BR102019022525A2 - método e sistema de monitoramento e otimização online das operações de mineração e processamento de minérios - Google Patents

método e sistema de monitoramento e otimização online das operações de mineração e processamento de minérios Download PDF

Info

Publication number
BR102019022525A2
BR102019022525A2 BR102019022525A BR102019022525A BR102019022525A2 BR 102019022525 A2 BR102019022525 A2 BR 102019022525A2 BR 102019022525 A BR102019022525 A BR 102019022525A BR 102019022525 A BR102019022525 A BR 102019022525A BR 102019022525 A2 BR102019022525 A2 BR 102019022525A2
Authority
BR
Brazil
Prior art keywords
mining
operations
models
ore processing
data
Prior art date
Application number
BR102019022525A
Other languages
English (en)
Inventor
Pareek Aditya
Kumar Varma Nadimpalli Nagaravi
Runkana Venkataramana
Swaroopji Masampally Vishnu
Original Assignee
Tata Consultancy Services Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tata Consultancy Services Ltd filed Critical Tata Consultancy Services Ltd
Publication of BR102019022525A2 publication Critical patent/BR102019022525A2/pt

Links

Classifications

    • G01V20/00—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Abstract

método de processador implementado para a otimização e monitoramento online de operações de mineração e de processamento de minérios o monitoramento e a análise de uma pluralidade de operações em mineração e no processamento de minérios são cruciais para que seja alcançado um desempenho otimizado. as ferramentas existentes são específicas para uma ou outra operação individual - e esta individualidade introduz limitações para o monitoramento de ponta a ponta da totalidade das operações de mineração e de processamento de minérios. é revelado um método e sistema para a otimização e o monitoramento online de operações de mineração e de processamento de minérios o qual proporciona uma abordagem integrada, que utiliza dados de plano de mineração de curto prazo, informação gerada mediante o uso de um estabelecido software de desenho de perfuração e explosão, modelos de simulação de fragmentação, britagem, seleção, trituração e concentração a fim de se chegar a um plano de carga otimizado e ao estabelecimento de pontos para controladores. o método e o sistema propostos melhoram os indicadores-chave de desempenho, tais como o custo das operações de mineração, o consumo de energia específico dentro do circuito de comunicação, maximiza a extração do tamanho de partícula almejado, e maximiza o grau e a recuperação do mineral de interesse ao mesmo tempo em que são levadas em conta as limitações de operação.

