Como a Niteo ajudou a CSN a reduzir reagentes e aumentar a recuperação de ferro

Resumo

A operação de Casa de Pedra, em Congonhas (MG), já media muito, mas ainda decidia a dosagem de reagentes com base na experiência. Com uma solução analítica desenvolvida pela Niteo na nuvem Microsoft Azure, a equipe passou a estimar o desempenho do beneficiamento a partir das características do material em alimentação, com 96% de acerto relatado, e a usar essas estimativas durante o processo. O resultado informado pela CSN: menos reagente consumido, mais ferro aproveitado e decisões revistas com mais frequência ao longo do dia.

Contexto

O projeto foi realizado na Mina Casa de Pedra, da CSN Mineração, em Congonhas (MG), no Quadrilátero Ferrífero. É uma das operações de minério de ferro mais antigas e relevantes do país. Ela abastece a siderurgia da CSN e parte do volume exportado pela companhia.

A mina é a céu aberto e trabalha principalmente com hematita de alto teor, com uma parcela menor de itabirito, de teor mais baixo e variável. Por isso, o material que chega à planta muda ao longo do tempo em teor de ferro, proporção de finos e presença de contaminantes como sílica e alumina.

O circuito de beneficiamento inclui lavagem, ciclonagem, concentração e filtragem. Em cada etapa, o resultado depende tanto das características da alimentação quanto dos ajustes operacionais, entre eles a dosagem de reagentes químicos. Quando a alimentação muda e a dosagem não acompanha, a planta perde ferro no rejeito ou consome reagente além do necessário.

A operação já gerava grande volume de dados: densidade, composição química e vazão de polpa na entrada, entre outros. Essas medições registravam bem o que acontecia no processo, mas não eram usadas para antecipar o resultado do tratamento.

Problema de negócio

A CSN precisava estimar o resultado do beneficiamento a partir das características do material de entrada e, com isso, definir a dosagem de reagentes. Os dados existiam, mas as decisões ainda eram empíricas, mesmo com os dados disponíveis.

Faltava uma análise que relacionasse as condições de entrada ao desempenho do processo. Sem ela, a equipe tinha dificuldade para definir quanto reagente usar e como extrair mais ferro do material processado. O desafio era transformar dados já existentes em decisões que reduzissem desperdício de insumos e custo operacional.

Impacto do problema

A falta de uma base analítica afetava três frentes: o consumo de reagentes, a recuperação de ferro e o tempo para chegar a uma decisão. Segundo a entrevista, a equipe também tinha pouca visibilidade sobre o custo de cada operação de ciclonagem, o que dificultava acompanhar e controlar o custo operacional.

O tempo entre a coleta dos dados e a conclusão da análise limitava a capacidade de resposta da operação. Quanto mais demorava cada análise, menos vezes por dia a equipe conseguia revisar os ajustes do processo, como a dosagem de reagentes. Nesse intervalo, a planta seguia operando com parâmetros que talvez já não correspondessem ao material em alimentação.

Segundo a McKinsey, operadores que aplicaram IA em plantas de processamento industrial relataram aumento de 10% a 15% na produção e de 4% a 5% no EBITA (AI: The next frontier of performance in industrial processing plants, 2023). O dado é de mercado: ajuda a dimensionar a oportunidade e não representa resultado deste projeto.

Desafio

O desafio central era descobrir quais variáveis de entrada explicavam as mudanças no resultado do beneficiamento. Com a alimentação variando em teor, granulometria e contaminantes, não bastava ter os dados. A equipe precisava relacionar os sinais dos sensores às características do material, separar as medições relevantes das redundantes ou ruidosas e identificar os pontos de medição que mais contribuíam para prever o desempenho do processo.

Havia também obstáculos práticos. A distância até a unidade e as limitações de comunicação do local, na época, exigiam combinar trabalho remoto com visitas presenciais para testes e implantação.

Estratégia

A Niteo partiu da pergunta que a operação precisava responder todos os dias: diante das características do material que está entrando, qual resultado esperar do beneficiamento e como ajustar a dosagem de reagentes? Para respondê-la, era preciso combinar dois tipos de conhecimento: a experiência da equipe da planta sobre o processo e a análise dos dados que a operação já gerava.

O primeiro passo foi medir a relação entre as variáveis de entrada e os indicadores de saída do processo. Os sinais que não mostravam relação útil com o resultado foram retirados da análise. Com isso, o modelo passou a usar apenas as informações que de fato ajudavam a estimar o desempenho do beneficiamento.

