Pelotização 2 PDF

INSTITUTO FEDERAL DO ESPÍRITO SANTO
MESTRADO EM ENGENHARIA METALÚRGICA E DE MATERIAIS
MARCELO CHAGAS
MODELAMENTO E CONTROLE OPERACIONAL DO PROCESSO DE

PELOTIZAÇÃO ATRAVÉS DO MÉTODO DAS REDES NEURAIS ARTIFICIAIS
Vitória
2016
MARCELO CHAGAS

Dissertação apresentada ao Programa de Pós-

graduação em Engenharia Metalúrgica e de
Materiais como requisito parcial para a obtenção
do título de Mestre em Engenharia Metalúrgica e
de Materiais
Orientador: Prof. Dr. Marcelo Lucas Pereira

Machado
Vitória
2016
(Biblioteca Nilo Peçanha do Instituto Federal do Espírito Santo)
C433m Chagas, Marcelo.

Modelamento e controle operacional do processo de pelotização
através do método das redes neurais artificiais / Marcelo Chagas. –
2015.
89 f. : il. ; 30 cm
Orientador: Marcelo Lucas Pereira Machado.
Dissertação (mestrado) – Instituto Federal do Espírito Santo,

Programa de Pós-graduação em Engenharia Metalúrgica e de
Materiais.
1. Ferro – Metalurgia. 2. Minérios de ferro. 3. Redes neurais

(Computação). I. Machado, Marcelo Lucas Pereira. II. Instituto Federal
do Espírito Santo. III. Título.
CDD: 669.14
MINISTÉRIO DA EDUCAÇÃO
MESTRADO EM ENGENHARIA METALÚRGICA E DE MATERIAIS
MARCELO CHAGAS

Dissertação apresentada ao Programa de Pós-
graduação em Engenharia Metalúrgica e de
Materiais como requisito parcial à obtenção do
título de Mestre em Engenharia Metalúrgica e de
Materiais
Aprovada em: 04 de Fevereiro de 2016

COMISSÃO EXAMINADORA
DECLARAÇÃO DO AUTOR
Declaro, para fins de pesquisa acadêmica, didática e técnico-científica, que este

Trabalho de Conclusão de Curso pode ser parcialmente utilizado, desde que se faça
referência à fonte e ao autor.
Vitória, 04 de Fevereiro de 2016.

Para aquela que sempre acreditou em meus sonhos
Erika Takagi Nunes...
... e para a nossa pequena
Helena Takagi Nunes Chagas...
De tudo “aos meus amores” serei atento...
AGRADECIMENTOS
Ao Professor Marcelo Lucas Pereira Machado pela orientação e exemplo

profissional.
Aos professores, profissionais e colegas do Instituto Federal do Espírito Santo, pelo

aprendizado e convivência.
Ao Engenheiro Eduardo Frigini de Jesus e toda equipe da empresa Vale S/A pelas
informações prestadas e apoio técnico durante o desenvolvimento deste trabalho
Ao CNPq - Conselho nacional de desenvolvimento científico e tecnológico e Vale

S/A pelo apoio financeiro.
O meu olhar é nítido como um girassol.
Tenho o costume de andar pelas estradas
Olhando para a direita e para a esquerda,
E de vez em quando olhando para trás...
E o que vejo a cada momento
É aquilo que nunca antes eu tinha visto,
E eu sei dar por isso muito bem...
Sei ter o pasmo essencial
Que tem uma criança se, ao nascer,
Reparasse que nascera deveras...
Sinto-me nascido a cada momento
Para a eterna novidade do Mundo...
Creio no mundo como num malmequer,

Porque o vejo. Mas não penso nele
Porque pensar é não compreender...
O Mundo não se fez para pensarmos nele

(Pensar é estar doente dos olhos)
Mas para olharmos para ele e estarmos de acordo...
Eu não tenho filosofia; tenho sentidos...

Se falo na Natureza não é porque saiba o que ela é,
Mas porque a amo, e amo-a por isso
Porque quem ama nunca sabe o que ama
Nem sabe por que ama, nem o que é amar...
Amar é a eterna inocência,

E a única inocência não pensar...
Alberto Caeiro, em "O Guardador de Rebanhos", 8-3-1914

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA METALÚRGICA E DE
MATERIAIS
RESUMO
O Brasil ocupa hoje junto com Rússia, EUA e China as primeiras posições na
capacidade de produção de pelotas de minério de ferro, contando com uma
capacidade de produção em torno de 55 milhões de toneladas por ano, em um
mercado que movimenta bilhões de dólares todos os anos. Manter-se competitivo
em um mercado cada vez mais exigente e globalizado é questão de sobrevivência
mesmo para empresas de grande porte consolidadas no mercado mundial. Todos os
ganhos de produtividade ou redução de custos, mesmo de pequeno percentual
representa um grande ganho econômico. O conhecimento e controle de todos os
processos que envolvem a produção de pelotas de minérios de ferro se constituem
de importante ferramenta na gestão da produção e implementação de ganhos em
uma planta de pelotização. De posse destas informações foi criado um modelo
matemático baseado no método das redes neurais artificiais capaz de predizer a
contrapressão no interior do forno de grelha móvel, como parâmetro de
permeabilidade do leito de pelotas e indicar as variáveis de maior influência no
processo. O processo foi dividido em duas etapas, uma para a permeabilidade do
leito e outra para a aglomeração em disco pelotizador.. Para a etapa de
permeabilidade o melhor desempenho foi alcançado com 15 neurônios na cada
escondida e para a etapa de aglomeração 13 neurônios. As redes foram
implementadas em planilha eletrônica de forma integrada, sendo possível realizar
modulações nos parâmetros de processo a fim de checar sua influência dentro do
resultado global.
Palavras-chave: Pelotização. Redes neurais artificiais. Minério de ferro

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA METALÚRGICA E DE
MATERIAIS
ABSTRACT
Brazil occupies nowadays with Russia, United States and China the top positions in
the iron ore pellet production capacity, with a production capacity of around 55 million
tons per year, in a market that movements billions of dollars every year. To stay
competitive in an increasingly demanding and globalized market is a matter of
survival even for large companies consolidated in the worldwide market. All the
productivity gains and cost savings, even at small percentage represents a large
economic gain. The knowledge and control of all processes involving the production
of iron ore pellets constitute an important tool in the production management and
gains implementation in a pelletizing plant. On this basis of information was created
a mathematical model based on the artificial neural networks method, capable of
predicting the pressure inside the travelling grate furnace, as a permeability
parameter of pellets bed and indicate the most influential variables in the process.
The process was divided in two stages, one to the bed permeability and one for the
agglomeration performs ins a disk pelletizer. For the permeability stage the best
performance was achieved with 15 neurons in hidden layer and in the agglomeration
step 13 neurons. The networks have been implemented in integrated way in
electronic spreadsheet, and it is able to perform modulations in the process
parameters in order to check their influence in the overall result.
Keywords: Pellet. Artificial neural networks. Iron ore

LISTA DE FIGURAS
Figura 1 - Fluxograma do processo de pelotização................................................... 22

Figura 2 - Disco pelotizador....................................................................................... 24
Figura 3 - Fluxo da carga no interior do disco pelotizador ......................................... 24
Figura 4 - Saturação do aglomerado pela fase líquida .............................................. 26
Figura 5 - Gráfico da resistencia do aglomerado em função da saturação ............... 26
Figura 6 - Forças de adesão no aglomerado............................................................. 27
Figura 7 - Mecanismos de aglomeração ................................................................... 28
Figura 8 - Neurônio artificial ...................................................................................... 37
Figura 9 - Ação da bias na entrada da função de transferência ................................ 39
Figura 10 - RNA alimentada adiante com uma camada ............................................ 40
Figura 11 - RNA alimentada adiante de múltiplas camadas ...................................... 41
Figura 12 - RNA recorrente ....................................................................................... 42
Figura 13 - Método de aprendizado por correção de erros ....................................... 43
Figura 14 - Superfície de erro.................................................................................... 44
Figura 15 - RNA Perceptron de múltiplas camadas .................................................. 45
Figura 16 - Fluxos dos sinais de função e sinal de erro ............................................ 45
Figura 17 - Etapas de cálculo adiante e para trás do algoritmo backpropagation ..... 47
Figura 18 - Gráfico de desempenho do erro em função da função de transferência e
número de neurônios na camada escondida ......................................... 59
Figura 19 - RNA 7-15-1 - Etapa de permeabilidade .................................................. 61
Figura 20 - Correlação da contrapressão para amostras de treinamento ................. 61
Figura 21 - Correlação da contrapressão para amostras de teste ............................ 62
Figura 22 - Gráfico da degradação do REQM em função da aplicação do ruído por
variável de entrada ................................................................................. 64
Figura 23 - Gráfico da predição dos valores de contrapressão utilizando o software
MBP com dados de teste. ...................................................................... 65
Figura 24 - Predição do valor de contrapressão utilizando planilha de cálculo. -
amostras de validação ........................................................................... 66
Figura 25 - Gráfico de desempenho do erro em função da função de transferência e
número de neurônios na camada escondida na etapa de aglomeração 68
Figura 26 - RNA 5-13-2 para etapa de aglomeração ................................................ 69
Figura 27 - Correlação do desvio padrão do diâmetro para amostras de treinamento
............................................................................................................... 70
Figura 28 - Correlação do desvio padrão do diâmetro para amostras de teste ......... 70
Figura 29 - Correlação da esfericidade para amostras de treinamento ..................... 71
Figura 30 - Correlação da esfericidade para amostras de teste ................................ 71
Figura 31 - Gráfico da degradação do REQM em função da aplicação do ruído por
variável de entrada ................................................................................. 73
Figura 32 - Predição do desvio padrão do diâmetro .................................................. 73
Figura 33 - Predição da esfericidade ......................................................................... 74
Figura 34 - Gráfico de predições do desvio padrão do diâmetro para amostras de
validação, utilizando planilha de cálculo. ................................................ 75
Figura 35 - Gráfico de predições da esfericidade para amostras de validação,
utilizando planilha de cálculo. ................................................................. 75
Figura 36 - Fluxo de dados na RNA implementada em planilha eletrônica ............... 76
Figura 37 - Gráfico comparativo dos resultados da RNA treinada no MBP com a RNA
implementada em planilha eletrônica – desvio padrão do diâmetro ....... 77
implementada em planilha eletrônica – esfericidade .............................. 77
implementada em planilha eletrônica – contra pressão ......................... 78
Figura 40 - Gráfico de predições do modelo em planilha eletrônica.......................... 79
LISTA DE TABELAS
Tabela 1 - Ação dos mecanismos de aglomeração ................................................... 27

Tabela 2 - Variáveis de entrada e saída para etapa de permeabilidade ................... 51
Tabela 3 - Combinação das funções de transferência .............................................. 54
Tabela 4 - Variáveis de entrada e saída para etapa de aglomeração ....................... 56
Tabela 5 - Conjunto de dados para etapa de permeabilidade ................................... 59
Tabela 6 - Características da RNA da etapa de permeabilidade............................... 60
Tabela 7 - Correlação e Erro da RNA da etapa de permeabilidade .......................... 60
Tabela 8 - Alteração do erro após aplicação do ruído na etapa de permeabilidade .. 63
Tabela 9 - Correlação e erro após validação na fase de permeabilidade ................. 66
Tabela 10 – Descrição do conjunto de dados – etapa de aglomeração .................... 67
Tabela 11 - Descrição da RNA para a etapa de aglomeração .................................. 69
Tabela 12 - Correlação e erro para etapa de aglomeração ....................................... 69
Tabela 13 - Alteração do erro após aplicação do ruído na etapa de aglomeração ... 72
Tabela 14 - Correlação e erro para amostras de validação ...................................... 75
Tabela 15 - Planilha para predição dos valores de contrapressão ............................ 78
SUMÁRIO
1 INTRODUÇÃO ............................................................................................. 15
2 OBJETIVOS ................................................................................................. 17
2.1 OBJETIVOS GERAIS ................................................................................... 17
2.2 OBJETIVOS ESPECÍFICOS ........................................................................ 17
3 REVISÃO BIBLIOGRÁFICA ........................................................................ 18
3.1 O PROCESSO DE PELOTIZAÇÃO DO MINÉRIO DE FERRO.................... 18
3.2 AGLOMERAÇÃO.......................................................................................... 22
3.2.1 Processo de pelotamento do minério de ferro......................................... 23
3.2.2 Mecanismos de formação da pelota crua ................................................. 25
3.3 PROCESSAMENTO TÉRMICO DAS PELOTAS CRUAS ............................ 31
3.3.1 Permeabilidade do leito de pelotas ........................................................... 31
3.4 MODELOS MATEMÁTICOS APLICADOS AO PROCESSO DE

PELOTIZAÇÃO............................................................................................. 34
3.5 O MÉTODO DAS REDES NEURAIS ARTIFICIAS ........................................... 35
3.6.1 Unidades de processamento (Neurônio artificial) ................................... 37
3.6.3 Funções de ativação ................................................................................. 38
3.6.4 Arquitetura das RNA ................................................................................. 40
3.6.4.1 Rede tipo alimentada adiante. ..................................................................... 40
3.6.4.3 Redes recorrentes ....................................................................................... 41
3.6.5 Aprendizado de uma RNA ......................................................................... 41
3.6.5 Redes perceptron multicamadas ............................................................. 44
3.6.6 O algoritmo de retropropagação de erros ............................................... 45
3.6.6 Análise de sensibilidade ........................................................................... 46
3.6.7 RNA aplicada ao processo de pelotização ............................................... 48
4 MATERIAIS E MÉTODOS .......................................................................... 50
4.1 PERMEABILIDADE DO LEITO .................................................................... 50

4.1.1 Seleção das variáveis de entrada.............................................................. 50
4.1.2 Coleta e processamento de dados............................................................ 51
4.1.3 Arquitetura das RNAs ................................................................................ 52
4.1.3.1 Seleção da quantidade de neurônios da camada escondida ....................... 52
4.1.4 Definição das funções de ativação .......................................................... 53
4.1.5 Seleção da RNA .......................................................................................... 53
4.1.6 Analise de sensibilidade ............................................................................ 54
4.2 ETAPA DE AGLOMERAÇÃO ....................................................................... 55
4.2.1 Seleção das variáveis de entrada.............................................................. 55
4.2.2 Coleta e processamento de dados............................................................ 55
4.2.3 Arquitetura das RNAs ................................................................................ 56
4.2.4 Definição das funções de transferência ................................................... 56
4.2.5 Seleção da RNA .......................................................................................... 56
4.2.6 Analise de sensibilidade ............................................................................ 57
5 RESULTADOS E DISCUSSÃO ................................................................... 58
5.1 PERMEABILIDADE DO LEITO .................................................................... 58
5.1.1 Descrição do conjunto de dados .............................................................. 58
5.1.2 Seleção da RNA .......................................................................................... 58
5.1.3 Fase de treinamento e testes..................................................................... 60
5.1.4 Sensibilidade das variáveis ....................................................................... 62
5.1.5 Predição da contrapressão ........................................................................ 64
5.1.6 Validação da RNA ....................................................................................... 65
5.2 RESULTADOS DA ETAPA DE AGLOMERAÇÃO ........................................ 65
5.2.1 Descrição do conjunto de dados .............................................................. 66
5.2.2 Seleção da RNA .......................................................................................... 67
5.2.3 Fase de treinamento e testes..................................................................... 67
5.2.4 Sensibilidade das variáveis ....................................................................... 72