Description

CAMPO TÉCNICO [0001] A divulgação se refere em geral à (s) técnica (s) de monitoramento e otimização digitais e, mais particularmente, ao sistema e método para monitoramento digital on-line mina a usina e a otimização de operações de mineração e processamento de minérios.
ANTECEDENTES DA INVENÇÃO [0002] Monitoramento e ampla otimização de instalação são fundamentais para a segurança e a lucratividade das operações de instala-ção. Normalmente, para operações de mineração e de processamento de minérios, é importante que os parâmetros máximos no processo de ponta a ponta sejam monitorados, em que o processo de ponta a ponta inclui várias operações diversas, como detonação, movimentação, empilhamento de estocagem, britagem, esmerilhamento e flutuação e concentração. Monitoramento contínuo de parâmetros importantes que controlam e caracterizam o desempenho dessas operações, além de quantificar o efeito de variações nesses parâmetros nos principais indicadores de desempenho (KPIs) de cada uma dessas operações da unidade e ajustar os valores dos parâmetros para finalmente otimizar os KPIs de operações de mineração e operações de processamento de minérios são desejadas. Por exemplo, considere o caso de operações de circuito de cominuição que compreendem o processamento de minério proveniente do depósito através de trituradores e moinhos que realizam operações de britagem e esmerilhamento. Adição de água, densidade de pasta, grau de alimentação, dureza e distribuição de tamanho, velocidade de rotação dos moinhos, configuração operacional do granulador, taxas de reciclagem de fluxos intermediários são algumas variáveis importantes que afetam os KPIs de interesse, como a distribuição final do tamanho de partícula das partículas de minério processado, consumo específico de energia e vazão total de sólidos através do circuito de cominuição. A otimização on-line de KPIs em resposta a alterações detectadas pelo monitoramento de dureza e do tamanho do minério alimentado, que são distúrbios que afetam os KPIs, ajudarão a melhorar o desempenho.
Petição 870200008686, de 17/01/2020, pág. 73/132 [0003] Muitos métodos existentes que fornecem modelagem mina a usina e rastreamento estão disponíveis. No entanto, um desses métodos existentes se concentra apenas no efeito de detonação em operação de escavadeira e cominuição. O impacto dessas operações nas operações a jusante não é levado em consideração, portanto, pode não fornecer uma operação otimizada de toda a cadeia de operações. Além disso, o método existente limita a manipulação da quantidade de explosivos a serem utilizados para uma dada operação de detonação, a fim de minimizar custos e não monitora e quantifica o efeito de muitos outros parâmetros importantes que afetam o desempenho.
[0004] Ainda outro método existente se concentra apenas na otimização de parâmetros de explosão, tais como: furo de desmonte, espaçamento e profundidade de carga, de modo a minimizar a distância de estilhaço de rocha produzido na explosão, que é perigosa / de risco para o pessoal que trabalha no local de mineração. Ainda outro método de detonação existente para o beneficiamento de minérios restringe-se apenas a um caso especial em que a concentração de minérios é altamente não uniforme e está presente no corpo de minério em remendos magros e ricos.
SUMÁRIO [0005] Concretizações da presente divulgação apresentam melhorias tecnológicas como soluções para um ou mais dos problemas técnicos mencionados acima reconhecidos pelos inventores em sistemas convencionais. Por exemplo, em um aspecto, é fornecido um método implementado por processador para monitoramento e otimização on-line das operações de mineração e de processamento de minérios, o método implementado por processador compreendendo: coleta a partir de uma pluralidade de fontes de dados, por um ou mais processadores de hardware, de dados para um conjunto de variáveis, que correspondem a um conjunto de sensores associados às operações de mineração e de processamento de
Petição 870200008686, de 17/01/2020, pág. 74/132 minérios; pré-processamento, feito por um ou mais processadores de hardware, de dados coletados, que correspondem ao conjunto de variáveis, mediante o descarte dos dados fora do normal, , a realização de atribuição para que se agreguem valores artificiais nas posições em falta, a organização dos dados coletados a frequências diferentes em uma frequência comum, a identificação e a seleção de dados com base na operação em estado de equilíbrio de um processo - ou de um processo adjacente - associado às operações de mineração e de processamento de minérios ; a determinação, feita por um processador de hardware ou mais, da condição de operação padrão para as operações de mineração e de processamento de minérios mediante o uso dos dados pré-processados, os quais correspondem ao conjunto de variáveis ; a segregação de cada variável em meio ao conjunto de variáveis para uma das operações de perfuração e dinamitação, das operações de movimentação, das operações de cominuição, e das operações de flutuação e concentração, em que a segregação é realizada de acordo com uma lista mestra de identificação ; a geração, feita por um processador de hardware ou mais, de um conjunto de modelos com base no conjunto segregado de variáveis e dados pré-processados, onde o conjunto de modelos é gerado em prol de um conjunto de indicadores chave de desempenho (KPIs) de interesse e de uma pluralidade de parâmetros de processo de interesse associados às operações de mineração e de processamento de minérios, nas quais o conjunto de modelos gerados compreende um conjunto de modelos de Aprendizado de Máquina (ML), ou um conjunto de modelos individualizados baseados em física ou de modelos híbridos, e onde o conjunto de modelos individualizados baseados em física ou de modelos híbridos se veem gerados em prol da pluralidade de parâmetros de processo que está calcada em conhecidos modelos baseados em física mediante a determinação de parâmetros de modelo que usam ajuste de curva não linear ; a simulação, feita por um processador de hardware ou mais, da condição de operação atual das operações de mineração e de processamento de minérios que correspondem ao conjunto de variáveis com base em, ao menos, um: dos modelos gerados
Petição 870200008686, de 17/01/2020, pág. 75/132 por ML, dos conjuntos de modelos individualizados baseados em física ou de modelos híbridos dos KPIs e da pluralidade de parâmetros de processo, onde a condição simulada de operação atual proporciona valores correntes para os KPIs e para a pluralidade de parâmetros de processo de interesse ; e a otimização, de forma hierárquica, feita por um processador de hardware ou mais, dos KPIs de interesse das operações de mineração e de processamento de minérios a fim de se atualizar a condição das operações atuais de um subconjunto de variáveis em meio ao conjunto de variáveis das operações de mineração e de processamento de minérios, nas quais os KPIs de interesse se originam a partir de ao menos uma das operações de mineração, de um circuito de cominuição, e de um circuito de flutuação e concentração . O método implementado por processador compreendendo ainda o monitoramento da condição operacional atual do conjunto de variáveis, de acordo com os dados processados do conjunto de variáveis, que correspondem às operações de mineração e de processamento de minérios para detectar falha de um ou mais sensores a partir do conjunto de sensores ou falha de um equipamento de processo, em que a falha e um motivo da falha são indicados a um administrador do sistema.
[0006] Em outro aspecto, é fornecido um sistema para monitoramento e otimização on-line das operações de mineração e de processamento de minérios, o sistema compreendendo: instruções de armazenamento de memória; uma ou mais interfaces de comunicação; e um ou mais processadores de hardware acoplados à memória por meio de uma ou mais interfaces de comunicação, em que um ou mais processadores de hardware são configurados pelas instruções para: coleta a partir de uma pluralidade de dados de fontes de dados para um conjunto de variáveis, que correspondem a um conjunto de sensores associados às operações de mineração e de processamento de minérios; pré-processamento dos dados coletados que correspondem ao conjunto de variáveis mediante descarte dos dados fora do normal, realização de atribuição para que se agreguem valores artificiais nas posições em falta, a organização dos dados coletados a frequências diferentes
Petição 870200008686, de 17/01/2020, pág. 76/132 em uma frequência comum, a identificação e a seleção de dados com base na operação em estado de equilíbrio de um processo - ou de um processo adjacente - associado às operações de mineração e de processamento de minérios; determinação da condição de operação padrão para as operações de mineração e de processamento de minérios mediante o uso dos dados préprocessados, os quais correspondem ao conjunto de variáveis; - segregação de cada variável entre o conjunto de variáveis em uma das operações de dinamitação, operações de movimentação, circuito de britagemesmerilhamento e circuito de flutuação e concentração, em que a segregação é realizada de acordo com uma lista principal de marcação ; geração de um conjunto de modelos com base no conjunto segregado de variáveis e dados pré-processados, em que o conjunto de modelos é gerado para um conjunto de Indicadores de Desempenho-Chave (KPIs) de interesse e a partir de uma pluralidade de parâmetros de processo de interesse associados às operações de mineração e de processamento de minérios, em que o conjunto de modelos gerado compreende um conjunto de modelos de aprendizado de máquina (ML), um conjunto de modelos baseados em física individualizados ou modelos híbridos em que o conjunto de modelos baseados em física individualizados ou modelos híbridos são gerados para a pluralidade de parâmetros de processo com base em modelos baseados em física conhecidos, pela determinação de parâmetros de modelo usando ajuste de curva não linear; simulação da condição operacional atual das operações de mineração e de processamento de minérios que correspondem ao conjunto de variáveis com base em pelo menos um dos seguintes: modelos de ML gerados, modelos baseados em física individualizados ou modelos híbridos dos KPIs e na pluralidade de parâmetros operacionais, em que a condição operacional atual fornece valores atuais para KPIs e a pluralidade de parâmetros operacionais de interesse; e otimização hierárquica dos KPIs de interesse das operações de mineração e de processamento de minérios para atualizar as condições operacionais atuais de um subconjunto de variáveis entre o conjunto de variáveis das operações de mineração e de processamento de minérios, em
Petição 870200008686, de 17/01/2020, pág. 77/132 que os KPIs de interesse são de pelo menos uma das operações de mineração, um circuito de cominuição e um circuito de flutuação e concentração.
O sistema é ainda configurado para monitorar a condição operacional atual do conjunto de variáveis de acordo com os dados processados do conjunto de variáveis correspondentes às operações de mineração e de processamento de minérios para detectar falha de um ou mais sensores no conjunto de sensores ou falha de um equipamento de processo, em que a falha e um motivo da falha são indicados a um administrador do sistema.
[0007] Em ainda outro aspecto, são fornecidos um ou mais meios de armazenamento de informações legíveis por máquina e não transitórios, compreendendo uma ou mais instruções que, quando executadas por um ou mais processadores de hardware, possibilitam um método para monitoramento e otimização on-line das operações de mineração e de processamento de minérios. As instruções possibilitam a coleta a partir de uma pluralidade de dados de fontes de dados para um conjunto de variáveis, que correspondem a um conjunto de sensores associados às operações de mineração e de processamento de minérios; pré-processamento dos dados coletados correspondentes ao conjunto de variáveis, mediante o descarte de dados fora do normal, a realização de atribuição para que se agreguem valores artificiais nas posições em falta, a organização dos dados coletados a frequências diferentes em uma frequência comum, a identificação e a seleção de dados com base na operação em estado de equilíbrio de um processo - ou de um processo adjacente - associado às operações de mineração e de processamento de minérios; determinação da condição de operação padrão para as operações de mineração e de processamento de minérios mediante o uso dos dados pré-processados, os quais correspondem ao conjunto de variáveis; segregação de cada variável em meio ao conjunto de variáveis para uma das operações de perfuração e dinamitação, das operações de movimentação, das operações de cominuição, e das operações de flutuação e concentração, dentro das quais a segregação é realizada de acordo com uma lista mestra de identificação; - geração de um conjunto de modelos com base
Petição 870200008686, de 17/01/2020, pág. 78/132 no conjunto segregado de variáveis e dados pré-processados, onde o conjunto de modelos é gerado em prol de um conjunto de indicadores chave de desempenho (KPIs de interesse e uma pluralidade de parâmetros de processo de interesse associado às operações de mineração e de processamento de minérios, nas quais o conjunto de modelos gerados compreende um conjunto de modelos de Aprendizado de Máquina (ML) ou um conjunto de modelos individualizados baseados em física ou de modelos híbridos, onde o conjunto de modelos individualizados baseados em física ou de modelos híbridos se veem gerados em prol da pluralidade de parâmetros de processo que está calcada em conhecidos modelos baseados em física mediante a determinação de parâmetros de modelo que usam ajuste de curva não linear- simulação da condição de operação atual das operações de mineração e de processamento de minérios que correspondem ao conjunto de variáveis com base em, ao menos, um: dos modelos gerados por ML, dos conjuntos de modelos individualizados baseados em física ou de modelos híbridos dos KPIs e na pluralidade de parâmetros de processo, onde a condição simulada de operação atual proporciona valores correntes para os KPIs e para a pluralidade de parâmetros de processo de interesse; e otimização, de forma hierárquica, dos KPIs de interesse das operações de mineração e de processamento de minérios a fim de se atualizar a condição das operações atuais de um subconjunto de variáveis em meio ao conjunto de variáveis das operações de mineração e de processamento de minérios, onde os KPIs de interesse se originam a partir de ao menos uma das operações de mineração, um circuito de cominuição, e um circuito de flutuação e concentração. O método implementado por processador compreendendo ainda o monitoramento da condição operacional atual do conjunto de variáveis, de acordo com os dados processados do conjunto de variáveis, que correspondem às operações de mineração e de processamento de minérios para detectar falha de um ou mais sensores a partir do conjunto de sensores ou falha de um equipamento de processo, em que a falha e um motivo da falha são indicados a um administrador do sistema.
