Uso da Inteligência Artificial para Classificar as Condições da Espuma de Flotação

Este artigo demonstra como as redes neurais convolucionais (CNNs) têm o potencial de classificar condições anormais de espuma e manter a eficiência do processo de flotação.

Key Facts

A flotação desempenha uma função importante no processamento mineral para recuperar seletivamente os minerais desejados e concentrá-los em um grau desejado. As perturbações dos processos anteriores, como a moagem, e a variabilidade no material de alimentação devido a uma variedade de tipos de minério que estão sendo processados, podem ter um efeito prejudicial na eficiência do processo de flotação se não forem compensadas.

Muitos processos de flotação não são bem instrumentados, com distúrbios não medidos, incluindo as taxas de adição de água e a adição de determinados reagentes, o que aumenta a complexidade. Esses distúrbios medidos e não medidos, combinados com a falta de uma medição em tempo real do grau e da recuperação de cada célula de flotação, proporcionam um ambiente de controle desafiador.

Os avanços na mitigação de distúrbios podem ser de grande benefício. A utilização de sistemas avançados de câmeras para medir a velocidade da espuma nas células de flotação pode ser útil na estabilização das taxas de tração de massa entre as células.

Este documento detalha o treinamento e a implementação de arquiteturas de rede neural convolucional (CNN). Essas condições são distúrbios perturbadores nos cálculos do vetor da câmera de flutuação que precisam ser detectados e corrigidos para manter o controle estável.

Os modelos de CNNs desenvolvidos neste artigo foram treinados em 21.184 imagens de condições de células de flotação em ebulição e sem ebulição obtidas de um sistema de controle de câmera operacional e alcançaram uma precisão f1 de 94% em 5296 imagens de teste não vistas.

A metodologia de como esse sistema poderia ser integrado a um ambiente de controle existente é discutida juntamente com os benefícios para a estabilidade que ele pode proporcionar ao identificar essas condições. Também são discutidas as deficiências do sistema em dados em tempo real e os aprimoramentos que podem ser feitos para garantir um sistema robusto e implementável como solução final.