1 Introdução - Pontifícia Universidade Católica do Rio ... · forma de uma esfera, que é chamado de pelota de minério de ferro. O processo pode ser visto em ... Logo, é preciso

Departamento de Engenharia Química e de Materiais

CARACTERIZAÇÃO AUTOMÁTICA DE

PELOTAS DE MINÉRIO DE FERRO

Aluno: Pedro Thiago do Nascimento Santos

Orientadores: Sidnei Paciornik

Karen Augusto

1 Introdução

O minério de ferro é um dos maiores recursos para o avanço de um país. O Brasil é o 2º

maior exportador de minério de ferro e esta atividade é a mais rentável dentre as que o país

pratica. O minério de ferro passa por processos de tratamento (etapa de beneficiamento, processo

de aglomeração e processo térmico) e são transportados, ao final, como pelotas, sínter ou minério

granulado. As pelotas, no qual constitui o foco do trabalho, são produzidas com a técnica de

aglomeração, chamada de pelotização, onde se transforma finos de minérios de ferro em uma

forma conjuntada de uma bola de ferro, por isso o nome pelota de ferro.

A principal forma de caracterizar a qualidade de uma pelota é através de microscópio ótico.

Como a refletância das fases da pelota são bem definidas, em geral, é utilizado um microscópio

ótico de luz refletida. Através da análise da microestrutura da pelota, por meio de um técnico,

pode-se avaliar se a pelota está pronta para transporte.

Com a parceria entre o Laboratório de Processamento Digital de Imagens (LPDI) do

Departamento de Engenharia Química e de Materiais (DEQM), a Pontifícia Universidade

Católica do Rio de Janeiro (PUC-Rio) e a Vale, está sendo desenvolvido um processo automático

de caracterização de pelotas de minério de ferro baseado em Processamento e Análise Digital de

Imagens.

A partir dessa técnica é possível fazer medidas impossíveis de se obter manualmente,

automatizando todo o processo de classificação baseado em reconhecimento de padrões. Assim,

uma imagem obtida através de microscópio ótico é processada por uma rotina implementada em

um ambiente de programação e classificada com um grau de maturação, o qual é definido de


acordo com as características microestruturais das pelotas.

2 Revisão do Tema

2.1 Minério de ferro

Mineral é toda substância sólida, inorgânica, cristalina e que tem propriedade química e

física bem determinada, resultado de evento geológico, sem intervenção humana, Existem muitos

tipos diferentes de minerais de ferro, mas o que é mais utilizado para a transformação no ferro

primário é o óxido de ferro. O minério de ferro desse estudo é constituído basicamente de

hematita.

Cada tipo de minério de ferro com características e granulometria diferentes, passa por

tipos diferentes de processos. No caso da pelota, finos de minério de ferro passam pelo processo

de pelotização. Este processo transforma o minério, que antes seria rejeitado, em objetos

aproximadamente esféricos de diâmetros de 12 mm (no caso da Vale), que são chamados de

pelota de minério de ferro.

2.2 Processo de pelotização

A pelotização é um processo de aglomeração de finos de minérios de ferro (tamanho

inferior a 0,15 mm) para formação de esferas com granulometria adequada para serem utilizadas

no processo siderúrgico. O processo de obtenção da matéria prima principal, o pellet feed, é na

etapa de britagem e separação dos minérios de ferro. Além de aglomerantes e aditivos, utilizados

para aumentar a resistência mecânica, também é adicionada água no processo, atuando como

agente de ligação entre as partículas de pellet feed.

2.2.1 Formação das pelotas cruas

Por ser uma etapa crítica, muitos estudos estão sendo feitos acerca dessa etapa. É preciso

entender o mecanismo de aglomeração para poder aperfeiçoar o processo.

O processo de Pelotização pode ser visualizado na Erro! Fonte de referência não

encontrada., a figura mostra cada etapa do processo. Na primeira etapa, as partículas são

umedecidas. Assim cada partícula adquire um filme fino em torno de si, onde outras partículas se

aderem ao entrar em contato. À medida que as partículas vão se tocando, em um equipamento

rotacional, um núcleo vai sendo formado. O núcleo aumenta de tamanho, conforme mais

partículas vão se juntando. No final do processo tem-se um aglomerado de minério de ferro em


forma de uma esfera, que é chamado de pelota de minério de ferro. O processo pode ser visto em

analogia como uma bola de neve rolando para baixo1 numa montanha.

