Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor
Na minha lista:
| Autor principal: | |
|---|---|
| Publication Date: | 2023 |
| Formato: | Bachelor thesis |
| Idioma: | por |
| Fonte: | Repositório Comum do Brasil - Deposita |
| Download full: | https://deposita.ibict.br/handle/deposita/497 |
Resumo: | The significance of understanding credible failure modes in tailings dams stems from the significant environmental and economic devastation such failures can cause. Moreover, these failures represent critical threats to human life. Consequently, grasping the credible failure mode of a particular structure holds importance in its risk management. Depending on the specific failure mode, the geotechnical stability analysis varies. Several failure modes exist, encompassing slope instability, internal erosion, liquefaction, overtopping, structural or foundation inadequacies, earthquakes, and external erosion. In this study, an examination of variables related to this phenomenon was conducted, and predictive models for failure modes were formulated. To achieve this, the K Nearest Neighbors machine learning technique was employed using the Python language. The study's foundation relied on a database featuring 66 instances of failed tailings dams across the globe. Notable variables encompassed the ore type generating the stored tailings, dam construction materials, construction methods, height, volume, seismic risk, climate, and failure mode. The findings demonstrated the significance of all variables in predicting failure modes, with the exception of the "volume" variable, which exhibited minimal influence on failure patterns in the analyzed dams. A total of 35 predictive models for dam failure modes were developed, designated as M1 through M35. The most accurate model, M11, achieved a 71% accuracy rate. This model excluded the volume variable, configured with three neighbors (k=3), and a training/test sample size ratio of 90% to 10%. This model was subsequently applied to a database containing information on 10 Brazilian dams classified with emergency levels II and III by the National Mining Agency. Within this set, eight were identified as susceptible to credible failure due to slope instability, and two due to internal erosion. |
| _version_ | 1872168162354528256 |
|---|---|
| author | Matos, José Matheus Vieira |
| author_browse | Matos, José Matheus Vieira |
| author_facet | Matos, José Matheus Vieira |
| author_role | author |
| bitstream.checksum.fl_str_mv | 55cf47e4887aea4ec92ae2ed4a72397a 820eef581f1575b3dc0681d97531a24f a7c148eec59885ba1ba6d14692be8465 d0956904fac6d7b7fb28dd8afe3bd97b |
| bitstream.checksumAlgorithm.fl_str_mv | MD5 MD5 MD5 MD5 |
| bitstream.url.fl_str_mv | https://deposita.ibict.br/bitstreams/dab582a6-9632-4e2f-b52f-687743397b44/download https://deposita.ibict.br/bitstreams/4f929a8a-9a72-4eec-9979-00415ffe1b31/download https://deposita.ibict.br/bitstreams/f666e05f-525f-4b97-bb5a-d547b1946fae/download https://deposita.ibict.br/bitstreams/4bb0bd5c-b533-4477-88c4-1591b2322542/download |
| collection | Repositório Comum do Brasil - Deposita |
| contributor_str_mv | Santos, Tatiana Barreto dos Santos, Tatiana Barreto dos Santos Santos, Allan Erlikhman Medeiros Menezes, Danielle Aparecida de |
| dc.contributor.advisor1.fl_str_mv | Santos, Tatiana Barreto dos |
| dc.contributor.advisor1Lattes.fl_str_mv | http://lattes.cnpq.br/1436214731515865 |
| dc.contributor.author.fl_str_mv | Matos, José Matheus Vieira |
| dc.contributor.authorLattes.fl_str_mv | http://lattes.cnpq.br/5197166703991585 |
| dc.contributor.referee1.fl_str_mv | Santos, Tatiana Barreto dos Santos |
| dc.contributor.referee1Lattes.fl_str_mv | http://lattes.cnpq.br/1436214731515865 |
| dc.contributor.referee2.fl_str_mv | Santos, Allan Erlikhman Medeiros |
| dc.contributor.referee2Lattes.fl_str_mv | http://lattes.cnpq.br/9094462711635728 |
| dc.contributor.referee3.fl_str_mv | Menezes, Danielle Aparecida de |
| dc.contributor.referee3Lattes.fl_str_mv | http://lattes.cnpq.br/7409476481856591 |
| dc.date.accessioned.fl_str_mv | 2024-02-18T22:18:37Z |
