Novas tecnologias elevam eficiência energética na mineração global

De machine learning a redes híbridas de energia, setor avança na digitalização para reduzir consumo e emissões

Por Nelson Valencio

A extração de minérios responde por cerca de 10% do consumo total da energia industrial global, e as etapas de britagem e moagem chegam a representar entre 50% e 60% do uso total de energia em uma mina. Os dados são do estudo dos departamentos de engenharia elétrica e de engenharia de minas da Botswana International University of Science and Technology.
O levantamento mostra que o setor passa por uma mudança importante, ao abandonar abordagens reativas do passado para adotar a digitalização e a cultura orientada por dados. Na prática, isso significa o uso integrado de tecnologias como aprendizado de máquina, inteligência artificial, gêmeos digitais e microrredes de energia híbrida, entre outras. Os recursos são aplicados para aumentar a eficiência energética das operações minerais.
Na frota, essas tecnologias são utilizadas para a manutenção preditiva, que usa dados históricos para antecipar problemas. É o caso de algoritmos modernos que analisam dados contínuos de sensores da internet das coisas (IoT), identificando vibrações e comportamentos anormais nas máquinas, de forma a antecipar paralisações. Isso é importante porque, quando equipamentos falham repentinamente, o tempo de inatividade e os arranques pesados para retomá-los geram grandes desperdícios energéticos.
O uso de novas tecnologias tem exemplos reais em vários países mineradores. Um deles envolve os modelos de redes de memória de longo e curto prazo (LSTM), um tipo de arquitetura de rede neural, aplicados em minas de minério de ferro no Brasil. Nesse caso, o uso da LSTM foi feito com a meta de prever, com antecipação média de duas semanas, anomalias em moinhos de minério. A tecnologia conseguiu uma redução de 18% no tempo de inatividade dos equipamentos e um corte de 10% nos custos gerais de energia.

Na avaliação dos pesquisadores, as redes LSTM são excepcionais no tratamento de séries temporais e evitam o superconsumo de energia ao prever picos de carga com extrema precisão. Outra aplicação envolve o aprendizado por reforço (RL, da sigla reinforcement learning), adotado em uma mina australiana para gerir dinamicamente a ventilação subterrânea. Isto é feito com base em níveis de temperatura e ocupação, poupando 20% do consumo elétrico convencional.
No Canadá, uma mineradora adotou a combinação de recursos de gradient boosted trees (GBT) e support vector regression (SVR), dois algoritmos de aprendizado de máquina utilizados para prever valores numéricos contínuos, como o faturamento de uma empresa. Nessa aplicação, os sistemas GBT analisaram a resistência do minério e reduziram as velocidades da máquina durante os horários de pico, o que proporcionou redução de 15% no consumo de eletricidade de um moinho.
Já o SVR auxiliou no processo ao prever picos complexos de energia com precisão de até 95%, equilibrando o processamento em tempo real. Um quarto caso real envolve uma operação na África do Sul, onde a aplicação de redes bayesianas para monitorar motores diminuiu quebras inesperadas em 21%. Isto teve efeito direto no consumo de energia, que foi reduzido em 9%.

Fonte: Radar Mineração