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 mineralógicamente 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.
#J-18808-Ljbffr