APLICAÇÃO DO LEAN SEIS SIGMA PARA MELHORIA DA ETAPA DE SEPARAÇÃO MAGNÉTICA DE ALTA INTENSIDADE EM UMA EMPRESA DE MINERAÇÃO
Bibliographic record
Abstract
A melhoria de processos produtivos em uma organização é uma necessidade em virtude da elevada competividade no mercado, além de demandas por parte de órgãos reguladores. No setor mineral, tais ações se tornam ainda mais importantes, uma vez que o setor está constantemente sujeito a incertezas não aplicáveis a outros setores industriais. Neste trabalho foi utilizada a metodologia Lean Seis Sigma para o aumento da eficiência operacional da etapa de Separação Magnética de Alta Intensidade, diante do fato de que a recuperação metalúrgica estava, em média, 7,21% menor que o valor esperado. A execução do projeto foi feita seguindo-se o ciclo DMAIC, onde as investigações realizadas mostraram que 52,3% das causas-raiz estavam atribuídas à própria operação do equipamento (separador magnético). Intervenções no processo e adequações no funcionamento do separador resultaram em um aumento de 9,66% na média da recuperação metalúrgica, a qual ficou 1,75% maior que a meta estabelecida (94,63%). Uma redução de 65,66% no desvio padrão desta variável também foi observada, o que se traduz em uma redução da variabilidade geral do processo.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".