| dc.date.issued.fl_str_mv | 2023 |
| dc.format.none.fl_str_mv | application/pdf application/pdf |
| dc.identifier.citation.fl_str_mv | MATOS, José Matheus Vieira. Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor. 2023. 87 f. Monografia (Graduação em Engenharia de Minas) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023. |
| dc.identifier.uri.fl_str_mv | https://deposita.ibict.br/handle/deposita/497 |
| dc.language.iso.fl_str_mv | por |
| dc.publisher.country.fl_str_mv | Brasil |
| dc.publisher.department.fl_str_mv | Departamento de Engenharia de Minas |
| dc.publisher.none.fl_str_mv | Universidade Federal de Ouro Preto |
| dc.rights.driver.fl_str_mv | info:eu-repo/semantics/openAccess |
| dc.source.none.fl_str_mv | reponame:Repositório Comum do Brasil - Deposita instname:Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict) instacron:IBICT |
| dc.subject.cnpq.fl_str_mv | Engenharias |
| dc.subject.eng.fl_str_mv | Geotechnical risk Machine learning K nearest neighbors Tailings dams |
| dc.subject.por.fl_str_mv | Risco geotécnico Aprendizado de máquina K vizinhos mais próximos barragens de rejeito. |
| dc.title.alternative.por.fl_str_mv | Plausible failure mode in mining tailings dams: an analysis of conditioning variables and proposition of a predictive model. |
| dc.title.por.fl_str_mv | Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor |
| dc.type.driver.fl_str_mv | info:eu-repo/semantics/bachelorThesis |
| dc.type.status.fl_str_mv | info:eu-repo/semantics/publishedVersion |
| description | The significance of understanding credible failure modes in tailings dams stems from the significant environmental and economic devastation such failures can cause. Moreover, these failures represent critical threats to human life. Consequently, grasping the credible failure mode of a particular structure holds importance in its risk management. Depending on the specific failure mode, the geotechnical stability analysis varies. Several failure modes exist, encompassing slope instability, internal erosion, liquefaction, overtopping, structural or foundation inadequacies, earthquakes, and external erosion. In this study, an examination of variables related to this phenomenon was conducted, and predictive models for failure modes were formulated. To achieve this, the K Nearest Neighbors machine learning technique was employed using the Python language. The study's foundation relied on a database featuring 66 instances of failed tailings dams across the globe. Notable variables encompassed the ore type generating the stored tailings, dam construction materials, construction methods, height, volume, seismic risk, climate, and failure mode. The findings demonstrated the significance of all variables in predicting failure modes, with the exception of the "volume" variable, which exhibited minimal influence on failure patterns in the analyzed dams. A total of 35 predictive models for dam failure modes were developed, designated as M1 through M35. The most accurate model, M11, achieved a 71% accuracy rate. This model excluded the volume variable, configured with three neighbors (k=3), and a training/test sample size ratio of 90% to 10%. This model was subsequently applied to a database containing information on 10 Brazilian dams classified with emergency levels II and III by the National Mining Agency. Within this set, eight were identified as susceptible to credible failure due to slope instability, and two due to internal erosion. |
| eu_rights_str_mv | openAccess |
| format | bachelorThesis |
| id | IBICT-1_63520cf88bc4da0401f59753cca2aa96 |
| identifier_str_mv | MATOS, José Matheus Vieira. Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor. 2023. 87 f. Monografia (Graduação em Engenharia de Minas) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023. |
| instacron_str | IBICT |
| institution | IBICT |
| instname_str | Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict) |
| language | por |
| network_acronym_str | IBICT-1 |
| network_name_str | Repositório Comum do Brasil - Deposita |
| oai_identifier_str | oai:deposita.ibict.br:deposita/497 |
