, escrever cada uma das constrições (com
os termos todos agrupados na lado esquerdo da equação), para o que se
necessita de calcular em primeiro lugar os vários ERROS de FECHO das
equações de constituinte em todos os NÓS
21. Para o efeito da alínea anterior, é aconselhável escrever as equações do Nós na
sua formulação original, isto é, de acordo com a Matriz das Ligações, porque
os fluxos são agora todos conhecidos!
22. Estabelecem-se de seguida os Multiplicadores de Lagrange, tantos quantos os
Nós representados e constitui-se a Langrangeana como a soma dos quadrados
de todos os ajustamentos a que se adiciona cada uma das constrições
previamente multiplicada por 2 x o respectivo Multiplicador (lambda)
23. Derivando-se esta Langrangeana parcialmente em ordem a cada uma das
incógnitas – todos os ajustamentos aos teores que se pretendem encontrar e
todos os Multiplicadores (lambdas) – obter-se-á uma sistema de n equações a
n incógnitas que se resolve facilmente por substituição (primeiro estabelece-se
um sistema para determinar apenas os Multiplicadores e, a seguir, obtêm-se
todos os ajustamentos por substituições sequenciais
24. Os passos anteriores, 20 a 23, são executados separadamente para cada
constituinte. Todavia, em cada um desses cálculos são usados os mesmos
valores de fluxos encontrados como Melhores Estimas para o circuito. Aliás é
este o significado do “ajuste os teores (determinados) às Melhores Estimas
adoptadas”.

3.6 Diagramas de polpas
Tudo o que anteriormente foi estudado sobre BALANÇOS DE MASSA de

constituintes, a respeito do cálculo dos fluxos mássicos em análise de circuitos,
incluindo as técnicas de reconciliação de dados em excesso, é directamente aplicável
ao constituinte ÁGUA.
De facto, num curso de DIAGRAMAS DE PROCESSO muito vocacionado para os

tratamentos de minérios deve ser dada uma atenção para a importância do constituinte
ÁGUA, universalmente presente nos fluxos dos processos que se desenvolvem por
VIA HÚMIDA, desempenhando esse constituinte o meio de transporte e de
homogeneização dos materiais em processamento. É neste facto que radica o termo
LAVARIA, significando um “processamento realizado via húmida”.
Ora, porque é necessário gerir os fluxos de Água, cuja melhor prática envolve
necessariamente circuitos de retorno para minimizar custos e diminuir a severidade
dos impactes ambientais ligados ao consumo de Água, o DIAGRAMA DE POLPAS é
uma parte importante do DIAGRAMA QUANTITATIVO.
Uma das formas correntemente utilizadas para recolher

dados sobre as POLPAS envolve a colocação em cada ramo
do circuito de uma matriz de 4, 6, … posições devidamente
preenchidos, como representado na figura anexa com a
Qs D
seguinte legenda:
Qw P
Qs – fluxo de sólidos (secos) – massa sólidos/unidade de tempo
Qw – fluxo de água – massa de água/unidade de tempo
P – percentagem de sólidos na Polpa, em massa
D – diluição (razão entre a massa de água e a massa de sólidos.
Notar, de passagem, que ambos os parâmetros P e D avaliam o “teor em água” do

respectivo fluxo. Contudo, como nas equações geralmente utilizadas nos Balanços de
Massa escritos sobre cada Nó do circuito, os fluxos mássicos totais se referem apenas
à “massa de sólidos secos” (e não à massa total de polpa, sólidos+água), notar que:
“massa do constituinte água” = “massa de sólidos secos” x “diluição D” ( e não x P)
Deduzamos, rapidamente, as relações entre estes parâmetros:
Qs
P= por definição
Qs + Qw
Qs ⋅ (1 − P )
Qw = resolvendo a anterior expressão em ordem a Qw
P
Qw 1 − P
D= = por definição
Qs P
1
P= resolvendo a anterior expressão em ordem a P
D +1

