IA na recuperação de MgSO4 e CaSO4 em rejeitos de zinco

A maioria das operações ainda olha para rejeitos de flotação como “custo inevitável”. Só que, na prática, rejeito é um estoque químico parado — e, quando bem tratado, vira insumo. Um estudo publicado em 2025 mostrou isso com números: ao aplicar uma rota hidrometalúrgica em rejeitos reais da flotação de zinco, foi possível obter sulfato de magnésio (MgSO4) em solução e sulfato de cálcio (CaSO4) como subproduto sólido, com etapas de simulação termodinâmica e validação experimental.

O ponto que muda o jogo para a mineração em 2025 é outro: a otimização desse tipo de rota tem “cara” de IA. Há muitas variáveis (relação sólido:líquido, concentração de ácido, temperatura, tempo, impurezas, cinética, variação mineralógica) e uma janela estreita entre bom rendimento e custo alto. É exatamente aí que modelos preditivos, controle avançado e visão computacional entram com força.

Este artigo faz parte da série “IA na Mineração e Recursos Naturais”. E a tese aqui é simples: recuperar MgSO4 e CaSO4 de rejeitos de zinco é tecnicamente viável; fazer isso de forma estável, eficiente e com qualidade comercial é onde a IA paga a conta.

O que o estudo provou (e por que isso importa)

O estudo demonstrou uma rota clara: separar uma fração não magnética do rejeito e submetê-la à lixiviação ácida para solubilizar magnésio, seguida de purificação por cimentação e obtenção de subprodutos com potencial uso agrícola.

Na prática, ele ajuda a responder uma pergunta operacional que muita planta evita encarar: dá para transformar rejeito de flotação de Zn em produto com mercado? Dá — mas com ressalvas importantes.

Resultados-chave que valem guardar

Os autores usaram simulações termodinâmicas (FactSage) e depois fizeram testes experimentais. Os números centrais:

• Simulação (composição real): condição modelada com 100% de extração de Mg usando H2SO4 1,0 mol/L, S:L 1:10, em temperatura ambiente.
• Experimento (rejeito real): alcançou 72% ±5 de extração de Mg e 2% de Ca em 50°C, em 35 min.
• Cimentação (remoção de Cd): 92,3% de remoção de Cd do licor com razão Zn:Cd = 100:1 em 5 min a 25°C.
• Subprodutos: CaSO4 (sólido) e MgSO4 (em solução), ambos com potencial de uso na agricultura (fertilizante/condicionador de solo).

O “gap” entre 100% na simulação e 72% no experimento não é detalhe: é o retrato de uma realidade industrial. Mineralogia real, passivação superficial, limitação de difusão, granulometria, consumo de ácido por fases acessórias e variabilidade do rejeito derrubam performance. E é aqui que a IA ajuda a aproximar laboratório e chão de fábrica.

Da simulação ao processo: onde o rendimento se perde

A resposta direta: o rendimento se perde porque o rejeito não se comporta como um “dolomito puro” e porque as condições ótimas mudam com o tempo.

O estudo mostra que, para dolomita pura, a simulação indicou 100% de Mg a 1,2 mol/L de ácido, S:L 1:10, em temperatura ambiente. Quando entra a composição real, o ótimo modelado cai para 1,0 mol/L — sinal de que as interações químicas mudam.

O que costuma atrapalhar na operação (e não aparece no fluxograma)

Na prática industrial, os principais vilões em rotas de lixiviação de rejeitos incluem:

• Variabilidade do rejeito (hora a hora): teor de carbonatos, silicatos, sulfetos residuais, finos.
• Consumo “invisível” de ácido por neutralização e reações paralelas.
• Formação de camadas (gesso, sílica gel, produtos de precipitação) que reduzem contato sólido-líquido.
• Granulometria e área específica: finos reagem rápido, mas dificultam filtração e clarificação.
• Impurezas críticas (como Cd) que exigem purificação e impactam o destino do produto.

Meu ponto é: se você tenta controlar isso só com setpoints fixos (ácido X, 50°C, 35 min), vai ter semanas ótimas e semanas ruins. Controle baseado em dados tende a ganhar.

Como a IA melhora a recuperação de MgSO4 e CaSO4

A aplicação mais forte de IA aqui não é “robô no laboratório”. É otimização operacional com variáveis múltiplas e qualidade do produto.

1) Modelos preditivos para ajustar lixiviação em tempo real

A pergunta operacional é direta: quanto Mg eu vou extrair se eu mudar ácido, S:L, temperatura e tempo — dado o rejeito que entrou hoje?

Com IA (regressão avançada, gradient boosting, redes neurais leves) dá para treinar modelos com entradas como:

• composição do rejeito (Mg, Ca, Fe, Si, Zn residual, carbonatos)
• PSD (distribuição granulométrica) e % de finos
• pH, ORP, condutividade e densidade do licor
• temperatura, agitação, S:L, concentração de H2SO4

E saídas como:

• % extração Mg e Ca
• consumo específico de ácido (kg H2SO4/t)
• taxa de filtração/clarificação
• probabilidade de co-precipitação indesejada

O ganho esperado é bem objetivo: menos ácido desperdiçado e mais Mg por tonelada de rejeito. Em 2025, com pressão por OPEX e licenciamento, isso vira argumento de diretoria.

