Novas técnicas para mapeamento geológico em planejamento de lavra a céu aberto com sensores aerotransportados

• Ano de defesa: 2019
• Autor(a) principal: Beretta, Filipe Schmitz
• Orientador(a): Peroni, Rodrigo de Lemos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Mapeamento geológico; Lavra : Planejamento; Veículo aéreo não tripulado
• Palavras-chave em Inglês: Geological mapping; Open pit mine planning; Machine learning; Unmanned aerial vehicle
• Link de acesso: http://hdl.handle.net/10183/206054

O planejamento de lavra depende diretamente de um processo eficiente e preciso de controle de teores e mapeamento de contatos entre litologias nas frentes de operação. Identificadas pelo processo de mapeamento geológico, as classes podem ser definidas por agrupamentos de materiais geológicos com base em seus atributos físicos, químicos e econômicos. Quanto mais acurado for o modelo, maior é o controle do planejamento sobre aspectos como diluição, recuperação, volumetria e consequentemente a assertividade no processo de reconciliação de massas e teores. Tradicionalmente, o geólogo responsável pelo mapeamento constrói o modelo com base em observações de frente de lavra, mas limitado pelas dimensões do corpo humano e pelos riscos atrelados aos perigos em campo. Com o crescente desenvolvimento de tecnologias de automação, baseadas em inteligência artificial, a classificação litológica pode ser aperfeiçoada por meio de ferramentas de aprendizado de máquina para treinamento computacional supervisionado. Os dados são classificados por meio de comparação estatística contra as porções de treinamento, onde as classes são previamente fornecidas por um profissional experiente e tomadas como verdadeiras. A partir de imagens adquiridas por veículos aéreos não tripulados de baixo custo, é feito um processamento fotogramétrico, o qual resulta em uma nuvem densa de pontos. Cada ponto apresenta, além das coordenadas cartesianas, as respectivas componentes de reflectância. Estes dados servem como porções de treinamento e validação de modelos de classificação automática. Por meio de algoritmos de aprendizado de máquina aplicados em nuvens de pontos, foi determinado que é possível criar um modelo de classificação automática de litologia em frentes de lavra de minas a céu aberto. Como aplicação prática, os parâmetros de lavra podem ser refinados em uma reconciliação proativa.