Figura 1: Processo de Pelotização [1]

2.2.2 Endurecimento das pelotas cruas

Depois de formada as pelotas cruas, elas precisam ser endurecidas para que possam ser

transportadas e não sofrerem perda de qualidade. Esse processo de endurecimento é feito com um

tratamento térmico em uma atmosfera controlada. As etapas podem ser dividas em: secagem,

pré-queima, queima, pós-queima e resfriamento.

A etapa de queima é feita em aproximadamente 1300ºC. Esta etapa é fundamental para a

obtenção das características mecânicas e para o processo metalúrgico. A resistência mecânica

está diretamente relacionada ao tamanho dos cristais obtidos nesta etapa, que por sua vez está

relacionado ao tempo de permanência e temperatura da etapa.

Logo, é preciso que a temperatura esteja abaixo do ponto de fusão, mas acima do ponto de

reatividade dos componentes, para que as primeiras pontes cristalinas possam ser formadas.

Temperaturas maiores que esta ocasiona o arredondamento dos cristais e maior crescimento das

partículas. Porém, dependendo das condições, pode dissociar a hematita em magnetita e oxigênio,

causando perda da resistência mecânica.

A última etapa é o resfriamento, que, caso seja feito rápido demais, gera trincas e perde-se

qualidade do material.

2.3 Grau de maturação

No trabalho anterior, a classificação de pelotas foi dividida em quatro classes denominada

grau de maturação: A, B, C e D [1]. Porém, algumas imagens das pelotas de classe B tem

semelhança com imagens da classe C, e outras imagens da classe B possuem características


distintas da classe C. Por isso, neste trabalho, foi feita uma nova convenção de grau de

maturação. As imagens da classe B que possuem características distintas de C passaram a se

chamar B-extremo (B-ext), e as imagens da classe B que possuem semelhança com a classe C e

as imagens de classe C foram incluídas em uma classe única denominada BC. A classe D

continuou com a mesma definição anterior. Então são consideradas as classes B-ext, BC e D. A

seguir serão descritas características de cada classe.

2.3.1 Grau B-ext

Como mostrado na figura 3. Este é o estágio inicial de adesão às partículas e o estado

inicial ao ajusto morfológico, porém a coesão entre as partículas ainda é baixa. A resistência

ainda é muito baixa para ir ao processo metalúrgico. Neste grau nota-se a presença de ferrito de

cálcio e aparecimento de poros.

Figura 2: Pelota típica do grau B-ext.

70µm


2.3.2 Grau BC

Como mostrado na figura 4. O ajuste morfológico é intenso e a estrutura torna-se mais

compacta, propiciada pelo maior ajuste da hematita e pela assimilação de demais óxido devido à

liquefação do ferrito de cálcio. Pode-se perceber a ponte de escória líquida existente entre os

grãos e as partículas arredondadas, o que caracteriza uma pelota de grau BC. Com esta

microestrutura, a pelota apresenta uma melhor resistência mecânica.

Figura 3: Pelota típica do grau BC.

70µm


2.3.3 Grau D

Como mostrado na figura 5. O ajuste morfológico é completo, as partículas apresentam

formas irregulares, compostas por pequenos poros os quais foram envoltos pela coalescência.

Apesar de mais compacta, a pelota com esse grau começa a perder resistência mecânica.

Figura 4: Pelota típica do grau D.

2.4 Classificação Automática

2.4.1 Base de dados (Instâncias)

Para obter um bom classificador é preciso de uma base de dados com um conjunto genérico

e com grande número de amostras para cada tipo de classe do problema. Isto é, o conjunto precisa

ser grande, pois quanto maior a quantidade de amostras de uma determinada classe, mais

informação será fornecida ao classificador e maior será a separação entre as classes, e o

classificador poderá classificar uma amostra desconhecida com maior precisão. E o conjunto

precisa ser genérico, abrangendo diversos tipos de amostras, para no caso de classificar imagens

de uma mesma classe com características um pouco diferentes.

70µm


2.4.2 Parâmetros (Atributos)

A base de dados é formada por instâncias (imagens), e cada instância tem seus atributos

(parâmetros ou medidas). Estes atributos são extraídos das imagens formando um conjunto de

medidas. Cada classe tem um conjunto característico de medidas. A análise dessas medidas

características permite que o classificador distingua as classes. A comparação dessas medidas

com as de um novo objeto permite ao classificador predizer a qual classe o objeto pertence.

