Título do Projeto OreAnalytics: Transformando Mineralogia em Performance na Cadeia de Pelotização Eixo Tecnológico / Tecnologias Habilitadoras Big Data | Manufatura Avançada | Gestão de Recursos Naturais Objetivo Geral Desenvolver modelos preditivos que correlacionem características físico-químicas e mineralógicas dos minérios de ferro aos principais indicadores das etapas críticas da pelotização, aumentando eficiência, produtividade e previsibilidade operacional. Objetivos Específicos Otimizar eficiência energética, custos operacionais e qualidade das pelotas; Integrar dados laboratoriais, mineralógicos e industriais para construção de modelos de scale-up; Aprimorar sistemas avançados de controle de processo; Apoiar metas de sustentabilidade e descarbonização. Metodologia Fase 1 – Caracterização e Escala Piloto Caracterizar física, química e mineralogicamente as diferentes fontes de minério utilizadas na pelotização, avaliando composição química, textura, perda por calcinação e distribuição mineralógica. Desenvolver modelos para estimar: consumo energético na moagem; produtividade da filtragem e desaguamento; consumo de aglomerantes, dispersão granulométrica e resistência da pelota verde; consumo de gás natural e antracito, além do perfil térmico ideal dos fornos para atendimento das especificações físicas e metalúrgicas. Fase 2 – Scale-up e Integração de Dados Integrar resultados piloto aos dados industriais das usinas por meio de Big Data, estatística avançada e ciência de dados, identificando correlações entre mineralogia e desempenho operacional. Os modelos serão calibrados e validados para aplicação industrial. Fase 3 – Controle Avançado Incorporar os modelos aos sistemas de controle existentes, permitindo ajustes dinâmicos de processo conforme as características mineralógicas dos minérios consumidos. A solução fornecerá recomendações em tempo real para moagem, filtragem, pelotamento e queima. Resultados Esperados Transformar dados mineralógicos em inteligência operacional, viabilizando uma plataforma preditiva para otimização da cadeia de pelotização, redução de custos, maior eficiência produtiva, melhor aproveitamento dos recursos minerais e contribuição para as metas de descarbonização. Principais Atividades Consolidar histórico de ensaios; Integrar dados de laboratório, PI System, GPV e demais bases; Realizar modelagem e análises estatísticas; Desenvolver plataforma para correlação de dados com o masterplan; Alimentar premissas técnicas no masterplan e no Analytics; Conhecer e integrar soluções ao OCS; Propor integração das pilhas de minério ao OCS; Participar de testes industriais e rollout para outras plantas. Requisitos Formação Mestrado completo em qualquer área com conhecimentos em Big Data, análise de dados e estatística aplicada; ou Graduação em Engenharia da Computação, Ciência da Computação, Sistemas de Informação ou Engenharia de Controle e Automação, com mínimo de 3 anos de experiência em Big Data, modelagem estatística, integração de sistemas industriais, automação, mineração ou Indústria 4.0. Conhecimentos Desejados Big Data e Analytics; Machine Learning; estatística aplicada; integração de sistemas industriais; automação e otimização de processos. Experiência Atuação acadêmica ou profissional em análise de dados industriais, mineração, siderurgia, automação, integração de sistemas ou Indústria 4.0. Competências Perfil inovador, autonomia, facilidade com tecnologia e integração de dados Modalidade Híbrida (3 dias presenciais e 2 home office), de segunda a sexta-feira, das 7h30 às 16h30, com 1h de almoço. Atenção Conforme Resoluções FAPES nº 103/2013 e nº 330/2023, o bolsista deverá possuir titulação compatível, currículo Lattes atualizado, estar adimplente junto aos órgãos competentes, residir no Espírito Santo, não possuir vínculo empregatício, remuneração ou outra bolsa, não possuir vínculo societário com instituições participantes e não ter parentesco com membros da equipe do projeto. LI-Hybrid