Mestrado: Aplicação de aprendizado supervisionado em dados de perfilagem geofísica para a classificação automatizada de litotipos na exploração de minério de ferro em Carajás

Data: 
04/06/2021 - 14:00
Local: 
Transmissão online


Defesa de dissertação de mestrado
Aluno: Raphael Fernandes Prieto
Programa: Geofísica
Título: Aplicação de aprendizado supervisionado em dados de perfilagem geofísica para a classificação automatizada de litotipos na exploração de minério de ferro em Carajás

Comissão Julgadora:
1- Prof. Dr. Ricardo Ivan Ferreira da Trindade - IAG/USP – por videoconferência
2- Dr. Gustavo Pessin - ITV - Instituto Tecnológico Vale – por videoconferência
3- Profa. Dra. Adalene Moreira Silva - UnB – por videoconferência 
 
 
Resumo
Na indústria da mineração a principal forma de investigação geológica é através da sondagem exploratória, e das etapas subsequentes de descrição geológica de testemunhos de sondagem, preparação de amostras e análises químicas. Essas são atividades de mineração que possuem processos bem estabelecidos e elevado grau de confiabilidade. Entretanto os prazos envolvidos nessas etapas, no melhor dos cenários, variam na escala de semanas a meses. Nesse trabalho foi utilizado um conjunto de dados integrando as bases de dados de perfilagem geofísica convencional e de descrição geológica, na jazida de S11D, Província Mineral de Carajás, com o objetivo de desenvolver um modelo de classificação automatizada de litotipos a partir dos dados de perfilagem geofísica, sob a abordagem de aprendizado supervisionado, acelerando o processo de descrição e modelagem geológica a escala de dias. Os procedimentos para a classificação de dados visaram a individualização de diferentes litotipos no contexto da exploração de minério de ferro em S11D, e também de acordo com seu valor econômico (Minério de Ferro e Não-minério). Os dados obtidos pela perfilagem geofísica convencional refletem, nessa jazida, diferenças geológicas que permitiram, a classificação e predição bem sucedidas dos litotipos (F1 = 0.6079), pelo modelo Decision Tree, e a identificação dos intervalos contendo minério de ferro pelo modelo Naïve Bayes (F1 = 0.8246).
Palavras-chave: Aprendizado de Máquina; Perfilagem Geofísica; Minério de Ferro; S11D; Carajás