Título do projeto:
OreAnalytics: Transformando Mineralogia em Performance na Cadeia de Pelotização

Eixo Tecnológico / Tecnologias habilitadoras
Big Data e Análise de dados
Manufatura avançada
Exploração e gestão de recursos naturais

Objetivo Geral do Projeto

Desenvolver modelos preditivos capazes de correlacionar características físico-químicas e mineralógicas dos minérios de ferro com os principais indicadores das etapas críticas da pelotização, como remoagem, desaguamento, pelotamento e forno.

Setor Predominante do Projeto
Mineração

Objetivos Específicos:

Otimizar a eficiência energética, os custos operacionais e a qualidade das pelotas produzidas;

Integrar dados laboratoriais, mineralógicos e industriais para construção de modelos de scale-up;

Aprimorar sistemas avançados de controle de processo;

Apoiar estratégias sustentáveis e metas de descarbonização da companhia.

Metodologia:

1ª Fase Caracterização físico, química, mineralógica e correlação com as etapas
unitárias em escala piloto.
Investigar, para as diferentes fontes de minérios que alimentam as plantas de
pelotização, a regularidade entre sua composição química, textura, perda por calcinação
e percentuais dos principais minerais existentes. Obter modelos estatísticos que
permitam, em função das caracterizações supramencionadas, estimar: Consumo
energético de moagem para obtenção da granulometria do pellet feed especificado;
Produtividade em meio filtrante (leaf test) para se atingirem os teores de umidade
requeridos; Consumo de aglomerante, dispersão granulométrica e resistência da pelota
verde durante etapa de pelotamento; Consumos de gás natural, antracito e perfil térmico
ideal para obtenção dos limites de especificação de qualidade física e metalúrgica das
pelotas em pot grade.

2ª Fase Scale up
Utilizar Big Data, estatística avançada, para obter associações ente resultados obtidos em
escala piloto e os dados industriais, considerando as particularidades de cada usina de
pelotização.

3ª Fase Integração com controle avançado
Aprimorar os sistemas de controle avançado existentes, propondo-se alteração dinâmica
de set up de processo, para as diferentes etapas unitárias de processamento do pellet
feed, conforme as características mineralógicas de cada pilha de minério a ser
consumida.

______________________________________________________________________________________________________________________________________________________________

Formação

Mestrado completo em qualquer área, com conhecimentos relacionados a Big Data, análise avançada de dados e estatística aplicada a processos industriais;

ou

Graduação em Engenharia da Computação, Ciência da Computação, Sistemas de Informação ou Engenharia de Controle e Automação, com no mínimo 3 anos de experiência em Big Data, análise avançada de dados, modelagem estatística, integração de sistemas industriais ou automação aplicada à mineração e indústria 4.0.

Conhecimentos Desejados

Big Data e Analytics;

Machine Learning e estatística aplicada;

Integração de sistemas industriais;

Automação e otimização de processos.

Experiência

Experiência acadêmica ou profissional em Big Data, análise de dados industriais, mineração, siderurgia, integração de sistemas, automação industrial ou aplicações relacionadas à Indústria 4.0.

Competências Comportamentais

Perfil inovador;

Autonomia;

Facilidade com tecnologia;

Capacidade de integrar dados e propor soluções.

Disponibilidade para atuação na modalidade híbrida, sendo 3 dias presenciais e 2 dias home office

Valor da Bolsa: R$ 4.400,00 (quatro mil e quatrocentos reais)