Modelo de blocos para teor é um recurso comumente utilizado pelo planejamento de lavra na indústria mineira. Na maioria dos casos o conhecimento sobre os teores das variáveis químicas não é suficiente para prever o desempenho geometalúrgico do minério quando submetido ao processo de concentração. A geometalurgia engloba um conjunto de testes de comportamento metalúrgico do minério e seus resultados são incorporados ao modelo de bloco, ajudando a tornar o planejamento da lavra mais preciso quanto à capacidade de produção, melhorando os ganhos financeiros e reduzindo os riscos associados à lavra e a tomada de decisões. A recuperação metalúrgica de nióbio mede o quanto do conteúdo metálico de interesse no minério é recuperado no concentrado após o processamento mineral. Esta informação é muitas vezes subutilizada no modelo de bloco devido à baixa quantidade de dados primários, o que dificulta a construção de um modelo de bloco confiável. No entanto, para complementar a variável de interesse, informações secundárias de outros atributos podem ser utilizadas. A cossimulacão de informações não aditivas em depósitos multivariados com mais de duas variáveis secundárias envolvidas é extremamente trabalhosa e normalmente seus resultados precisam ser ajustados posteriormente. A necessidade de ajustes posteriores, aliada a falta de praticidade da maioria dos métodos de cossimulação, motiva a busca por solucões alternativas que gerem resultados tão ou mais precisos e que sejam de fácil aplicação na rotina de modelamento geológico. É comum que os programas utilizados para a cossimulação se baseiem em uma única variável secundária, porém, o fenômeno analisado pode estar sendo influenciado por vários fatores, neste caso, o uso combinado de todos fatores relevantes pode melhorar a predição da variável de interesse. O uso de múltiplas variáveis secundárias pode ser gerenciado criando-se uma variável supersecundária. Neste caso, a quimiometria pode ser aplicada, resolvendo problemas preditivos e modelando propriedades de sistemas químicos visando prever a recuperação metalúrgica. Nesse trabalho, após a combinação de múltiplas variáveis em um preditivo supersecundário, a cossimulação sequencial gaussiana foi aplicada para gerar o modelo geometalúrgico. A simulação conjunta colocada permite a simulação conjunta do dado supersecundário com o dado primário, integrando mais informações para melhorar a predição da recuperação metalúrgica do nióbio. A cossimulação foi realizada com base no modelo de corregionalização de Markov para simplificar a modelagem da covariância cruzada. O modelo probabilístico geometalúrgico obtido se mostrou eficiente, mantendo uma precisão adequada na previsão da variável de interesse. / Grade block models are a standard input in mine planning throughout the mining industry. In most cases, the ore grades knowledge is not enough to predict the behavior of the ore at the processing plant. Geometallurgy comprises a set of ore metallurgical behavior tests and their results incorporated into the block model, helping in making mine planning more precise when it comes to the production capacity, improving financial earnings and reducing risks. Niobium Metallurgical Recovery is a very important variable to be controlled, measuring how much of the metal content in the ore is recovered in the concentrate after mineral processing. This information is often underused in the block model due to the low quantity of primary data, which makes the construction of a reliable block model difficult. However, to supplement the variable of interest, secondary information from other attributes can be used. Cosimulation of non-additive information in multivariate deposits with more than two secondary variables involved is extremely labor-intensive and its results usually need to be later adjusted. The need for subsequent adjustments, combined with the lack of practicality of most cossimulation methods, motivates the search for alternative solutions that generate results that are as accurate and easy to apply in the routine of geological modeling in the mineral industry. In multivariate geostatistics most programs used for cosimulation are based on one secondary variables. Frequently the analyzed phenomenon is influenced by several factors. In this case, the use of them combined can improve the prediction of the variable of interest. The use of multiple secondary variables can be managed by creating a super-secondary variable. In this case, chemometrics can be applied, solving predictive problems, modeling properties of chemical systems aiming at predicting the metallurgical recovery. After combining multiple variables into a super-secondary predictive, Sequential Gaussian Cosimulation was applied in this study to generate a geometallurgical model. The collocated joint simulation allows the joint simulation of a super-secondary data with the primary data, integrating more information to improve the cosimulation of the niobium metallurgical recovery. The cosimulation was run based on the Markov coregionalization model to simplify the cross-covariance modeling. The result is a representative probabilistic geometallurgical model, which proved to be efficient maintaining an adequate precision in forecasting the predicted variable.
Identifer | oai:union.ndltd.org:IBICT/oai:lume.ufrgs.br:10183/164590 |
Date | January 2017 |
Creators | Braga Júnior, José Marques |
Contributors | Costa, Joao Felipe Coimbra Leite |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf |
Source | reponame:Biblioteca Digital de Teses e Dissertações da UFRGS, instname:Universidade Federal do Rio Grande do Sul, instacron:UFRGS |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0075 seconds