Agrupamento de domínios e modelagem geometalúrgica da Mina Chapadão, Ouvidor-GO

Abstract

A modelagem de depósitos minerais tem sido aprimorada ao longo dos anos com a incorporação de informações geológicas, químicas e metalúrgicas. No entanto, a diversidade dessas informações torna essa atividade dispendiosa, já que os dados não são unificados nos procedimentos, no suporte amostral e nas quantidades. A não aditividade e a não linearidade de certos atributos impõem mais dificuldades. Recentemente, novas abordagens em geometalurgia computacional têm mostrado progressos notáveis na análise de dados espaciais para contornar os desafios que restringiriam a criação desses modelos. Este estudo é impulsionado por essas novas metodologias e emprega técnicas de aprendizado de máquina para viabilizar o modelo da Mina Chapadão, enfrentando dificuldades, como a complexidade geológica dos contatos transicionais e a sobreposição de estruturas, além da falta de uniformidade no banco de dados, isto é, as informações metalúrgicas são significativamente menores em comparação com as outras. Essa situação não é exclusiva de Chapadão, mas sim comum à maioria dos depósitos minerais, que frequentemente limitam a modelagem dos minérios aos atributos primários da rocha. A generalização dos modelos metalúrgicos é opção válida quando as relações entre as características geológicas e as respostas de processamento são bem definidas. Sob essa perspectiva, tipologias de minério foram definidas, cujas características geológicas e químicas são compatíveis com os resultados metalúrgicos. O algoritmo fuzzy foi testado para gerenciar a incerteza do fenômeno estudado e para classificar as amostras de sondagem em domínios tipológicos modelados por krigagem dos indicadores. Três técnicas de aprendizado de máquinas foram analisadas para predição dos atributos de processo. Os resultados satisfatórios dos algoritmos de predição possibilitaram a simulação geoestatística das variáveis primárias para cada domínio do modelo geometalúrgico que foram reconciliadas com os dados de produção.