2.4.3 Treinamento

Treinamento é processo de obtenção das amostras das imagens de cada classe das pelotas, a

separação dessas imagens para cada classe a qual elas pertencem e finalmente a extração de

medidas dos atributos que serão utilizados na classificação.

2.4.4 Autovalidação

É uma técnica de validação utilizada para testar a eficácia do classificador. Os elementos

são treinados e é gerado um classificador. Este classificador é validado no próprio conjunto de

imagens utilizado no treinamento. Por este método gerar um classificador que foi validado com

imagens que ele já conhece, terá taxas de acerto maiores, porém menos reais.

2.4.5 Validação cruzada (Cross Validation)

É uma técnica de validação utilizada para testar a eficácia do classificador. Dada uma base

de dados com vários elementos, a validação cruzada separa esse conjunto em subconjuntos.

Partes destes subconjuntos são utilizadas para treinar e gerar o classificador, que é testado sobre

outra parte destes subconjuntos que não entrou no conjunto de treinamento. O processo é repetido

diversas vezes, porém com novos subconjuntos de treino e teste. O processo termina quando

todos os subconjuntos foram utilizados como teste. A eficácia do classificador será medida

através da taxa de acerto global e de cada classe. Por este método gerar um classificador que é

testado em dados desconhecidos por ele, os resultados das taxas de acerto serão menores, porém

mais aproximados da realidade.

2.4.6 Validação sobre uma base de teste

Este teste é realizado com uma base de dados desconhecida, não incluída na base de treino.

Este teste tem um resultado mais confiável, pois a base de teste é obtida de outras fontes, sejam

imagens obtidas em condições pouco diferentes ou de amostras diferentes, enquanto que a

autovalidação e a validação cruzada tem instâncias na base de dados que foram obtidas da mesma

fonte.


2.4.7 Escolha do classificador

Para esta pesquisa, foi utilizado o software Weka, que contém algoritmos de classificação

já implementados. Algoritmos de classificação são utilizados em aprendizado de máquina

(Machine Learning) para gerar um modelo de classificação e assim inferir a classe de alguma

instância que for dada para este modelo. Cada algoritmo de classificação possui uma forma de

inferir a classe. O algoritmo Ibk, por exemplo, verifica as instâncias do modelo que tem o módulo

da distância mais próxima (considerando um plano de n dimensões onde n é a quantidade de

atributos) do elemento sendo classificado; já o algoritmo Perceptron utiliza o conceito de redes

neurais. Inicialmente foram testados diversos classificadores utilizando a mesma base de treino e

sendo testado através do método de validação cruzada. O classificador que apresentasse melhor

comportamento nos testes, isto é, o que apresentasse a melhor matriz de confusão, taxa de acerto

e tempo de processamento, seria utilizado para seguir na pesquisa adiante.

3 Objetivos

Construir um classificador automático do grau de maturação de pelotas de minério de ferro

com a nova definição de grau de maturação, identificando os problemas na qualidade das

imagens que podem afetar o sistema de classificação.

4 Materiais e Métodos Experimentais

4.1 Pelotas de minério de ferro

As pelotas utilizadas na pesquisa foram cedidas pela Vale. Ao todo, imagens de nove pelotas

foram utilizadas para treinar o classificador, e outras 6 pelotas foram utilizadas para testar o

classificador.

4.2 Microscópio ótico digital

Utilizou-se o microscópio ótico Zeiss Imager M2m, com câmera digital Zeiss AxioCam HR

(campo claro, resolução de 1300x1030 pixels e quantização de 8 bits) e controlado pelo software

AxioVision, do Laboratório de Microscopia Digital do DEQM/PUC-Rio.


Figura 2: Microscópio utilizado para obter as imagens.

4.3 Softwares

4.3.1 Weka

O software Weka, sigla para Waikato Environment for Knowledge Analysis, é um software

muito utilizado para área de Data mining e Aprendizado de máquina [2]. Ele possui diversos

algoritmos de classificação (Naive Bayes, árvores de decisão, Perceptron, etc) para identificar

padrões.

