Determinação de recursos minerais com utilização de otimização e algoritmos de aprendizado de máquina

• Ano de defesa: 2019
• Autor(a) principal: SILVA, Ricardo Alves da
• Orientador(a): SILVA, Ricardo Martins de Abreu
• Tipo de documento: Tese
• Tipo de acesso: Acesso embargado
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Ciencia da Computacao
• País: Brasil
• Palavras-chave em Português: Inteligência computacional; Aprendizagem de máquina
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/34509

O investimento em pesquisa mineral é bastante oneroso e muitas vezes arriscado, tanto do ponto de vista da correta identificação da jazida em subsolo quanto do eficiente trabalho de sondagem, que é feito para conhecer a jazida e avaliar a sua viabilidade econômica. Tomando como exemplo o Brasil, um país com um grande potencial extrativo de minérios, como ferro, ouro e níquel, entre outros, surgiu o interesse, nesta pesquisa, de propor a aplicação de metodologias inovadoras e eficazes, na área de Aprendizado de Máquina (AM), que possam dar um tratamento mais sofisticado e de fácil utilização nas análises de estimativa de recursos minerais. A ideia, aqui, é combinar praticidade e eficácia no processo de quantificação dos bens minerais, através de algoritmos de aprendizado de máquina. Trata-se, portanto, de uma forma de tornar os procedimentos de tratamento dos dados de sondagem mais simplificados do ponto de vista operacional. Ademais, é importante lembrar que as operações em pesquisa mineral são desenvolvidas por meio de levantamento das características geológicas do solo ou de perfuração na área de interesse, e, a partir desses dados, é iniciado o estudo de identificação e quantificação de teores de minério na formação geológica mineralizada. Para isso, é realizado um estudo geoestatístico utilizando o algoritmo de krigagem, a fim de quantificar, em termos de teor mineral, os minérios existentes no subsolo em análise. Como o método da krigagem é estatisticamente paramétrico, ele apresenta algumas limitações quanto à modelagem matemática do corpo mineralizado e, em algumas situações, torna-se muito difícil associar um modelo para a análise variográfica do corpo mineral. Na área de Aprendizado de Máquina, existem diversos estudos tratando da utilização de algoritmos que são treinados mediante hipótese não paramétricas, como os ensembles, que são o alvo deste estudo. Tais algoritmos não possuem fórmulas predefinidas quanto à análise da formulação do problema. Através deles é possível se chegar a uma melhor percepção da correlação de teores na classificação e na quantificação dos minerais em estudo. Por meio dos métodos não paramétricos, é possível descrever a formação geológica do corpo mineralizado e, consequentemente, realizar uma melhor estimativa dos teores de minério. Dentre esses métodos, vale destacar os ensembles, já citados anteriormente, os quais apresentam características peculiares que podem ser bastante úteis no que diz respeito ao desenvolvimento deste trabalho de pesquisa, podendo, enfim, produzir resultados significativos. Assim sendo, resta acrescentar que é necessário que os problemas realcionados a pesquisas em recursos minerais sejam vistos de forma mais objetiva e prática, ou seja, sejam encarados como desafios a serem superados e não como obstáculos intransponíveis.