5.2.5 Predição do desvio padrão e esfericidade ............................................... 73
5.2.6 Validação da RNA ....................................................................................... 74
5.3 MODELO DE CORRELAÇÃO EM PLANILHA ELETRÔNICA ...................... 76
6 CONCLUSÃO .............................................................................................. 79
6.1 PERMEABILIDADE ...................................................................................... 79
6.2 AGLOMERAÇÃO.......................................................................................... 80
6.3 USO DA PLANILHA ELETRÔNICA .............................................................. 80
7 RECOMENDAÇÕES PARA TRABALHOS FUTUROS ............................... 81
REFERÊNCIAS ............................................................................................ 82
APENDICÊ A - RNA 1 EM LINGUAGEM DE PROGRAMAÇÃO “C” ............ 84
APENDICÊ B - RNA 2 EM LINGUAGEM DE PROGRAMAÇÃO “C” ............ 87

15
1 INTRODUÇÃO
O minério de ferro para uso metalúrgico desde sua lavra, transporte e classificação,
provoca inexoravelmente uma quantidade elevada de finos cuja aplicação direta se
torna inacessível aos aparelhos siderúrgicos de larga escala. Com o proposito de
racionalizar o rendimento da mina, das usinas siderúrgicas e a economicidade global
do sistema, surgiram os processos de aglomeração (PENA, 1982).
Existem quatro métodos de aglomeração do minério de ferro: sinterização,

pelotização, briquetagem e nodulização. Dentre estes processos podemos destacar
como processos de maior importância comercial a sinterização e a pelotização.
A diferença fundamental entre a sinterização e a pelotização reside no fato dos finos

aproveitados pela sinterização que estão na ordem 8 mm a 0,25 mm enquanto a
pelotização aproveita os finos de mineração abaixo de 0,5mm. Comparados com o
sinter as pelotas de minério de ferro apresentam maior resistência e baixa
degradação no transporte sendo assim propícia para exportação, além de forma e
dimensão mais regular e menor demanda de energia na fase de secagem e queima.
O processo de lavra e beneficiamento do minério de ferro constitui um elo

fundamental para a cadeia de produção de aço, tendo o Brasil como um dos
protagonistas na produção e exportação de aglomerados de minério para o mercado
mundial.
Dentre os processos de aglomeração, destaca-se a pelotização, que tem como

objetivo aproveitar as parcelas mais finas oriundas dos estágios de lavra, transporte
e processamento do minério de ferro, transformando um material que seria
considerado um rejeito de processo em um produto com alto valor agregado.
As pelotas de minério de ferro contam com características notáveis dentre as quais

podemos destacar: Alto teor de ferro, propriedades químicas uniformes,
granulometria controlada, porosidade controlada, propriedades mecânicas que
favorecem o transporte e manuseio além de resistir ao ciclo de produção de aço no
alto forno sem se degradar.
16
O pelotamento do minério de ferro pode ser basicamente dividido nas seguintes

etapas: Concentração / Separação, Empilhamento e Homogeneização, Moagem e
Classificação, Espessamento, Homogeneização, Filtragem, Adição de Aglomerante,
Mistura, Pelotamento, Peneiramento de Pelotas Cruas, Queima e Peneiramento de
Pelotas Queimadas.
O conhecimento de todas as fases do processo é de fundamental importância para

seu aperfeiçoamento, objetivando ganhos de ordem econômica pela redução do
consumo de energia e tempo de processamento e aumento de produtividade assim
como maior qualidade do produto final.
De uma maneira especial o processo de aglomeração em discos pelotizadores

merece grande atenção devido à maneira empírica que esta fase do processo tem
sido tratada até o momento. A criação de um modelo matemático capaz de realizar
um mapeamento da importância das variáveis envolvidas nesta fase além de
predizer características do produto é crucial para a qualidade final do produto e
incorre também em possíveis ganhos de produtividade e redução do consumo de
insumos e energia nesta e em etapas subsequentes.
O método de utilizado para criação do modelo matemático foi o das redes neurais
artificiais, (RNAs) que tem como características principais, a análise de sistemas
complexos com grande número de variáveis conectadas, com comportamento de
alto grau de não linearidade, oferecendo resultados robustos e imediatos sem a
necessidade de conhecimento profundo do sistema a ser analisado.
O Modelo matemático alcançou correlações (R2) de 0,89 na predição do desvio

padrão, 0,96 na predição da esfericidade e 0,87 na predição da contra pressão do
leito. As variáveis de maior importância na etapa de permeabilidade foram o desvio
padrão e a esfericidade. Na etapa de aglomeração foi apontada como variável de
maior influência a rotação do disco pelotizador.
17
2 OBJETIVOS
Os objetivos deste trabalho são descritos nas seções seguintes, divididos entre
objetivos gerais e específicos.
2.1 OBJETIVOS GERAIS
Elaborar um modelo matemático baseado no método das redes neurais artificiais,

capaz de determinar a influência de fatores operacionais e na produção e qualidade
das pelotas cruas de minério de ferro, capaz de realizar predições da contrapressão
no interior do forno de grelha móvel.
2.2 OBJETIVOS ESPECÍFICOS
Podemos segmentar o trabalho nos seguintes objetivos específicos:
a) Desenvolver um modelo matemático que determine a significância das

características granulométricas das pelotas cruas na permeabilidade do leito no
forno de grelha móvel.
b) Criar um modelo matemático para realizar a predição do desvio padrão e da

esfericidade de pelotas de minérios de ferro, utilizando o método das redes neurais
artificiais.
c) Avaliar a viabilidade de implantação dos modelos preditivos na operação de

plantas industriais de produção de pelotas de minério de ferro.
18
3 REVISÃO BIBLIOGRÁFICA
Neste capítulo será abordada a fundamentação teórica do processo de obtenção de

pelotas de minério de ferro (Seção 3.1), dando ênfase à obtenção da pelota crua
(Seção 3.2) e permeabilidade no leito de pelotas no interior do forno de grelha móvel
(Seção 3.3). São apresentados ainda alguns dos mais recentes estudos sobre
modelamento matemático aplicados na aglomeração de minério de ferro (Seção 3.4)
e finalmente os aspectos teóricos relevantes ao presente estudo sobre o método das
redes neurais artificiais (Seção 3.5)
3.1 O PROCESSO DE PELOTIZAÇÃO DO MINÉRIO DE FERRO.
Segundo Meyer (1980), pelotas são esferas compostas de minérios de ferro,

naturais ou concentradas, de diferentes características químicas e mineralógicas
com algumas propriedades singulares, como:
 Distribuição granulométrica uniforme, em uma faixa entre 9 e 15 mm

 Alto teor de ferro (acima de 63%)
 Composição mineralógica uniforme
 Baixa tendência a abrasão e adequada para o transporte
 Alta capacidade para suportar forças de compressão
Araújo (1997) menciona ainda que um bom aglomerado deve ter mais de 60% de
Ferro, o mínimo de Enxofre e Fosforo, porcentagem reduzida de finos abaixo de 6
mm e de pedaços maiores que 25mm, além de resistir ás temperaturas elevadas e
aos esforços no interior do forno sem amolecer ou decrepitar.
O processo de obtenção de pelotas para o aproveitamento das parcelas mais finas
de minério de ferro teve suas primeiras patentes em 1912 na Suécia e quase
simultaneamente em 1913 na Alemanha. Por volta de 1943 foi realizado um
desenvolvimento intensivo para obtenção de concentrados de taconita na
universidade de Minessota (EUA) e finalmente em 1955 foram iniciados os trabalhos
das duas primeiras plantas de pelotização nos Estados Unidos (MEYER, 1980)
19
Segundo Pena (1982) podemos destacar o desenvolvimento do processo de

pelotização pelos seguintes fatores:
 O sucesso alcançado na concentração e aglomeração de taconita.

 As perspectivas de exaustão em tempo relativamente curto das reservas de
minério de alto teor metálico em países de grande produção de aço
 A possibilidade de controlar mais estreitamente as características químicas,

físicas e metalúrgicas das cargas dos altos fornos.
 O êxito obtido na melhoria dos índices operacionais dos altos fornos com
empregos dos aglomerados em substituição gradativa dos minérios naturais.
 A racionalização do aproveitamento de finos de minério de ferro oriundos da

lavra, do peneiramento e do seu manuseio.
 A participação de novos fornecedores de minério no mercado mundial, que

tornou a competição mais acirrada e exigiu maior qualidade dos produtos.
 A intensa evolução realizada na técnica operatória de alguns fornos,

principalmente no que tange as especificações de matérias primas siderúrgicas.
 As previsões crescentes de consumo de aço em todo mundo criaram novo

alento no sentido de adotar e aprimorar os processos que permitem maior
produtividade.
Segundo Pena (1982) e Meyer (1980) o processo de pelotização se divide em:
1) Preparação da matéria prima
2) Formação das pelotas Cruas
3) Processamento térmico das pelotas.

20
A fase de preparação da matéria prima engloba as seguintes etapas:
Concentração – Visa separar a porção metálica do minério por processos físicos e

químicos, eliminando assim a fração inútil ou ganga.
Homogeneização – Objetiva tornar a carga homogênea em relação a suas

características, visto que esta é composta de vários constituintes de origens e
qualidades próprias. Esta operação é realizada no pátio de abastecimento por meio
da estocagem alternada e recuperação transversal da pilha.
Moagem – Ajusta a granulometria da matéria prima para realizar com sucesso a

etapa de aglomeração. Realizada em moinhos de bolas, a seco ou por via úmida.
Classificação – seleção do minério após a moagem, separando a fração que

apresenta granulometria adequada. Realizada no caso da moagem por via úmida
em hidrociclones e em caso de moagem a seco por ciclones pneumáticos. A
classificação é feita em circuito fechado com a moagem, onde ocorre o retorno para
o moinho a porção que não atingiu a granulometria necessária.
Espessamento – Etapa necessária quando o sistema opera em circuito fechado e

moagem por via úmida. Tem como função aumentar a proporção de sólido para
líquido na polpa. Opera por meio de decantação em tanques.
Homogeneização da polpa – visa preparar a polpa em relação a uniformidade

química e quantidade da fração sólida. Opera dentro do processo também como um
estoque intermediário, absorvendo eventuais pequenas paradas de produção em
processos anteriores ou posteriores.
Filtragem – Reduz a quantidade de agua a um valor próximo ao considerado ótimo

para a etapa de formação das pelotas. Esta operação é na maioria dos casos
realizada em filtros de discos.
Após realizada a preparação do minério de ferro são conduzidas as etapas de

formação da pelota crua, contemplando as seguintes etapas:
Adição de aglomerantes – possibilita a formação da pelota crua por suas

características plásticas. Os principais aglomerantes utilizados são as Bentonitas,
Cal Hidratada, aglomerantes orgânicos como Carboximetilcelulose (CMC)
21
Hidroxietilcelulose (HEC) e poliacrilamida. O controle sobre esta etapa é

fundamental, pois existe a incidência de custo adicional ligada ao aglomerante.
Formação das pelotas – Considerada pelos especialistas como uma das principais
ou principais etapas do processo. É conduzida em discos pelotizadores ou tambores
e será mais bem discutida no decorrer do trabalho.
Classificação das pelotas cruas - Etapa conduzida por esteiras de rolos com
abertura que seleciona a faixa de granulometria desejada retornando as pelotas de
granulometria irregular à etapa de formação da pelota.
Finalizando o processo de pelotização existe o processamento térmico conduzido

tradicionalmente em fornos de esteira móvel, compreendendo as seguintes etapas:
Secagem – Fase onde acontece a retirada da agua presente na pelota crua,

inicialmente por um fluxo gasoso ascendente e posteriormente um fluxo
descendente. Etapa de suma importância, onde parâmetros incorretos de podem
levar a falhas catastróficas.
Pré-aquecimento – Etapa intermediária entre a secagem e a queima com um rampa

de temperatura de 6oC a 7oC por segundo
Queima – Etapa onde se estabelecem as ligações entre os grãos garantindo as

características físicas características de um aglomerado de qualidade. A
temperatura e o tempo de permanência são fatores de controle para a qualidade do
processo.
Homogeneização térmica – Aplicada em fornos de grelha móvel contínua

permitindo a troca térmica entre as camadas inferiores e superiores do leito.
Resfriamento – Ultima etapa do ciclo térmico. Tem objetivo de alcançar equilíbrio

térmico da carga pelo resfriamento das pelotas pela passagem de ar frio, que será
utilizado em fases anteriores do processo.
Peneiramento da pelota – Objetiva a retirada do material particulado gerado no

interior do forno, estreitando a faixa granulométrica. O material retirado pode ser
reprocessado retornando à moagem.
22
A figura 1 mostra esquematicamente o fluxo de produção de pelotas de minério de

ferro em uma planta com moagem por via úmida
Figura 1 - Fluxograma do processo de pelotização
R
ECUP
ERA
DOR
A
D
EFIN
OS
V
IR
ADO
RDEV
AGÕ
ES
P
IL
HAD
EMIN
ÉRIO
S
T
ANQ
U E
H
OMO
GEN
EIZ
ADO
R
E
SPE
SSA
DOR
M
OIN
HOD
EBO
LA
S
H
ID
ROC
IC
LON
ES
F
IL
TRO
S
AV
ÁCU
O
R
EIR
CUL
AÇÃ
O
S
IL
O D
E
DEÁG
UA
P
OLPA A
GLOME
RANT
E
R
ETID
A
P
REN
SA
S
IL
OSDO DE
P
ELOT
AME
NTO RO
LOS
D
IS
COSD
E M
IS
TUR
ADO
RES
P
ELO
TA
MEN
TO
F
ORN
ODEG
REL
HAM
ÓVE
L
P
ELO
TA
S
C
RUA
S
P
ELO
TA
SPA
RACA
MAD
A
DEF
ORRA
MEN
TO
P
ENE
IR
AME
NTO
E
MPIL
HADE
IR
A
D
EP E
LOT
AS
PE
L O
TA
S
Q
UEIM
AD
AS
E
MBA
RQU
E PÁ
T IOD
E FINOSD
E
PE
L OT
AS P
ENEIR
AMEN
TO
Q
UEIMA
DAS
Fonte: Cia. Vale S/A
3.2 AGLOMERAÇÃO
Aglomeração, também conhecida como granulação ou pelotização é o processo

onde partículas são unidas em grânulos ou aglomerados semipermanentes onde a
partícula original ainda pode ser distinguida (IVESON, LITSTER, et al., 2001). Os
objetivos do processo de aglomeração são:
23
 A redução dos particulados finos e leves evitando perdas, riscos de inalação e

explosão.
 Facilidade de manuseio e fluxo para transporte
 Controle da relação entre volume e área de contato,
 Melhorias das propriedades térmicas
 Reduzir a perda de pressão à passagem de um gás no empacotamento de
um leito.
A aglomeração tem encontrado campo de aplicação em uma vasta gama de
indústrias, dentre estas podemos citar os produtos para agricultura, farmacêutica,
alimentícia, produtos químicos e processamento de minérios (IVESON, LITSTER, et
al., 2001). As características de um produto aglomerado conforme listadas
anteriormente são de grande importância na obtenção de pelotas de minério de ferro
para operação de altos fornos.
3.2.1 Processo de pelotamento do minério de ferro
O processo de aglomeração do minério de ferro para produção de pelotas,

conhecido como pelotamento ou balling, é conduzido na grande maioria das
aplicações em discos pelotizadores como o ilustrado na figura 2 que contam com as
seguintes características:
 Capacidade de alimentação de até 200 t/h