Petição 870200008686, de 17/01/2020, pág. 79/132 [0008] Deve ser entendido que tanto a descrição geral acima como a descrição detalhada a seguir são exemplificativas e explicativas e não são restritivas da invenção, como reivindicado.
BREVE DESCRIÇÃO DOS DESENHOS [0009] Os desenhos anexos, que são incorporados e constituem uma parte desta divulgação, ilustram concretizações exemplificativas e, juntamente com a descrição, servem para explicar os princípios divulgados:
[0010] A figura 1A e figura 1B ilustram um diagrama de blocos exemplificativo de um sistema para monitoramento e otimização on-line de operações de mineração e de processamento de minérios, de acordo com uma concretização da presente divulgação.
[0011] A figura 2A e figura 2B ilustram um fluxograma exemplificativo de um método, implementado pelo sistema da figura 1A e figura 1B, para monitoramento e otimização on-line das operações de mineração e de processamento de minérios, de acordo com uma concretização da presente divulgação.
[0012] A figura 3 ilustra um fluxograma exemplificativo de um método, implementado pelo módulo de modelagem e de simulação do sistema representado na figura 1A e figura 1B, para gerar modelos para os principais indicadores de desempenho (KPIs) das operações de mineração e de processamento de minérios, de acordo com uma concretização da presente divulgação.
[0013] A figura 4A, figura 4B e figura 4C ilustram dados para diferentes sensores recebidos de um usuário ou de um módulo de gerenciamento de sensores do sistema da figura 1A e 1B e processados pelos modelos de exemplo gerados para calcular valores de alguns KPIs de interesse, de acordo com uma concretização da presente divulgação.
[0014] A figura 5 ilustra um método para otimização hierárquica e por
Petição 870200008686, de 17/01/2020, pág. 80/132 fases de KPIs de operações de mineração e de processamento de minérios, representando a interação entre uma pluralidade de fontes de dados correspondentes ao banco de dados de instalação, software de desenho de perfuração e explosão, modelos treinados de Aprendizado de Máquina (ML) e modelos baseados em física e modelos híbridos construídos usando o módulo de modelagem e de simulação e o módulo de otimização que atualiza recursivamente variáveis de plano de carga e de decisão das operações de processamento de minérios, de acordo com uma concretização da presente divulgação.
[0015] A figura 6 ilustra interações entre os módulos do sistema da figura 1, conforme necessário para o monitoramento e otimização on-line de poucos KPIs de exemplo de um circuito de cominuição das operações de mineração e de processamento de minérios, de acordo com uma concretização da presente divulgação.
[0016] A figura 7 ilustra interações entre os módulos do sistema da figura 1, conforme necessário para o monitoramento e otimização on-line de poucos KPIs de exemplo de um circuito de flutuação e concentração das operações de mineração e de processamento de minérios de acordo com uma concretização da presente divulgação.
[0017] A figura 8A e figura 8B ilustram o desempenho de modelos preditivos baseados em Aprendizado de Máquina (ML) de KPIs de exemplo em relação a dados reais de operações de mineração e processamento mineral, de acordo com uma concretização da presente divulgação.
[0018] A figura 9A e figura 9B ilustram o desempenho preditivo de um sensor virtual de um tamanho de partícula e grau de metal, de acordo com uma concretização da presente divulgação.
[0019] A figura 10 ilustra a curva de desempenho ideal obtida pela otimização multiobjetiva de KPIs de exemplo, ou seja, recuperação geral do grau do mineral, de acordo com uma concretização da presente divulgação.
DESCRIÇÃO DETALHADA DE CONCRETIZAÇÕES
Petição 870200008686, de 17/01/2020, pág. 81/132 [0020] Concretizações exemplificativas são descritas com referência aos desenhos anexos. Nas figuras, o (s) dígito (s) mais à esquerda de um número de referência identifica a figura na qual o número de referência aparece pela primeira vez. Sempre que conveniente, os mesmos números de referência são usados nos desenhos para se referir às mesmas peças ou peças semelhantes. Embora exemplos e características dos princípios divulgados sejam descritos neste documento, modificações, adaptações e outras implementações são possíveis sem se afastar do espírito e do escopo das concretizações divulgadas. Pretende-se que a descrição detalhada a seguir seja considerada apenas exemplificativa, com o verdadeiro escopo e espírito sendo indicados pelas reivindicações a seguir.
[0021] O processamento de mineração e o processamento de minérios envolvem uma série de operações para recuperar um mineral desejado com um grau razoavelmente alto. Em termos gerais, as operações incluem operações de mineração, um circuito de cominuição e um circuito de flutuação e concentração, com cada operação envolvendo uma pluralidade de suboperações ou processos para recuperar o mineral com a qualidade desejada. As ferramentas de monitoramento digital existentes fornecem monitoramento e análise dessas operações para otimizar o desempenho. No entanto, as ferramentas existentes são específicas para uma ou outras operações individuais das operações de mineração, do circuito de cominuição e do circuito do concentrador e flutuação. A individualidade introduz limitações quando deve ser usada como uma solução integrada de monitoramento de ponta a ponta para toda a mina para operações de processamento mineral. Os principais desafios em operações de mineração de ponta a ponta e de processamento de minérios incluem (1) recuperação pobre de grumos e controle de diluição devido a práticas ineficientes de detonação, (2) negligenciamento do efeito de decisão ou variáveis manipuladas das operações da unidade a montante nos principais indicadores de desempenho das operações da unidade a jusante (KPIs) ao decidir seus pontos de ajuste,
Petição 870200008686, de 17/01/2020, pág. 82/132 (3) uso de tabelas de consulta imutáveis para atualizar os pontos de ajuste das variáveis de decisão e (4) controle baseado em regras das operações de mineração e de processamento de minérios devido à incapacidade de relacionar formalmente a indicadores de desempenho-chave em termos de variáveis de decisão e perturbação.
[0022] Concretizações da presente divulgação fornecem sistemas e métodos para monitoramento e otimização on-line de operações de mineração e de processamento de minérios. O sistema divulgado fornece uma abordagem integrada utilizando dados de planejamento de curto prazo e modelos de fragmentação, britagem, peneiramento, esmerilhamento e flutuação para chegar ao projeto otimizado de detonação. O método e o sistema divulgados minimizam o custo de produção, maximizam o rendimento do tamanho de partícula desejado para ser usado em unidades a jusante para chegar a um grau otimizado e recuperação do mineral desejado. Além disso, o sistema fornece modelos de simulação para prever os principais resultados das operações de unidades individuais, como tamanho médio de partícula nos sobrefluxo de ciclone, grau e recuperação de metais, utilizando dados históricos e dados online de uma pluralidade de fontes de dados associadas às operações de mineração e de processamento de minérios.
[0023] Com referência agora aos desenhos, e mais particularmente às figuras 1 a 10, onde caracteres de referência semelhantes denotam recursos correspondentes de forma consistente ao longo das figuras, sendo mostradas concretizações preferidas e essas concretizações são descritas no contexto do seguinte sistema e / ou método exemplificativo.
[0024] A figura 1A e figura 1B ilustram um diagrama de blocos exemplificativo de um sistema 100 para monitoramento e otimização on-line de operações de mineração e de processamento de minérios, de acordo com uma concretização da presente divulgação. Em uma concretização, o sistema 100 inclui um ou mais processadores 104, dispositivo (s) de interface de comunicação ou interface (s) de entrada / saída (I/ O) 106 e um ou mais dispositivos ou memória de armazenamento de dados 102 operativamente
Petição 870200008686, de 17/01/2020, pág. 83/132 acoplados àquele um ou mais processadores 104. Um ou mais processadores 104 podem ser um ou mais módulos de processamento de software e / ou processadores de hardware. Em uma concretização, os processadores de hardware podem ser implementados como um ou mais microprocessadores, microcomputadores, microcontroladores, processadores de sinais digitais, unidades de processamento central, máquinas de estado, circuitos lógicos e / ou quaisquer dispositivos que manipulam sinais com base em instruções operacionais. Entre outros recursos, o (s) processador está(ão) configurado(s) para buscar e executar instruções legíveis por computador armazenadas na memória. Em uma concretização, o dispositivo 100 pode ser implementado em uma variedade de sistemas de computação, como computadores laptop, notebooks, dispositivos portáteis, estações de trabalho, computadores mainframe, servidores, uma nuvem de rede e similares.
[0025] O (s) dispositivo (s) de interface de I/O 106 pode(m) incluir uma variedade de interfaces de software e hardware, por exemplo, uma interface da web, uma interface gráfica do usuário e similares e pode facilitar várias comunicações dentro de uma ampla variedade de redes N / W e tipos de protocolo, incluindo redes com fio, por exemplo, LAN, cabo, etc., e redes sem fio, como WLAN, celular ou satélite. Em uma concretização, o (s) dispositivo (s) de interface de I/O pode(m) incluir uma ou mais portas para conectar vários dispositivos entre si ou com outro servidor.
[0026] A memória 102 pode incluir qualquer meio legível por computador conhecido na técnica, incluindo, por exemplo, memória volátil, tal como memória estática de acesso aleatório (SRAM) e memória dinâmica de acesso aleatório (DRAM) e / ou memória não volátil, como memória somente leitura (ROM), ROM programável apagável, memórias flash, discos rígidos, discos ópticos e fitas magnéticas. Em uma concretização, uma pluralidade de módulos 108 pode ser armazenada na memória 102, em que os módulos 108 podem compreender um módulo de gerenciamento de sensor 110, um módulo de modelagem e simulação 112 e um módulo de otimização 114, que são configurados para monitorar e otimizar as operações de
Petição 870200008686, de 17/01/2020, pág. 84/132 processamento mina a usina quando executadas por um ou mais processadores 104. A memória 102 pode ainda compreender informações referentes às entradas / saídas de cada etapa executada pelo módulo de gerenciamento de sensor 110, o módulo de modelagem e simulação 112 e o módulo de otimização 114 do sistema 100 e métodos da presente divulgação. O sistema 100, através da interface de I/O 106 pode ser acoplado a pluralidade externa de fontes de dados 116, fornecendo dados necessários para monitoramento e otimização on-line das operações de mineração e de processamento de minério.
[0027] A figura 1B representa blocos funcionais exemplificativos, módulos ou componentes e fluxo de processo funcional do módulo de gerenciamento de sensor 110, o módulo de modelagem e simulação 112, um módulo de otimização 114 e conectores para buscar dados de fontes relevantes 116 que são instaladas em um local de operações de mineração e de minérios. A figura 1B é explicada em conjunto com etapas de diagrama de fluxo representado na figura 2A e figura 2B. Em uma concretização, a figura 2A e figura 2B ilustram um fluxograma exemplificativo de um método, implementado pelo sistema da figura 1A e figura 1B, para monitoramento e otimização on-line das operações de mineração e de processamento de minérios, de acordo com uma concretização da presente divulgação. Em uma concretização, o (s) sistema (s) 100 compreende(m) um ou mais dispositivos de armazenamento de dados ou a memória 102 operativamente acoplada a um ou mais processadores de hardware 104 e é(são) configurado(s) para armazenar instruções para execução de etapas do método por um ou mais processadores 104 em conjunto com vários módulos dos módulos 110. As etapas do método da presente divulgação serão agora explicadas com referência aos componentes do sistema 100, como representado na figura 1A-1B, e as etapas do diagrama de fluxo, como representado na figura 2A e figura 2B. Embora as etapas do processo, etapas do método, técnicas ou similares possam ser descritas em uma ordem sequencial, esses processos, métodos e técnicas podem ser configurados para
Petição 870200008686, de 17/01/2020, pág. 85/132 funcionar em ordens alternativas. Em outras palavras, qualquer sequência ou ordem de etapas que possam ser descrita não indica necessariamente um requisito de que as etapas sejam executadas nessa ordem. As etapas dos processos aqui descritos podem ser realizadas em qualquer ordem prática. Além disso, algumas etapas podem ser executadas simultaneamente.
[0028] Na etapa 202 do método, o módulo de gerenciamento de sensor 110 está configurado para comunicar e buscar dados para um conjunto de variáveis, correspondendo a um conjunto de sensores da pluralidade de fontes de dados 116. Esses dados coletados fornecem uma ampla variedade de dados associados e necessários para o monitoramento e otimização digital das operações de mineração e de processamento de minérios. O conjunto de sensores está associado e fornece dados para equipamentos e instrumentação instalados para as operações de mineração (que incluem operações de movimentação e armazenamento) necessários para operações de mineração ou equipamentos e instrumentação instalados para circuitos de cominuição ou os circuitos de flutuação e de concentração de operações de processamento de minérios. Os sensores também estão associados a parâmetros de qualidade de uma pluralidade de fluxos da instalação, compreendendo matéria-prima, produto intermediário e final. Além disso, os sensores também compreendem dados que correspondem à fonte e quantidade de diferentes matérias-primas processadas e dados correspondentes à quebra de equipamentos e histórico de manutenção, condições ambientais e climáticas e propriedades de rochas e terrenos.
