Qualificação de doutorado PPGCC da discente Érica Silva, dia 02/09, às 09:00

Qualificação de doutorado da discente Érica Silva, dia 02/09, às 09:00.

Titulo: SISTEMA DE BANCADA BASEADO EM SENSOR CAPACITIVO, COMPRESSÃO DE AMOSTRAS E TINYML PARA MEDIÇÃO DE UMIDADE DE MINÉRIO DE FERRO

Resumo: O elevado tempo de resposta dos métodos baseados em secagem utilizados para a determinação da umidade de minério de ferro compromete a tomada de decisão e o controle dos processos de mineração. No contexto de carregamento de navios, o atraso na determinação da umidade pode comprometer o controle da carga e, caso os limites normativos sejam excedidos, existe risco de liquefação da carga e comprometimento da segurança da embarcação. Os métodos alternativos reportados na literatura, baseados na estimativa indireta da umidade a partir de grandezas mecânicas, eletromagnéticas, ópticas e térmicas, bem como na utilização de ferramentas computacionais, apresentam a vantagem de fornecer respostas rápidas e, em alguns casos, precisão compatível com os requisitos da indústria mineral. Entretanto, essas tecnologias ainda carecem de validações exaustivas em condições reais de operação, o que limita a comprovação de sua robustez e a consolidação de sua aplicação em escala industrial. Assim, a obtenção de medições rápidas e precisas ainda representa um desafio relevante para aplicações industriais. Nesse contexto, este trabalho apresenta um sistema de bancada para medição de umidade de minério de ferro baseado em sensor capacitivo, fundamentado em três pilares: compressão das amostras para reduzir a influência da densidade aparente e dos vazios de ar, utilização de técnicas de TinyML para viabilizar inferências rápidas e autônomas, e validação a partir de dados coletados em ambiente real industrial. O sistema foi submetido a testes no Terminal Marítimo de Ponta da Madeira, em São Luís-MA, utilizando amostras do produto Iron Ore Carajás (IOCJ). Os resultados evidenciaram que a precisão das estimativas está mais associada à qualidade e representatividade das variáveis de entrada do que à complexidade dos modelos de aprendizado de máquina empregados, ressaltando a importância da modelagem física do problema e da adequada aquisição dos dados. Os testes de hipótese estatística indicaram a inexistência de diferenças significativas entre os modelos de TinyML avaliados, demonstrando que a Árvore de Decisão representa uma alternativa adequada para aplicações em sistemas embarcados, conseguindo equilibrar precisão e baixo consumo de recursos computacionais. O modelo selecionado apresentou coeficiente de determinação de 82,1%, erro padrão de 0,020 pp, incerteza de +-0,350 pp, tempo de inferência de 28 us e consumo de aproximadamente 5% da memória de programa do microcontrolador, evidenciando sua viabilidade para aplicações de edge computing. Os resultados indicam que a tecnologia pode atuar como complemento ao método gravimétrico convencional, fornecendo informações quase em tempo de execução e contribuindo para uma tomada de decisão mais ágil em operações críticas da mineração, como o carregamento de navios.

Data: 02/09/2026
Hora: 9:00
Link: https://meet.google.com/nkn-eqhz-vwy

Banca Avaliadora: Prof. Dr. Alan Kardek Rêgo Segundo - UFOP; Prof. Dr. Gustavo Pessin - ITV; Prof. Dr. Jefferson Rodrigo de Souza - UFU; Profa. Dra. Andrea Gomes Campos - UFOP