O Weka possui algumas vantagens, tais como: interface gráfica amigável, o que facilita seu

uso; o software está disponível gratuitamente na internet de acordo com GNU General Public

License; e tem uma coleção de algoritmos de pré-processamento e técnicas de modelagens.

Como o Weka possui este ambiente específico para classificação, ele foi utilizado para

treinar e gerar resultados da validação do classificador.

4.3.2 IrfanView

Este software permite alterações de características das imagens, tais como brilho, contraste

e nitidez. Este software foi utilizado para alterar as características das imagens e verificar quais

parâmetros eram sensíveis a essas modificações.


4.3.3 ImageJ

Este software permite diversas manipulações em imagens obtidas através de microscópio.

Possui diversos plug-ins e funções de processamento de imagens. O software foi utilizado na

pesquisa na etapa de processamento de imagens (pré-processamento, segmentação e extração de

atributos) e também na etapa de alteração de nitidez das imagens.

5 Resultados e Discussões

A pesquisa foi dividida em quatro partes:

1. A aquisição das imagens através de um microscópio ótico

2. Extração de atributos.

3. A validação do classificador (através de três técnicas):

a. Autovalidação

b. Validação cruzada

c. Aplicação em imagens desconhecidas

4. Investigação dos parâmetros afetados pela qualidade da imagem, que

consequentemente pioram o sistema de classificação.

5.1 Aquisição das imagens através de um microscópio ótico

Foram obtidos nove mosaicos de cada pelota com a lente de 20x do microscópio em campo

claro, os parâmetros de brilho e contraste foram ajustados pelo próprio AxioVision (software do

microscópio). O mosaico possui um conjunto de imagens contínuas da amostra, isto é, cada

imagem do mosaico corresponde a um campo da pelota.

A análise visual das características de cada campo do mosaico permitiu classificá-los em

uma das classes. Uma vez identificada a classe da imagem, a mesma foi separada junto com as

outras imagens da mesma classe para posterior medição dos atributos.

Algumas imagens eram inadequadas para constituir o conjunto a ser classificado. Ou seja,

imagens com sujeira, desfocadas, pertencentes à borda da pelota, contendo grandes poros

ocupando quase todo o campo, de classificação confusa etc, não foram utilizadas na pesquisa.


5.2 Extração de atributos

Com as imagens das pelotas classificadas e separadas manualmente, teve início a segunda

parte da pesquisa. Uma rotina de extração de atributos foi aplicada nas imagens. Essa rotina

mediu 44 atributos de cada imagem, alguns dos quais medem tamanho, forma do objeto, textura,

entre outras características da imagem. Mais detalhes a cerca destes atributos podem ser

encontrado nas referências [1]. Com isso, foi gerado um banco de dados contendo 1654

instâncias, referentes às imagens das pelotas, e os 44 atributos de cada uma dessas instâncias.

Este banco de dados foi chamado de base de treino.

A rotina principal foi criada utilizando a linguagem de programação Scheme. Esta rotina

contém um conjunto de outras rotinas implementadas em outras linguagens, tais como Octave e

Clojure. A linguagem Clojure possui interface com o programa ImageJ, desta forma é possível

chamar as funções do software ImageJ.

5.3 Validação do classificador

Foi necessário testar alguns algoritmos de classificação para gerar o classificador. Os

algoritmos de classificação foram testados sobre a base de treino, utilizando os métodos de

autovalidação e de validação cruzada, e sobre uma base de teste (Ver seção 2.4.6). A base de teste

possui imagens das nove pelotas utilizadas na pesquisa, porém diferentes das imagens que foram

utilizadas para gerar o classificador.

Tabela1: Resultados de testes dos diferentes algoritmos de classificação disponíveis pelo Weka

Classificador Autovalidação (%) Validação Cruzada (%) Base Teste (%)

OneR 86,9 83,0 78,7

Naive Bayes 94,4 94,4 88,8

IBK 98,2 97,5 90,4

J48 99,5 97,5 91,4

Random Forest 100,0 98,1 94,4

Redes Neurais 100,0 98,6 93,9

Percebe-se que os dois melhores classificadores foram o Random Forest e Redes Neurais.

