A tecnologia de cominuição de minérios com o uso de prensa de rolos de alta pressão (HPGR - High Pressure Grinding Roll) se destacou nos diversos setores da mineração, desde seu surgimento na década de 1980, motivada pela sua eficiência energética. Nas usinas de pelotização de minério de ferro, os ganhos de produção acrescidos dos menores custos em aquisição e operação, maior estabilidade do processo e à distribuição granulométrica da alimentação também contribuíram para aplicação dos HPGRs. Apesar dos benefícios, observa-se pouco conhecimento da influência das variáveis intervenientes ao processo de prensagem e sua relação com o ganho de superfície específica. Essa compreensão é fundamental para maximizar o desempenho da prensagem. Este trabalho apresenta a utilização de redes neurais artificiais (RNA) para apresentar as variáveis de maior influência nesse processo; umidade, pressão e rotação das bandagens, através da análise de sensibilidades, e para predizer os resultados no ganho de superfície específica. O modelo demonstra resultados com boa aproximação com os dados reais (erro inferior a 5%), indicando que a RNA possibilita a intervenção proativa no processo produtivo, podendo resultar em melhoria de desempenho.

The grinding technology of ores applying HPGR - High Pressure Grinding Roll has been widely used in the mining industry since its appearance in the 1980s, due to its higher energy efficiency. In the iron ore pelletizing industry, the considerable production gains combined to lower costs in acquisition and operation, lower sensitivity to grindability variations and the product size distribution of the feed has also contributed to the HPGR applications. Despite the benefits, there is little knowledge of the influence of the main variables in grinding process of iron ore and its contribution with the specific surface area gain. This comprehension is essential for the optimization of the grinding process. This work applied Artificial Neural Network "ANN" to find the main variables in the iron ore pelletizing industry, i.e., moisture, pressure and rolls speed, using Sensitivity Analysis and also for predicting the specific surface area gain in this process, demonstrating good approximation (error < 5%) when compared to the real ones. It suggests that ANN can allow a preemptive intervention in the pelletizing process and bring optimization towards the results.