Nesse trabalho é apresentada uma metodologia para estimativa de reservas de minério de ferro, utilizando dados mineralógicos representados pelo mineral hematita especular. Os métodos geoestatísticos de simulação condicional e de estimativa por krigagem são usados para caracterizar a hematita especular em modelos de blocos. Teores de corte e reservas recuperáveis são determinados pelas funções de recuperação teor médio e tonelagem de minério. Os resultados mostraram diferenças significativas entre os modelos de krigagem e de simulação condicional. This work presents a methodology to estimate iron ore reserves, which uses mineralogical data represented by the mineral specular hematite. The geostatistical methods of conditional simulation and kriging are used to characterize the specular hematite in block models. Cut-off grades and recoverable reserves are determined by using the recovery functions average grade and ore tonnage. The results showed significant differences between the kriged and the conditional simulation models
Esse trabalho apresenta o desenvolvimento de um modelo de previsão de custo de produção por intermédio da técnica do sistema de curvas de aprendizado. Uma das vantagens desse modelo é a possibilidade de incorporar as mudanças técnico-econômicas ocorridas no desempenho do custo, que se refletem na série temporal em análise. Esse modelo possibilita estimar com relativa precisão o desempenho dos custos atuais e futuros utilizando-se de uma série histórica de dados de produção de uma unidade de mineração de ferro. A comparação entre os custos reais de operação na mina e os resultados gerados pelo modelo de Stanford-B de aprendizado situou-se dentro de uma faixa aceitável de tolerância próxima de 10%. This paper presents a learning curve model for forecast the operational mining cost. One of the great advantages of this model is the possibility to include the technical and economic changes in the cost performance that are incorporated by the time series. The learning model projections presents a good level of accuracy for cost data from iron ore. The comparison between actual and forecast data costs through the Stanford-B model indicates that the output values are within an acceptable range of 10% confidence interval
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.