 Diâmetro de 7,5 metros
 Profundidade de até 680 mm
 Ângulo de inclinação variável até 49o
 Rotação entre 5 e 8 RPM
Quatro raspadores para controle da camada no fundo do disco. A mistura preparada

é alimentada continuamente no disco, onde é iniciada a formação das pelotas. A
disposição e a forma de operação do disco permitem a classificação das pelotas em
função do diâmetro, devido a combinação da força centrífuga e do próprio peso das
pelotas formadas (CAMPOS e FONSECA, 2010).
24
Figura 2 - Disco pelotizador
Fonte: Cia. Vale S/A
A carga é inserida no disco em um ponto cuja posição é variável, onde as pelotas

pré-formadas sofrem rolamentos sucessivos sobre o particulado fino recém-
alimentado, aumentando seu diâmetro similar ao crescimento de uma bola de neve.
A descarga é feita na direção oposta da alimentação, conforme indicado na figura 3.
Figura 3 - Fluxo da carga no interior do disco pelotizador
Fonte: MEYER (1980)

25
O principal fator a ser controlado na operação do disco pelotizador é o tempo de

residência do material. Este fator é influenciado pelas seguintes variáveis
operacionais (CAMPOS e FONSECA, 2010):
 Taxa de alimentação
 Velocidade de rotação
 Ângulo da inclinação
 Profundidade útil
 Posição dos raspadores
 Espessura da camada de fundo
 Posição do ponto da alimentação
3.2.2 Mecanismos de formação da pelota crua
A carga alimentada no disco pelotizador, originaria de um processo de moagem por

via úmida, chega com a característica de uma torta após a filtragem. Desta forma
temos as partículas sólidas cobertas com uma camada líquida de água (figura 4 A),
entrando em contato umas com as outras. Este contato dá origem a uma ponte que
surge devido a tensão superficial da fase líquida (figura 4 B). Devido a operação do
equipamento pelotizador, temos o contado de diversas partículas, dando origem a
mais ligações por pontes líquidas, formando assim os primeiros aglomerados com a
forma de uma rede com muitos vazios internos. (figura 4 C). Com um maior
suprimento de água temos e devido a choques entre os primeiros aglomerados
temos uma densificação destes (figura 4 D), Neste estágio o mecanismo de ligação
deixa de ser pela ação das pontes líquidas a passa a ter as forças de sucção por
capilaridade como principais. O aglomerado atinge seu ponto ótimo quando não
restam poros em seu interior e a superfície não está coberta de fase líquida (figura 4
E), neste estágio temos somente a ação das forças de capilaridade. Se atingido o
estagio final, onde a fase líquida recobre toda superfície do aglomerado (figura 4 F),
a força de ligação passa a ser a tensão superficial e cessam as forcas de ligação por
capilaridade e a resistência do aglomerado cai bruscamente MEYER (1980). A figura
5 mostra graficamente este comportamento pela curva de resistência mecânica
plotada em relação à saturação do aglomerado.
26
Figura 4 - Saturação do aglomerado pela fase líquida
Fonte: MEYER (1980)
Figura 5 - Gráfico da resistencia do aglomerado em função da saturação
Fonte: MEYER (1980)

27
As forças de adesão no aglomerado são apresentadas conforma a figura 6.
Figura 6 - Forças de adesão no aglomerado
Fonte: MEYER (1980)
A descrição apresentada mostra a formação de aglomerados de uma forma ideal,

porem quando estudamos a aglomeração em um ponto de vista prático, outros
fenômenos ocorrem de uma maneira simultânea. A descrição formal dos
mecanismos de aglomeração a seguir foi proposta por Sastry e Fuerstenau (1973) e
engloba os seguintes fenômenos, apresentados na tabela 1 e representados
esquematicamente na figura 7:
Tabela 1 - Ação dos mecanismos de aglomeração

Mudança no tamanho do
Resultado Mudança acontece em:
aglomerado
Mecanismo de Quantidade total Massa total dos

Discreta Contínua
crescimento de aglomerados aglomerados
Nucleação Sim (+1) Sim Sim Não
Coalescência Sim (-1) Não Sim Não
Quebra Sim (n-1) Não Sim Não
Transferência
Não Não Não Sim
por abrasão
Estratificação Não Sim Não Sim
Adaptado de: SASTRY e FUERSTENAU (1973)

28
 Nucleação – qualquer formação de um novo aglomerado, resultante da

atração capilar de um conjunto de partículas sólidas com a presença de uma fase
líquida.
 Coalescência – produz um grande aglomerado, através da colisão e
acoplamento entre dois ou mais aglomerados já formados.
 Quebra – produz vários aglomerados menores pela desagregação após um
choque. Estes novos aglomerados de menor dimensão são aproveitados por outros
aglomerados para o crescimento estratificado
 Transferência por abrasão – Ocorre devido a interação entre aglomerados já
formados, onde uma certa quantidade de massa é transferida após o contato
 Estratificação – também chamado de crescimento tipo bola e neve. Acontece
quando um aglomerado já formado age como uma base que coleta as partículas
sólidas livres, crescendo continuamente em camadas.
Figura 7 - Mecanismos de aglomeração
Fonte: SASTRY e FUERSTENAU (1973)
A fase líquida controla o processo de aglomeração e sua quantidade ideal depende

de vários fatores (CAMPOS e FONSECA, 2010), entre eles:
 Molhabilidade (efeito capilar, ângulo de contato) do sistema sólido-líquido

 Energia e tempo de agitação mecânica da mistura
 Propriedades da fase líquida (viscosidade e tensão superficial)
29
 Característica do sólido (forma, tamanho, rugosidade superficial, capacidade

de adsorção de água)
 Fração dos poros internos ocupados por líquido
Assim, Campos e Fonseca (2010) citando Meyer (1980), sumariza os principais

fatores que influenciam o processo de aglomeração:
Quantidade de água utilizada: No processo de

pelotamento, o crescimento ocorre devido à plasticidade
e a molhabilidade da superfície dos grânulos que contêm
quantidade de líquido no intervalo teórico de saturação.
Assim, pequenas variações no conteúdo de líquido
causam variações na plasticidade do aglomerado e na
condição de deformar e coalescer por meio das pontes
líquidas da superfície do grão.
Velocidade de Rotação do Equipamento: O mesmo
efeito sobre a plasticidade é notado quando a velocidade
de rotação do equipamento é mantida muito abaixo do
valor da velocidade crítica (velocidade onde ocorre o
levantamento do material sem permitir o efeito de
rolamento no interior do disco), levando a um tempo
maior para se obter o aglomerado no tamanho
adequado. Velocidades de rotação do disco e taxas de
alimentação excessivas podem produzir um crescimento
muito rápido e incontrolável das pelotas devido à ação
de cascatas e pulverização dos aglomerados de maior
tamanho. Um crescimento excessivo e rápido gera um
produto sem forma, de alta porosidade interna e de baixa
resistência.
Taxa de Alimentação do Material no Disco: A taxa de
crescimento das pelotas é diretamente proporcional a
taxa de alimentação. Contudo, elevadas taxas de
alimentação geram pelotas com menor resistência e que
se desfazem no momento seguinte à saída do disco,
gerando assim, partículas finas e fora do tamanho
desejado.
Distribuição de Tamanho das Partículas do Material
Alimentado: Se a distribuição granulométrica é ampla, ou
seja, variando desde a fração menor que 10μm até a
fração passante em 0,044 mm, a resistência dos
30
aglomerados é alta devido ao melhor empacotamento e

ao grande número de pontos de contato, alterando a
porosidade dos aglomerados (o que influencia nas
propriedades das pelotas queimadas) e modificando seu
comportamento durante o crescimento. Se a distribuição
granulométrica é estreita, a resistência é menor devido
ao menor número de pontos de contato.
Tensão Superficial do Líquido: Quanto maior a tensão
superficial da água presente, maior será a resistência do
aglomerado formado. A temperatura do líquido influencia
na sua tensão superficial e, portanto, a temperatura é
inversamente proporcional a resistência da pelota.
Presença de Sementes ou Micronúcleos: A cinética do
processo é alterada pela adição de sementes recicladas,
uma vez que as mesmas sequestram material fino e
crescem pela formação de camadas.
Em uma consideração teórica sobre o processo de aglomeração a equação 1 foi

formulada (MEYER, 1980):
𝑃𝑘 = 𝛾.𝑆.𝑄 1−𝜀 (1)

𝑤. 𝜀
Onde:
Pk Tensão de resistência capilar para uma pelota crua
 Tensão superficial da água
S Superfície especifica do concentrado
Qw Densidade do concentrado
 Volume dos poros
De acordo com esta equação, a resistência de uma pelota crua é primariamente

proporcional aos poros e capilaridades da fase sólida. Esta equação representa uma
tendência, dados experimentais diferem dos calculados (MEYER, 1980).
31
3.3 PROCESSAMENTO TÉRMICO DAS PELOTAS CRUAS
Depois de formadas, as pelotas cruas não possuem resistência mecânica suficiente

para o transporte ou aplicações diretas na metalurgia, sendo então necessário um
processamento térmico subsequente para alcançar tais características. Podemos
dividir este processamento entre secagem e queima, e assim como na aglomeração
da pelota crua, devemos buscar as condições ótimas para o processo de secagem,
a fim de garantir as melhores propriedades possíveis (MEYER, 1980).
Durante a secagem, a umidade presente no aglomerado é evaporada pela

passagem de gases aquecidos. Neste contexto, segundo Meyer (1980) a água
presente no aglomerado se apresenta das seguintes formas:
 Água presente nos poros e capilaridades do aglomerado (água intersticial)

 No caso de um minério poroso, a água pode estar presente também nos
poros deste minério.
 Presente em ligações químicas na forma de hidratos
 Água incorporada no aglomerante
 Água incorporada no aglomerante na forma de hidratos
 Água presente na estrutura cristalina dos componentes do aglomerado.
A velocidade de secagem deve ser adaptada para as diversas composições de

umidade presente na pelota para evitar a fragilização e trincas devido a um
processamento térmico mal conduzido.
Durante a secagem de uma camada de pelotas podemos notar duas operações: A

secagem se inicia individualmente nas pelotas e então avança uniformemente na
camada de pelotas.
3.3.1 Permeabilidade do leito de pelotas

Para fornos do tipo grelha móvel, objeto de estudo do presente trabalho, 90% do
transporte de calor no processamento térmico é feito por convecção. Sendo assim, o
fluxo de gás através do leito de pelotas e de suma importância (MEYER, 1980).
O fluxo de gás é dependente da permeabilidade ao gás e resistência do leito, e

altamente influenciado pela consistência física das pelotas (MEYER, 1980).
32
Meyer (1980) aponta a equação 2 para determinar a resistência ao fluxo de um gás

através de um leito estático de pelotas esféricas de dimensão uniforme.
1−𝜀 𝑄𝐺 .𝑤 2
∆𝑃𝐶𝐻 = 𝐻. 𝜓. . (2)
𝜀3 𝑑.𝜑
Onde:
PCH Resistencia ao fluxo do gás
H Altura do leito
 Volume vazio do leito
QG Densidade específica do gás
 Coeficiente de resistência, relacionado com o número de Reynolds
w Velocidade dos gases
d Diâmetro das pelotas
Se houver uma grande variação no diâmetro das pelotas deve ser considerada a
equação 3:
1−𝜀𝑚 𝑄𝐺 .𝑤 2 𝜀𝑘 0,75
∆𝑃𝑚𝐶𝐻 = 𝐻. 𝜓. . .( ) (3)
𝜀𝑚3 𝑑.𝜑 𝜀𝑚
Onde:
PmCH Resistencia ao fluxo do gás
H Altura do leito
m Volume vazio do leito considerando as pelotas maiores
k Volume vazio do leito considerando parcelas mais finas

33
 Coeficiente de resistência, relacionado com o número de Reynolds
dm Diâmetro médio das pelotas
Deve-se ainda somar a resistência das barras do forno:
𝑄𝐺 .𝑤 2
∆𝑃𝐺𝑅 = 𝜁. (4)
2
PGR Resistencia ao fluxo do gás
ζ Coeficiente de resistência
Resultando assim na resistência total pela soma das resistências das barras e da
carga do forno.
∆𝑃 = ∆𝑃𝐺𝑅 + ∆𝑃𝐶𝐻 (5)
A variação da pressão é substancialmente alta quando existe grande variação nos

diâmetros das pelotas, e varia linearmente com o aumento da altura da carga. A
queda de pressão é também responsável pela operação dos ventiladores que
conduzem o ar aquecido pelos diversos estágios do processo de endurecimento das
pelotas (MEYER, 1980).
Outra metodologia para a medição da queda de pressão na passagem de um fluido

através de um leito com partículas de formato irregular é a equação de Ergun (6)
34
(TRAHANA, GRAZIANI, et al., 2014) onde temos também a influência da

esfericidade.
∆𝑃 (1−𝜀)2 𝜇𝑈 1−𝜀 𝜌𝑈 2
= 150 + 1,75 (6)
𝐿 𝜀3 (𝐷𝑣 )2 𝜀 3 𝐷𝑣
Onde:
P Queda de pressão no leito
L Altura do leito
 Fração de vazios no leito
 Viscosidade dinâmica do fluido
U Velocidade de passagem do leito
 Esfericidade
Dv Diâmetro equivalente das partículas pelo volume
 Densidade do fluido
Pelotas com diâmetros distribuídos em uma faixa estreita, com formato esférico e
boa resistência mecânica, além de baixa geração de finos produzem um leito na
fase de secagem com alta permeabilidade, diminuindo assim custos de produção,
melhorando a produtividade e aumentando a qualidade do produto final (MATOS,
2007). É, portanto evidente que a resistência encontrada ao fluxo de ar pelo leito de
pelotas pode ser entendida como um fator de medição da qualidade das pelotas
cruas produzidas, uma oportunidade de economia de energia e insumos dentro do
processo global e ainda como um ponto que oferece melhoria a qualidade do
produto final.
3.4 MODELOS MATEMÁTICOS APLICADOS AO PROCESSO DE PELOTIZAÇÃO
Na aglomeração podemos destacar o modelamento matemático pelo método

conhecido por Population Balance Model (ADETAYO, LITSTER, et al., 1995) que
visa descrever a distribuição granulométrica durante a granulação utilizando
equações diferenciais parciais tendo como base testes desenvolvidos em
35
laboratório. Apresenta o inconveniente de exigir conceitos matemáticos de grande

complexidade, tornando alterações no sistema extremamente complicadas.
Outra ferramenta utilizada para o modelamento matemático é o DEM (Discrete