Como exemplo de aplicação, suponhamos que se efectuou uma amostragem a um

circuito fechado de moagem, utilizando a metodologia que recomenda a definição da
Matriz das Ligações e, com base nesses dados e na “lei de FREW”, se efectuaram as
análises granulométricas dos circuitos amostrados. Seguidamente procedeu-se ao
“cálculo do circuito” e à respectiva “reconciliação” de dados, começando,
naturalmente, pela determinação das melhores estimativas dos fluxos mássicos
relevantes.
Seja, então, o diagrama da figura anexa, já devidamente “calculado”, figurando na

posição superior esquerda da matriz de dados os respectivos caudais de sólidos – Qs –
que flúem em cada ramo do circuito (seja a Alimentação de 1 ton/h). De imediato se
conclui que o Circuito está a trabalhar com uma Carga Circulante de 300%.
1 4
50
4
40
1
3
16
80
Considerem-se, agora, as seguintes imposições do funcionamento dos equipamentos,

as quais figuram na posição inferior direita das respectivas matrizes (com fundo negro
e texto a branco):
– O moinho deve trabalhar com uma percentagem de sólidos de 50%;
– O Hidroclassificador Akins deve ter uma alimentação mais diluída – 40% de
sólidos;
– O Underflow do Akins (embora dependendo do calibre das areias) poderá ter
uma percentagem de sólidos de 80%;
Calculemos os restantes parâmetros do circuito, a saber:

– Caudal (m3/h) de Água à entrada do moinho (para satisfazer a exigência de
50% sólidos)
– Caudal (m3/h) de Água à entrada do Akins (para satisfazer a exigência de 40%
sólidos)
– Caudal (m3/h) de Água arrastada no Underflow do Akins
– Caudal (m3/h) de Água de transbordo pelo Overflow do Akins (como
diferença entra a Água que entra e a que sai pelo Underflow)
– Finalmente, calcule-se a percentagem de sólidos do Overflow

1 4
4 50
4
6 40
1
3
5,25 16
0,75 80
Chegados a este ponto estamos em condições de determinar que os pontos críticos de

adição de Água são os seguintes, devidamente assinalados:
– À entrada do Moinho
– À entrada do Hidroclassficador Akins
Entretanto, na posição superior direita efectuaram-se os cálculos das Diluições,

correspondentes às respectivas Percentagens de Sólidos na polpa.
3,25 m3/h
2,0 m3/h
1 4 1
4 50
4 1,5
6 40
1 5,25
3 0,25
5,25 16
0,75 80

Pensemos agora no problema inverso!
Suponhamos que o circuito não estava ainda calculado. Isto é, ainda não sabemos qual
a Carga Circulante do Circuito e queremos conhecer esse valor, até para ficarmos com
uma ideia do grau de optimização do funcionamento do moinho.
Para esse efeito podemos escrever a equação de Balanço de Água em torno do

Hidroclassificador e dela extrair o valor do Rendimento Ponderal do Supra.
A resolução dessa equação exige que seja colhidas 3 amostras, uma em cada um dos
ramos do respectivo Nó, a saber, a Alimentação do Akins, o Underflow e o Overflow,
e sobre elas seja determinado o “teor em água”. Para tal bastará as amostras em
vasilhas previamente taradas, seguidamente pesam-se as vasilhas com as amostras e,
em seguida, levam-se as amostras à secura e pesam-se os materiais sólidos depois de
secos. Desta operação obtêm-se directamente as respectivas Percentagens de sólidos
e, por cálculo, as Diluições.
Conhecidos estes valores, poderemos efectuar o Balanço de Água em volta do

classificador, calculando o respectivo Rendimento Ponderal do Supra.
Admita-se, então, que da amostragem se obtiveram os seguintes dados:
Dalimentação = 1,5
Dunderflow = 0,25
Doverflow = 5,25
Façam-se as contas do Rendimento Ponderal e conclua-se que:
Rp = 0,75 isto é, o Underflow vale 0,75, quando a alimentação do Akins vale 1,

com o Overflow a valer 0,25, naturalmente!
Assim sendo, de imediato concluiríamos que

0,75
Carga Circulante = ×100 = 300%
0,25
Como, aliás, quereríamos demonstrar.