[0029] Os dados coletados incluem dados de natureza diferente, tais como geológico, material, gerenciamento de frota, dados LIMS (Laboratory Information Management System), dados do sistema de execução de fabricação, bem como dados de projeto de perfuração e explosão gerados a partir de várias ferramentas, como Vulcan, Geovia, JKsimBlast , e similar. Além disso, as fontes de dados 116 podem incluir banco de dados de material, banco de dados de gerenciamento de frota, historiador de dados de processo de instalação, dados de sistemas de execução de fabricação, dados de
Petição 870200008686, de 17/01/2020, pág. 86/132 gerenciamento de operações de fabricação, ERP (Enterprise Resource Planning), DCS (Digital Control System) e similares.
[0030] Uma vez que os dados são coletados, na etapa 204 do método, o módulo de gerenciamento de sensor 110 é configurado para pré-processar os dados coletados correspondentes ao conjunto de variáveis mediante o descarte dos dados fora do normal, a realização de atribuição para que se agreguem valores artificiais nas posições em falta, a organização dos dados coletados a frequências diferentes em uma frequência comum, a identificação e a seleção de dados com base na operação em estado de equilíbrio de um processo - ou de um processo adjacente - associado às operações de mineração e de processamento de minérios. Várias técnicas, tal como pontuação Z e / ou análise Box e Whisker, método baseado em proximidade, podem ser usadas para remover discrepâncias. Além disso, na etapa 206 do método, o módulo de gerenciamento de sensor 110 é configurado para determinar as condições operacionais padrão para as operações de mineração e de processamento de minérios da instalação usando os dados préprocessados correspondentes ao conjunto de variáveis. Os dados de entrada das várias fontes de dados 116 já estão marcados com o nome e a descrição de cada variável. Uma lista principal dessas marcações, fornecendo a descrição de cada marcação, é armazenada no módulo de gerenciamento de sensores 116.
[0031] Na etapa 208 do método, o módulo de gerenciamento de sensor 110 é configurado para segregar e agrupar variáveis entre o conjunto de variáveis nos dados em diferentes unidades operacionais e equipamentos necessários para operações de mineração e de processamento de minérios, de acordo com a lista de marcações principais. compreendem (1) perfuraçãodinamitação-movimentação, (2) circuito de cominuição e (3) circuito de flutuação e de concentração. Cada uma das variáveis também está ligada às diferentes unidades em que esses sensores residem. Além das várias fontes de dados, o sistema 100 utiliza sensores virtuais desenvolvidos usando o módulo de modelagem e simulação 112. Os sensores virtuais são modelos baseados
Petição 870200008686, de 17/01/2020, pág. 87/132 em ML ou em física que podem fornecer previsão em tempo real de parâmetros importantes do processo das operações de mineração e de processamento de minérios, que são pouco frequentes ou não são medidos. Assim, sensores virtuais podem ser desenvolvidos para os parâmetros do processo, como energia específica de fratura, distribuição de tamanho de partícula, densidade de lama do fluxo intermediário, sólidos retidos nos moinhos de esmerilhamento e similares. O módulo de gerenciamento de sensor 110 está configurado para também incluir os sensores virtuais. Além disso, o módulo de gerenciamento de sensor 110 é configurado para relatar falhas do sensor quando qualquer um dos sensores online ou sensores virtuais informam valores consistentemente fora de sua região de operação, solicitando assim ao usuário ou administrador do sistema que tome as ações corretivas.
[0032] Além disso, na etapa 210 do método, o módulo de modelagem e simulação 114 é configurado para gerar um conjunto de modelos a partir dos dados segregados e dos dados pré-processados. O conjunto de modelos é gerado para um conjunto de Indicadores Chave de Desempenho (KPIs) de interesse e uma pluralidade de parâmetros de processo de interesse, como distribuição de tamanho de partícula na produção de trituradores e moinhos, sólidos retidos no moinho, grau mineral em qualquer ramificação l ou concentrado para flutuação rougher e scavenger associada às operações de mineração e de processamento de minérios. O conjunto de modelos gerado compreende um conjunto de modelos de aprendizado de máquina (ML) ou um conjunto de modelos baseados em física individualizados ou modelos híbridos. Os modelos baseados em física individualizados ou modelos híbridos (também chamados de modelos baseados em física individualizados) são gerados para a pluralidade de parâmetros de processo com base em modelos baseados em física conhecidos, pela determinação de parâmetros de modelo usando ajuste de curva não linear. Essa individualização é fornecida pelo sistema 100 divulgado, como os parâmetros de modelos existentes não são universais e requerem customização. As variáveis usadas no módulo de
Petição 870200008686, de 17/01/2020, pág. 88/132 gerenciamento de sensores usadas para modelar KPIs de interesse estão relacionadas ao processo de interesse e podem ser selecionadas manualmente pelo usuário ou automaticamente selecionadas usando técnicas de seleção de recurso. Técnicas de ML, como regressão linear, floresta aleatória, máquinas de vetores de suporte, redes neurais e similares podem ser usadas para desenvolver os modelos de ML a partir dos dados históricos processados retirados do módulo de gerenciamento de sensores 110. A pluralidade de KPIs de interesse para os quais o conjunto de modelos é gerado compreende um ou uma combinação dos custos das operações de dinamitação, tamanho e velocidade de estilhaços de rocha, distribuição do tamanho do fragmento, custo de movimentação, produtividade do depósito, forma do depósito, eficiência de seleção, custo de operação do circuito de cominuição, distribuição de tamanho de partícula, produção do circuito de cominuição, grau e / ou recuperação de minerais de interesse nas derivações de saída do circuito de flutuação e concentração.
[0033] Além disso, na etapa 212 do método, o módulo de modelagem e de simulação 112 é configurado para simulação da condição operacional atual das operações de mineração e de processamento de minérios correspondentes ao conjunto de variáveis. A simulação é baseada em um dos modelos de ML gerados, nos modelos individualizados baseados em física e modelos híbridos dos KPIs ou na pluralidade de parâmetros do processo. A condição operacional atual simulada fornece valores atuais para KPIs e parâmetros de processo de interesse. Por exemplo, simulações também podem ser realizadas nos modelos desenvolvidos dos KPIs, tal como grau, recuperação, consumo de energia no circuito de esmerilhamento para avaliar o desempenho da instalação com as condições operacionais atuais, que são comunicadas na forma de dados recentes provenientes do módulo de gerenciamento de sensores 110.
[0034] Além disso, na etapa 214 do método, o módulo de otimização 114 é configurado para otimizar hierarquicamente os KPIs de interesse, atualizando os valores operacionais atuais de um subconjunto de variáveis
Petição 870200008686, de 17/01/2020, pág. 89/132 entre o conjunto de variáveis das operações de mineração e de processamento de minérios. Os KPIs de interesse otimizados podem ser para as operações de mineração, o circuito de cominuição e o circuito de flutuação e de concentração. O módulo de otimização 114 está configurado para usar informação capturada dos modelos desenvolvidos no módulo de modelagem e simulação, juntamente com a informação capturada de outras fontes para otimizar a operação de mineração, o desempenho do circuito de cominuição e o desempenho de circuito de flutuação e de concentração. Por exemplo, o submódulo de otimização de operação de mineração do módulo de otimização 114 melhora as operações de detonação com o objetivo de reduzir o custo de explosivos, reduzir a formação de estilhaços de rocha e o custo das operações de movimentação a jusante e britagem e esmerilhamento mais adiante esclarecidas em conjunto com a figura 5. Além disso, os submódulos, como o módulo de otimização do circuito de cominuição e o submódulo de otimização do circuito de flutuação e de concentração, são descritos em conjunto com a figura 6 e figura 7 respectivamente.
[0035] Além disso, na etapa 216 do método, o módulo de otimização 114, em conjunto com (a) o módulo de gerenciamento de sensor 110, fornecendo dados atuais correspondentes ao conjunto de variáveis correspondentes ao conjunto de sensores e (b) o módulo de modelagem e de simulação 112 fornecendo os modelos de ML e / ou os modelos físicos individualizados, é configurado para monitorar a condição operacional atual do conjunto de variáveis de acordo com os dados processados do conjunto de variáveis correspondentes às operações de mineração e de processamento de minérios. O monitoramento inclui a detecção de falha de um ou mais sensores do conjunto de sensores ou falha de um equipamento de processo. Qualquer falha detectada e um motivo para a falha são indicados ao administrador do sistema para ações corretivas, reduzindo as chances de falha e qualquer efeito indesejável nas operações de processamento de mineração e de moagem. A otimização dos KPIs de interesse para a operação de mineração, o circuito de cominuição ou o circuito de flutuação e de concentração compreende a
Petição 870200008686, de 17/01/2020, pág. 90/132 formulação e solução de um problema de otimização que compreende funções e restrições objetivas expressas em termos de KPIs de interesse, modelados usando modelos ML ou modelos baseados em física individualizados. A solução do problema de otimização fornece um conjunto de valores do subconjunto de variáveis, que são alterados dinamicamente durante as operações de mineração e de processamento de minérios. A solução do problema de otimização fornece:
(1) recomendação do plano de carga, incluindo informação de quantidade e tipo de explosivos;
(2) pontos de ajuste para uma pluralidade de controladores localizados em diferentes posições ao longo do circuito de cominuição e circuito de flutuação e de concentração
O sistema 100 fornece uma réplica digital de toda a cadeia de operações envolvida em mineração e processamento de minérios, nomeadamente perfuração, detonação, movimentação, britagem, peneiramento, moagem, flutuação e espessamento. O estado atual de execução de cada uma das unidades é atualizado usando dados recebidos de fontes diferentes distribuídas pela instalação. O estado atual de operação de uma unidade consiste no valor medido atual dos sensores empregados no campo, sensores virtuais desenvolvidos usando modelos de simulação desenvolvidos usando dados de sensores, medições de laboratório e outras medições obtidas nos bancos de dados atualizados da instalação. Os dados coletados nessas fontes são usados para ajustar ou desenvolver modelos para KPIs por seção e KPIs gerais em função de várias variáveis manipuladas / de decisão e importantes variáveis de perturbação. Esses modelos são utilizados para encontrar os pontos de ajuste das variáveis de decisão que resultam na melhoria dos KPIs. As variáveis de decisão estimadas são comunicadas aos controladores de nível inferior como pontos de ajuste (no caso de controle automático) ou a dispositivos portáteis com os operadores (no caso de controle manual), para que possam ser implementados em campo. Assim, o sistema 100 fornece uma solução completa para melhorar as operações existentes de mineração e
Petição 870200008686, de 17/01/2020, pág. 91/132 processamento de minérios.
[0036] A figura 3 ilustra um diagrama de fluxo de exemplo de um método, implementado pelo módulo de modelagem e de simulação 112 do sistema representado na figura 1A e figura 1B para gerar modelos, por exemplo, KPIs (Indicadores Chave de Desempenho) das operações de mineração e de processamento de minérios, de acordo com uma concretização da presente divulgação e para simular cenários hipotéticos, para avaliar o efeito de variáveis de decisão e distúrbios medidos no desempenho da instalação e também para identificar o escopo de melhoria em operações de instalação. Na etapa 302 do método, o módulo de modelagem e de simulação 112 está configurado para receber KPIs de interesse especificados pelo usuário e um conjunto de variáveis necessárias para serem usadas para construir o modelo dos KPIs de interesse. Além disso, na etapa 304 do método, o módulo de modelagem e simulação 112 é configurado para importar dados relevantes a partir do módulo de gerenciamento de sensor 110 e na etapa 306 realiza integração de dados em diferentes escalas de tempo e unidades a montante, no caso das variáveis serem medidas em diferentes frequências e obtido de diferentes bancos de dados. Na etapa 308 do método, o módulo de modelagem e de simulação 112 é configurado para aprender recursos para construir modelos ML ou na etapa 310, aprender parâmetros do modelo baseado em física (se aplicável). Opcionalmente, na etapa 308, variáveis importantes necessárias para construir os modelos podem ser determinadas usando técnicas de seleção de recursos não supervisionadas, tal como Análise de Componente Principal (PCA), mineração de regras de associação ou técnicas de seleção de recursos baseadas em modelos, como LASSO, Floresta Aleatória (RF) e similares. Por exemplo, o grau mineral em concentrado rougher pode ser modelado em função de um grande conjunto de variáveis que fazem parte do equipamento a montante, como moinho semi-autógeno (SAG), moinho de esferas e outros moinhos de alta energia, agrupamentos de ciclones e coluna de flutuação rougher juntamente com as propriedades da matéria-prima. A seleção
Petição 870200008686, de 17/01/2020, pág. 92/132 automática de recursos ajuda a encontrar apenas as variáveis relevantes que afetam o grau mineral no concentrado rougher e, portanto, auxilia na tomada de decisão.
[0037] Na etapa 312 do método, o módulo de modelagem e de simulação 112 é configurado para gerar e manter uma biblioteca de conjunto de modelos para os KPIs de interesse, por exemplo, movimentando o modelo de custo, tamanho de partícula, modelo de grau de flutuação rougher, modelo de recuperação de mineral de célula scavenger, modelo geral de classe mineral e assim por diante. Modelo baseado em física, se disponível, ou técnicas de ML, como máquinas de vetores de suporte, floresta aleatória, máquinas com aumento de gradiente e redes neurais são usadas para construir o modelo.