Element Method) ou método dos elementos discretos, que utiliza a computação para
descrever a aglomeração. Exige para tanto métodos computacionais extremamente
robustos e a análise é realizada somente em duas dimensões (MISHRA, THORTON
e BHIMJI, 2002)
Timofeeva e colaboradores (2013) realizando experimentações em ambiente fabril

em uma planta que utiliza discos pelotizadores, alcançou um coeficiente de
regressão (R2=0,811795) na predição da composição granulométrica das pelotas
cruas, tendo como variáveis dependentes características físico-químicas da matéria
prima e suas dosagens , assim como parâmetros de operação dos discos
pelotizadores, mostrando bons resultados no modelamento matemático do processo.
Pesquisas em laboratório conduzidas por Thella e Venugopal (2011) em um disco

pelotizador utilizando métodos de regressão polinomial alcançaram um coeficiente
de regressão (R2=0,94) na predição do parâmetro populacional D50, tendo como
entradas a umidade presente na polpa, a inclinação do disco pelotizador, e o tempo
de pelotização. O resultado apresentado foi bastante preciso, porém conta com o
controle proporcionado por um experimento conduzido em escala laboratorial.
O processo de queima da pelota foi objeto de estudo de autores como Borim (2000)
que realizou o modelamento matemático e elaborou um sistema de controle em
regiões do forno de endurecimento, utilizando dados industriais.
3.5 O MÉTODO DAS REDES NEURAIS ARTIFICIAS
Redes Neurais Artificiais (RNA) ou simplesmente Redes Neurais, são sistemas

modelados para cumprir uma determinada tarefa, se baseando na estrutura neural
biológica, reconhecido pela sua operação altamente complexa, não linear e paralela
(HAYKIN, 2009).
Suas maiores capacidades e propriedades são:
 Não linearidade
 Capacidade de mapear entradas e saídas
36
 Adaptabilidade
 Computacionalmente robustas, tolerante a erros
 Análogas à neurobiologia
Um neurônio artificial pode ser linear ou não linear. Uma rede neural composta pela
conexão entre neurônios não lineares é uma rede neural não linear. A não
linearidade de uma RNA é de um tipo especial, uma vez que ela é distribuída por
toda a rede. A não linearidade é uma propriedade muito importante, uma vez que os
fenômenos físicos responsáveis pelos sinais de entrada de uma RNA são muitas
vezes não lineares.
Com a utilização do aprendizado supervisionado, uma sequência de dados de

entrada e alvo é aleatoriamente aplicada. Depois de realizado o treinamento, a RNA
é capaz de classificar padrões dentro do conjunto de dados, podendo assim estimar
limites para decisões arbitrárias, sem envolver um modelo probabilístico.
Redes Neurais possuem a capacidade de adaptar seus pesos sinápticos de acordo

com mudanças no ambiente em que estão inseridas. Uma RNA treinada para operar
em uma dada condição pode assim ser facilmente retreinada para operar em uma
nova condição. As RNA podem inclusive adaptar seus pesos sinápticos em tempo
real quando inserida em um sistema não estacionário (HAYKIN, 2009).
Uma RNA implementada fisicamente tem o potencial para ser tolerante a falhas, ou
capaz de realizar o processamento de forma robusta. Neste sentido, se uma
conexão é rompida ou um conjunto de dados apresenta valores inconsistentes, a
RNA apresenta uma degradação suave em seu desempenho e não uma falha
catastrófica. Esta propriedade se deve à distribuição da informação na RNA, onde
somente um erro extensivo pode causar um dano mais sério ao desempenho geral
(HAYKIN, 2009).
O modelo utilizado pelas RNA é inspirado no funcionamento do cérebro humano,

que são provas vivas de um sistema de processamento altamente paralelo, tolerante
a falhas, adaptativo, além de rápido e potente. As RNA se assemelham ao
funcionamento do cérebro humano ainda nos seguintes aspectos (HAYKIN, 2009):
37
 o conhecimento é adquirido pela RNA a partir de seu ambiente, através de um

processo de aprendizagem;
 forças de conexão entre neurônios, conhecidas como pesos sinápticos, são
utilizadas para armazenar o conhecimento adquirido.
3.6.1 Unidades de processamento (Neurônio artificial)
Um neurônio artificial é uma unidade de processamento fundamental para a

operação de uma rede neural. A figura 8 mostra esquematicamente o modelo de um
neurônio. Podemos identificar os seguintes elementos em sua estrutura:
 conjunto de sinapses ou conexão de entrada (de x1 a xm), cada uma

caracterizada por um peso próprio(wk1 a wkm).
 entrada x0, conhecida como bias, que tem como função aumentar ou diminuir
o valor de entrada da função de ativação.
 somatório dos sinais de entrada, onde é realizada a adição ponderada dos
sinais de entrada.
 função de ativação ou função de transferência, para limitar a saída do
neurônio, geralmente normalizada no intervalo finito entre [0,1] ou [-1, 1].
Figura 8 - Neurônio artificial
Fonte: HAYKIN (2009)

38
O modelo matemático associado a um neurônio artificial é dado pelas equações 7 e

8
𝑣𝑘 = ∑𝑚
𝑗=1 𝑤𝑘𝑗 . 𝑥𝑗 (7)
Onde:
vk Soma ponderada das entradas
x0, x1, x2, ..., xm Sinais de entrada (inclusive bias)
wk0, wk1, wk2, ..., wkm Pesos sinápticos
𝑦𝑘 = 𝜑(𝑣𝑘 ) (8)
Onde:
yk Sinal de saída do neurônio k
(.) função de transferência ou ativação
Se considerarmos uk como a soma ponderada das sinapses de entrada exceto a

bias, bk como o valor ponderado da bias e vk com a soma ponderada total das
entradas, temos na figura 9 a ação da bias na entrada da função de transferência.
Podemos notar que a função não mais passa pela origem, portanto mesmo que os
valores de entrada sejam nulos a função de ativação possui um valor de entrada
fornecido pela bias.
3.6.3 Funções de ativação

Faz-se necessária após a soma das entradas uma função de ativação que
define a saída yk do neurônio, onde o valor obtido por sua ativação interna sk é
introduzido em uma função que define o comportamento do neurônio.
𝑦𝑘 = 𝑓𝑘 (𝑠𝑘 ) (9)
Entre as diversas funções de ativação ou transferência, podemos destacar as

seguintes (HAYKIN, 2009).
39
Figura 9 - Ação da bias na entrada da função de transferência
Função limiar:
+1, 𝑝𝑎𝑟𝑎𝑠𝑘 ≥ 0
𝑓𝑘 = { (10)
−1, 𝑝𝑎𝑟𝑎𝑠𝑘 < 0
Função linear:
𝑓𝑘 = 𝛼. 𝑠𝑘 (11)
Função exponencial:
𝑓𝑘 = 𝑒 𝑠𝑘 (12)
Função seno:
𝑓𝑘 = 𝑠𝑖𝑛𝑠𝑘 (13)
Função tangente hiperbólica:
1−𝑒 −2𝑠𝑘
𝑓𝑘 = 1+𝑒 −2𝑠𝑘 (14)
40
3.6.4 Arquitetura das RNA
Podemos distinguir dois padrões para as conexões entre os neurônios de uma rede
neural artificial. Em um caso as informações seguem somente em um sentido sem
laços de retroalimentação, conhecidas como redes alimentadas adiante e redes com
laços de retroalimentação, conhecidas como redes recorrentes.
3.6.4.1 Rede tipo alimentada adiante.
Onde o fluxo de dados segue somente no sentido da entrada para a saída, não
havendo nenhum tipo de retroalimentação do sistema. Este tipo de rede pode ter
uma única camada (figura 10) ou múltiplas camadas (figura 11), onde cada camada
de neurônios recebe os sinais de saída da camada anterior (KROSE e VAN DER
SMAGT, 1996)
Figura 10 - RNA alimentada adiante com uma camada

41
Figura 11 - RNA alimentada adiante de múltiplas camadas
3.6.4.3 Redes recorrentes
As redes recorrentes são assim denominadas por apresentarem pelo menos um laço
de realimentação (figura 12). As conexões de realimentação podem originar tanto
dos neurônios de saída quanto dos neurônios escondidos. A presença de laços de
realimentação altera significativamente a capacidade de aprendizagem e o
desempenho da RNA (HAYKIN, 2009).
3.6.5 Aprendizado de uma RNA
De uma maneira ampla podemos categorizar os processos de aprendizado de uma

RNA como:
Aprendizado supervisionado
Aprendizado não supervisionado
O aprendizado supervisionado é descrito em termos conceituais como o

aprendizado com um tutor, que possui o conhecimento sobre o ambiente em que a
RNA será aplicada. Este conhecimento é representado por uma sequencia de
exemplos compostos por entradas e suas respectivas saídas. O ambiente é de toda
maneira desconhecido para a RNA. Com a apresentação dos exemplos entrada-
42
saída para a RNA, esta irá ajustas seus parâmetros para atingir a ação ótima como
resposta, conforme apresentada nos exemplos.
Figura 12 - RNA recorrente
OS parâmetros da RNA são ajustados com base na influencia combinada dos dados
de treinamento e sinais de erro. O sinal de erro é a diferença entre a resposta
desejada e a resposta emitida pela RNA. O ajuste é conduzido passo a passo
através de iterações sequenciais, tendo como objetivo a emulação do conhecimento
do tutor pela RNA. Desta forma o conhecimento do ambiente que era posse do tutor
é transferido para a RNA na forma de pesos sinápticos fixos, que representam uma
memória.
A forma de aprendizado descrita é a base do aprendizado por correção de erros. Na

figura 13 podemos ver que o aprendizado acontece em um circuito fechado, onde o
ambiente é externo.
43
Figura 13 - Método de aprendizado por correção de erros
O desempenho pode ser medido pelo erro quadrático médio (EQM), raiz do erro
quadrático médio (REQM) ou ainda pela soma dos quadrados dos erros (SSO) em
função de parâmetros livres do sistema. Esta função pode ser representada por uma
superfície de erro multidimensional, ou simplesmente superfície de erro. Para um
aumento no desempenho da RNA o ponto de operação deve sempre se mover para
posições inferiores, buscando um ponto mínimo, que pode ser local ou global. Um
sistema que utiliza o aprendizado supervisionado é capaz de utilizar o gradiente de
erro correspondente ao estado atual do sistema para deslocar o ponto de operação
da RNA pela superfície de erro através de um movimento aleatório (Figura 14)
Portanto, dado um algoritmo para minimização do erro, um conjunto adequado de

dados de entradas e saídas, e um treinamento conduzido de forma coerente, um
sistema de aprendizado supervisionado será capaz de mapear este conjunto de
entradas e saídas razoavelmente bem.
44
Figura 14 - Superfície de erro
Fonte: BRAGA, CARVALHO e LUDERMIR (2000)
3.6.5 Redes perceptron multicamadas

Segundo Haykin (2009), três pontos destacam as características básicas de uma
RNA do tipo perceptron multicamadas:
 o modelo matemático para cada neurônio conta com uma função de ativação
não linear diferenciável.
 possui uma ou mais camadas de neurônios entre a entrada e a saída,

denominadas camada(s) escondida(s).
 apresenta alto grau de conectividade, determinado pelos pesos sinápticos da

rede
O método mais comum para o treinamento de uma rede perceptron multicamadas, é

o algoritmo de retropropagação de erros (error backpropagation) que será melhor
descrita na seção seguinte.
A figura 15 mostra graficamente uma RNA com topologia perceptron multicamadas

com duas camadas escondidas e uma camada de saída. Temos neste caso uma
conexão total entre as camadas. Os sinais são transmitidos pela rede sempre
adiante, da esquerda para a direita camada por camada.
45
Figura 15 - RNA Perceptron de múltiplas camadas
A figura 16 mostra um trecho de uma rede PMC, onde podemos identificar dois
sinais:
Sinais de função – é um sinal que acessa o neurônio pela extremidade de entrada e

se propaga como um sinal de saída.
Sinais de erro – é um sinal que se origina na saída do neurônio e se propaga em

sentido contrário ao sinal de função, camada por camada através da RNA.
Figura 16 - Fluxos dos sinais de função e sinal de erro
3.6.6 O algoritmo de retropropagação de erros

A combinação Rede Multicamadas de alimentação adiante, utilizando o algoritmo de
retropropagação de erros é a combinação de maior utilização no universo das redes
46
naurais artificiais, apresentando uma solução para a correção de erros através do

ajuste de pesos sinápticos. Retropropagação de erros pode também ser considerado
uma generalização da regra delta para funções de transferência não lineares e redes
multicamadas (KROSE e VAN DER SMAGT, 1996).
A correção dos pesos sinápticos aplicada à conexão entre os neurônios i e j é

definido pela regra delta apontada na equação 15.
𝐶𝑜𝑟𝑟𝑒çã𝑜 𝑇𝑎𝑥𝑎 𝑑𝑒 𝐺𝑟𝑎𝑑𝑖𝑒𝑛𝑡𝑒 𝑆𝑖𝑛𝑎𝑙 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎

