Dados da Submissão

Título

APLICAÇÃO DE ALGORITMOS DE MACHINE LEARNING PARA CLASSIFICAÇÃO DE ALTERAÇÕES HIDROTERMAIS DE DEPÓSITO DO TIPO IOCG

Texto do resumo

Depósitos de minério de cobre da classe Óxido de Ferro-Cobre-Ouro (Iron-Oxide-Copper-Gold- IOCG) se formam por meio de múltiplos eventos hidrotermais e de mineralização sobrepostos. O alvo abordado neste estudo apresenta zoneamentos de alteração sódica, com variações para alteração sódica-cálcica, cálcica-férrica, potássica-férrica, férrica e sulfetação, associada com às zonas mineralizadas; as quais são, principalmente, ricas em calcopirita, magnetita, actinolita, biotita, albita e apatita. Compreender essas alterações, em escala de depósito, é fundamental para a construção de modelos geológicos e a vetorização de novos alvos de exploração. Atualmente, a interpretação dessas alterações é realizada de forma descritiva, juntamente com dados geoquímicos obtidos diretamente dos furos de sondagem, por geólogos. Esse é um processo dispendioso que requer precisão humana. Além disso, a subjetividade faz com que diferentes geólogos classifiquem litologias semelhantes de forma distinta. Diante desses problemas, estudos recentes têm integrado técnicas de machine learning com dados geoquímicos para a classificação de rochas, auxiliando na modelagem de depósitos. Tais técnicas têm aprimorado a tomada de decisão, aumentado a produtividade e reduzindo custos. Este trabalho teve como objetivo classificar sistemas hidrotermais em um sistema mineral do tipo IOCG utilizando algoritmos de machine learning não supervisionados. A geologia do alvo compreende uma associação granítica-gnáissica-migmatítica com alteração hidrotermal incipiente a pervasiva, além da ocorrência de rochas com composições básica e ácida intrusivas, posteriores ao evento mineralizante. Para a classificação, foram utilizados dados geoquímicos de rocha total obtidos por meio dos furos de sondagem executados no alvo de interesse. O banco de dados contém teores de 52 elementos analisados utilizando abertura multiácida e leitura por ICP-OES/MS, além de ouro por Fire Assay. Esses dados foram extraídos a partir de 11.066 amostras de 92 furos de sondagem. Transformações de Aitchison foram aplicadas nesses dados com o objetivo de mitigar a limitação imposta pela soma constante, característica dos dados composicionais, reduzir problemas de colinearidade e aprimorar sua distribuição. Ainda, na etapa de pré-processamento, a dimensionalidade do banco geoquímico foi reduzida utilizando Deep Autoencoder, visando melhorar a distinção entre os grupos de dados. Finalmente o K-means foi aplicado nos dados pré-processados com o objetivo de agrupá-los automaticamente e fundamentar a classificação não supervisionada. Os resultados indicam que a metodologia proposta apresenta eficácia na classificação de alterações hidrotermais de depósitos IOCG utilizando apenas dados geoquímicos. O K-means identificou adequadamente as zonas de mineralização e hidrotermais, especialmente zonas de alteração sódica, potássica-férrica e cálcica-férrica. A aplicação de métodos abordados permitiu identificar alterações com um bom nível de precisão, revelando novas características que não haviam sido detectadas anteriormente por metodologias manuais. Conclui-se que a implementação da abordagem proposta tem o potencial de reduzir a subjetividade na interpretação dos dados, aprimorando a classificação geoquímica realizada por especialistas.

Palavras Chave

depósito IOCG; alterações hidrotermais; Machine Learning; redução de dimensionalidade; clusterização