Uma boa estimativa, porém, só gera valor se chegar a tempo de orientar a decisão. Por isso, os resultados foram levados a um painel atualizado em streaming, ou seja, com atualização contínua. Assim, a equipe passou a acompanhar as condições do material em alimentação e a usar as estimativas enquanto o processo acontecia, sem esperar por uma análise feita depois.

Solução

A solução foi implementada na nuvem Microsoft Azure. Ela forma um fluxo contínuo que vai do sensor na planta até o painel usado pela operação.

1. Captura: os dados dos sensores do processo, como densidade, composição química e vazão de polpa na alimentação, eram enviados ao Azure IoT Hub.
2. Processamento em tempo real: o Azure Stream Analytics recebia esse fluxo de forma contínua e preparava os dados para a execução do modelo, sem esperar a formação de lotes.
3. Execução do algoritmo: o Azure Functions aplicava o modelo construído a partir das variáveis selecionadas com a equipe da planta. O resultado era uma estimativa do desempenho do beneficiamento para o material em alimentação, usada como apoio para definir a dosagem de reagentes.
4. Entrega à operação: as estimativas eram exibidas no Power BI, atualizadas em streaming, para que a equipe pudesse consultá-las durante o processamento.
5. Histórico e análise: em paralelo, o Azure Data Factory levava os dados a um data lake e a um banco SQL. Essa base histórica sustentava a análise das relações entre variáveis e permitia revisar o modelo ao longo do tempo.

Com isso, a análise de dados deixou de ser uma atividade separada e passou a fazer parte da rotina do beneficiamento.

Transformação

A operação passou a contar com uma relação mais clara entre o material recebido, as variáveis do processo e as decisões sobre o uso de insumos. [1]

Resultados mensuráveis

Os três números abaixo foram informados pelo cliente.

Nota: os percentuais foram informados pelo cliente em entrevista. Não foram divulgados os volumes de referência, a composição por reagente.

Impacto estratégico

O projeto atuou nas duas pontas do custo do beneficiamento: o que se gasta para processar e o que se aproveita do que foi processado. A economia de 10% em reagentes reduz o custo direto da operação. A melhoria de 5% na recuperação metalúrgica faz o mesmo volume de minério lavrado gerar mais concentrado.

Na gestão, a decisão sobre a dosagem de reagentes deixou de depender principalmente da experiência individual e passou a ter uma base analítica compartilhada pela equipe. O fluxo de dados construído também cria condições para acompanhar o desempenho e o custo de cada etapa do beneficiamento, uma lacuna apontada no início do projeto.

O modelo também pode ser replicado. A lógica do projeto, que é relacionar as características do material ao desempenho do processo e levar a estimativa à operação em tempo hábil, não depende de um circuito específico. Ela pode ser aplicada a outras etapas da planta e a novas frentes de beneficiamento, especialmente onde a alimentação varia mais.

Na dimensão ambiental, a entrevista associa o uso mais racional de reagentes a benefícios no tratamento dos rejeitos. Esse efeito é coerente com a maior recuperação, já que mais ferro no concentrado significa menos ferro perdido no rejeito, mas não foi medido no projeto.

Próximo capítulo: da estimativa à decisão assistida por IA

O projeto criou uma base que nem toda operação tem: dados organizados, variáveis que explicam o desempenho do beneficiamento e um fluxo que entrega informação à equipe durante o processo. A partir dela, a evolução natural passa pela inteligência artificial em quatro frentes.

1. Consolidar a medição dos ganhos. O primeiro passo é acompanhar os resultados por condição operacional: consumo de reagentes por tonelada tratada, recuperação metalúrgica e tempo de análise. Comparar materiais com características semelhantes permitiria confirmar a consistência dos ganhos. Documentar o critério de acerto do modelo daria a base técnica para qualquer expansão.
2. Passar da estimativa à recomendação. Hoje, o modelo estima o desempenho e a equipe decide a dosagem. Com modelos de aprendizado de máquina treinados sobre o histórico do data lake, a solução poderia sugerir a dosagem de reagentes mais adequada para o material em alimentação e mostrar o resultado esperado. A decisão final continuaria com a operação.
3. Manter o modelo atualizado. A alimentação da planta muda ao longo do tempo, e um modelo treinado com dados antigos perde precisão. Um ciclo de retreinamento contínuo, com monitoramento do acerto, manteria as estimativas confiáveis. Isso vale especialmente para minérios de teor mais variável.
4. Levar a análise à linguagem da operação. Um assistente de IA conectado aos dados do processo permitiria que supervisores e operadores fizessem perguntas diretas, como "por que a recuperação caiu no último turno?" ou "qual dosagem funcionou melhor com um material parecido?", e recebessem respostas baseadas no histórico da própria planta. A IA deixaria de ser apenas um painel e passaria a apoiar o raciocínio de quem decide.