Aplicação de Algoritmos de Machine Learning para Predição de Teor de Ferro em Rejeito de Flotação de Minério de Ferro

A concentração de minério de ferro por flotação envolve múltiplas variáveis interdependentes, tornando o monitoramento e o controle fundamentais para garantir eficiência operacional e qualidade do produto. Entretanto, muitas medições ainda dependem de análises laboratoriais, resultando em elevado tempo de resposta e atraso nos ajustes operacionais. Neste trabalho, foram comparados três algoritmos baseados em árvores de decisão, XGBoost, LightGBM e Random Forest, e dois baseados em redes neurais, TabNet e MLP, para predição do teor de ferro no rejeito da flotação. O TabNet apresentou a menor mediana de MAE, com 1,82, e média de 1,85, indicando melhor desempenho em erro absoluto. Contudo, o LightGBM obteve resultado muito próximo, com mediana de 1,86 e média de 1,88, além de menor dispersão dos erros. O XGBoost e o Random Forest apresentaram desempenho intermediário, enquanto o MLP teve desempenho inferior. Assim, o LightGBM destacou-se pelo melhor equilíbrio entre desempenho preditivo e estabilidade.