( 𝑑𝑜 𝑝𝑒𝑠𝑜 ) = ( 𝑎𝑝𝑟𝑒𝑛𝑑𝑖𝑧𝑎𝑑𝑜
𝜂
).( 𝑙𝑜𝑐𝑎𝑙 ) . ( 𝑑𝑜 𝑛𝑒𝑢𝑟ô𝑛𝑖𝑜 𝑗 ) (15)
∆𝑤𝑖𝑗 (𝑛) 𝛿𝑗 (𝑛) 𝑦𝑖 (𝑛)
O gradiente local depende da localização do neurônio, se este se encontra na

camada de saída ou na camada escondida (HAYKIN, 2009).
Podemos distinguir duas etapas de computação durante a aplicação do algoritmo de

retropropagação de erros. O primeiro é denominado passagem adiante e o segundo
denominado passagem para trás. Na passagem adiante os pesos sinápticos
permanecem inalterados e os sinais de função são calculados de neurônio a
neurônio, iniciando na primeira camada escondida até a camada de saída. Já a
passagem para trás tem início na camada de saída conduzindo o sinal de erro obtido
camada a camada, computando os gradientes locais para cada neurônio. Este
processo recursivo permite que o peso sináptico seja ajustado conforme a equação
da regra delta (14) (HAYKIN, 2009).
A figura 17 apresenta a arquitetura de uma RNA multicamadas onde a parte superior

mostra a passagem adiante com o sinal de função e a parte inferior mostra a
passagem para trás com o sinal de erro.
3.6.6 Análise de sensibilidade
O conhecimento da importância de cada variável dentro de um processo é de

grande importância no direcionamento de investimentos e estudos dentro de uma
planta, podendo indicar o que deve ser melhorado, melhor controlado ou ainda
automatizado. As redes neurais artificiais tem a capacidade de apontar dentro de um
processo a significância de cada variável, estimando a participação das variáveis
independentes em alterações na variável dependente.
47
Figura 17 - Etapas de cálculo adiante e para trás do algoritmo backpropagation
O software MBP realiza a análise da sensibilidade para cada variável introduzindo

ruídos nas entradas de maneira seletiva e então calcula o erro médio quadrático
para cada condição. Os ruídos nos sinais de entrada são os seguintes:
 0% - Condição original
 2%
 5%
 10%
Os erros apresentados nestas condições podem ser comparados com o erro na
condição original da rede, trazendo assim um valor referente à degradação da RNA.
Quanto maior a degradação compara a condição original, maior é a importância
desta variável para o resultado global.
A sensibilidade será obtida a partir do aumento percentual do REQM comparado
com a condição original, conforme demonstrado na equação 8.
48
(𝑅𝐸𝑄𝑀0% −𝑅𝐸𝑄𝑀𝑖% )
𝑆𝐸𝑁𝑆 = . 100% (16)
𝑅𝐸𝑄𝑀0%
Onde:
REQM0% Erro com a variável na condição original
REQMi% Erro com a variável alterada em i%
Este método permite conhecer a contribuição de cada variável pela degradação do

erro quando se altera seu valor original.
Além da atribuição de ruído a cada variável, é também simulada a falha no sinal de
entrada sendo atribuídos valores para cada variável conforme abaixo:
 Valor mínimo
 Valor médio
 Valor máximo
3.6.7 RNA aplicada ao processo de pelotização
As redes neurais artificias encontram diversas aplicações na metalurgia, em especial

na área de aglomeração de minério de ferro.
Fan e colaboradores (2012) aplicaram as RNA no processo de produção de sínter

de minério de ferro, realizando a predição de fatores como a umidade, consumo de
combustível, velocidade de sinterização e velocidade do tambor de sinterização,
alcançando uma precisão na predição destes parâmetros respectivamente de
96,67%, 93,33%, 86,67% e 93,33%. Para este estudo foi utilizada uma rede tipo
Feed-forward, com algoritmo de treinamento Back-Propagation.
Dwarapudi e colaboradores (2007) realizaram um modelamento no estagio de

processamento térmico, utilizando o método das redes neurais artificiais, foi possível
mapear 12 variáveis de entrada do sistema de endurecimento da pelota crua e
relaciona-la com a sua resistência à compressão após a queima. Contando ainda
com a medição da significância de cada variável e a predição da resistência a
compressão.
Também utilizando o método das redes neurais artificiais, Monteiro Braga e

Carvalho (2003) modelaram o processo de produção de minério de ferro criando um
49
sistema capaz de predizer a resistência da pelota queimada e seu índice de

abrasão, provando assim o potencial da aplicação de redes neurais artificiais em
usinas de pelotização.
Este trabalho mapeou 20 entradas retiradas do processo de produção de minério de

ferro da usina Fábrica, que pertence a Vale SA. Relacionando com duas saídas.
Foram utilizados para este modelo 1460 padrões, retirados a cada duas horas,
totalizando assim quatro meses de operação da planta.
O modelo matemático concebido por Monteiro Braga e Carvalho (2003) conta com
uma rede neural artificial com arquitetura RBF com 20 neurônios na camada
implícita e função e transferência gaussiana. O resultado da implementação da rede
neural foi o aumento em 6,4 vezes da precisão na predição da resistência à
compressão e 10,2 vezes na precisão na predição da abrasão.
O método das redes neurais artificias desta forma se apresenta de uma maneira
propicia para a solução de problemas como o controle e automação do processo de
pelotização, pois mostra resultados excelentes para sistemas com uma grande
quantidade de variáveis conectadas e não lineares, apresentando resultados
excelentes tanto na predição de parâmetros quanto na analise de sensibilidade de
uma maneira robusta e capaz de contornar falhas.
50
4 MATERIAIS E MÉTODOS
Neste capítulo é abordada a metodologia computacional e origem dos dados

utilizados para a realização deste estudo. Na seção 4.1 serão apresentados os
procedimentos utilizados para a construção da RNA da permeabilidade do leito e na
seção 4.2 a RNA da etapa de aglomeração.
4.1 PERMEABILIDADE DO LEITO
Nesta seção será descrita a metodologia de concepção da RNA para a etapa de

predição da permeabilidade do leito de pelotas, tendo como parâmetro a
contrapressão no interior do forno de grelha móvel. Na seção 4.1.1 será discutida a
seleção das variáveis de entrada. Na seção 4.1.2 será descrita a seleção e coleta
dos dados. Em 4.1.3 e 4.1.4 será descrita a metodologia para definição da topologia
da RNA. Em 4.1.5 será descrito o parâmetro para a seleção da RNA de melhor
desempenho e finalmente em 4.1.6 será descrita a metodologia para a análise de
sensibilidade.
4.1.1 Seleção das variáveis de entrada
As variáveis de entrada foram selecionadas tendo como base a influência dos

fatores granulométricos da pelota de minério de ferro na contra pressão no interior
do forno de grelha móvel com base nas equações de (3) a (5), onde podemos
destacar: o diâmetro médio e os volumes vazios do leito. Fatores estes que estão
diretamente ligados à distribuição do diâmetro no empacotamento geométrico do
leito. Desta forma temos as medições de desvio padrão do diâmetro, pelotas acima
e abaixo do diâmetro recomendado e pelotas dentro da faixa recomendada como
fatores de influência direta na permeabilidade.
A altura do leito apresenta segundo a equação (3) uma relação direta com a
permeabilidade. A esfericidade conforme apontada na equação (6) e também um
fator preponderante na formação do leito e distribuição de espaços vazios
Com base no item 3.3.1, a tabela 2 apresenta as variáveis de entrada e saída que
serão analisadas neste estudo.
51
Tabela 2 - Variáveis de entrada e saída para etapa de permeabilidade

Variável Unidade
Entrada
Produção de pelotas cruas t/hora
Diâmetro médio mm
Desvio padrão do diâmetro das pelotas mm
Pelotas entre 10 e 16 %
Pelotas maiores que 16 %
Pelotas Menores que 10 %
Esfericidade %
Saída
Pressão na Caixa de vento 14 mbar
Fonte: Autor
4.1.2 Coleta e processamento de dados

Os dados utilizados para o presente estudo foram obtidos do processo de produção
de pelotas de minério de ferro da empresa VALE S/A, lidos e gravados com um
intervalo de 1 hora com o auxilio de softwares de processo da própria empresa. O
conjunto disponível para este estudo conta com 1000 sequências de dados, o que
corresponde a aproximadamente 40 dias de funcionamento entre 4 de outubro e 20
de novembro de 2013. As sequências foram agrupadas em um arquivo de texto
contendo 7 colunas representando as entradas e uma coluna representando a saída
ou alvo.
O processamento destes dados foi realizado com o Software Multiple Back-
propagation (MBP), um software livre que conta com licença tipo General Public
License (GPL), desenvolvido com fins acadêmicos por pesquisadores do Instituto
Politécnico da Guarda – Universidade de Coimbra, Portugal (LOPES e RIBEIRO,
2003)
52
4.1.3 Arquitetura das RNAs

Os fatores que devemos ajustar a fim de tornar o desempenho de uma RNA do tipo
Perceptron Multicamadas o melhor possível são:
 Seleção de quantidade de neurônios na camada escondida
 Seleção da função de transferência
4.1.3.1 Seleção da quantidade de neurônios da camada escondida
A seleção da quantidade de neurônios para a camada escondida teve o balizamento

dos teoremas de Kolmogorov (HECHT-NIELSEN, 1989) conforme descrito na
equação 17 e o teorema proposto por Blum (1992) descrita na equação 18.
𝑁 = 2𝑛 + 1 (17)
Onde:
N é o numero de neurônios na camada escondida
n é o número de entradas da RNA
𝑃
𝑁= (18)
10(𝑛+𝑠)
Onde:
N é o numero de neurônios na camada escondida
P é o número de padrões de treinamento
n é o número de entradas da RNA
s é o número de saídas da RNA
Com a definição de 7 variáveis de entrada, 1 variável de saída e 1000 padrões de

treinamento, temos como resultado 15 neurônios na camada implícita utilizando o
teorema de Kolmogorov e 12,5 utilizando a teoria proposta por Blum.
53
Desta forma serão treinadas redes utilizando a mesma base de dados, variando a
quantidade de neurônios entre 12 e 15 com o objetivo de avaliar o desempenho e
selecionar a RNA.
4.1.4 Definição das funções de ativação.
O software MBP possui em sua implementação as funções de ativação Logística

(Equação 19), Tangente hiperbólica (equação 20) e Identidade (equação 21 ).
1
𝑓(𝑥) = (19)
1+𝑒 −𝑘𝑥
𝑓(𝑥) = tanh(𝑘𝑥) (20)
𝑓(𝑥) = 𝑘𝑥 (21)
Para a seleção do melhor conjunto de equações foram treinadas redes neurais

contemplando todas as combinações de função de transferência, conforme
mostrado na tabela 3.
4.1.5 Seleção da RNA
Para a seleção da RNA de melhor desempenho, foram avaliadas todas as

combinações considerando número de neurônios e funções de ativação, totalizando
desta forma 36 RNAs. Para uma maior confiabilidade dos dados, cada RNA foi
treinada 5 vezes, totalizando desta forma 180 redes treinadas.
Esta metodologia tem como objetivo encontrar a combinação de RNA considerando
o numero de neurônios da camada implícita e funções de transferência, que possua
o menor raiz do erro médio quadrático (REQM), obtido pela equação 22.
54
1
𝑅𝐸𝑄𝑀 = √ ∑𝑛𝑖=1(𝑌̂𝑖 − 𝑌𝑖 )2 (22)
𝑛
Onde:
REQM Erro quadrático médio
n Quantidade de amostras
𝑌̂ Valor da predição
𝑌 Valor alvo
Tabela 3 - Combinação das funções de transferência
Função de transferência da Função de transferência

Grupo
camada escondida da camada de saída
1 Logística Logística
2 Logística Tangente Hiperbólica
3 Logística Identidade
4 Tangente Hiperbólica Logística
5 Tangente Hiperbólica Tangente Hiperbólica
6 Tangente Hiperbólica Identidade
7 Identidade Logística
8 Identidade Tangente Hiperbólica
9 Identidade Identidade
Fonte: Autor
4.1.6 Analise de sensibilidade.
A análise de sensibilidade segue o procedimento apresentado no item 3.6.6

55
4.2 ETAPA DE AGLOMERAÇÃO
Nesta seção será descrita a metodologia de concepção da RNA para a etapa de

aglomeração das pelotas de minério de ferro durante a operação do disco
pelotizador. Na seção 4.2.1 será discutida a seleção das variáveis de entrada. Na
seção 4.2.2 será descrita a seleção e coleta dos dados. Em 4.2.3 e 4.2.4 será
descrita a metodologia para definição da topologia da RNA. Em 4.2.5 será descrito o
parâmetro para a seleção da RNA de melhor desempenho e finalmente em 4.2.6
será descrita a metodologia para a análise de sensibilidade.
4.2.1 Seleção das variáveis de entrada
As variáveis selecionadas para a etapa de aglomeração, apresentadas na tabela 4

compreendem fatores relacionados à matéria prima e operação do disco pelotizador
conforme vistos nos itens 3.2.1 e 3.2.2.
4.2.2 Coleta e processamento de dados
Os dados utilizados para o presente estudo foram obtidos do processo de produção

de pelotas de minério de ferro da empresa VALE S/A, lidos e gravados com um
intervalo de 1 hora com o auxilio de softwares de processo da própria empresa. O
conjunto disponível para este estudo conta com 1000 sequências de dados, o que
corresponde a aproximadamente 40 dias de funcionamento entre 12 de maio e 6 de
julho de 2013. As sequências foram agrupadas em um arquivo de texto contendo 5
colunas representando as entradas e 2 colunas representando as saídas ou alvos.
O processamento destes dados foi realizado com o Software Multiple Back-
propagation (MBP), um software livre que conta com licença tipo General Public
License (GPL), desenvolvido com fins acadêmicos por pesquisadores do Instituto
Politécnico da Guarda – Universidade de Coimbra, Portugal (LOPES e RIBEIRO,
2003)
56
Tabela 4 - Variáveis de entrada e saída para etapa de aglomeração

Variável Unidade
Entrada
Quantidade de CaO %
Superfície específica cm²/g
%< 325 mesh %
Umidade %
Rotação do disco min-1
Saída
Desvio padrão do diâmetro das pelotas mm
Esfericidade %
Fonte: Autor
4.2.3 Arquitetura das RNAs
O procedimento para a definição da arquitetura da RNA seguiu conforme

apresentado em 4.1.3.
Com a definição de 5 variáveis de entrada, 2 variável de saída e 1000 padrões de
treinamento, temos como resultado 11 neurônios na camada implícita utilizando o
teorema de Kolmogorov e 14 utilizando a teoria proposta por Blum.
Desta forma serão treinadas redes utilizando a mesma base de dados, variando a
quantidade de neurônios entre 11 e 14 com o objetivo de avaliar o desempenho e
selecionar a RNA.
4.2.4 Definição das funções de transferência
O método de seleção de funções de transferência foi realizado conforme

apresentado em 4.1.4
O método de seleção da topologia foi realizado conforme apresentado em 4.1.5

57
4.2.6 Analise de sensibilidade.
A análise de sensibilidade segue o procedimento apresentado no item 3.6.6

58
5 RESULTADOS E DISCUSSÃO
Neste capítulo são apresentados os resultados alcançados neste estudo. Na seção