| publishDate | 2023 |
| publishDateSort | 2023 |
| publisher.none.fl_str_mv | Universidade Federal de Ouro Preto |
| reponame_str | Repositório Comum do Brasil - Deposita |
| repository.mail.fl_str_mv | deposita@ibict.br |
| repository.name.fl_str_mv | Repositório Comum do Brasil - Deposita - Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict) |
| repository_id_str | 4658 |
| spelling | Santos, Tatiana Barreto doshttp://lattes.cnpq.br/1436214731515865Santos, Tatiana Barreto dos Santoshttp://lattes.cnpq.br/1436214731515865Santos, Allan Erlikhman Medeiroshttp://lattes.cnpq.br/9094462711635728Menezes, Danielle Aparecida dehttp://lattes.cnpq.br/7409476481856591http://lattes.cnpq.br/5197166703991585Matos, José Matheus Vieira2024-02-18T22:18:37Z2023MATOS, José Matheus Vieira. Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor. 2023. 87 f. Monografia (Graduação em Engenharia de Minas) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.https://deposita.ibict.br/handle/deposita/497The significance of understanding credible failure modes in tailings dams stems from the significant environmental and economic devastation such failures can cause. Moreover, these failures represent critical threats to human life. Consequently, grasping the credible failure mode of a particular structure holds importance in its risk management. Depending on the specific failure mode, the geotechnical stability analysis varies. Several failure modes exist, encompassing slope instability, internal erosion, liquefaction, overtopping, structural or foundation inadequacies, earthquakes, and external erosion. In this study, an examination of variables related to this phenomenon was conducted, and predictive models for failure modes were formulated. To achieve this, the K Nearest Neighbors machine learning technique was employed using the Python language. The study's foundation relied on a database featuring 66 instances of failed tailings dams across the globe. Notable variables encompassed the ore type generating the stored tailings, dam construction materials, construction methods, height, volume, seismic risk, climate, and failure mode. The findings demonstrated the significance of all variables in predicting failure modes, with the exception of the "volume" variable, which exhibited minimal influence on failure patterns in the analyzed dams. A total of 35 predictive models for dam failure modes were developed, designated as M1 through M35. The most accurate model, M11, achieved a 71% accuracy rate. This model excluded the volume variable, configured with three neighbors (k=3), and a training/test sample size ratio of 90% to 10%. This model was subsequently applied to a database containing information on 10 Brazilian dams classified with emergency levels II and III by the National Mining Agency. Within this set, eight were identified as susceptible to credible failure due to slope instability, and two due to internal erosion.A importância de se conhecer o modo de falha crível em barragens de rejeito se dá à medida que tais falhas causam danos ambientais e econômicos consideráveis, além de constituírem fontes críticas de perdas de vidas humanas. Em vista disso, o conhecimento do modo de falha crível para uma dada estrutura é importante no seu gerenciamento de riscos, uma vez que, a depender do modo de falha, a análise de estabilidade geotécnica será diferente. Dentre os diferentes modos de ruptura, tem-se: instabilidade de taludes, erosão interna, liquefação, galgamento, inadequações estruturais ou na fundação, abalo sísmico e erosão externa. Neste trabalho foi realizado o estudo de algumas das variáveis relacionadas ao fenômeno e foram elaborados modelos preditores para modos de falha. Para tanto, fez-se uso da técnica de aprendizado de máquina K Nearest Neighbors, via linguagem Python. O desenvolvimento do estudo se deu a partir de um banco de dados com 66 barragens de rejeito rompidas do mundo todo. As variáveis conhecidas para essas barragens incluem o tipo de minério que gerou o rejeito armazenado, o material de construção da barragem, o método