2) “Gêmeo digital” do circuito: simulação termodinâmica + dados

O estudo usou simulação termodinâmica para mapear condições ótimas. A evolução natural é montar um gêmeo digital híbrido:

• um núcleo físico-químico (equilíbrio, especiação, tendência de precipitação)
• camadas de ML para corrigir o que a termodinâmica não captura bem (cinética, passivação, efeitos de mistura)

Esse híbrido é o que mais tenho visto funcionar em processos com química complexa. Termodinâmica dá direção; dados dão aderência ao real.

3) Detecção de padrões mineralógicos com visão computacional

Se a planta tiver microscopia automatizada (ou pelo menos imagens de polpa/espuma e análises de rotina), dá para usar visão computacional para inferir:

• presença de fases que consomem ácido
• aumento de finos que prejudicam separação sólido-líquido
• mudanças de cor/espuma que indiquem reagentes residuais e impacto na lixiviação

Isso alimenta o modelo de lixiviação com uma variável que quase ninguém mede bem: o “estado” físico do rejeito.

4) Otimização da purificação: cimentação e controle de impurezas

Os autores removeram 92,3% de Cd em 5 minutos via cimentação, com razão Zn:Cd 100:1. Em escala, o desafio vira consistência:

• evitar consumo excessivo de Zn (ou outro agente)
• garantir Cd abaixo de especificação do destino (fertilizantes e corretivos são regulados)
• reduzir geração de lodo de purificação

IA aqui entra como controle de dosagem baseado em inferência (soft sensors) e previsão de carga de Cd no licor. Menos reagente, menos resíduo secundário, menos dor de cabeça.

Do produto ao mercado: por que MgSO4 e CaSO4 fazem sentido

A resposta curta: porque são produtos com cadeia estabelecida e narrativa ambiental forte.

• MgSO4 (sulfato de magnésio): usado como fonte de magnésio na agricultura (nutriente secundário), além de aplicações industriais. Em muitas regiões agrícolas, a correção de deficiência de Mg é recorrente, e o sulfato é uma forma comum.
• CaSO4 (gesso): amplamente usado como condicionador de solo (estrutura, fornecimento de Ca e S, melhoria em subsuperfície dependendo do manejo).

Estamos em dezembro de 2025, com planejamento agrícola e compras para a próxima safra ganhando tração. Isso costuma aquecer conversas de suprimento no início do ano. Para mineradoras, é uma janela para testar parcerias e validar especificações.

O que não dá para ignorar: especificação e rastreabilidade

Se o destino é agricultura, a conversa muda. Você precisa de:

• controle de impurezas (Cd é o “alerta vermelho” mais óbvio)
• rastreabilidade do lote (qual rejeito gerou qual produto)
• consistência (variabilidade derruba preço e aumenta devolução)

E isso volta ao tema da série: IA na mineração não é só eficiência. É também governança de processo e qualidade do produto.

Checklist prático: como começar um piloto com IA (sem prometer milagres)

O caminho mais eficiente é começar pequeno, medindo bem e automatizando o aprendizado.

1. Mapeie a variabilidade do rejeito por pelo menos 4 a 8 semanas (química + granulometria).
2. Defina 3 KPIs operacionais: extração de Mg (%), consumo de ácido (kg/t) e tempo de residência (min).
3. Instrumente o básico: pH, densidade, temperatura, vazões e amostragem consistente do licor.
4. Rode DOE (planejamento de experimentos) em escala piloto para treinar o primeiro modelo.
5. Crie um “soft sensor” de extração de Mg (previsão em tempo quase real) para apoiar o operador.
6. Implemente controle por recomendação (human-in-the-loop) antes de controle automático.

Uma frase que ajuda a vender internamente: “Primeiro a gente prevê bem; depois a gente controla.”

Onde isso se encaixa na pauta de sustentabilidade (e de licenciamento)

Recuperar sulfatos a partir de rejeitos conversa com três frentes que pesam em 2025:

• redução de passivo (menos rejeito “sem valor”)
• economia circular (subproduto com destino útil)
• redução de pegada (potencialmente menos mineração primária de insumos)

Mas a régua está mais alta: não basta dizer “é sustentável”. Tem que provar com dados e consistência operacional. De novo: IA é o caminho mais curto para estabilidade e evidência.

O estudo deixa um recado claro: existe valor químico nos rejeitos de flotação de zinco, e ele pode virar MgSO4 e CaSO4. A diferença entre um experimento promissor e uma unidade rentável está em operar bem todo dia — e isso é uma combinação de engenharia de processo com inteligência de dados.

Se você está avaliando iniciativas de IA na mineração e recursos naturais, eu começaria por aqui: um rejeito com volume relevante, uma rota com variáveis controláveis e um produto com mercado conhecido. A pergunta que fica para 2026 é objetiva: sua planta vai continuar pagando para estocar química — ou vai aprender a vendê-la?