Os processos de amostragem na exploração mineral muitas vezes resultam em áreas preferencialmente amostradas, com a formação de agrupamentos, que podem surgir devido a alguns fatores, tais como condições de acessibilidade, valores de atributos e a estratégia de amostragem. Os agrupamentos afetam a inferência estatística da área. O objetivo deste artigo é propor uma nova abordagem para métodos de desagrupamento usando as redes de Kohonen, Self-Organizing Maps (SOM). As SOMs é um tipo de rede neural artificial usada para classificação não supervisionada. A metodologia atribui a cada amostra um peso para calcular a média desagrupada. A atribuição de peso para cada amostra em uma área é inversamente proporcional à área densamente amostrada. A média desagrupada é dada pela soma da multiplicação do peso com o valor do atributo de cada amostra. Portanto, a lógica de atribuição de pesos é semelhante ao método Cell Declustering, porém as SOMs identificam as áreas com margens não lineares, ao contrário do método Cell Declustering. Um estudo de caso é apresentado, usando o conjunto de dados de Walker Lake. A presente pesquisa não pretende substituir os métodos clássicos de desagrupamento, mas sim apresentar uma nova abordagem para um problema rotineiro na avaliação de reservas. Embora a matemática da técnica aplicada seja de fato complexa, os resultados podem ser promissores.
17 October 2022 in Research, Society and Development
Dentre as etapas de um projeto de mineração destaca-se a pesquisa mineral, com objetivos de identificar, estudar e avaliar os depósitos minerais. Nesta etapa específica ocorre a transformação dos recursos minerais inferidos, em indicados e por fim medidos, e caso seja viável sua explotação, em reservas minerais prováveis e/ou provadas. A descoberta destas reservas é marco impactante para o desenvolvimento industrial, tecnológico e econômico de uma sociedade. Este artigo tem como objetivo principal apresentar a utilização de uma técnica de machine learning para identificação de estruturas de particular interesse geológico, a partir de imagens de satélite. A técnica aplicada foi o Clustering Large Applications (CLARA) que é um algoritmo não-supervisionado para agrupamento de dados, com alta performance em banco de dados massivos. A área utilizada como estudo de caso foi o Quadrilátero Ferrífero, uma das maiores províncias minerais do planeta, localizada no estado de Minas Gerais, Brasil. Os resultados do modelo CLARA permitiram delinear todas as feições que formam o Quadrilátero Ferrífero. Neste contexto acredita-se que esta possa ser uma boa ferramenta para seleção de alvos exploratórios reduzindo incerteza e risco aos investidores. O que propicia não somente a atração de novas empresas para pesquisa mineral, além da ampliação das reservas dos recursos minerais brasileiros.