5.1 serão apresentados os resultados da RNAs da etapa de permeabilidade do leito
e na seção 5.2 são apresentados os resultados da RNA da etapa de aglomeração.
No item 5.3 temos a apresentação do modelo construído em planilha eletrônica, que
tem como objetivo realizar simulações e predições em ambiente fabril.
5.1 PERMEABILIDADE DO LEITO
Nesta seção são apresentados os resultados alcançados na etapa de

permeabilidade. Na seção 5.1.1 é descrito o conjunto de dados utilizado. Em 5.1.2 é
apresentada a definição da RNA selecionada. Na seção 5.1.3 são apresentados os
dados de treinamento. Em 5.1.4 é mostrada a análise de sensibilidade e na seção
5.1.5 os resultados de predição. Finalmente no item 5.1.6 é apresentada a validação
da RNA.
5.1.1 Descrição do conjunto de dados
Os valores apresentados na tabela 5 caracterizam o conjunto de dados utilizados

para o treinamento da RNA, mostrando seus valores médios, máximos, mínimos e
desvio padrão. A denominação das variáveis de entrada e saída mostradas na RNA
é indicada na primeira coluna.
Utilizando o conjunto completo de dados, previamente processado para que

apresentação da sequência se desse de forma aleatória, forma treinadas 180 RNAs,
para seleção da função de transferência e quantidade de neurônios na camada
escondida, conforme 3.1.3. O melhor desempenho foi alcançado pela RNA com
função de transferência tangente hiperbólica na camada escondida e função
logística na camada de saída. Dentro deste grupo, o melhor resultado quanto à
quantidade de neurônios na camada escondida foi alcançado pela RNA com 15
neurônios. O parâmetro observado para a medição do desempenho foi o menor erro
quadrático médio. Os resultados podem ser vistos no gráfico da figura 18.
59
Tabela 5 - Conjunto de dados para etapa de permeabilidade

RNA Variável Médio Mínimo Máximo Desvio Unidade
Entrada
E 1.1 Produção de pelotas cruas 699,79 291,32 753,85 53,52 t/hora
E 1.2 Diâmetro médio 11,87 4,14 12,71 0,705 mm
E 1.3 Desvio padrão do diâmetro 2,32 0,77 2,64 0,147 mm
E 1.4 Pelotas entre 10 e 16 76,29 26,59 80,91 4,98 %
E 1.5 Pelotas maiores que 16 3,74 0,88 11,85 1,13 %
E 1.6 Pelotas menores que 10 16,36 5,36 31,69 2,5 %
E 1.7 Esfericidade 79,34 28,36 80,26 4,62 %
Saída
S 1.1 Contra-Pressão CV14 -239,01 -282,64 -78,81 27,21 mBar
Fonte: Autor
Figura 18 - Gráfico de desempenho do erro em função da função de transferência e número de

neurônios na camada escondida
0,08
0,07
0,06 Log-Log
Log-Tanh
0,05
Log-Lin
REQM
0,04 Tanh-Log
Tanh-Tanh
0,03
Tanh-Lin
0,02 Lin-Log
0,01 Lin-Tanh
Lin-Lin
0
12 13 14 15
Neuronios na camada escondida
Fonte: Autor.
60
5.1.3 Fase de treinamento e testes
Após a realização da seleção da arquitetura da RNA, este conjunto de dados foi

separado em uma proporção de 70% para treinamento, 15% para teste e 15% pra
validação. As sequências de treinamento e testes foram processadas com o
software MBP, enquanto a validação foi realizada em planilha de cálculo.
A RNA possui configuração conforme tabela 6
Tabela 6 - Características da RNA da etapa de permeabilidade

Camada Escondida Camada de saída
Numero de neurônios 15 1
Função de transferência Tangente Hiperbólica Logística
Topologia da rede Perceptrom multicamadas
Algoritmo de treinamento Retroprogação de erros
Função de erro Raiz do Erro Médio Quadrático
Numero de épocas 130
Fonte: Autor
Após a fase de treinamento e testes foram alcançados os resultados de correlação

R2 e REQM conforme descritos na tabela 7.
Para tornar mais claro a arquitetura gerada no software MBP a RNA descrita
anteriormente pode ser vista graficamente na figura 19.
Tabela 7 - Correlação e Erro da RNA da etapa de permeabilidade

Treinamento Teste
Correlação R2 0,870159 0,865757
REQM 0.036486 0,0329154
Fonte: Autor
61
Figura 19 - RNA 7-15-1 - Etapa de permeabilidade
Fonte: Autor.
Os gráficos das figura 20 e 21 mostram respectivamente as regressões para as
amostras de treino e teste, plotando em uma dispersão no eixo das abcissas o valor
de saída pertencente ao conjunto de dados, utilizado como alvo na redução do erro,
e no eixo das ordenadas a predição feita pera RNA. Pode-se observar em ambas as
situações (treinamento e teste) que houve uma boa convergência entre os valores
alvo e as predições, com os pontos pouco dispersos e próximos de uma linha de
tendência de 45o, mostrando que a RNA obteve êxito em mapear as entradas e
saídas.
Figura 20 - Correlação da contrapressão para amostras de treinamento
Fonte: Autor
62
Figura 21 - Correlação da contrapressão para amostras de teste
Fonte: Autor
5.1.4 Sensibilidade das variáveis
A variação do REQM após a aplicação do ruído nas variáveis de entrada estão

descritas na tabela 8 onde é mostrada a degradação do REQM de acordo com a
aplicação seletiva do ruído.
Procedendo a comparação percentual entre o REQM na condição original e o REQM
após a aplicação do ruído, com o objetivo de melhor comparar a influência de cada
variável, temos no gráfico da figura 22 a contribuição de cada variável independente
e consequentemente a contribuição no resultado global da RNA. As variáveis de
maior influência na permeabilidade do leito são respectivamente o desvio padrão do
diâmetro das pelotas, a produção de pelotas cruas e a esfericidade das pelotas.
Um aumento na distribuição dos diâmetros das pelotas leva a uma diminuição nas
frações vazias do leito ,aumentando sua densidade. Esta diminuição dos vazios leva
a uma maior contrapressão uma vez que existem menos espaços para o gás fluir.
(KOEKEMOER e LUCKOS, 2015).
O formato das partículas também afeta a permeabilidade do leito, e pode-se
observar claramente a influência da esfericidade na contrapressão. Porém até o
momento não existe uma relação válida e confiável entre distribuição, esfericidade e
vazios no leito (KOEKEMOER e LUCKOS, 2015).
63
De acordo com as equações (3) e (6) a contrapressão é diretamente afetada pela

altura do leito, o que justifica a influência da altura do leito, porém não e objeto de
análise deste estudo controlar a produção de pelotas.
As demais variáveis não apresentaram alterações significativas no modelo
matemático, desta forma possuem menor significância dentro do processo.
Tabela 8 - Alteração do erro após aplicação do ruído na etapa de permeabilidade

Ruído 0% 2% 5% 10%
Treino
E 1.1 0,03649 0,03782 0,04411 0,05736
E 1.2 0,03649 0,03649 0,03651 0,03657
E 1.3 0,03649 0,03860 0,04818 0,06710
E 1.4 0,03649 0,03657 0,03700 0,03811
E 1.5 0,03649 0,03650 0,03655 0,03670
E 1.6 0,03649 0,03651 0,03661 0,03689
E 1.7 0,03649 0,03773 0,04366 0,05648
Teste
E 1.1 0,03292 0,03442 0,04139 0,05564
E 1.2 0,03292 0,03292 0,03294 0,03301
E 1.3 0,03292 0,03525 0,04554 0,06532
E 1.4 0,03292 0,03302 0,03355 0,03492
E 1.5 0,03292 0,03292 0,03297 0,03310
E 1.6 0,03292 0,03294 0,03306 0,03339
E 1.7 0,03292 0,03429 0,04073 0,05429
Fonte: Autor
64
Figura 22 - Gráfico da degradação do REQM em função da aplicação do ruído por variável de entrada
140,00%
120,00%
Soma percentual - degradação do REQM
100,00%
80,00%
60,00%
Ruído de 10%
40,00% Ruído de 5%
Ruído de 2%
20,00%
0,00%
Fonte: Autor
5.1.5 Predição da contrapressão
O gráfico apresentado na figura 23 mostra a predição do valor de contrapressão

para um trecho da amostra de teste. A opção pela exibição de 50 amostras tem
como objetivo deixar mais clara a visualização da tendência da predição sempre se
aproximar dos valores alvo da sequência de dados. A predição acompanha a
tendência apontada pelos valores alvo da sequencia de dados de maneira precisa,
provando a validade do modelo nesta etapa.
65
Figura 23 - Gráfico da predição dos valores de contrapressão utilizando o software MBP com dados
de teste.
-290
-270
-250
Contra pressão - [mbar]
-230
-210
-190 Alvo
Predição
-170
-150 0 10 20 30 40
Amostra
Fonte: Autor
5.1.6 Validação da RNA
Para realizar a validação do modelo matemático, foi replicada em planilha de cálculo

a mesma RNA treinada, com seus pesos obtidos e testada pelo MBP, onde uma
sequência de 150 conjuntos de dados de entradas e saídas, que não fizeram parte
dos conjuntos de treinamento e teste, foram utilizadas para realizar a predição da
contra pressão. O resultado alcançado pode ser observado pelos valores de REQM
e correlação R2 na tabela 9. Para uma melhor visualização do resultado é plotado no
gráfico da figura 24 que mostra os resultados obtidos pela planilha de cálculo
comparados com o valores alvo. Podemos observar que o REQM permaneceu em
um nível baixo assim como a correlação R2 provando a capacidade de generalização
do modelo. Observam-se nas predições desvios maiores que observados nas
amostras de teste e treinamento, porém os valores alvo são acompanhados pela
tendência de predição.
5.2 RESULTADOS DA ETAPA DE AGLOMERAÇÃO
Nesta seção são apresentados os resultados alcançados na etapa de aglomeração.

Na seção 5.2.1 é descrito o conjunto de dados utilizado. Em 5.2.2 é apresentada a
definição da RNA selecionada. Na seção 5.2.3 são apresentados os dados de
66
treinamento. Em 5.2.4 é mostrada a análise de sensibilidade e na seção 5.2.5 os

resultados de predição. Finalmente no item 5.2.6 é apresentada a validação da RNA.
Tabela 9 - Correlação e erro após validação na fase de permeabilidade
Treinamento Teste Validação
Correlação R2 0,870159 0,865757 0,875718
REQM 0.036486 0,0329154 0.0382500971
Fonte: Autor
Figura 24 - Predição do valor de contrapressão utilizando planilha de cálculo. - amostras de validação
-300
-280
-260
Contra Pressão - [mbar]
-240
-220
-200
-180
-160
Planilha
-140
Alvo
-120 0 10 20 30 40
Amostras
Fonte: Autor
5.2.1 Descrição do conjunto de dados
Os valores apresentados na tabela 10 caracterizam o conjunto de dados utilizados

para o treinamento da RNA, mostrando seus valores médios, máximos, mínimos e
desvio padrão. A denominação das variáveis de entrada e saída mostradas na RNA
é indicada na primeira coluna.
67
Tabela 10 – Descrição do conjunto de dados – etapa de aglomeração

RNA Variável Médio Mínimo Máximo Desvio Unidade
Entrada
E 2.1 Quantidade de CaO 0,57 0,41 0,89 0,07 %
E 2.2 Superfície específica 1.890 1.500 2.400 110,76 cm²/g
E 2.3 %< 325 mesh 82,80 73,00 87,40 2,15 %
E 2.4 Umidade 8,74 8,02 10,25 0,34 %
E 2.5 Rotação do disco 6,63 2,18 7,24 0,48 min-1
Saída
S 2.1 Desvio padrão do 2,27 0,68 2,62 0,15 mm

diâmetro das pelotas
S 2.2 Esfericidade 79,56 22,29 80,08 4,92 %
Fonte: Autor
Utilizando o conjunto completo de dados, previamente processado para que

apresentação da sequência se desse de forma aleatória, forma treinadas 180 RNAs,
para seleção da função de transferência e quantidade de neurônios na camada
escondida, conforme 3.1.3. O melhor desempenho foi alcançado pela RNA com
função de transferência tangente hiperbólica na camada escondida e função
logística na camada de saída. Dentro deste grupo, o melhor resultado quanto à
quantidade de neurônios na camada escondida foi alcançado pela RNA com 13
neurônios. O parâmetro observado para a medição do desempenho foi a menor raiz
do erro quadrático médio. Os resultados podem ser vistos no gráfico da figura 25.
5.2.3 Fase de treinamento e testes
Após a realização da seleção da arquitetura da RNA, este conjunto de dados foi

separado em uma proporção de 70% para treinamento, 15% para teste e 15% pra
validação. As sequências de treinamento e testes foram processadas com o
software MBP, enquanto a validação foi realizada em planilha de cálculo.
68
A RNA possui configuração conforme Tabela 11.
Figura 25 - Gráfico de desempenho do erro em função da função de transferência e número de

neurônios na camada escondida na etapa de aglomeração
0,05
0,045
0,04
Log-Log
0,035 Log-Tanh
0,03 Log-Lin
REQM
0,025 Tanh-Log
0,02 Tanh-Tanh
Tanh-Lin
0,015
Lin-Log
0,01
Lin-Tanh
0,005
Lin-Lin
0
11 12 13 14
Neuronios na Camada Escondida
Fonte: Autor.
Para tornar mais claro a arquitetura gerada no software MBP a RNA descrita
anteriormente pode ser vista graficamente na figura 26.
Após a fase de treinamento e testes foram alcançados os resultados de correlação
R2 e REQM conforme descritos na tabela 12.
Os gráficos das figuras 27 a 30 mostram respectivamente as regressões do desvio
padrão e esfericidade para as amostras de treino e teste, plotando em uma
dispersão no eixo das abcissas o valor de saída pertencente ao conjunto de dados,
utilizado como alvo na redução do erro, e no eixo das ordenadas a predição feita
pera RNA. Pode-se observar em ambas as situações (treinamento e teste) que
houve um convergência razoável entre os valores alvo e as predições, com os
pontos com leve dispersão, porém, próximos de uma linha de tendência de 45 o,
mostrando que a RNA pode mapear as entradas e saídas de maneira aceitável.
69
Tabela 11 - Descrição da RNA para a etapa de aglomeração
Camada Escondida Camada de saída
Numero de neurônios 13 2
Função de transferência Tangente Hiperbólica Logística
Topologia da rede Perceptrom multicamadas
Algoritmo de treinamento Retroprogação de erros
Função de erro Erro Médio Quadrático
Numero de épocas 58
Fonte: Autor.
Figura 26 - RNA 5-13-2 para etapa de aglomeração
Fonte: Autor.
Tabela 12 - Correlação e erro para etapa de aglomeração
Treinamento Teste
R2 Desvio padrão 0,837564 0,885063
R2 Esfericidade 0,908822 0,956329
REQM 0.016876 0.013916
Fonte: Autor.
70
Figura 27 - Correlação do desvio padrão do diâmetro para amostras de treinamento
Fonte: Autor
Figura 28 - Correlação do desvio padrão do diâmetro para amostras de teste
Fonte: Autor
71
Figura 29 - Correlação da esfericidade para amostras de treinamento
Fonte: Autor
Figura 30 - Correlação da esfericidade para amostras de teste
Fonte: Autor
72
5.2.4 Sensibilidade das variáveis
As variações do REQM após a aplicação do ruído nas variáveis de entrada estão

