Esse artigo versa sobre a aplicação de um simulador de moagem mista baseado em redes neurais artificiais (do tipo perceptron multicamadas com treinamento supervisionado com o algoritmo retropropagação com momento). Os dados experimentais aqui utilizados provieram do trabalho atinente ao artigo intitulado "Seletividade na cominuição de mesclas de dolomita e quartzo". Para verificar a estabilidade estatística do processo de simulação, utilizou-se a carta de controle Shewhart para valores individuais, a qual se mostrou útil para orientar a aceitação dos treinamentos. Os resultados mostraram bom desempenho dessa ferramenta na simulação de moagem mista (moagem de mistura de componentes de diferentes moabilidades), problema de comum ocorrência no setor minerometalúrgico.

This paper discusses the results of a mixed grinding simulator application based on an artificial neural network (multiple-layer perceptron using a back-propagation-like algorithm with moment). The data used came from a previous paper entitled "Selective grinding of dolomite and quartz mixes". The Shewhart control chart for individual values was used in order to verify the statistical stability of the simulation process results, which was useful for testing acceptance. The results have displayed good performance of this tool related to mix grinding simulation, a common issue in the mining and metallurgical sectors.

Estudou-se o comportamento dos principais parâmetros da moagem a seco de mesclas binárias em batelada dos minerais dolomita e quartzo. Por meio de vários ensaios físicos com diferentes proporções desses minerais por diferentes ciclos moagem, acompanhou-se a evolução da granulação dos produtos em termos de coeficiente de agudez, a, e diâmetro, d50, parâmetros da função de distribuição de probabilidades sigmoidal de Hill, a qual foi utilizada para ajustar a nuvem de dados. Os resultados subsidiaram o desenvolvimento de sistema simulador de cominuição baseado em rede neural artificial (do tipo perceptron de multicamada com algoritmo de supervisão e treinamento de retropropagação com momento), a ser objeto de artigo futuro.

The behavior of batch grinding of a dry binary mix using dolomite and quartz has been studied. Through several tests with different proportions of these minerals and different grinding cycles, the granular system evolution was observed in terms of sharpness coefficient and mean diameter d50. These parameters were fit into the Hill’s sigmoidal function of probability distribution to adjust the results. The results were used for the validation of a neural network system (multilayer perceptron-like algorithm), which will be presented in another article.

Esse artigo dá prosseguimento à pesquisa que deu origem a artigo anterior, apresentando resultados referentes à seletividade da moagem de mesclas dos minerais dolomita e quartzo sob diferentes proporções. Apresenta-se, aqui, o indicador global de contraste granulométrico (IGCG), utilizado para dar suporte à análise do comportamento granular das espécies minerais no produto, a partir das respectivas curvas de distribuições das frações retidas simples, regredidas das nuvens de pontos das análises granulométricas por meio da função de distribuição de probabilidades sigmoidal de Hill. Os resultados indicaram o tempo ótimo de moagem, na amplitude de moagem considerada. Os resultados subsidiaram, também, o desenvolvimento de sistema simulador de cominuição baseado em rede neural artificial (do tipo perceptron de multicamada com algoritmo de supervisão e treinamento por retropropagação com momento), a ser objeto de artigo futuro.

This article is a sequence of another one and displays results in the selective comminution of binary mineral mixtures. The selectivity of dolomite and quartz grinding rates under different proportions was studied. The called global grain contrast indicator (IGCG) was used to improve the analyses of the behavior of these minerals under comminution, using theoretical size distribution curves, fitted to the Hill's sigmoidal function. The results have suggested the optimum grinding times, within the tested range. The results presented here have validated the development of a neural network-based predictive model for grinding system simulation (a multilayer perceptron using backward propagation with moment), which will be approached in another article.