[0038] A figura 4A, figura 4B e figura 4C ilustram dados dos sensores recebidos do usuário ou do módulo de gerenciamento de sensores 110 do sistema da figura 1A e 1B e processados pelos modelos de exemplo gerados para calcular valores de alguns KPIs de interesse, de acordo com uma concretização da presente divulgação. A figura 4A, descreve o recebimento de dados de entrada como o índice de digitabilidade, a distribuição de tamanho de fragmento prevista (FSD), o recurso alocado (por exemplo, caminhões, pás) processados pelo modelo de movimentação para fornecer valores atuais do KPI de interesse, como custos e tempo de movimentação. A figura 4B descreve o recebimento de dados de entrada como produção de sólidos, distribuição de tamanho de fragmento, adição de água ao moinho SAG, adição de água ao moinho de esferas, densidade de polpa, pressão de agrupamento de ciclones e outros recursos importantes do modelo de sensor de tamanho de partícula para fornecer valores atuais de KPI de interesse , por exemplo, aqui distribuição de tamanho de partícula. A figura 4C representa o recebimento de dados de entrada de parâmetros do processo, tal como dosagem do coletor, taxa de fluxo do coletor, dosagem de espuma, taxa de fluxo de espuma, porcentagem de sólidos, distribuição de tamanho de partícula (PSD), grau de alimentação, pH e outras características importantes
Petição 870200008686, de 17/01/2020, pág. 93/132 pelos modelos de flutuação e concentração para fornecer valores atuais de recuperações e graus de diferentes minerais.
[0039] A figura 5 ilustra um método para otimização hierárquica e por fases de KPIs de operações de mineração e de processamento de minérios, representando a interação entre uma pluralidade de fontes de dados correspondentes ao banco de dados da instalação, software de projeto de dinamitação e perfuração, modelos treinados de Aprendizado de Máquina (ML), modelos baseados em física e modelos híbridos construídos usando o módulo de modelagem e simulação e o módulo de otimização que atualiza recursivamente variáveis de plano de carga e decisão das operações de processamento de minérios, de acordo com uma concretização da presente divulgação.
[0040] A otimização das operações de mineração e de processamento de minério de acordo com o procedimento hierárquico e por fases compreende etapas de criação de padrão de perfuração e um padrão preliminar de carga com base no plano de mineração de curto prazo usando software de terceiros, como Vulcan e Geovia. Além disso, a etapa compreende a execução de operações de perfuração de produção para coletar dados do Monitoring While Drilling (MWD) por meio de um sistema de monitoramento de perfuração, como a Leica Tritonics; onde os dados MWD compreendem informações como taxa de rotação da haste de perfuração, torque rotativo, força de tração, taxa de perfuração, velocidade angular, taxa de penetração. Além disso, usando os dados MWD para estimar os parâmetros geotécnicos, tais como energia específica de fratura e parâmetros de dinamitação, como comprimento da coluna de ar, altura de tamponamento para cada furo que será dinamitado. Também projetando um plano de carga que inclua informações da mistura de carga para cada um dos furos com base nos parâmetros geotécnicos estimados e no padrão de perfuração. Além disso, as etapas incluem estimar a distribuição do tamanho do fragmento (FSD) usando modelos que utilizam parâmetros de dinamitação calculados e plano de carga. O FSD estimado, juntamente com os parâmetros relevantes do
Petição 870200008686, de 17/01/2020, pág. 94/132 processo, são usados para simular os KPIs esperados das operações de mineração, tais como custos de movimentação, produtividade do depósito, tamanho dos estilhaços de rocha, velocidade e alcance e custo de explosivos. Nesse estágio, o plano de carga pode ser aprimorado ainda mais, a fim de melhorar um problema de otimização personalizado que é expresso como alguma forma funcional dos KPIs das operações de mineração.. Os cálculos acima de produtividade de depósito estimada, distribuição de tamanho de fragmento e os parâmetros de processo relevantes podem ser usados para estimar KPIs de operações de processamento de minérios, tal como consumo de energia específico, eficiência de seleção, distribuição de tamanho de partícula em pontos importantes durante o circuito de cominuição, juntamente com recuperação e grau do mineral de interesse no circuito de flutuação e de concentração usando modelos baseados em ML ou em física. Assim, as operações de processamento mineral podem ser otimizadas para o plano de carga determinado, alterando variáveis importantes de decisão que determinam as operações de processamento de minérios. Além disso, a etapa de otimização compreende executar recursivamente todas ou algumas das etapas acima para chegar ao plano de carga otimizado e definir pontos de parâmetros do processo de operações de mineração e processamento de minérios que minimizam globalmente a função objetiva personalizada.
[0041] As etapas acima são explicadas em conjunto com o exemplo na figura 5. Conforme descrito na figura 5, o usuário é direcionado para projetar padrão de perfuração e padrão de carga usando dados de plano de mineração de curto prazo, propriedades de rochas e dados geológicos provenientes de bancos de dados como GBIS, ArcGIS. O plano de mineração de curto prazo (502) é fornecido a partir da fonte de dados 116. A operação de perfuração de produção (504) é realizada no campo e o sistema de monitoramento de perfuração (DMS) é usado para registrar o MWD, monitorando embora dados de perfuração. DMS é o sistema de monitoramento de perfuração existente (sensores + software de terceiros) para que os dados do sensor sejam usados pelo sistema 100. Assim, dados de
Petição 870200008686, de 17/01/2020, pág. 95/132 fontes de terceiros também podem fazer parte da fonte de dados 116. O módulo de geo-estatística (506) compreende modelos de ML treinados que estimam parâmetros geotécnicos e de dinamitação, sendo um deles a energia específica de fratura. Isso pode ser planejado pelo módulo de modelagem e simulação 112. Os modelos treinados de parâmetros geotécnicos são exemplos de sensores virtuais. Assim, o sensor virtual desenvolvido usando o módulo de modelagem e simulação 112 se torna parte do módulo de gerenciamento de sensores 110. O modelo lógico do plano de explosão faz parte do módulo de modelagem e simulação 112. O modelo lógico do plano de explosão fornece recomendações para o padrão de carga com base em parâmetros geotécnicos e de dinamitação estimados. Além disso, com base nessas recomendações, plano de carga mais detalhado e parâmetros de dinamitação, desenho de explosão (510) deve ser determinado em um software Blast Design, como Shotplus e JKSimblast. O desenho de explosão deve ser usado como entrada para realizar simulações em vários modelos (512) das operações de mineração. Os vários modelos (512) incluem modelos desenvolvidos usando o módulo de modelagem e simulação 112. Nesse estágio, o plano de carga pode ser modificado iterativamente para minimizar a função objetiva formulada usando medidas de desempenho das operações de mineração. Para otimizar as operações de mineração e processamento de minérios, também são utilizados modelos pertencentes às operações de cominuição e flutuação e circuito de concentração (514).. Os algoritmos de otimização que compreendem principalmente as metaheurísticas (518) e as funções objetivas (516) formuladas pelas previsões dos modelos listados em 512 e 514 fazem parte do módulo de otimização 114. A solução do problema de otimização obtido pela minimização ou maximização da função objetiva formulada fornece plano de carga e pontos de ajuste de importantes variáveis de decisão das operações de mineração e processamento de minérios.
[0042] Um exemplo de processo do sistema 100 para otimização de KPIs das operações de mineração e processamento de minérios é mais detalhado abaixo:
Petição 870200008686, de 17/01/2020, pág. 96/132 [0043] Na etapa 502, o software de configuração de perfuração e dinamitação tal como Vulcan ou Geovia, é usado para projetar o padrão de perfuração e um plano de carga preliminar. Na etapa 504, o monitoramento durante a perfuração, dados MWD, é usado para calcular propriedades geotécnicas, como energia específica de fratura (SFE) e parâmetros de dinamitação. O módulo geoestatístico desenvolvido (506) pode aplicar técnicas de interpolação, como o método vizinho mais próximo ou o método Kriging, nos dados MWD para estimar propriedades geotécnicas e parâmetros de dinamitação. Na etapa 508, as propriedades geotécnicas e de dinamitação, juntamente com o padrão de perfuração proposto, são usadas no modelo lógico do plano de dinamitação para estimar as regras do padrão de carga. Na etapa 510, o padrão de perfuração, as regras correspondentes do padrão de carga e os parâmetros de explosão são importados para o software de configuração de explosão, como SHOTplus ou Geovia, para criar um plano de carga.
[0044] As etapas acima culminam no estágio do projeto do padrão de dinamitação e perfuração, juntamente com a estimativa dos parâmetros de dinamitação a serem utilizados nas operações de mineração, tais como movimentação, produtividade de depósito. Na etapa 512, modelos de fragmentação, como o modelo de Kuz-Ram, preveem a distribuição do tamanho do fragmento e o índice de trabalho dos fragmentos formados após a detonação, juntamente com parâmetros importantes para a formação de estilhaços de rocha, tal como velocidade. O modelo de movimentação utiliza uma abordagem de busca por similaridade para prever o custo das operações de movimentação com base em dados históricos de custos de movimentação e distribuição prevista do tamanho do fragmento, enquanto o modelo de depósito é usado para prever a forma e a produtividade de depósito. Neste estágio, pode-se manipular o plano de carga usando o módulo de otimização 114 para otimizar os KPIs relacionados apenas às operações de mineração, tal como razão de granulados-para- finos, quantidade de cada explosivo necessário, custos de movimentação e tamanho do fragmento.
Petição 870200008686, de 17/01/2020, pág. 97/132 [0045] Na etapa 514, são estimados os KPIs de interesse das operações de processamento de minérios, cominuição e flutuação e concentração. O modelo do britador pode prever os requisitos de energia e a distribuição do tamanho do produto com base na distribuição estimada do tamanho do fragmento. Modelos propostos na literatura, como o modelo de britador Whiten e o modelo Csoke, ou então o modelo de aprendizagem de máquina desenvolvido usando os dados das fontes de dados 116 podem ser usados. O modelo de seleção prevê ainda a distribuição de tamanho dos fragmentos e partículas finas, bem como a eficiência das operações de seleção. Modelos desenvolvidos na literatura anteriormente, como o modelo de Karra, e os modelos Hatch e Mular podem ser calibrados e usados no aplicativo. O modelo de moagem preverá os requisitos de energia para decompor o minério peneirado ou as partículas maiores coletadas no fluxo do ciclone para o tamanho necessário para processamento adicional no concentrador, bem como a distribuição do tamanho final das partículas do produto. Os modelos de recuperação e grau de minerais preveem as recuperações e as notas respectivamente do mineral de interesse em concentrados ou ramificações nos diferentes equipamentos de flutuação usados nas operações de processamento de minérios.
[0046] Na etapa 516, com base em toda a cadeia de cálculos, é formulado um problema de otimização personalizado ou padrão do usuário expresso em termos de KPIs de operações de mineração e processamento de minérios.
[0047] Na etapa 518, o problema de otimização formulado é resolvido usando algoritmos de otimização que são principalmente meta-heurísticos, como otimização de enxame de partículas, algoritmo genético, busca Tabu, recozimento simulado e similares. O sistema de otimização é executado em um modo iterativo para determinar o plano de carga, juntamente com os pontos de ajuste de importantes variáveis manipuladas das operações de mineração e processamento de minérios, tal como adição de água de processo aos moinhos, rpm do moinho de esferas, pressão do agrupamento de ciclones,
Petição 870200008686, de 17/01/2020, pág. 98/132 pH de o equipamento de flutuação, a taxa de adição do coletor e espumante ao equipamento de flutuação.
[0048] Na etapa 520, o plano de carga e os pontos de ajuste de variáveis manipuladas estimados na etapa anterior são enviados ao DCS / SCADA através do módulo de gerenciamento de sensores e / ou dispositivos manuais usados pelos operadores para executar as recomendações em campo. O sistema de otimização funcionará online quando os diferentes módulos do sistema proposto forem perfeitamente integrados às diferentes fontes de dados. É preciso observar ainda que apenas uma parte das operações de mineração e de processamento de minérios também pode ser otimizada, como mostrado na figura 6 e figura 7.
[0049] É descrito em detalhes aqui um modelo lógico de plano de explosão (508) que gera o plano de explosão:
[0050] Os dados da máquina de perfuração, como força do atuador de alimentação e força do atuador rotativo, podem ser usados para calcular a energia específica de fratura (SFE). Um modelo matemático é desenvolvido para determinar o SFE ou trabalho realizado por unidade de volume escavado das camadas rochosas ou estratos. A fórmula do SFE é a seguinte: SFE = (pi/30).(T.N/A.R) + (F/A) (1) [0051] Derivação matemática para definir a lógica do programa:
[0052] SFE é definido como o trabalho realizado por unidade de volume escavado. Então, pode ser escrito como: e = (E/V) Joules/m3 ou Newton/m2 (2) onde, E = energia transmitida do furo para a rocha
V = Volume de rocha fragmentada (conforme mencionado na lista de parâmetros básicos) [0053] Além disso, E = P.t e V = A.R.t (3) onde, P = energia transmitida para a rocha t = tempo
A = Área da seção transversal do furo, conforme descrito acima na lista de parâmetros
Petição 870200008686, de 17/01/2020, pág. 99/132
R = Taxa de penetração, conforme descrito acima na lista de parâmetros Isso provê, e = P.t/A.R.t= P/A.R (4) [0054] No caso de perfuração rotativa, os atuadores de alimentação e rotativo alimentam a energia. Assumindo que toda a potência do atuador seja transmitida para a rocha e resulte em fragmentação. pode-se afirmar portanto que
Perfuração rotativa p = atuador rotativo p + atuador de alimentação p (5) onde,
Atuador rotativo p = T.w = (pi/30).T.N (6) onde,
T = torque de atuador rotativo (Nm) w = velocidade angular conforme descrito acima na lista de parâmetros (radianos / segundo)
