Um dos grandes desafios para a mineração é reduzir os erros de amostragem e, consequentemente, ter estimativas mais precisas de produção. Uma pesquisa feita na Escola Politécnica da Universidade de São Paulo (Poli/USP) oferece uma metodologia que permite minimizar os erros e reduzir os prejuízos das empresas do setor.
O objetivo da amostragem é reduzir a massa de um lote de material sem inserir mudanças significativas em outras propriedades. Ou seja, a amostra deve conservar ao máximo a composição do lote inicial. Uma amostra é considerada correta quando é representativa do lote de onde foi retirada, explica Ana Carolina Chieregati, docente do Departamento de Engenharia de Minas e de Petróleo da Poli.
“A amostragem sempre existiu em operações mineiras, mas até pouco tempo não recebia a atenção merecida. Toda estimativa de massa, teor, produção, desempenho de processos e outros é baseada em amostras. A amostragem é um elemento-chave para a tomada de decisões em um empreendimento mineiro”, disse à Agência FAPESP.
O estudo atual deriva do trabalho de doutorado de Ana Carolina, intitulado “Reconciliação Pró-ativa em Empreendimentos Mineiros” e defendido em 2007, também na Poli. Segundo ela, se a amostragem for feita de maneira incorreta, valores incorretos de massa e teor do minério são considerados no desenvolvimento dos modelos e no planejamento mineiro. “Uma amostragem correta aumenta a previsibilidade da produção e facilita o planejamento da lavra”, afirmou.
Os erros de amostragem surgem no decorrer das operações e resultam da existência de heterogeneidade em um lote de material. Quanto maior o erro de estimativa, menor a previsibilidade de uma operação mineira.
“Os erros de estimativa não podem ser eliminados, mas podem ser minimizados com práticas adequadas de amostragem, ou seja, com a utilização de equipamentos e de procedimentos de amostragem corretos”, disse, ao reforçar que uma amostra dificilmente apresentará características idênticas àquelas do material de onde foi retirada.
Em trabalho de campo em uma mina de ouro no noroeste de Minas Gerais, Ana Carolina aplicou o conceito de prognosticação ou reconciliação pró-ativa. A reconciliação pode ser entendida como a prática de comparar as estimativas de produção dos modelos de curto e de longo prazo com a produção registrada na usina.
“Geralmente, o resultado dessas comparações é um grupo de fatores, como o chamado mine call factor, aplicados às estimativas dos modelos visando a melhorar as estimativas futuras”, explicou.
Se historicamente, por exemplo, uma usina produziu 20% menos de ouro do que o previsto pelo modelo, para as próximas estimativas de produção é aplicado um fator de 0,8 aos teores estimados pelos modelos.
“Entretanto, a reconciliação deve ser realizada de maneira pró-ativa, ou seja, sem a aplicação de fatores, mas tomando-se ações corretivas, como mudanças nos protocolos ou equipamentos de amostragem, de modo a assegurar que o erro entre as estimativas dos modelos e os dados de produção seja mínimo”, disse.
Segundo Ana Carolina, essa é a base da reconciliação pró-ativa. As estimativas se tornam previsões, ou prognósticos, e podem formar uma base para a tomada de decisões, assegurando que o que ocorrerá no futuro corresponde ao que foi planejado no presente.
Erros controlados
De acordo com a professora da Poli, os resultados da pesquisa até o momento apontam redução significativa dos erros de estimativa do teor de ouro, de até 30% para aproximadamente 5%. “A metodologia de prognosticação traz benefícios significativos a um empreendimento mineiro, pois permite a análise, compreensão e minimização dos erros de amostragem, melhorando as estimativas de produção”, afirmou.
Uma amostra é correta quando todos os elementos constituintes do lote têm a mesma probabilidade de seleção e quando os incrementos e a amostra não são alterados física ou quimicamente.
A pesquisa é baseada, segundo Ana Carolina, nos conceitos da Teoria da Amostragem de Pierre Gy, de autoria do químico e estatístico francês. “O objetivo da teoria é ‘controlar’ os erros de amostragem, analisando suas propriedades em função do processo de coleta de amostras e do material amostrado, e indicando os equipamentos e procedimentos que possibilitem eliminá-los ou, ao menos, minimizá-los”, explicou.
“Infelizmente, poucos profissionais estão familiarizados com essa teoria, de modo que a amostragem foi ‘marginalizada’ por muito tempo. No entanto, isso tem mudado, e a indústria mineral começa a se preocupar com a seleção de amostras representativas”, disse.
Autor: Agência FAPESP
