Na indústria mineral, o beneficiamento de minérios auríferos está diretamente relacionado às características físicas, químicas e mineralógicas do minério que impactam no desempenho dos processos de concentração e extração do ouro. A rota de processamento de extração de ouro mais eficiente está diretamente relacionada às características mineralógicas inerentes ao minério que está sendo processado. Com isso, geólogos, geometalurgistas e engenheiros buscam cada vez mais uma produção otimizada de menor impacto ambiental e custo. A caracterização tecnológica é uma ferramenta importante no reconhecimento das propriedades das matérias primas minerais, fundamentais para o aproveitamento sustentável dos recursos pois fornece informações sobre o potencial de recuperação do material e sua previsibilidade nos processos de beneficiamento. Este estudo tem como objetivo identificar variáveis de interesse à geometalurgia em minério aurífero de baixo teor com base em estudos de caracterização tecnológica e correlação de variáveis similares através das redes neurais artificiais. O escopo da pesquisa envolveu estudos de caracterização tecnológica de amostras de ouro de baixo teor (<0,6 g/t) e composição variadas por microscopia eletrônica de varredura (MEV) associada a análise de imagens automatizada (AI). Sob esses resultados foram aplicadas redes neurais artificiais por meio da técnica de mapas auto-organizáveis (de inglês, Self- Organizing Maps SOM) para estabelecer as relações de similaridades ou padrões entre as diferentes variáveis até então de difícil observação. Foram obtidos sete grupos com características de padrões similares que, do ponto de vista da geometalurgia, podem se apresentar como variáveis indicadoras de maior relevância ao processamento mineral. Também foi tratado a imputação de até 50% dos dados de recuperação que forneceu valores das variáveis sintéticas com até 93% de precisão. Esses resultados abrem a possibilidade de uma melhor interpretação e entendimento na performance do minério de ouro na construção de um modelo preditivo geometalúrgico robusto.

In mineral industry, the beneficiation of gold ores is directly related to the physical, chemical and mineralogical characteristics of the ore that impact the performance of the gold concentration and extraction processes. The most efficient gold extraction processing route is directly related to the inherent mineralogical features of the gold ore being processed. As a result, geologists, geometallurgists and engineers are increasingly looking for efficient and low-cost production in order to maximize financial gains with minimum environmental impact. Process Mineralogy (also named as Technological Characterization) is an important tool in the recognition of these characteristics since comprises the study of mineral properties, fundamental for the sustainable use of resources as it provides information on the potential for material recovery and its predictability in the beneficiation processes. This study aims to identify variables of interest to geometallurgy in low grade gold ore based on studies of technological characterization and correlation of similar variables through artificial neural networks. The scope of the research involved technological characterization studies of low-grade gold samples (<0.6 g/t) and varied composition by scanning electron microscopy (SEM) associated with automated image analysis (AI). At those results, artificial neural networks were applied through self-organizing maps (SOM) to establish the relationships between the different variables that were difficult to observe until then. Seven groups with similar characteristics were classified, which, from the point of view of Geometallurgy, are the most relevant indicator variables for mineral processing. Imputation of up to 50% of the retrieval data provided synthetic variables with up to 93% accuracy. These results open the possibility of a better interpretation and understanding of the performance of gold ore in the construction of a robust geometallurgical predictive model.