N = Rotações por minuto do bit de broca = (30 / pi) .w, e,
Atuador de alimentação p = F.R (7) onde,
F = força de alimentação ou força de tração (Newton) aplicada pelo motor na haste de perfuração.
Isso implica, SFE para perfuração rotativa =perfuração rotativa p / A.R (8) = (atuador rotativo p + atuador de alimentação p) / A.R = {(pi/30).T.N + F.R}/A.R ou,
SFE = (pi/30).(T.N/A.R) + F/A [0055] Com base no cálculo do SFE, o tipo de rocha e as propriedades da rocha podem ser analisadas elaboradamente.
[0056] Dinamitação, configuração de padrão de carregamento baseado no SFE:
[0057] Com base no cálculo do SFE em função de profundidade, o padrão de carregamento em cada furo para explosão pode ser definido e projetado. O padrão básico de carregamento de um furo para explosão consiste em dois componentes principais: 1. Carregamento de explosivos, e
Petição 870200008686, de 17/01/2020, pág. 100/132
2. Tamponamento / aberturas de ar.
[0058] O sistema pode até ser projetado de modo que os explosivos possam ser carregados com diferentes classes de explosivos industriais (com base em VOD, Velocidade de Detonação) em diferentes profundidades e para diferentes propriedades da rocha. Tamponamento intermediário / aberturas de ar podem ser usados para massas de rochas muito soltas ou frágeis, ao longo da profundidade do furo, onde o SFE é muito baixo.
[0059] A figura 6 ilustra interações entre os módulos do sistema 100 da figura 1, conforme necessário para monitoramento e otimização on-line de poucos KPIs de exemplo de um circuito de cominuição, de acordo com uma concretização da presente divulgação.
[0060] Muitas oportunidades de otimização estão disponíveis na operação de um circuito de cominuição, tal como redução do consumo de energia, obtenção de distribuição favorável do tamanho de partícula no sobrefluxo de ciclone e aumento da produtividade do circuito de cominuição.
[0061] A figura 6 descreve uma estrutura para otimização on-line de KPIs do circuito de cominuição. Os modelos de treinamento de máquina e / ou modelos híbridos e baseados em física dos KPIs desenvolvidos no módulo de modelagem e de simulação interagem com o módulo de otimização e a solução que compreende pontos de ajuste de variáveis de decisão / manipuladas é estimada, que pode ser enviada para controladores de nível inferior ou para operadores. No módulo de otimização, alguns dos modelos previstos são integrados na forma de funções e restrições objetivas, dependendo do problema de otimização personalizado do usuário. Por exemplo, um problema de otimização para melhorar a distribuição do tamanho de partícula, digamos, aumentar a fração de peso de partículas finas e médias, enquanto diminui a proporção de partículas de tamanho maior sem afetar a produtividade de transferência do circuito de cominuição requer modelos da fração de peso dos três tamanhos de partícula diferentes juntamente com um modelo de produtividade de circuito de cominuição em função de parâmetros de decisão / manipulados, tal como adição de água,
Petição 870200008686, de 17/01/2020, pág. 101/132 velocidade de rotação do moinho de esferas, pressão de agrupamento de ciclones para especificar alguns. Os modelos dos tamanhos de partículas podem ser usados como funções objetivas, enquanto o modelo da produtividade do circuito de cominuição pode ser colocado como limitação. Além disso, a região operacional viável de cada variável de decisão / variável manipulada pode ser buscada a partir do módulo de gerenciamento de sensor 110 ou pode ser definida pelo usuário. O problema de otimização pode ser resolvido por técnicas de otimização multiobjetivo, como algoritmo genético de classificação não dominado (NSGA-II), otimização de enxame de partículas multiobjetivo (MO-PSO), algoritmo evolutivo de força de Pareto 2 (SPEA-2) ou por converter o problema de otimização multiobjetivo em um único objetivo por abordagem de soma ponderada.
[0062] Os dados on-line ou históricos correspondentes às variáveis usadas para a construção de modelos, como água de processo, taxa de alimentação da usina SAG, grau de minério, pressão de agrupamento de ciclone armazenada no módulo de gerenciamento de sensores 110 são usados para treinar modelos ML de consumo de energia específico no circuito de cominuição, distribuição de tamanho de partícula no sobrefluxo de ciclone usando o módulo de Modelagem e de Simulação 112. Os modelos são usados para enquadrar um problema de otimização personalizado do usuário e são resolvidos no módulo de otimização 114. A solução obtida como valores das variáveis de decisão é enviada ao módulo de gerenciamento do sensor e, por meio dele, ao DCS / SCADA ou aos operadores da instalação para serem usados como pontos de ajuste pelos controladores de nível inferior.
[0063] A figura 7 ilustra interações entre os módulos do sistema da figura 1, conforme necessário para o monitoramento e otimização on-line de poucos KPIs de exemplo do circuito de flutuação e concentração das operações de mineração e de processamento de minérios, de acordo com uma concretização da presente divulgação. Melhorar a recuperação e o grau são KPIs importantes da instalação de processamento de minérios. A modelagem e simulação 112 são usadas para construir os modelos desses KPIs
Petição 870200008686, de 17/01/2020, pág. 102/132 importantes em termos de variáveis-chave de decisão / manipuladas e variáveis de perturbação, como grau de alimentação, produtividade da instalação, densidade de polpa, usando os dados relevantes adquiridos no módulo de gerenciamento de sensores. O submódulo de otimização de circuitos de concentração mineral funciona da mesma maneira que o submódulo de otimização de circuitos de cominuição da figura 6. Foi resolvido o problema de otimização personalizado do usuário, expresso em termos dos KPIs modelados do circuito de flutuação e de concentração. Por exemplo, melhorar a recuperação e o grau de mineral principal pode ser considerado uma função objetiva, enquanto a recuperação do mineral secundário pode ser considerada uma restrição. Esse problema de otimização pode ser resolvido usando o algoritmo genético de classificação não dominado-II (NSGA II), que resulta na recomendação de pontos de ajuste ótimos das principais decisões / variáveis manipuladas. A figura 7 representa uma dessas estruturas para estimar os pontos de ajuste das principais variáveis de decisão / manipuladas do circuito de concentração e circuito de cominuição, a fim de maximizar o grau e as recuperações.
[0064] Dados online ou históricos correspondentes às variáveis usadas para a construção de modelos, como pH da célula de flutuação, produções de sólidos através do circuito de cominuição, taxa de fluxo do coletor armazenada no módulo de gerenciamento de sensores 110 são usados para treinar modelos de ML para grau mineral e recuperação em Módulo de Modelagem e de Simulação 112. Os modelos são usados para enquadrar um problema de otimização personalizado do usuário e são resolvidos no módulo de otimização 114. A solução obtida como valores das variáveis de decisão é enviada ao módulo de gerenciamento do sensor e, por meio dele, ao DCS / SCADA ou aos operadores da instalação para serem usados como pontos de ajuste pelos controladores de nível inferior.
[0065] Deve ser entendido que a figura 6 e figura 7 descritas acima fornecem alguns exemplos de KPIs que podem ser monitorados e otimizados usando o método e sistema divulgados 100. Quaisquer KPIs de interesse
Petição 870200008686, de 17/01/2020, pág. 103/132 adicionais também podem ser adicionados.
[0066] A figura 8A e figura 8B ilustram o desempenho de modelos preditivos baseados em Aprendizado de Máquina (ML) de KPIs de exemplo em relação a dados reais de operações de mineração e processamento mineral, de acordo com uma concretização da presente divulgação. A figura 8A e 8B comparam as previsões feitas pelos modelos ML de recuperação de minerais A e B construídos usando o módulo de modelagem e de simulação 112 com os dados reais da instalação. Nível razoável de precisão é obtido por esses modelos, considerando apenas variáveis de decisão e perturbação como características.
[0067] A figura 9A e figura 9B ilustram o desempenho preditivo de um sensor virtual de um tamanho de partícula e grau de metal, de acordo com uma concretização da presente divulgação. A figura 9A e 9B comparam as previsões feitas pelos modelos ML de P80 do circuito de cominuição (tamanho de partícula passante de 80%) e o grau A de mineral rougher A 112 com os dados reais de instalação. Nível razoável de precisão é obtido por esses modelos, considerando apenas variáveis de decisão e perturbação como características.
[0068] A figura 10 ilustra a curva de desempenho ideal obtida pela otimização multiobjetiva de KPIs de exemplo para recuperação geral de mineral e grau do mineral, de acordo com uma concretização da presente divulgação. A figura 10 mostra o resultado de um problema de otimização resolvido usando um módulo de otimização 114 que compreende dois objetivos (Maximizar o teor de mineral A, maximizar a recuperação do mineral B). As diferentes linhas mostram a frente ótima de Pareto sob diferentes valores da variável de perturbação viz. grau de alimentação de minério. Os círculos pretos preenchidos mostram recuperação e grau alcançados na ausência de monitoramento e otimização on-line, mostrando oportunidades para melhorias no processo.
[0069] A descrição escrita descreve o assunto aqui para permitir que qualquer versado na técnica faça e use as concretizações. O escopo das
Petição 870200008686, de 17/01/2020, pág. 104/132 concretizações do objeto é definido pelas reivindicações e pode incluir outras modificações que ocorram aos versados na técnica. Essas outras concretizações devem estar dentro do escopo das reivindicações se tiverem elementos semelhantes que não diferem da linguagem literal das reivindicações ou se incluírem elementos equivalentes com diferenças substanciais da linguagem literal das reivindicações.
[0070] Deve ser entendido que o escopo da proteção é estendido a esse programa e, além de um meio legível por computador, com uma mensagem nele; esses meios de armazenamento legíveis por computador contêm meios de código de programa para implementação de uma ou mais etapas do método, quando o programa é executado em um servidor ou dispositivo móvel ou em qualquer dispositivo programável adequado. O dispositivo de hardware pode ser qualquer tipo de dispositivo que pode ser programado incluindo, por exemplo, qualquer tipo de computador, como um servidor ou um computador pessoal, ou similar, ou qualquer combinação dos mesmos. O dispositivo também pode incluir meios que podem ser, por exemplo, hardware significa como por exemplo um circuito integrado específico da aplicação (ASIC), um arranjo de portas programável em campo (FPGA) ou uma combinação de meios de hardware e software, por exemplo um ASIC e um FPGA, ou pelo menos um microprocessador e pelo menos uma memória com módulos de software localizados nela. Assim, os meios podem incluir meios de hardware e software. As concretizações de método descritas aqui podem ser implementadas em hardware e software. O dispositivo também pode incluir meios de software. Alternativamente, as concretizações podem ser implementadas em diferentes dispositivos de hardware, por exemplo usando uma pluralidade de CPUs.
[0071] As concretizações deste documento podem compreender elementos de hardware e software. As concretizações implementadas no software incluem, mas não estão limitadas a, firmware, software residente, microcódigo, etc. As funções executadas por vários módulos aqui descritos podem ser implementadas em outros módulos ou combinações de outros
Petição 870200008686, de 17/01/2020, pág. 105/132 módulos. Para os fins desta descrição, um meio utilizável ou legível por computador pode ser qualquer aparelho que possa compreender, armazenar, comunicar, propagar ou transportar o programa para uso por ou em conexão com o sistema, aparelho ou dispositivo de execução de instruções.
[0072] As etapas ilustradas são definidas para explicar as concretizações exemplificativas mostradas, e deve-se antecipar que o desenvolvimento tecnológico contínuo altere a maneira pela qual funções específicas são executadas. Estes exemplos são apresentados aqui para fins de ilustração e não de limitação. Além disso, os limites dos blocos de construção funcionais foram aqui arbitrariamente definidos para conveniência da descrição. Limites alternativos podem ser definidos desde que as funções e relações especificadas sejam executadas adequadamente. Alternativas (incluindo equivalentes, extensões, variações, desvios, etc., daqueles descritos aqui) serão evidentes para os versados na técnica com base nos ensinamentos aqui contidos. Tais alternativas se enquadram no escopo e espírito das concretizações divulgadas. Além disso, as palavras compreendendo, tendo, contendo e incluindo e outras formas semelhantes têm o mesmo significado e estão em aberto quando um item ou itens que seguem qualquer uma dessas palavras não são concebidos para serem uma lista exaustiva de tal item ou itens, ou limitar-se apenas ao item ou itens listados. Deve-se notar também que, conforme usado aqui e nas reivindicações anexas, as formas singulares “um”, “uma” e “o/a” incluem referências plurais, a menos que o contexto indique claramente o contrário.
[0073] Além disso, uma ou mais mídias de armazenamento legíveis por computador podem ser utilizadas na implementação de concretizações consistentes com a presente divulgação. Um meio de armazenamento legível por computador refere-se a qualquer tipo de memória física na qual informações ou dados legíveis por um processador podem ser armazenados. Assim, uma mídia de armazenamento legível por computador pode armazenar instruções para execução por um ou mais processadores, incluindo instruções para fazer com que os processadores executem etapas ou estágios
Petição 870200008686, de 17/01/2020, pág. 106/132 consistentes com as concretizações descritas neste documento.. O termo mídia legível por computador deve ser entendido como incluindo itens tangíveis e exclui ondas portadoras e sinais transitórios, ou seja, não transitórios. Os exemplos incluem memória de acesso aleatório (RAM), 5 memória somente leitura (ROM), memória volátil, memória não volátil, unidades de disco rígido, CD ROMs, DVDs, unidades flash, discos e qualquer outra mídia de armazenamento físico conhecida.
[0074] Pretende-se que a divulgação e os exemplos sej am considerados apenas exemplificativos, com um verdadeiro 10 escopo e espírito das concretizações divulgadas sendo indicados pelas reivindicações a seguir.