descritas na tabela 13.
Tabela 13 - Alteração do erro após aplicação do ruído na etapa de aglomeração
Ruído 0% 2% 5% 10%
Treino
E 2.1 0,01749 0,01751 0,01757 0,01775
E 2.2 0,01749 0,01750 0,01754 0,01763
E 2.3 0,01749 0,01751 0,01760 0,01783
E 2.4 0,01749 0,01751 0,01762 0,01789
E 2.5 0,01749 0,01795 0,02031 0,02644
Teste
E 2.1 0,01475 0,01477 0,01485 0,01507
E 2.2 0,01475 0,01476 0,01481 0,01493
E 2.3 0,01475 0,01477 0,01488 0,01517
E 2.4 0,01475 0,01478 0,01492 0,01528
E 2.5 0,01475 0,01529 0,01799 0,02477
Fonte: Autor
Procedendo a comparação percentual entre o REQM na condição original e o REQM

após a aplicação do ruído, com o objetivo de melhor comparar a influência de cada
variável, temos no gráfico da figura 31 a contribuição de cada variável independente
e consequentemente a contribuição no resultado global da RNA. A rotação afeta
todos os mecanismos de geração de aglomerados, aumenta a consolidação, choque
entre os aglomerados e contra o equipamento, quebras e estratificação. Sua
influência é verificada experimentalmente até se atingir um nível mínimo de poros no
aglomerado (IVESON, LITSTER, et al., 2001).
73
Figura 31 - Gráfico da degradação do REQM em função da aplicação do ruído por variável de entrada
80,00%
Soma percentual - degradação do
70,00%
60,00%
50,00%
REQM
Ruído de 10%
40,00%
Ruído de 5%
30,00%
Ruído de 2%
20,00%
10,00%
0,00%
% CaO Superficie % < 325 % H2O Rotação
Específica mesh
Fonte: Autor
5.2.5 Predição do desvio padrão e esfericidade
O gráfico da Figura 32 mostra a predição do desvio padrão e o gráfico da figura 33 a

predição da esfericidade para um trecho da amostra de teste. A opção pela exibição
de 50 amostras tem como objetivo deixar mais clara a visualização da tendência da
predição sempre se aproximar dos valores alvo da sequência de dados. A predição
acompanha a tendência apontada pelos valores alvo da sequencia de dados de
maneira razoável, provando a validade do modelo nesta etapa.
Figura 32 - Predição do desvio padrão do diâmetro
2,4
2,3
Desvio Padrão - [mm]
2,2
2,1
Alvo
2
Predição
1,9
1,8
1,7
0 10 20 30 40
Amostras
Fonte: Autor
74
Figura 33 - Predição da esfericidade
85
80
Esfericidade - [%]
75
Alvo
70 Predição
65
60
0 10 20 30 40
Amostras
Fonte: Autor
5.2.6 Validação da RNA
Para realizar a validação do modelo matemático, foi replicada em planilha de cálculo

a mesma RNA treinada, com seus pesos obtidos e testada pelo MBP, onde uma
sequência de 150 conjuntos de dados de entradas e saídas, que não fizeram parte
dos conjuntos de treinamento e teste, foi utilizada para realizar a predição da contra
pressão. O resultado alcançado pode ser observado pelos valores de REQM e
correlação R2 na tabela 14. Para uma melhor visualização do resultado é plotado
nos gráficos das figura 34 e figura 35 os resultados obtidos pela planilha de cálculo
comparados com o valores alvo. Podemos observar que o REQM sofreu um
pequeno acréscimo e a correlação R2 não alcançou um bom resultado. O REQM
baixo prova a capacidade de generalização do modelo. Observam-se nas predições
desvios maiores que observados nas amostras de teste e treinamento, porém os
valores alvo são acompanhados na maioria dos casos pela tendência de predição
75
Tabela 14 - Correlação e erro para amostras de validação
Treinamento Teste Validação
R2 Desvio padrão 0,837564 0,885063 0,379491
R2 Esfericidade 0,908822 0,956329 0,587751
0.014159
REQM 0,016876 0,013916
Fonte: Autor
Figura 34 - Gráfico de predições do desvio padrão do diâmetro para amostras de validação, utilizando
planilha de cálculo.
2,60
2,50
2,40
2,30
2,20
Alvo
2,10
Excel
2,00
1,90
1,80
0 10 20 30 40
Amostras
Fonte: Autor
Figura 35 - Gráfico de predições da esfericidade para amostras de validação, utilizando planilha de

cálculo.
85,00
80,00
Esfericidade - [%]
75,00
70,00 Alvo
Excel
65,00
60,00
0 10 20 30 40
Amostras
Fonte: Autor
76
5.3 MODELO DE CORRELAÇÃO EM PLANILHA ELETRÔNICA
Para a simulação da operação da planta de pelotização foi concebido o modelo

matemático em planilha eletrônica onde é possível a inserção de dados para
predição de valores de contra-pressão. O modelo é constituído da ligação em série
da rede neural apresentada na etapa de permeabilidade precedido da rede neural da
etapa de aglomeração. Os dados de entrada são todos os da RNA da etapa de
aglomeração, com a adição da entrada “Produção de Pelota Crua” da RNA da etapa
de permeabilidade devido a sua grande influência no resultado final conforme
apresentado no gráfico da figura 22.
A figura 36 apresenta de maneira esquemática o fluxo de dados do modelo de

predição da contrapressão, com suas entradas, unidades de processamento de
informação e saídas, onde a RNA 1 corresponde à etapa de aglomeração e a RNA 2
corresponde à etapa de permeabilidade do leito. Temos do lado esquerdo as
entradas das RNAs, sendo as cinco primeiras entradas referentes a à RNA 1. As
entradas da RNA 2 são as saídas da RNA 1 em conjunto com a variável “Produção
de Pelota Crua”, apontada como variável de grande influencia na permeabilidade. A
saída de todo conjunto é a contra pressão do leito de pelotas. Desta forma a partir
das entradas apontadas no modelo podemos estimar diretamente a contrapressão
no leito.
Figura 36 - Fluxo de dados na RNA implementada em planilha eletrônica
Fonte: Autor.
77
Nas figuras 37 e 38 são apresentados graficamente o comparativo entre as saídas

da RNA da etapa de aglomeração treinadas pelo software MBP e a saída
proporcionada pela planilha eletrônica. Na figura 39 apresentada a mesma situação
para a RNA da etapa de permeabilidade do leito. A planilha eletrônica desempenha
fielmente a RNA treinada pelo software MBP.
Figura 37 - Gráfico comparativo dos resultados da RNA treinada no MBP com a RNA implementada
em planilha eletrônica – desvio padrão do diâmetro
2,5
2
1,5
Excel
1
MBP
0,5
0
0 10 20 30 40 50 60 70 80 90
Amostras
Fonte: Autor
em planilha eletrônica – esfericidade
90
80
70
Esfericidade - [%]
60
50
Excel
40
MBP
30
20
10
0
0 10 20 30 40 50 60 70 80 90
Amostras
Fonte: Autor
78
em planilha eletrônica – contra pressão
-300
-250
Contra pressão - [mbar]
-200
-150 Excel
MBP
-100
-50
0 10 20 30 40 50 60 70 80 90
0
Amostras
Fonte: Autor
A faixa para entrada de valores corresponde aos valores máximos e mínimos da

base de dados utilizada para treinamento das RNAs. O modelo compreende a
entrada de até 100 sequências de dados para predição, onde as linhas devem ser
totalmente preenchidas com os dados de entradas, ou ao contrario surgirá uma
mensagem de erro solicitando a inserção correta e total das informações. A tabela
15 apresenta o cabeçalho da planilha de predições com os dados de entrada e
primeiras simulações.
Tabela 15 - Planilha para predição dos valores de contrapressão

Faixa de Superfície < 325 Produçã Delta
CaO H2O Rotação
operaçã específica mesh o PC pressão
[%] [%] [RPM]
o [cm²/g] [%] ton/h [mbar]
Máximo 0,89 2.400,00 87,40 10,25 7,32 2,59
Mínimo 0,41 1.500,00 73,00 8,02 0,78 0,21
0,65 1.950,00 79,00 8,43 7,13 723,68 -226,646
0,55 1.880,00 83,80 8,43 6,47 583,49 -192,686
0,44 1.900,00 83,40 8,88 6,92 734,41 -232,669
0,55 1.880,00 83,80 8,43 6,57 603,54 -204,189
0,56 1.820,00 80,60 INSERIR DADOS
0,48 1.700,00 81,80 INSERIR DADOS
0,70 1.810,00 81,20 INSERIR DADOS

INSERIR DADOS
INSERIR DADOS
Fonte: Autor.
79
Com o modelo matemático gerado é possível realizar predições do valor da contra

pressão utilizando a eletrônica de cálculo, assim como verificar a influência da
modulação de parâmetros de entrada.
A planilha eletrônica gera com os dados obtidos da simulação um gráfico

representando a modulação da contrapressão de acordo com os dados de entrada.
Desta forma é possível checar em tempo real e de maneira clara e rápida o efeito
das modulações doa parâmetro de entrada (figura 40).
Figura 40 - Gráfico de predições do modelo em planilha eletrônica

-300
-280
-260
CONTRA PRESSÃO - [mbar]
-240
-220
-200
-180
-160
-140
-120
0 10 20 30 40 50 60 70 80 90
-100
Predições
Fonte: Autor.
6 CONCLUSÃO
Nas seções seguintes são apresentadas as conclusões alcançadas frente aos

resultados obtidos.
6.1 PERMEABILIDADE
O modelo apontou variáveis que afetam significativamente a permeabilidade do leito

de pelotas durante a fase de processamento térmico.
80
Desvio padrão do diâmetro, produção de pelotas e esfericidade das pelotas foram

identificados como as principais variáveis de entrada que afetam significativamente a
permeabilidade do leito.
O método das redes neurais artificiais mostrou-se uma opção adequada para a
modelagem matemática de um processo complexo, que envolve uma série de
variáveis em ambiente de produção real.
Um maior desvio padrão do diâmetro afeta a contra pressão dentro da câmara de
secagem, onde as partículas menores ocupam sítios intersticiais entre pelotas
maiores.
Esfericidade tem uma alta influência na permeabilidade do leito, conforme proposto
pelas equações de permeabilidade propostas por Ergun (TRAHANA, GRAZIANI, et
al., 2014)
6.2 AGLOMERAÇÃO
O modelo apontou variáveis que afetam significativamente a o desvio padrão e

esfericidade das pelotas cruas durante a fase de pelotização do minério de ferro
A rotação do disco pelotizador foi identificada como a principal variável de entrada
que afeta significativamente o desvio padrão e a esfericidade das pelotas cruas
O método das redes neurais artificiais mostrou-se uma opção adequada para a
modelagem matemática de um processo complexo, que envolve uma série de
variáveis em ambiente de produção real.
A influência da rotação e demais aspectos poderão ser mais bem estudadas com a
utilização da planilha eletrônica de predição da contrapressão em função das
entradas de processo, apresentada no item 5.3.
6.3 USO DA PLANILHA ELETRÔNICA
A planilha de cálculo desenvolvida representou fielmente o modelo de RNA

desenvolvido utilizando o sofware MBP.
Com a planilha, será possível fazer predições on line utilizando dados industriais
pelos operadores das usinas. Com isto será possível fazer correções no processo de
forma a buscar a otimização do mesmo.
A planilha também permite fazer análises off-line de forma a se ter uma predição da
contrapressão adequada ao processo, por meio de ajustes das variáveis relevantes
apontadas pela análise de sensibilidade.
81
7 RECOMENDAÇÕES PARA TRABALHOS FUTUROS
Elaborar um modelo baseado em RNA com somente uma etapa, a fim de minimizar
os erros e criar um modelo mais abrangente, tendo como alvo os parâmetro finais de
qualidade como abrasão e resistência à compressão.
Considerar a abordagem de outras variáveis que potencialmente influenciam o
processo, como taxa de alimentação dos discos, posição dos raspadores, posição
de alimentação da polpa, rotação dos ventiladores no interior do forno entre outras,
aumentando deste modo a precisão do modelo.
Analisar a influência individual de cada disco pelotizador no processo global,
possibilitando uma ação mais focada e precisa na operação, e possivelmente
analisar a influência da quantidade de discos no resultado da usina.
Adaptar o modelo matemático à arquitetura do sistema de operação da planta,
possibilitando sua inserção como um sistema online de controle de parâmetros do
processo, viabilizando sua aplicação prática.
Determinar os pontos de ótimos de operação da planta de pelotização para cada
variável, buscando a melhor condição possível do ponto de vista técnico e
econômico.
82
REFERÊNCIAS
ADETAYO, A. A. et al. Population balance modelling of drum granulation of material

with wide size distribution. Powder technology, n. 82, p. 37-49, 1995.
ARAUJO, L. A. Manual de siderurgia. São Paulo: Arte e Ciência, v. 1 - Produção,

1997.
BLUM, A. Neural Networks in C++. New York: John Wiley & Sons Inc., 1992.
BORIM, J. C. Modelagem e controle de um processo de endurecimento de pelotas

de minério de ferro, 2000.
BRAGA, A. P.; CARVALHO, A. C. P. L. F.; LUDERMIR, T. B. Redes Neurais

Artificiais: Teoria e aplicações. [S.l.]: Livros Tecnicos e Científicos (LTC), 2000.
CAMPOS, A. R. D.; FONSECA, V. O. Aglomeração. In: LUZ, A. B. D.; SAMPAIO, J.

A.; FRANÇA, S. C. A. Tratamento de Minérios. 5. ed. Rio de Janeiro: [s.n.], 2010.
p. 683-750.
DWARAPUDI, S.; GUPTA, P. K.; RAO, S. M. Prediction of Iron Ore Pellet Strength
Using Artificial Neural Network Model. ISIJ International, v. 47, p. 67-72, 2007.
FAN, X.-H.; LIB, V.; CHEN, X.-L. Prediction of Iron Ore Sintering Characters on the
Basis of Regression Analysis and Artificial Neural Network. Energy Procedia , p.
769-776, 2012.
HAYKIN, S. Neural networks and learning machines. 3. ed. New Jersey: Pearson,
2009.
HECHT-NIELSEN, R. Neurocomputing. 3. ed. Michigan: Addison-Wesley

Publishing Company, 1989. 433 p.
IVESON, S. I. et al. Nucleation growth and breakage phenomena in agitated wet

granulation process: a review. Powder technology, p. 3-39, 2001.
KOEKEMOER, A.; LUCKOS, A. Effect of material type and particle size distribution
on pressure drop in packed beds of large particles: Extending the Ergun equation.
Fuel, n. 158, p. 232-238, 2015.
KROSE, B.; VAN DER SMAGT, P. An introduction to neural networks. 8. ed.