construtivo, altura, volume, risco sísmico, clima e modo de falha. Os resultados mostraram que todas as variáveis foram importantes na predição do modo de falha, exceto a variável "volume". Essa variável não demonstrou forte influência nos padrões de falha das barragens estudadas. Foram desenvolvidos trinta e cinco modelos preditores de modo de falha de barragens, identificados como M1 a M35. O modelo mais preciso foi o M11, no qual obteve-se uma acurácia de 71%. Esse modelo excluiu a variável de volume e foi configurado com k vizinhos igual a 3, tamanho proporção da amostra de treino/teste igual a 90%/10%. Tal modelo foi aplicado em um banco de dados com 10 barragens brasileiras classificadas pela Agência Nacional de Mineração com nível de emergência II e III. Dentre elas, oito foram classificadas para modo de falha crível por instabilidade de taludes e duas por erosão interna.Fundação de Amparo à Pesquisa do Estado de Minas GeraisSudeste-1application/pdfapplication/pdfporUniversidade Federal de Ouro PretoBrasilDepartamento de Engenharia de MinasGeotechnical riskMachine learningK nearest neighborsTailings damsRisco geotécnicoAprendizado de máquinaK vizinhos mais próximosbarragens de rejeito.EngenhariasModo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditorPlausible failure mode in mining tailings dams: an analysis of conditioning variables and proposition of a predictive model.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Comum do Brasil - Depositainstname:Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict)instacron:IBICTTEXTMONOGRAFIA_ModoFalhaCrível (1).pdf.txtWritten by FormatFilter org.dspace.app.mediafilter.TikaTextExtractionFilter on 2025-06-06T20:13:39Z (GMT).Extracted texttext/plain102505https://deposita.ibict.br/bitstreams/dab582a6-9632-4e2f-b52f-687743397b44/download55cf47e4887aea4ec92ae2ed4a72397aMD53falseAnonymousREADTHUMBNAILMONOGRAFIA_ModoFalhaCrível (1).pdf.jpgWritten by FormatFilter org.dspace.app.mediafilter.PDFBoxThumbnail on 2025-06-06T20:13:39Z (GMT).Generated Thumbnailimage/jpeg3410https://deposita.ibict.br/bitstreams/4f929a8a-9a72-4eec-9979-00415ffe1b31/download820eef581f1575b3dc0681d97531a24fMD54falseAnonymousREADLICENSElicense.txtWritten by org.dspace.content.LicenseUtilstext/plain; charset=utf-81867https://deposita.ibict.br/bitstreams/f666e05f-525f-4b97-bb5a-d547b1946fae/downloada7c148eec59885ba1ba6d14692be8465MD51falseAnonymousREADORIGINALMONOGRAFIA_ModoFalhaCrível (1).pdf/dspace/deposita/upload/MONOGRAFIA_ModoFalhaCrível (1).pdfDocumento principalapplication/pdf2107848https://deposita.ibict.br/bitstreams/4bb0bd5c-b533-4477-88c4-1591b2322542/downloadd0956904fac6d7b7fb28dd8afe3bd97bMD52trueAnonymousREADdeposita/4972026-03-20T17:39:19.459303Zopen.accessoai:deposita.ibict.br:deposita/497https://deposita.ibict.brRepositório ComumPUBhttp://deposita.ibict.br/oai/requestdeposita@ibict.bropendoar:46582026-03-20T17:39:19Repositório Comum do Brasil - Deposita - Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict)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 |
| spellingShingle | Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor Matos, José Matheus Vieira Geotechnical risk Machine learning K nearest neighbors Tailings dams Risco geotécnico Aprendizado de máquina K vizinhos mais próximos barragens de rejeito. Engenharias |
| status_str | publishedVersion |
| title | Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor |
| title_full | Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor |
| title_fullStr | Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor |
| title_full_unstemmed | Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor |
| title_short | Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor |
| title_sort | Modo de falha crível em barragens de rejeito de mineração: uma análise das variáveis condicionantes e proposição de um modelo preditor |
| topic | Geotechnical risk Machine learning K nearest neighbors Tailings dams Risco geotécnico Aprendizado de máquina K vizinhos mais próximos barragens de rejeito. Engenharias |
| url | https://deposita.ibict.br/handle/deposita/497 |