Claims (16)

  1. REIVINDICAÇÕES:
    1. Método de processador implementado para a otimização e monitoramento online de operações de mineração e de processamento de minérios, sendo que o método de processador implementado compreende:
    - coleta, a partir de uma pluralidade de fontes de dados, feita por um processador de hardware ou mais, de dados em prol de um conjunto de variáveis que correspondem a um conjunto de sensores associados às operações de mineração e de processamento de minérios (202);
    - pré-processamento, feito por um processador de hardware ou mais, dos dados coletados, os quais correspondem ao conjunto de variáveis mediante o descarte dos dados fora do normal, a realização de atribuição para que se agreguem valores artificiais nas posições em falta, a organização dos dados coletados a frequências diferentes em uma frequência comum, a identificação e a seleção de dados com base na operação em estado de equilíbrio de um processo - ou de um processo adjacente - associado às operações de mineração e de processamento de minérios (204);
    - determinação, feita por um processador de hardware ou mais, da condição de operação padrão para as operações de mineração e de processamento de minérios mediante o uso dos dados pré-processados, os quais correspondem ao conjunto de variáveis (206);
    - segregação de cada variável em meio ao conjunto de variáveis para uma das operações de perfuração e dinamitação, das operações de movimentação, das operações de cominuição, e das operações de flutuação e concentração, em que a segregação ser realizada de acordo com uma lista mestra de identificação (208);
    - geração, feita por um processador de hardware ou mais, de um conjunto de modelos com base no conjunto segregado de variáveis e dados pré-processados, onde o conjunto de modelos é gerado em prol de um conjunto de indicadores chave de desempenho [Key Performance Indicators] (KPIs) de interesse e de uma pluralidade de parâmetros de processo de
    Petição 870200008686, de 17/01/2020, pág. 108/132 interesse associados às operações de mineração e de processamento de minérios, nas quais o conjunto de modelos gerados compreende um conjunto de modelos de Aprendizado de Máquina [Machine Learning] (ML) ou um conjunto de modelos individualizados baseados em física ou de modelos híbridos, e onde o conjunto de modelos individualizados baseados em física ou de modelos híbridos se veem gerados em prol da pluralidade de parâmetros de processo que está calcada em conhecidos modelos baseados em física mediante a determinação de parâmetros de modelo que usam ajuste de curva não linear (210);
    - simulação, feita por um processador de hardware ou mais, da condição de operação atual das operações de mineração e de processamento de minérios que correspondem ao conjunto de variáveis com base em, ao menos, um: dos modelos gerados por ML, dos conjuntos de modelos individualizados baseados em física ou de modelos híbridos dos KPIs e da pluralidade de parâmetros de processo, onde a condição simulada de operação atual proporciona valores correntes para os KPIs e para a pluralidade de parâmetros de processo de interesse (212); e
    - a otimização, de forma hierárquica, feita por um processador de hardware ou mais, dos KPIs de interesse das operações de mineração e de processamento de minérios a fim de se atualizar a condição das operações atuais de um subconjunto de variáveis em meio ao conjunto de variáveis das operações de mineração e de processamento de minérios, nas quais os KPIs de interesse se originam a partir de ao menos uma das operações de mineração, de um circuito de cominuição, e de um circuito de flutuação e concentração (214).
  2. 2. Método de processador implementado, de acordo com a reivindicação 1, e que compreende, de modo ulterior, o monitoramento da condição de operação atual do conjunto de variáveis de acordo com os dados pré-processados do conjunto de variáveis que correspondem às operações de mineração e de processamento de minérios com o fim de se detectar a falha de um sensor ou mais - a partir do conjunto de sensores - ou a falha de um equipamento de processo, em que a falha e um motivo para a falha serem indicadas a um administrador do sistema (216).
    Petição 870200008686, de 17/01/2020, pág. 109/132
  3. 3. Método, de acordo com a reivindicação 1, no qual a otimização dos KPIs de interesse para, ao menos, uma das operações de mineração, o circuito de cominuição, e o circuito de flutuação e concentração compreenderem:
    - formulação e a solução de um problema de otimização, o qual compreende uma combinação sujeita a personalização dos KPIs de interesse, em cuja modelagem são utilizados os modelos de ML, o conjunto de modelos individualizados com base na física ou o conjunto de modelos híbridos, em que a solução do problema de otimização proporcionar um conjunto de valores do subconjunto de variáveis, as quais são comunicadas, de modo ulterior, a uma pluralidade de controladores e operadores com o intuito de se melhorar as operações de mineração e de processamento de minérios.
  4. 4. Método, de acordo com a reivindicação 3, em que a solução do problema de otimização proporcionar:
    - uma recomendação do plano de carga, com a inclusão do tipo e da quantidade de explosivos a serem usados; e
    - pontos definidos para a pluralidade de controladores localizados em diferentes posições ao longo do circuito de cominuição, e do circuito de flutuação e concentração.
  5. 5. Método, de acordo com a reivindicação 4, em que a otimização dos KPIs de interesse das operações de mineração e de processamento de minérios se apresenta de acordo com um procedimento hierárquico e organizado em fases, o qual compreende as etapas de:
    - criação de um padrão de perfuração e de um padrão de carga preliminar com base em um plano de mineração de curto prazo;
    - realização das operações de perfuração de produção a fim de que se coletem dados de Monitoramento durante a perfuração (MWD), onde os dados de MWD compreendem as informações da taxa de rotação da haste de perfuração, do torque de rotação, da força de tração descendente, da taxa de perfuração, da velocidade angular e da taxa de penetração;
    - utilização dos dados de MWD e do padrão de perfuração a fim de que sejam estimados os parâmetros geotécnicos que compreendem a energia de fratura específica e os parâmetros de explosão, e que compreendem, de modo ulterior, o comprimento de air deck, a altura resultante para cada furo
    Petição 870200008686, de 17/01/2020, pág. 110/132 a ser explodido;
    - concepção de um plano de carga preliminar, o qual compreende as informações de mistura de carga para cada um dos furos, com base nos parâmetros geotécnicos estimados e no padrão de perfuração;
    - estimativa da distribuição por tamanho de fragmento (FSD) mediante o uso dos modelos gerados, na qual os modelos gerados se valem dos parâmetros de explosão estimados e do plano de carga concebido, onde a FSD estimada, junto com os parâmetros relevantes de processo, são usados para simular os KPIs esperados das operações de mineração com a inclusão dos custos de movimentação, da produtividade do depósito, do alcance, velocidade e tamanho dos estilhaços de rocha e do custo de explosivos;
    - utilização da FSD estimada e dos parâmetros de processo relevantes para as operações de mineração e de processamento de minérios a fim de que sejam estimados os KPIs das operações de processamento de minérios onde se compreendem o consumo de energia específico, a eficiência de seleção, a distribuição do tamanho de partícula em pontos importantes durante o circuito de cominuição junto com a recuperação e o grau do mineral de interesse dentro do circuito de flutuação e concentração, usando os modelos de ML, os modelos baseados em física e os modelos híbridos; e
    - de modo recorrente, a realização de um ou de todos os passos descritos acima a fim de se obter um plano de carga otimizado e pontos definidos de parâmetros de processo de operações de mineração e de processamento de minérios que minimizem, de modo global, uma função objetiva e personalizada expressa em termos de KPIs de interesse.
  6. 6. Método, de acordo com a reivindicação 1, em que um conjunto de sensores estar associado:
    - ao equipamento e a instrumentação instalados para a operação de perfuração, dinamitação e movimentação requerida para as operações de mineração ou o equipamento e a instrumentação instalados dentro do circuito de cominuição e do circuito de flutuação e concentração das operações de processamento de minérios;
    - aos parâmetros de qualidade de uma pluralidade de derivações das operações de mineração e de processamento de minérios, os quais
    Petição 870200008686, de 17/01/2020, pág. 111/132 compreendem derivações de matéria-prima, de produto e de intermediários e os dados que correspondem à matéria-prima processada diariamente;
    - à fonte, à quantidade e aos dados relacionados à caracterização das matérias-primas de diferentes tipos que estão sendo processadas; e
    - aos registros de processo que contêm os dados que correspondem ao histórico de manutenção e quebra de equipamento, às condições do ambiente e do clima, e às propriedades de rocha e de terreno.
  7. 7. Método, de acordo com a reivindicação 1, em que a pluralidade de KPIs de interesse para os quais é gerado o conjunto de modelos compreende o custo das operações de dinamitação, a distribuição de tamanho de fragmentos, a formação de estilhaços de rocha - com a inclusão de tamanho, alcance e velocidade máxima - o custo de movimentação, a produção para o depósito, a eficiência de seleção, o consumo de energia específico, a distribuição do tamanho de partícula, a produção do circuito de cominuição, o grau e a recuperação do mineral de interesse nas derivações de saída do circuito de flutuação e concentração.
  8. 8. Método, de acordo com a reivindicação 1, em que a pluralidade de parâmetros de processo de interesse para os quais é gerado o conjunto de modelos, é usada na forma de sensores virtuais, e onde os sensores virtuais proporcionam uma previsão em tempo real - ou em tempo quase real - de parâmetro de processo crítico não medido ou medido com pouca frequência ou de um ou mais parâmetros específicos para cada operação de mineração e de processamento de minério.
  9. 9. Sistema (100) para a otimização e o monitoramento online das operações de mineração e de processamento de minérios, sendo que tal sistema (100) compreende:
    - uma memória (102) para armazenar instruções;
    - uma ou mais interfaces de comunicação ou mais (106); e
    - um ou mais processadores de hardware (104) conjugados à memória (102) através de uma ou mais interfaces de comunicação (106), em que um ou mais processadores de hardware (104) são configurados por meio de instruções, para:
    - coletar a partir de uma pluralidade de fontes de dados de dados em
    Petição 870200008686, de 17/01/2020, pág. 112/132 prol de um conjunto de variáveis que correspondem a um conjunto de sensores associados às operações de mineração e de processamento de minérios;
    - fazer o pré-processamento dos dados coletados, os quais correspondem ao conjunto de variáveis mediante o descarte dos dados fora do normal, a realização de atribuição para que se agreguem valores artificiais nas posições em falta, a organização dos dados coletados a frequências diferentes em uma frequência comum, a identificação e a seleção de dados com base na operação em estado de equilíbrio de um processo - ou de um processo adjacente - associado às operações de mineração e de processamento de minérios;
    - determinar a condição de operação padrão para as operações de mineração e de processamento de minérios mediante o uso dos dados préprocessados, os quais correspondem ao conjunto de variáveis;
    - segregar cada variável em meio ao conjunto de variáveis em uma das operações de perfuração e dinamitação, das operações de movimentação, das operações de cominuição, e das operações de flutuação e concentração, dentro das quais a segregação é realizada de acordo com uma lista mestra de identificação;
    - gerar um conjunto de modelos com base no conjunto segregado de variáveis e dados pré-processados, onde o conjunto de modelos é gerado em prol de um conjunto de indicadores chave de desempenho [Key Performance Indicators] (KPIs) de interesse e uma pluralidade de parâmetros de processo de interesse em associação com as operações de mineração e as operações de processamento de minérios, nas quais o conjunto de modelos gerados compreende um conjunto de modelos de Aprendizado de Máquina [Machine Learning] (ML), ou um conjunto de modelos individualizados baseados em física ou de modelos híbridos, e onde o conjunto de modelos individualizados baseados em física ou de modelos híbridos se veem gerados em prol da pluralidade de parâmetros de processo que está calcada em conhecidos modelos baseados em física mediante a determinação de parâmetros de modelo que usam ajuste de curva não linear;
    - simular a condição de operação atual das operações de mineração e
    Petição 870200008686, de 17/01/2020, pág. 113/132 de processamento de minérios que correspondem ao conjunto de variáveis com base em, ao menos, um: dos modelos gerados por ML, dos modelos individualizados baseados em física, dos conjuntos de modelos híbridos dos KPIs e na pluralidade de parâmetros de processo, onde a condição simulada de operação atual proporciona valores correntes para os KPIs e para a pluralidade de parâmetros de processo de interesse; e
    - otimizar, de modo hierárquico, os KPIs de interesse das operações de mineração e de processamento de minérios a fim de se atualizar a condição das operações atuais de um subconjunto de variáveis em meio ao conjunto de variáveis das operações de mineração e de processamento de minérios, nas quais os KPIs de interesse se originam a partir de ao menos uma das operações de mineração, um circuito de cominuição, e um circuito de flutuação e concentração.
  10. 10. Sistema (100), de acordo com a reivindicação 9, em que um processador de hardware ou mais (104) ser configurado, de modo adicional, para monitorar a condição de operação atual do conjunto de variáveis de acordo com os dados pré-processados do conjunto de variáveis que correspondem às operações de mineração e de processamento de minérios com o fim de se detectar a falha de um sensor ou mais a partir do conjunto de sensores ou a falha de um equipamento de processo, no qual a falha e um motivo para a falha são indicados a um administrador do sistema.
  11. 11. Sistema (100), de acordo com a reivindicação 9, em que um ou mais processadores de hardware (104) são configurados, de modo adicional, para realizar a otimização dos KPIs de interesse para, ao menos, uma das operações de mineração, para o circuito de cominuição, e para o circuito de flutuação e concentração mediante:
    - a formulação e a solução de problema de otimização o qual compreende a combinação sujeita a personalização dos KPIs de interesse, modelados usando-se os modelos de ML, o conjunto de modelos individualizados baseados em física ou de modelos híbridos, onde a solução do problema de otimização proporciona um conjunto de valores do subconjunto de variáveis, as quais são comunicadas, de modo ulterior, a uma pluralidade de controladores e operadores com o intuito de se melhorar as
    Petição 870200008686, de 17/01/2020, pág. 114/132 operações de mineração e de processamento de minérios.
  12. 12. Sistema (100), de acordo com a reivindicação 10, em que a solução do problema de otimização proporciona:
    - recomendação para um plano de carga com a inclusão do volume e do tipo de explosivos a serem usados; e
    - pontos definidos para a pluralidade de controladores localizados em diferentes posições ao longo do circuito de cominuição, e do circuito de flutuação e concentração.
  13. 13. Sistema (100), de acordo com a reivindicação 11, em que um processador de hardware ou mais (104) ser configurado, de modo adicional, a fim de melhorar os KPIs de interesse para a otimização das operações de mineração e de processamento de minérios em um procedimento hierárquico e organizado em fases, o qual compreende as etapas de:
    - criação de um padrão de perfuração e de um padrão de carga preliminar com base em um plano de mineração de curto prazo;
    - realização das operações de perfuração de produção a fim de que se coletem dados de Monitoramento durante a perfuração [Monitoring While Drilling] (MWD), onde os dados de MWD compreendem as informações de taxa de rotação da haste de perfuração, de torque de rotação, de orça de tração descendente, de taxa de perfuração, de velocidade angular e da taxa de penetração;
    - uso dos dados de MWD e do padrão de perfuração a fim de estimar os parâmetros geotécnicos que compreendem a energia de fratura específica e os parâmetros de explosão, e que compreende, de modo ulterior, o comprimento de air deck, a altura resultante [stemming height] para cada furo a ser explodido;
    - concepção de um plano de carga preliminar, o qual compreende as informações de mistura de carga para cada um dos furos, com base nos parâmetros geotécnicos estimados e no padrão de perfuração;
    - estimativa da distribuição por tamanho de fragmento [distribuição de tamanho de fragmentos] (FSD) mediante o uso dos modelos gerados, na qual os modelos gerados se valem dos parâmetros de explosão estimados e do plano de carga concebido, onde a FSD estimada junto com os parâmetros
    Petição 870200008686, de 17/01/2020, pág. 115/132 relevantes de processo são usados para simular os KPIs esperados das operações de mineração com a inclusão dos custos de movimentação, produtividade do depósito, alcance, velocidade e tamanho dos estilhaços de rocha fyrock] e custo de explosivos;
    - uso da FSD estimada e dos parâmetros de processo relevantes para as operações de mineração e de processamento de minérios com o intuito de se estimar os KPIs de operações de processamento de minérios compreendendo o consumo de energia específico, a eficiência de seleção, a distribuição do tamanho de partícula em pontos importantes durante o circuito de cominuição junto com a recuperação e o grau do mineral de interesse dentro do circuito de flutuação e concentração, usando os modelos de ML, os modelos baseados em física e os modelos híbridos; e
    - de modo recorrente, a realização de um ou de todos os passos descritos acima a fim de se obter um plano de carga otimizado e se estabelecer pontos de parâmetros de processo de operações de mineração e de processamento de minérios que minimizem, de modo global, uma função objetiva e personalizada expressa em termos de KPIs de interesse.
  14. 14. Sistema (100), de acordo com a reivindicação 9, em que o conjunto de sensores está associado:
    - ao equipamento e à instrumentação instalados para a operação de perfuração, à dinamitação e movimentação requeridas para as operações de mineração ou ao equipamento e à instrumentação instalados no circuito de cominuição e, ao circuito de flutuação e concentração de operações de processamento de minérios;
    - aos parâmetros de qualidade de uma pluralidade de derivações das operações de mineração e de processamento de minérios, compreendendo a matéria-prima, os produtos finais e os produtos intermediários;
    - à fonte e à quantidade de matérias-primas processadas e aos dados relacionados à caracterização das matérias-primas; e
    - aos registros de processo que contêm os dados que correspondem ao histórico de manutenção e quebra de equipamento, às condições do ambiente e do clima, e às propriedades de rocha e de terreno.
  15. 15.Sistema (100), de acordo com a reivindicação 8, em que pluralidade de KPIs
    Petição 870200008686, de 17/01/2020, pág. 116/132 de interesse para os quais é gerado o conjunto de modelos compreender o custo das operações de dinamitação, a distribuição de tamanho de fragmentos, a formação de estilhaços de rocha \flyrock\ com a inclusão de tamanho, alcance e velocidade máxima, o custo de movimentação, a produção para o depósito, a eficiência de seleção, o consumo de energia específico, a distribuição do tamanho de partícula, a produção do circuito de cominuição, o grau e a recuperação de mineral de interesse nas derivações de saída do circuito de flutuação e de concentração.
  16. 16. Sistema (100), de acordo com a reivindicação 9, em que a pluralidade de parâmetros de processo de interesse para os quais é gerado o conjunto de modelos se usa na forma de sensores virtuais, e onde os sensores virtuais proporcionam uma previsão em tempo real - ou em tempo quase real - de parâmetro de processo crítico não medido ou medido com pouca frequência ou de um ou mais parâmetros específicos para cada operação de mineração e de processamento de minério.
BR102019022525A 2018-10-26 2019-10-25 método e sistema de monitoramento e otimização online das operações de mineração e processamento de minérios BR102019022525A2 (pt)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
IN201821040541 2018-10-26