[S.l.]: University of Amsterdam, 1996.
LOPES, N.; RIBEIRO, B. An Efficient Gradient-Based Learning AlgorithmApplied to

Neural Networks with SelectiveApplied to Neural Networks with Selective. Neural,
Parallel and Scientific Computations, n. 11, p. 253-272, 2003.
83
MATOS, A. P. Influência da Temperatura, Pressão, Produção e Granulometria no

Processo de Secagem das Pelotas Cruas. Dissertação de mestrado, 2007.
MEYER, K. Pelletizing of Iron Ores. Springer-Verlag Berlin, Heidelberg, e Verlag

Stahleisen mbH, Dusseldorf: [s.n.], 1980.
MISHRA, B. K.; THORTON, C.; BHIMJI, D. A preliminary numerical investigation of

agglomeration in a rotary drum. Minerals engineering, n. 15, p. 27-33, 2002.
MONTEIRO, A. M.; BRAGA, A. D. P.; CARVALHO, B. P. R. Modelagem neural de

um processo de produção de pelotas de minério de Ferro. VII Seminário de
automação de processos - ABM, 2003.
PENA, J. C. Aglomeração do minério de Ferro. Sã Paulo: ABM, 1982.
SASTRY, K. V. S.; FUERSTENAU, D. W. Mechanisms of Agglomerate Growth in

Green Pelietization. Powder Technology, Lausanne, p. 97-105, 1973.
THELLA, J. S.; VENUGOPAL, R. Modeling of iron ore pelletization using 3 ** (k–p)

factorial design of experiments and polynomial surface regression methodology.
Powder Technology, n. 211, p. 54-59, 2011.
TIMOFEEVA, A. S.; NIKITCHENKO, T. V.; ROGOVA, A. L. Optimizing the

granulometric composition of pellets obtained on a disc pelletizer. Metallurgist,
Moscow, n. 5, p. 48-51, 2013.
TRAHANA, J. et al. Evaluation of pressure drop and particle sphericity for an air-rock
bed thermal energy storage system. Energy Procedia, n. 57, p. 633 – 642 , 2014.
84
APÊNDICE A - RNA 1 EM LINGUAGEM DE PROGRAMAÇÃO “C”
/**
Generated by Multiple Back-Propagation Version 2.2.4
Multiple Back-Propagation can be freely obtained at http://dit.ipg.pt/MBP
*/
#include <math.h>
/**
inputs - should be an array of 7 element(s), containing the network input(s).
outputs - should be an array of 1 element(s), that will contain the network output(s).
Note : The array inputs will also be changed.Its values will be rescaled between -1 and 1.
*/
void 7151 em C(double * inputs, double * outputs) {
double mainWeights[] = {-0.210376820336255, -2.451622017305488, 0.079825569040298, -
3.480488437381447, 1.828648972731710, -2.591503514054862, -0.580355803853491, -
0.408613644639126, -0.926514890558635, -5.387680901063519, 0.404114631777590,
4.037741754690992, -0.140325068156321, -0.570916730152442, -0.411254938329114, -
0.691066385262272, -0.239598816064662, -0.138937299058937, -0.540569324499966, -
0.241908381261869, -0.875192129422371, -0.674994287733274, -0.694052537440473,
2.176091639243290, 0.105785510698918, -0.048700146405850, 0.688904486653636,
0.381222610435768, -0.595539409027399, 0.113132689180417, -0.199723009674404, -
0.335371063808358, -1.491333848418378, 2.878923965349864, 1.118154764949057, -
0.678087836154843, -0.222871575865120, 1.027339901048534, 0.605630014840429, -
1.115617570834530, 0.545972353451518, 0.779911716567754, -4.035284605484105,
0.937394513740587, 3.997888062903593, 0.460433643609875, -0.952461459213902, -
0.200725271333746, 0.028844510647476, -1.894395140721658, 0.221324453009030, -
2.181808151197144, 0.332923410510247, 0.784301049139911, -0.882252578514546,
1.923189120131941, 0.096093388004219, -1.068128571906310, 0.358249819378427,
0.896095622875461, -0.470528359304177, 0.843771785003751, -1.799529690241459, -
0.921761794952330, 0.901107216577155, 0.942959837543659, 0.833769406537894,
1.785694321424656, -0.209829738808998, -0.358892966585323, 0.109266539848592, -
0.386270721799710, -0.943337339624421, -0.194137427280442, 0.636206577341331,
0.108028088795450, 0.009498733763122, -0.394925554281514, 0.443779388800410,
0.384552882903862, -1.798199521384575, -0.115938176596215, 0.709174527807271,
0.876616857214926, 3.863998380357780, -3.205114585687404, -0.759977073421923, -
1.945779607767659, 0.861197709336955, 5.975736842061536, -3.098089734639636,
1.091923254722068, -0.931201818225913, -1.736142796103195, -1.585451107833053, -
0.515969182956136, -0.588761799374164, 0.209163903327959, -0.120653121961638,
85
1.254680671680947, -0.156367623873717, -0.417046256054051, 1.802208793363451, -

1.270049134021022, 1.078036479959774, 1.898909928737090, -0.786311207910661, -
0.159558827047379, -0.871654620588596, 0.831604874904067, -0.307659478609975,
0.169894489651556, -1.676369334082477, -1.626150021809326, 1.111034358573912, -
0.282124505387609, 2.426441380235386, 3.876538397928687, -4.441217429244137,
0.491395068282050, -0.695408246772417, 0.313306869007295, -0.917802937813470,
0.636309597151678, -1.823112168721488, -1.316357004358049, -0.660282392103022,
0.725429418154008, -0.385426074033844, -0.400567700137061, 0.278881967324747, -
0.642313187971256, -0.867307744283966, -0.246336699167935, -0.034815298116209,
0.287502027361376};
double * mw = mainWeights;
double hiddenLayer1outputs[15];
int c;
inputs[0] = -1.0 + (inputs[0] - 317.060000000000000) / 218.364999999999980;

inputs[1] = -1.0 + (inputs[1] - 6.150000000000000) / 3.245000000000000;
inputs[2] = -1.0 + (inputs[2] - 1.120000000000000) / 0.760000000000000;
inputs[3] = -1.0 + (inputs[3] - 35.560000000000002) / 22.674999999999997;
inputs[4] = -1.0 + (inputs[4] - 1.290000000000000) / 5.279999999999999;
inputs[5] = -1.0 + (inputs[5] - 5.360000000000000) / 13.165000000000001;
inputs[6] = -1.0 + (inputs[6] - 39.399999999999999) / 20.430000000000003;
hiddenLayer1outputs[0] = *mw++;
for(c = 0; c < 7; c++) hiddenLayer1outputs[0] += *mw++ * inputs[c];
hiddenLayer1outputs[0] = tanh(hiddenLayer1outputs[0]);
86

outputs[0] = *mw++;
for(c = 0; c < 15; c++) outputs[0] += *mw++ * hiddenLayer1outputs[c];
outputs[0] = 1.0 / (1.0 + exp(-outputs[0]));
outputs[0] = -275.980000000000020 + (outputs[0] - 0.000000) * 182.150000000000030;
}
87
APENDICÊ B - RNA 2 EM LINGUAGEM DE PROGRAMAÇÃO “C”
/**
Generated by Multiple Back-Propagation Version 2.2.4
Multiple Back-Propagation can be freely obtained at http://dit.ipg.pt/MBP
*/
#include <math.h>
/**
inputs - should be an array of 5 element(s), containing the network input(s).
outputs - should be an array of 2 element(s), that will contain the network output(s).
Note : The array inputs will also be changed.Its values will be rescaled between -1 and 1.
*/
void rede 2 em C(double * inputs, double * outputs) {
double mainWeights[] = {-0.801346454876713, -0.311440786972751, -0.404653382671471, -
0.232841372593325, -0.656508240526775, -1.742077146349432, -0.168702488501729, -
0.157160844554272, -0.630266771929730, -1.161243738883461, -0.804558803117998, -
1.719429845591431, -1.697919135694763, 0.640540495325974, -0.176954986881978, -
1.039525839191029, -0.370798234510188, -0.007779165924267, 0.368251335894211,
0.753650415032095, -1.009260062754803, -0.713142230994037, 1.539350863411879,
3.602818799494924, -1.130438054950433, -1.120247658380018, 0.937070529043630, -
1.106614597755210, -1.057061824047337, 0.346456235656002, -0.759316544257862, -
0.590623272930821, -0.698287441695293, 0.332945664649439, -1.989325576806695, -
1.820227335114438, -2.154964581267817, 1.177781013274958, -0.691535656793270, -
0.459621812851254, -1.391670579280139, 1.935465765591726, 0.433990092331698, -
0.297421855034914, 0.204566988465822, -0.443145820906379, -0.725505933747435, -
2.501042996499444, 1.598220264411490, -1.906878397991606, -0.231577463617129,
3.301342124944786, 0.790209012506198, -8.008342192495249, -0.771018106264343, -
0.921276987870999, -0.880275462278168, -0.563290263534831, -0.447212449339888, -
1.849253804725356, -6.223490435134237, -0.169878033892777, -0.463705033379521, -
0.016263448255812, -0.863320372213033, 7.766980929464461, -1.699963302749034,
0.098159497850995, -0.756935934413496, -1.187971481480963, -0.542668832703719,
1.424294145142690, -0.963912599253666, -0.271068332171813, -0.988654350435430, -
0.887048426800022, -0.145070048462912, -1.096635542087274, 0.197043308100461, -
0.450295934602981, -0.332607251789465, -0.126836239608270, 2.188401157304998,
0.767653881547030, -1.260266564704719, -0.693796243921735, 0.145174865759662, -
1.328406281184840, -1.550774016546369, -0.735910234880486, 0.115724694883250, -
0.507806350140404, 0.700214190349369, -0.524171174740423, -0.923195476202732,
0.333675331672747, 1.614694152961840, -0.684622757342739, -1.534983141760314,
88
1.879612750118927, -1.409289796208600, -0.581999543730166, 0.038827468492187,

6.655245817230734, 0.175518010050527, -0.275956998884210};
double * mw = mainWeights;
double hiddenLayer1outputs[13];
int c;
inputs[0] = -1.0 + (inputs[0] - 0.070000000000000) / 0.410000000000000;

inputs[1] = -1.0 + (inputs[1] - 110.690000000000000) / 1144.655000000000000;
inputs[2] = -1.0 + (inputs[2] - 2.260000000000000) / 42.570000000000000;
inputs[3] = -1.0 + (inputs[3] - 0.350000000000000) / 4.950000000000000;
inputs[4] = -1.0 + (inputs[4] - 0.480000000000000) / 3.365000000000000;
hiddenLayer1outputs[0] = 1.0 / (1.0 + exp(-hiddenLayer1outputs[0]));
89

outputs[0] = *mw++;
outputs[1] = *mw++;
outputs[0] = 0.150000000000000 + (outputs[0] - 0.000000) * 2.470000000000000;
outputs[1] = 4.920000000000000 + (outputs[1] - 0.000000) * 75.159999999999997;
}

Pelotização 2 PDF

Enviado por

Dados do documento

Descrição original:

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

Pelotização 2 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

INSTITUTO FEDERAL DO ESPÍRITO SANTO

MESTRADO EM ENGENHARIA METALÚRGICA E DE MATERIAIS

MODELAMENTO E CONTROLE OPERACIONAL DO PROCESSO DE

MODELAMENTO E CONTROLE OPERACIONAL DO PROCESSO DE

Dissertação apresentada ao Programa de Pós-

Orientador: Prof. Dr. Marcelo Lucas Pereira

C433m Chagas, Marcelo.

Orientador: Marcelo Lucas Pereira Machado.

Dissertação (mestrado) – Instituto Federal do Espírito Santo,

1. Ferro – Metalurgia. 2. Minérios de ferro. 3. Redes neurais

MODELAMENTO E CONTROLE OPERACIONAL DO PROCESSO DE

Aprovada em: 04 de Fevereiro de 2016

Declaro, para fins de pesquisa acadêmica, didática e técnico-científica, que este

Vitória, 04 de Fevereiro de 2016.

Ao Professor Marcelo Lucas Pereira Machado pela orientação e exemplo

Aos professores, profissionais e colegas do Instituto Federal do Espírito Santo, pelo

Ao CNPq - Conselho nacional de desenvolvimento científico e tecnológico e Vale

Creio no mundo como num malmequer,

O Mundo não se fez para pensarmos nele

Eu não tenho filosofia; tenho sentidos...

Amar é a eterna inocência,

Alberto Caeiro, em "O Guardador de Rebanhos", 8-3-1914

Palavras-chave: Pelotização. Redes neurais artificiais. Minério de ferro

Keywords: Pellet. Artificial neural networks. Iron ore

Figura 1 - Fluxograma do processo de pelotização................................................... 22

Tabela 1 - Ação dos mecanismos de aglomeração ................................................... 27

2.1 OBJETIVOS GERAIS ................................................................................... 17

2.2 OBJETIVOS ESPECÍFICOS ........................................................................ 17

3 REVISÃO BIBLIOGRÁFICA ........................................................................ 18

3.1 O PROCESSO DE PELOTIZAÇÃO DO MINÉRIO DE FERRO.................... 18

3.2.1 Processo de pelotamento do minério de ferro......................................... 23

3.2.2 Mecanismos de formação da pelota crua ................................................. 25

3.3 PROCESSAMENTO TÉRMICO DAS PELOTAS CRUAS ............................ 31

3.3.1 Permeabilidade do leito de pelotas ........................................................... 31

3.4 MODELOS MATEMÁTICOS APLICADOS AO PROCESSO DE

3.5 O MÉTODO DAS REDES NEURAIS ARTIFICIAS ........................................... 35

3.6.1 Unidades de processamento (Neurônio artificial) ................................... 37

3.6.3 Funções de ativação ................................................................................. 38

3.6.4 Arquitetura das RNA ................................................................................. 40

3.6.4.1 Rede tipo alimentada adiante. ..................................................................... 40

3.6.4.3 Redes recorrentes ....................................................................................... 41

3.6.5 Aprendizado de uma RNA ......................................................................... 41

3.6.5 Redes perceptron multicamadas ............................................................. 44

3.6.6 O algoritmo de retropropagação de erros ............................................... 45

3.6.6 Análise de sensibilidade ........................................................................... 46

3.6.7 RNA aplicada ao processo de pelotização ............................................... 48

4 MATERIAIS E MÉTODOS .......................................................................... 50

4.1 PERMEABILIDADE DO LEITO .................................................................... 50

4.1.2 Coleta e processamento de dados............................................................ 51

4.1.3 Arquitetura das RNAs ................................................................................ 52

4.1.3.1 Seleção da quantidade de neurônios da camada escondida ....................... 52

4.1.4 Definição das funções de ativação .......................................................... 53

4.1.5 Seleção da RNA .......................................................................................... 53

4.1.6 Analise de sensibilidade ............................................................................ 54

4.2 ETAPA DE AGLOMERAÇÃO ....................................................................... 55

4.2.1 Seleção das variáveis de entrada.............................................................. 55

4.2.2 Coleta e processamento de dados............................................................ 55

4.2.3 Arquitetura das RNAs ................................................................................ 56

4.2.4 Definição das funções de transferência ................................................... 56

4.2.5 Seleção da RNA .......................................................................................... 56

4.2.6 Analise de sensibilidade ............................................................................ 57

5 RESULTADOS E DISCUSSÃO ................................................................... 58