Dados da Submissão

Título

APLICAÇÃO DE MACHINE LEARNING NA IDENTIFICAÇÃO DE HORIZONTES DO REGOLITO NO DEPÓSITO DE NÍQUEL LATERÍTICO DO RIO DOS BOIS, GOIÁS

Texto do resumo

O depósito Rio dos Bois localizado ao norte do município de Iporá, estado de Goiás, está inserido na Província Alcalina do Sul de Goiás e é descrito como um corpo alcalino ultramáfico que desenvolveu um perfil laterítico que hospeda mineralizações dos commodities Níquel e Cobalto. O corpo é uma intrusão de cerca de 70 Ma que corta as rochas pré cambrianas da região com um formato oval e é composto principalmente de dunitos serpentinizados. O presente trabalho tem como objetivo aplicar técnica de machine learning para prever e corrigir a classificação litológica de testemunhos de 737 furos de sondagem e com isso auxiliar a modelagem do depósito. Para tanto foi utilizada a base de dados geoquímicos do depósito Rio dos Bois concedida pela Teck Cominco Ltd. O método emprega o algoritmo supervisionado Random Forest utilizando o software de código aberto Orange Data Mining para prever as classes litológicas usando um conjunto de dados de treino para ensina-lo sobre a distribuição geoquímica das classes. O treinamento foi feito selecionando as amostras com composição geoquímica mais representativa de cada classe litológica por meio da análise de boxplots da distribuição geoquímica dos principais atributos. A previsão pode ser visualizada pelos gráficos de frequência, boxplots e RadViz que revelam diferentes tendências geoquímicas para cada classe podendo assim, corrigir a base de dados para melhor interpretação do depósito. Foram gerados dois modelos diferentes para comparação de qual seria a melhor previsão para as classes da base de dados. Os dois modelos foram treinados pelas mesmas amostras e a previsão foi realizada no conjunto de dados de Teste, porém, com diferentes variáveis consideradas pelo Random Forest. O modelo 1 considerou os 4 atributos principais formadores das litologias (SiO2, MgO, Fe2O3 e Al2O3). O modelo 2 considerou 13 atributos sendo eles 12 elementos (SiO2, MgO, Fe2O3, Al2O3, CaO, K2O, MnO, TiO2, P2O5, Cr2O3, Co e Ni) e Perda ao Fogo. Para os parâmetros do Random Forest foram utilizadas 100 árvores de decisão sem limite de crescimento onde todos os atributos do conjunto de dados são considerados em cada seleção de divisão. Os modelos previstos nos ajudam a entender melhor a disposição geoquímica das amostras com suas classes, podendo evidenciar informações acerca das fases minerais presentes nas litologias do depósito. No caso de minérios, ajudou a entender melhor a relação de proporção entre os minérios oxidados e silicatados e suas implicações nos modelos de processos metalúrgicos. Também ajudam para compreender as relações geoquímicas entre as classes e os diferentes fatores geológicos que podem empregar papéis fundamentais no desenvolvimento do perfil lateríticos e de suas mineralizações. Portanto, o Random Forest consegue auxiliar na análise de dados dos bancos de dados com descrições de campo e laboratório a fim de diminuir os erros atribuídos a essas atividades. O algoritmo conseguiu manter bem o balanceamento das classes para que não houvesse viés na realização das previsões. Concluímos que o emprego do algoritmo Random Forest Classifier na classificação das amostas da base de dados do depósito de níquel laterítico do Rios dos Bois foi efetivo para reclassificar e entender melhor a relação dos dados e suas variáveis. Podendo ser possível aplicar em outras bases de dados para melhor entendimento e modelamento das mesmas.

Palavras Chave

NÍQUEL LATERÍTICO; COBALTO LATERÍTICO; Machine Learning; Random Forest; geoquímica