Apesar do Redes Neurais ter apresentado melhor taxa de acerto na validação cruzada, foi

escolhido para a pesquisa o classificador Random Forest pela razão dele ter um tempo de

construção do modelo mais rápido do que o Redes Neurais e ter apresentado melhor resultado na

validação sobre uma base de teste desconhecida. O Random Forest construiu o modelo em 0.45 s,


já o Rede Neurais construiu em 23.25 s. Como dito anteriormente, o classificador que

apresentasse o melhor comportamento para a resolução do problema seria o utilizado ao longo da

pesquisa e, neste caso, escolheu-se o Random Forest.

Como as imagens da base de teste, neste momento, estavam indiretamente relacionadas,

pois eram da mesma fonte, foi considerado aplicar o classificador em uma nova base de teste com

a fonte diferente das pelotas que compuseram o classificador. Para isso, utilizou-se 7 bases de

teste, referentes à imagens de mosaicos de 6 amostras diferentes enviados pela. Neste trabalho,

essas bases de teste das amostras foram denominadas M (abreviação para mosaico). A base de

treino é a mesma, com o mesmo algoritmo de classificação (Random Forest), variando-se apenas

as bases de teste.

Tabela 2: Bases de testes e seus resultados

Base teste Taxa de Acerto (%)

M1 80,6

M2 47,1

M3 65,2

M4 81,3

M5 63,6

M6 81,3

Os resultados dos testes foram negativos exceto para as bases M1, M4 e M6. Para entender

o comportamento do classificador nestes resultados ruins, desenvolveu-se uma metodologia, que

consiste em modificar características das imagens, como explicado no item a seguir.

5.4 Procedimento da investigação do resultado negativo

A investigação consistiu em gerar novos bancos de dados obtidos a partir de imagens com

características alteradas, e, em seguida, testar essas bases, utilizando uma determinada base de

treino e o mesmo classificador Random Forest, comparando-se os resultados com o teste na base

original (composta de imagens não alteradas).

Assim, 300 imagens (100 de cada classe) foram separadas para alteração das características.

Foram alteradas as características relativas a brilho, contraste e nitidez, utilizando-se o software

Irfan View. A característica de nitidez também foi alterada utilizando-se o filtro passa-baixa de

raio 2 e de raio 5 do software ImageJ. Os resultados encontram-se na Tabela 3.


Tabela 3: Resultados das bases com características alteradas e a base original.

Característica Taxa de Acerto (%)

Original 99,0

Brilho 99,0

Contraste 99,0

Sharpness=50 94,0

Sharpeness=99 67,0

Passa Baixa=2 60,0

Passa Baixa=5 60,0

As mudanças das características de brilho e contraste não variaram os resultados em relação

ao teste da base original. Porém para a nitidez, referente às linhas Sharpeness e Passa Baixa na

tabela, houve uma piora nos resultados. Então, novas investigações foram feitas, seguindo a linha

de alteração da característica de nitidez, só que, desta vez, alterando-se o foco no próprio

microscópio, ou seja, desfocando a imagem.

Nesta nova investigação, a base com alteração de foco foi comparada com as imagens em

autofoco. Foram feitas duas modificações nas imagens: uma com alteração de foco em 3µm e

outra com alteração em 6µm. A alteração do foco foi feita da seguinte maneira: primeiramente

adquiriu-se imagens em foco, utilizando-se a função de Autofoco disponível no software

AxioVision. Em seguida, a posição do foco do microscópio foi alterada sistematicamente, através

do software, e adquiriram-se essas imagens fora de foco. Depois, toda a rotina de treinamento,

extração de atributos e classificação foi feita em cima de todas essas imagens e os resultados

obtidos foram comparados.

Tabela 4: Resultados de alterações de foco.

Foco Taxa de acerto

(%)

Autofoco 97,0

3µm 97,0

6µm 56,6


Os resultados mostram que as imagens em Autofoco obtiveram boa taxa de acerto, porém

era esperada uma taxa de acerto menor em 3µm. Este resultado pode ser explicado pelo fato de

que esta alteração de foco não foi suficiente para alterar a qualidade da imagem e piorar a

classificação. A taxa de acerto em 6µm está de acordo com a hipótese de que a nitidez altera o

resultado da classificação.

Com as bases de dados, contendo as medidas das imagens, pôde-se observar a variação dos

atributos das bases alteradas em relação às bases originais. Para isso foi feita uma média da

variação das medidas das bases alteradas em relação às medidas da base original. Foi gerado um

gráfico contendo essas variações, que é apresentado na Figura 7.