BIBILOGRAFIA:
WILLS, B.A. "Mineral Processing Technology" - 4th Edition, Pergamon

Press, Oxford, 1988
LYNCH, A.J. "Mineral Crushing and Grinding Circuits - Their Simulation,

Optimisation, Design and Control", Elsevier, Amsterdam, 1977

3.2 - Amostragem de Minérios Fragmentados - Introdução À Teoria Matemática Da Amostragem

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

3.2 - Amostragem de Minérios Fragmentados - Introdução À Teoria Matemática Da Amostragem

Enviado por

Direitos autorais:

Formatos disponíveis

DIAGRAMAS DE PROCESSAMENTO DE MINÉRIOS

3.2 AMOSTRAGEM DE MINÉRIOS FRAGMENTADOS - Introdução à

3.2.1 Distribuição de Amostragem.

3.2.1 Distribuição de Amostragem

Amostragem é a operação que consiste em escolher num todo heterogéneo

A amostragem pode assumir dois tipos diferentes: a amostragem de

A Teoria Matemática da Amostragem tem por objectivo:

Suponhamos que de uma população retiramos um certo número de amostras e

ANÁLISE DO DIAGRAMA DE TRATAMENTO - 20

Para que a amostra de um parâmetro tenha significado na estima desse

Entende-se por amostragem simples uma amostragem ao acaso feita sobre

O conhecimento de distribuições de amostragem não distorcidas não pode,

3.2.2 Amostragem simples de atributos em Amostras Grandes. justificação da

Em presença da possibilidade de extracção duma amostra simples, vamos

Imagine-se um lote de minério hipotético, inteiramente constituído por grãos

Por outro lado, como

ANÁLISE DO DIAGRAMA DE TRATAMENTO - 21

modos diferentes de retirar 75 grãos de ganga para perfazer os 100 da amostra, a

Contudo, o cálculo de probabilidades à custa desta expressão resulta

Esta é a expressão da Lei Binomial ou de Newton, uma lei estatística muito

1 Em relação ao lote de minério em estudo, p representará o teor do lote, enquanto m

2 A esprança matemática ou valor esperado duma variável é a soma de todos os seus

ANÁLISE DO DIAGRAMA DE TRATAMENTO - 22

Para o caso da Lei Binomial demonstra-se que

Contudo, nem sempre estaremos interessados no valor da probabilidade da

a que chamaremos desvio.

De acordo com os pressupostos anteriores

e da definição de desvio, vem

Se utilizarmos a formula de Moivre-Stirling para o cálculo de factoriais de

ANÁLISE DO DIAGRAMA DE TRATAMENTO - 23

em que σ = σ 2 = npq é designado por desvio padrão da distribuição.

Para cada valor σ do desvio padrão (constante para conjunto de valores n, p e

Nos casos em p for muito diferente de q a aproximação à Lei Normal não

Se em vez do desvio absoluto utilizarmos o desvio reduzido, medido em

Ao realizar esta transformação de variável deverão manter-se as áreas abaixo

Retomando o problema original de procurar um valor do parâmetro teor médio

ANÁLISE DO DIAGRAMA DE TRATAMENTO - 24

Os integrais desta função estão calculados e compilados em tabelas estatísticas

Em circunstâncias normais estaremos interessados, não tanto no número

Esta transformação de variável, tal como anteriormente, deverá realizar-se de

e partindo da anterior expressão da Lei Normal como função de m :

ANÁLISE DO DIAGRAMA DE TRATAMENTO - 25

3.2.3 Aplicação ao caso dum minério teórico fragmentado. Método de Hassialis

Seja um lote infinito de partículas monominerálicas (isto é, totalmente

e fazendo y=m/n, obteremos:

(relembremos que t é o teor da amostra em peso e y é o teor da mesma amostra

ANÁLISE DO DIAGRAMA DE TRATAMENTO - 26

sendo o valor médio de t obtido no valor médio de y, isto é,

Reescrevendo agora a expressão da Lei Normal como função de y=m/n

Para chegarmos ao cálculo desta variância (como função de n) necessitamos

por derivação conduz a:

ANÁLISE DO DIAGRAMA DE TRATAMENTO - 27

Por outro lado, como vimos,

Tomando agora o quadrado do valor de a, estamos em condições de calcular a

Esta última expressão dá-nos acesso directo à resolução do nosso problema

Tomemos o problema concreto do cálculo da dimensão da amostra que deverá

1. Calcular σt como função de n usando a expressão [12] anteriormente deduzida:

ANÁLISE DO DIAGRAMA DE TRATAMENTO - 28

3. Usar a tabela de integração da Lei Normal e calcular o valor de ξ(p) em

Θ(ξ)=0.99 ⇒ ξ(p) = 2.576 (ver tabela da página 6)

4. Igualar ξ(n) = ξ(p)

5. Resolver a anterior equação em ordem a n e calcular o número de

6. Calcular o peso W da amostra (em kg) a partir do número de partículas,