Tecnologia em Metalurgia, Materiais e Mineração
https://tecnologiammm.com.br/article/doi/10.4322/2176-1523.20212220
Tecnologia em Metalurgia, Materiais e Mineração
Artigo Original

Uso de modelos paramétricos para estimativas de investimento aplicadas às etapas de britagem primária e secundária de minério de ferro

Use of parametric models for investment estimates applied to the primary and secondary crushing stages of iron ore

Paulo César Salvador de Aguiar Júnior, Douglas Batista Mazzinghy, Carlos Esteves Teixeira, Fábio Paiva

Downloads: 0
Views: 63

Resumo

Estimativas de custos e investimentos assertivas elevam a confiabilidade da avaliação econômica e financeira dos projetos, avaliação esta que tem a finalidade de validar ou não o prosseguimento de estudos e projetos do setor de mineração. As etapas de britagem primária e secundária na mineração podem ser consideradas como as etapas iniciais do beneficiamento de minérios, usualmente aplicadas após as etapas de desmonte, carregamento e transporte. Para determinação dos modelos paramétricos estimadores este artigo propõe modelos de regressão multivariados utilizando a metodologia sugerida por Sayadi et al. [1]. Esses modelos foram desenvolvidos usando uma técnica de regressão multivariada (MVR) baseada na análise de componentes principais (PCA). O resultado da avaliação dos modelos mostrou que as taxas médias de erro relativo foram de 17,7% utilizando dois componentes principais e chegaram a 9,7% quando foram mantidos os componentes principais originais. Em análise complementar foram ajustadas as equações propostas por O’Hara em 1980 [2] e 1992 [3], buscando avaliar se essas equações podem refletir a realidade de custos e investimentos de mineração no Brasil em 2019. Os erros médios encontrados utilizando os fatores de ajuste propostos foram de 17% para as equações atualizadas de 1992 e 20% para as equações originais de 1980 [2], mostrando assim que estes modelos ainda possuem boa aplicabilidade para estudos de viabilidade

Palavras-chave

Britagem; Estimativa de custos; Regressão; Análise de componentes principais; Programação Linear

Abstract

Assertive cost and investment estimates raise the reliability of the economic and financial evaluation of projects. Primary and secondary crushing stages in mining can be considered as the initial stages of mineral processing, usually after the stages of blasting, loading and hauling. In order to determine the parametric estimator models, this paper proposes multivariate regression models using the methodology suggested by Sayadi et al. [1]. These models were developed using a multivariate regression technique based on principal component analysis (PCA). The results of the evaluation of the models showed that the mean relative error rates were 17.7% using two main components and reached 9.7% when the original main components were maintained (lower than the multivariate regression using the stepwise method with error of 10.9%). In complementary analysis were adjusted the equations proposed by O’Hara in 1980 [2] and 1992 [3], seeking to evaluate if these equations can reflect the reality of mining investments in Brazil in 2019. The average errors found using the adjustment factors proposed with the optimization tool were 17% for the updated equations of 1992 and 20% for the original equations of 1980 [2] showing that these models still have good applicability for feasibility studies.

Keywords

Crushing; Cost estimation; Regression; Principal component analysis; Linear Programming.

Referências

1 Sayadi AR, Khalesi MR, Borji MK. A parametric cost model for mineral grinding mills. Minerals Engineering. 2014;55:96-102.

2 O’Hara TA. Quick guide to the evaluation of ore bodies. CIM Bulletin. 1980;88:34-43.

3 O’Hara TA, Suboleski CS. Costs and cost estimation. In: O’Hara TA. SME mining engineering handbook. USA: Society for Mining, Metallurgy, and Exploration; 1992. p. 405-424. Chap. 6.3.

4 Prasad L. Mineral processing plant design and cost estimates. Montreal: Processors Division of Canadian Institute of Mining, Metallurgy and Petroleum; 1969.

5 Mular AL. Mining and mineral processing equipment costs and preliminary capital cost estimations. Montreal: Canadian Mining and Metallurgy Institue; 1982.

6 Kim GH, An SH, Kang KI. Comparison of construction cost estimating models based on regression analysis, neural networks and case-based reasoning. Building and Environment. 2004;39(10):1235-1242.

7 Kaiser HF. The application of electronic computers to factor analysis. Educational and Psychological Measurement. 1960;20:141-151.

8 Timm, N.H. Applied Multivariate Analysis. New York: Springer-Verlag; 2002.

9 Sayadi AR, Lashgari A, Paraszczak J. Hard-rock LHD cost estimation using single and multiple regression based on principle component analysis. Tunnelling and Underground Space Technology. 2012;27(1):133-141.

10 Dekharghani AA, Osanloo M. An updated and modified O’Hara cost estimating model based on World and Iran economic conditions. In Dessureault S, Ganguli R, Kecojevic V, Girard-Dwyer J, editors. Application of computers and operations research in the mineral industry. London: Taylor & Francis Group; 2005.


Submetido em:
31/01/2020

Aceito em:
19/10/2020

6130c76fa953954cb918c0a3 tmm Articles
Links & Downloads

Tecnol. Metal. Mater. Min.

Share this page
Page Sections