Dados da Submissão

Título

MONITORAMENTO ONLINE DA QUALIDADE DOS DADOS DE NÍVEL E PRESSÃO DE ÁGUA EM BARRAGENS DE REJEITO POR MEIO DE SENSOR VIRTUAL BASEADO EM INTELIGÊNCIA ARTIFICIAL

Texto do resumo

As barragens de rejeito são importantes estruturas geotécnicas nas operações de mineração, com o papel de contenção de rejeitos oriundos do processo de beneficiamento realizado nas usinas. Estas barragens precisam de inspeções, monitoramentos automatizados e manutenções, cumprindo-se uma rigorosa gestão de segurança aderentes às legislações vigentes. Diversos instrumentos são utilizados para o monitoramento, visando apoiar os geotécnicos na avaliação da segurança das estruturas. O monitoramento online pode trazer uma confiança ainda maior para a instrumentação. Uma das formas de realizar tal monitoramento é por meio de um sensor virtual, desenvolvido para estimar ou predizer dados capturados pelos instrumentos, e então, por meio da comparação entre os dados reais e estimados, indicar se o instrumento está com funcionamento adequado ou se necessita algum tipo de calibração – a análise final deve ser baseada no julgamento das equipes de geotecnia e engenharia de registro, e é referenciada por meio dos manuais de operação e cartas de segurança de instrumentação. Este trabalho propõe a criação de modelos de predição para instrumentos de barragens, usando a técnica de aprendizado de máquina Random Forest. Foram utilizados dados diários de 8 indicadores de nível de água (INA01 a INA08) e de 12 piezômetros (PZ01 a PZ12) de um período de 6 meses (de 22/12/2019 a 01/06/2020). Foram usados 80% dos dados para treino dos modelos e 20% para validação, executados 30 vezes para maior representatividade estatística. Foram criados modelos para estimativas das medidas de INA01, INA07, PZ01 e PZ11 utilizando-se como entrada os demais instrumentos. Na sequência, o Random Forest Feature Importance foi utilizado para identificar os 3 melhores vizinhos de cada instrumento. Usando todos os vizinhos, os valores de R2 obtidos pelos modelos foram: INA01 = 0,854; INA7 = 0,986; PZ01 = 0,874; PZ11 = 0,972. Usando os três vizinhos mais bem avaliados, os valores de R2 foram: INA01 = 0,705; INA7 = 0,989; PZ01 = 0,848; PZ11 = 0,966. Observou-se que os valores médios para R2 foram similares em ambos os testes, com exceção do INA01. O teste de normalidade Shapiro Wilk foi usado para avaliar a similaridade dos modelos e mostrou p-valores abaixo de 0,05, assim, a comparação das distribuições foi feita por meio do método não paramétrico Wilcoxon rank sum test. Os p-valores foram todos acima de 0,05 (considerados similares) com exceção do INA01. Assim, o método foi capaz de criar modelos com R2 acima de 0,85 para dois dos instrumentos e acima de 0,97 para outros dois instrumentos. A busca por maior eficiência computacional, usando menor número de vizinhos, manteve a qualidade dos resultados dos modelos em 3 casos, porém, em um dos modelos a limitação de três entradas resultou em certa degradação na estimativa. Para o caso específico (INA01), manter a qualidade da estimativa depende de um maior número de vizinhos, para os demais instrumentos, o uso dos três vizinhos mais bem avaliados é suficiente. Conclui-se que, por meio deste modelo, é possível criar mais uma camada de verificação quanto a saúde dos instrumentos e o comportamento esperado para os instrumentos geotécnicos. É importante destacar que a rotina de inspeção e monitoramento, permanecem inalteradas, em atendimento a legislação, e este estudo propõe uma camada adicional para as tendências de banco de dados que visa auxiliar os geotécnicos a manterem a rotina de avaliação de segurança.

Palavras Chave

Sensor virtual; Instrumentos; Barragem de Rejeito; aprendizado de máquina