Figura 7: Média da variação das medidas da base alterada em 6µm.


Em seguida, foi feita a remoção destes atributos sensíveis, isto é, com maior variação entre

a base das imagens alteradas e a base das imagens originais, a fim de verificar uma melhora no

sistema de classificação.

O gráfico que teve maior influência na decisão da seleção desses atributos foi o gráfico

obtido a partir das imagens com alteração de 6µm de foco, pois este tipo de alteração se

assemelha mais ao que poderá ocorrer na realidade. Entretanto, também foi verificado que esses

parâmetros também foram sensíveis nas alterações utilizando-se o Sharpeness e o Passa-baixa.

Foram retirados 10 parâmetros, sobrando então 34 parâmetros que continuaram sendo

usados para a classificação. Os parâmetros removidos foram: P1, P6 a P9, P18, P26, P32 a P34.

Estas bases foram testadas novamente e foram verificados os resultados de classificação.

Os resultados para as bases com a qualidade alterada, com remoção dos parâmetros supracitados

e com os 44 parâmetros originais encontram-se na Tabela 5.

Tabela 5: Resultados dos testes de remoção de parâmetros

Característica Parâmetros removidos

(%)

Parâmetros originais

(%)

Sharpness=99 89,3 67,0

Passa baixa=2 77,3 60,0

Alteração de foco em 6µm 73,3 56,6

Os resultados com os parâmetros removidos melhoraram para os três métodos de alteração

nas imagens testados: sharpeness, passa baixa, alteração de foco em 6µm. Baseado nisto, foi

verificado se a retirada destes mesmos parâmetros nas bases de treinamento e de teste utilizada no

início da pesquisa, referentes aos mosaicos M, melhoraria a classificação que havia sido muito

ruim. Os resultados encontram-se na Tabela 6.

Tabela 6: Resultado dos testes para as bases M com parâmetros sensíveis removidos

Mosaico Parâmetros removidos

(%)

Parâmetros originais

(%)

M1 72,2 80,6

M2 45,0 47,1

M3 65,1 65,2

M4 83,5 81,3

M5 57,8 63,6

M6 69,5 81,3


Como pode-se visualizar, os resultados pioraram com a remoção dos 10 parâmetros no caso

dos mosaicos M de teste, indicando que o problema de classificação, neste caso, não parece ter a

ver com a qualidade da imagem.

6 Conclusões

Uma metodologia de classificação automática de características microestruturais de pelotas

de minério de ferro foi desenvolvida.

A classificação teve bons resultados para alguns testes, tais como autovalidação e validação

cruzada ou aqueles contendo imagens desconhecidas, porém de uma mesma fonte da utilizada

para treinar.

Para testes utilizando bases de dados de outras fontes não se obtém bons resultados.

Também foi desenvolvida uma metodologia para investigação das classificações ruins,

avaliando-se o comportamento do classificador em imagens com qualidade alterada.

As alterações em características de brilho, contraste e nitidez não alteram a classificação

das pelotas. Isto é importante, pois permite que imagens obtidas com contrastes e brilhos

diferentes possam produzir o mesmo resultado. Imagens com alteração de foco em 3µm não

alteram a classificação, permitindo que mesmo imagens com foco minimamente alterado possam

ser classificadas corretamente.

Imagens com alteração de foco superior ou igual a 6µm pioram a qualidade do

classificador.

A remoção de parâmetros sensíveis à nitidez melhora o resultado da classificação para as

bases de uma mesma fonte testadas.

Por outro lado, os parâmetros removidos não são a causa do problema que afetava a

classificação dos mosaicos M, pois os parâmetros removidos ainda pioraram a classificação.

Pretende-se, em trabalhos futuros, continuar investigando os possíveis problemas de

classificação em amostras pouco diferentes das utilizadas na geração do classificador.


7 Referências

1. Augusto, Karen Soares. Identificação automática do grau de maturação de pelotas de minério

de ferro. Dissertação de Mestrado. Rio de Janeiro. 2012.

2. Mark Hall, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, Ian H.

Witten (2009); The WEKA Data Mining Software: An Update; SIGKDD Explorations,

Volume 11, Issue 1.

Documents

1 Introdução - Pontifícia Universidade Católica do Rio ... · forma de uma esfera, que é chamado de pelota de minério de ferro. O processo pode ser visto em ... Logo, é preciso