Publications (1)

Publication Number Publication Date
BR102019022525A2 true BR102019022525A2 (pt) 2020-05-05

Family

ID=68342729

Family Applications (1)

Application Number Title Priority Date Filing Date
BR102019022525A BR102019022525A2 (pt) 2018-10-26 2019-10-25 método e sistema de monitoramento e otimização online das operações de mineração e processamento de minérios

Country Status (7)

Country Link
US (1) US11307327B2 (pt)
EP (1) EP3644267A1 (pt)
JP (1) JP6839251B2 (pt)
AU (2) AU2019253881A1 (pt)
BR (1) BR102019022525A2 (pt)
CA (1) CA3060238A1 (pt)
ZA (1) ZA201907051B (pt)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3133587A1 (en) * 2019-03-15 2020-09-24 3M Innovative Properties Company Method of performing a process and optimizing control signals used in the process
US11944984B2 (en) * 2019-09-23 2024-04-02 Rockwell Automation Technologies, Inc. Adaptive control of industrial automation for mining flotation cells
CN111651726B (zh) * 2020-05-20 2023-04-18 重庆大学 一种用于矿山安全评价和风险预测的数学模型建立方法
US11639657B2 (en) 2020-06-12 2023-05-02 Landmark Graphics Corporation Controlling wellbore equipment using a hybrid deep generative physics neural network
CN111913943A (zh) * 2020-07-30 2020-11-10 上海数策软件股份有限公司 适用于工厂自动排产的数据采集与处理的方法及系统
CN111986737B (zh) * 2020-08-07 2021-03-16 华中科技大学 基于rf-nsga-ii耐久性混凝土配合比优化方法
MX2023004583A (es) * 2020-11-03 2023-05-08 Dyno Nobel Inc Sistema, metodos y aparatos de modelo de densidad de fractura.
EP4026984B1 (en) * 2021-01-07 2023-11-29 Tata Consultancy Services Limited System and method for real-time monitoring and optimizing operation of connected oil and gas wells
JP2022118555A (ja) * 2021-02-02 2022-08-15 富士通株式会社 最適化装置、最適化方法、及び最適化プログラム
KR20220153338A (ko) 2021-05-11 2022-11-18 주식회사 한화 발파에 의한 진동 및 파쇄도 분석을 위한 발파 관리 시스템
CN113139695A (zh) * 2021-05-11 2021-07-20 中海石油(中国)有限公司 海上热采与增产期甲板分配方法、计算机装置及存储介质
CN113477379B (zh) * 2021-07-29 2022-09-30 九江一晖环保集团有限公司 一种基于物料衡算的废弃物金属回收方法
CN113671919B (zh) * 2021-08-20 2023-02-24 西藏众陶联供应链服务有限公司 一种建筑陶瓷间歇式球磨机泥浆制备控制方法
CN114065475A (zh) * 2021-09-30 2022-02-18 宏大爆破工程集团有限责任公司 一种按所需块度级配要求的台阶爆破参数优化设计方法
CN114117765B (zh) * 2021-11-18 2022-07-29 北京奥信化工科技发展有限责任公司 实现钻爆成本最低的爆破设计参数优化方法及装置
WO2023092127A1 (en) * 2021-11-19 2023-05-25 Schlumberger Technology Corporation Field operations framework
EP4257243A1 (en) * 2022-04-06 2023-10-11 Cytec Industries, Inc. Mineral flotation separation
BR102022002312B1 (pt) * 2022-02-07 2023-02-07 David Christopher Michael Madderson Processo de planejamento integrado de mina e processamento, coleta de dados em tempo real, pré-concentração via classificação de minério com sensores (a seco), juntamente com um fluxograma da cominuição a seco combinado com um fluxograma de concentração final úmido
CN114733617B (zh) * 2022-03-10 2023-05-09 中南大学 一种磨矿分级过程的nmpc-pi控制方法及系统
US20230334390A1 (en) * 2022-04-13 2023-10-19 Caterpillar Inc. Avoiding prohibited sequences of materials processing at a crusher using predictive analytics
CN114819743B (zh) * 2022-06-01 2023-08-01 安元科技股份有限公司 一种化工企业能耗诊断分析方法
WO2024050629A1 (en) * 2022-09-06 2024-03-14 Teck Resources Limited Mine digging telemetry systems and methods
WO2024050637A1 (en) * 2022-09-07 2024-03-14 Teck Resources Limited Method and apparatus for drilling and blasting with fragmentation modeling
CN115641010B (zh) * 2022-12-08 2023-04-07 金乡县恒业商贸有限公司 一种基于卫星监测技术的土地监察管理系统
CN115619585B (zh) * 2022-12-15 2023-03-21 速度时空信息科技股份有限公司 一种智能化矿山环境监测管理方法及系统
CN115907429B (zh) * 2022-12-28 2023-08-25 清华大学 基于pso算法的合流制溢流优化控制方法及装置
CN115688053B (zh) * 2022-12-30 2023-08-11 速度科技股份有限公司 一种基于数据融合矿山环境动态监测管理方法及系统
CN117389236B (zh) * 2023-12-11 2024-02-13 山东三岳化工有限公司 一种环氧丙烷生产过程优化方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010124337A1 (en) * 2009-05-01 2010-11-04 The University Of Sydney Control system for autonomous operation
AU2010227086B2 (en) 2010-10-11 2012-09-13 Crc Ore Ltd A Method of Beneficiating Minerals
CN103778469A (zh) 2013-01-23 2014-05-07 辽宁工程技术大学 一种基于神经网络优化遗传算法的爆破方案选择方法
US20160314421A1 (en) * 2015-04-27 2016-10-27 Caterpillar Inc. Market-Driven Mining Optimization
CN108305183A (zh) * 2017-12-22 2018-07-20 安徽海螺集团有限责任公司 一种数字化智能矿山管理系统

Also Published As

Publication number Publication date
CA3060238A1 (en) 2020-04-26
JP2020066992A (ja) 2020-04-30
US20200132882A1 (en) 2020-04-30
AU2021254666A1 (en) 2021-11-25
ZA201907051B (en) 2021-06-30
AU2021254666B2 (en) 2023-02-02
AU2019253881A1 (en) 2020-05-14
US11307327B2 (en) 2022-04-19
JP6839251B2 (ja) 2021-03-03
EP3644267A1 (en) 2020-04-29

Similar Documents

Publication Publication Date Title
BR102019022525A2 (pt) método e sistema de monitoramento e otimização online das operações de mineração e processamento de minérios
Liang et al. Dynamic evaluation of drilling leakage risk based on fuzzy theory and PSO-SVR algorithm
CN109933577B (zh) 基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法及系统
Shi et al. An efficient approach for real-time prediction of rate of penetration in offshore drilling
Klyuchnikov et al. Data-driven model for the identification of the rock type at a drilling bit
CN106778010B (zh) 基于数据驱动支持向量回归机的tbm刀具寿命预测方法
Yu et al. Feasibility of the indirect determination of blast-induced rock movement based on three new hybrid intelligent models
Desai et al. Big data analytics in upstream oil and gas industries for sustainable exploration and development: A review
US20210017847A1 (en) Method of modeling fluid flow downhole and related apparatus and systems
Huang et al. Machine learning-based automatic control of tunneling posture of shield machine
Leng et al. A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines
Akbarzadeh et al. Developing the rule of thumb for evaluating penetration rate of TBM, using binary classification
Adoko et al. Fuzzy inference system-based for TBM field penetration index estimation in rock mass
Xu et al. A hybrid approach for dynamic simulation of safety risks in mega construction projects
BR112020013955A2 (pt) sistema de mineração
Ozfirat et al. Integration of fuzzy analytic hierarchy process and multi-objective fuzzy goal programming for selection problems: An application on roadheader selection
Xu et al. RETRACTED ARTICLE: Source discrimination of mine water inrush based on Elman neural network globally optimized by genetic algorithm
Olatunji et al. Modeling permeability prediction using extreme learning machines
Amish et al. Genetic programming application in predicting fluid loss severity
Song et al. A hybrid stacking framework optimized method for TBM performance prediction
Pauling et al. Geothermal Play Fairway Analysis Best Practices
Fattahi et al. Predicting tensile strength of rocks from physical properties based on support vector regression optimized by cultural algorithm
Junca Rivera et al. How Deep Learning Can Provide Consistent Improvement on ROP Through Different Drilling Environments
Devi et al. A Hybrid Structural Building Data Mining System Based On the Data Tracking Through Devices
Al-Yateem et al. Effective utilization of smart oil fields infrastructure towards optimal production and real time reservoir surveillance

Legal Events

Date Code Title Description
B03A Publication of a patent application or of a certificate of addition of invention [chapter 3.1 patent gazette]
B06W Patent application suspended after preliminary examination (for patents with searches from other patent authorities) chapter 6.23 patent gazette]