Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Rodrigues, Caio Oliveira
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
dARK ID: ark:/61566/001300000hvm3
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Lavra subterrânea
Geotecnia
Algoritmos computacionais - árvores de decisão
Algoritmos computacionais - florestas aleatórias
Aprendizado de máquina
Link de acesso: http://www.repositorio.ufop.br/jspui/handle/123456789/16896
Resumo: Programa de Pós-Graduação em Engenharia Mineral. Departamento de Engenharia de Minas, Escola de Minas, Universidade Federal de Ouro Preto.
id UFOP_c81464eb2a02cf79e35c4a24108c72e8
oai_identifier_str oai:repositorio.ufop.br:123456789/16896
network_acronym_str UFOP
network_name_str Repositório Institucional da UFOP
repository_id_str
spelling Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.Lavra subterrâneaGeotecniaAlgoritmos computacionais - árvores de decisãoAlgoritmos computacionais - florestas aleatóriasAprendizado de máquinaPrograma de Pós-Graduação em Engenharia Mineral. Departamento de Engenharia de Minas, Escola de Minas, Universidade Federal de Ouro Preto.Uma das principais metodologias empíricas para avaliar a estabilidade de realces de minas subterrâneas e estimar sua diluição é o Gráfico de Estabilidade de Realces Modificado, proposto por Potvin et al. (1988), que relaciona características do maciço rochoso e a geometria do realce. Seu uso permite estimar a condição de estabilidade da escavação, utilizando um gráfico construído a partir da análise da diluição de 255 realces. Todavia, por se tratar de um método empírico, várias subjetividades estão associadas com o processo de avaliação, e a aplicação da técnica possui restrições de uso, uma vez que não consideram os ambientes geomecânicos das minas subterrâneas brasileiras. O presente trabalho propõe modelos de predição da diluição em realces por meio da aplicação de algoritmo de florestas aleatórias em um banco de dados de uma mina subterrânea de ouro brasileira contendo 26 variáveis de 70 realces de três diferentes mineralizações. A fim de investigar as variáveis que contém maior correlação com a diluição foi utilizado o método de árvores de decisão, que apontou seis variáveis principais deste banco de dados na previsão de diluição, utilizadas para geração dos modelos de florestas aleatórias em três etapas. Primeiramente, foi proposto um modelo validado pelo método da ressubstituição, a ser comparado com os modelos propostos por Costa (2017) a partir do mesmo banco de dados, que revelou superioridade das florestas aleatórias na previsão de diluição em detrimento dos modelos de regressão linear múltipla proposto pelo autor, obtendo-se R2 igual a 0.9161. Em seguida o modelo de florestas aleatórias foi validado por divisão de amostras treino/teste, que obteve valor de R2 igual a 0.3060 no melhor cenário. Por fim, visando aprimorar o modelo, o banco de dados foi dividido em três, cada um referente a um dos corpos mineralizados, e novos modelos foram gerados para cada banco de dados. Esta análise indicou evolução nos valores de acurácia dos modelos, com R2 igual a 0.5465, 0.5295 e 0.4525, contudo, com grande variabilidade das métricas de validação. A importância das variáveis também foi observada nestas últimas análises por florestas aleatórias, indicando grande coerência com os resultados obtidos por meio das árvores de decisão. O estudo foi capaz de definir as principais variáveis do banco de dados na influência de diluição em realces, e propõe modelos de predição de diluição práticos, de fácil utilização e com menos subjetividades que os métodos empíricos, sendo uma excelente ferramenta para auxiliar engenheiros geotécnicos na compreensão e estimativa da diluição operacional.One of the main empirical methodologies to evaluate stope stability in mining and also to estimate its dilution is the Stability Graph Method, proposed by Potvin et al. (1988), that correlates rock mass parameters and stope geometry. Stability condition is predicted using a graph built from the analysis of 255 stopes. However, because it is an empirical method, many uncertainties are related to the evaluation process, besides the usage restrictions, since they do not consider the geomechanical environments at Brazilian underground mines. This dissertation presents stope dilution predictive models by using random forest algorithm in a gold underground mine dataset composed of 26 variables of 70 stopes from three different orebodies. Willing to investigate which variables have the biggest impact at mining dilution the chosen method was decision trees, who presented six main dataset variables related to dilution. Those variables were used to create the random forests models in three parts. First of all, a model validated by the resubstitution method was suggested, to be compared to the multiple linear regression models proposed by Costa (2017) based on the same dataset, who shows that the random forest model was far accurate than the others. After that, the random forest model was validated by the train/test samples division, obtaining a R2 value equals to 0.3060 at the best scenario. Finally, willing to improve this model, the dataset was split on three, referring to the different orebodies, and new models were generated to each dataset. This step presented an improvement of the accuracy values, with R2 equals to 0.5465, 0.5295 and 0.4525, nevertheless, with high variability of validation metrics. The variable importance was observed as well on these last analyses, who indicates high correlation between the results found from the decision trees model and these ones. The dissertation has managed to define the main dataset variables when stope dilution is analyzed, and purpose usable predictive models who are easy to be applied, with fewer uncertainties than the empirical methods, being an excellent tool to help geotechnical engineers at dilution comprehension and estimation.Santos, Tatiana Barreto dosSantos, Tatiana Barreto dosFigueiredo, Rodrigo Peluci deSilveira, Larissa Regina CostaRodrigues, Caio Oliveira2023-07-06T17:42:46Z2023-07-06T17:42:46Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfRODRIGUES, Caio Oliveira. Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina. 2023.131 f. Dissertação (Mestrado em Engenharia Mineral) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.http://www.repositorio.ufop.br/jspui/handle/123456789/16896ark:/61566/001300000hvm3http://creativecommons.org/licenses/by-nc-nd/3.0/us/Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 20/06/2023 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais nem a adaptação.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOP2024-11-11T07:22:19Zoai:repositorio.ufop.br:123456789/16896Repositório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332024-11-11T07:22:19Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)false
dc.title.none.fl_str_mv Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.
title Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.
spellingShingle Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.
Rodrigues, Caio Oliveira
Lavra subterrânea
Geotecnia
Algoritmos computacionais - árvores de decisão
Algoritmos computacionais - florestas aleatórias
Aprendizado de máquina
title_short Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.
title_full Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.
title_fullStr Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.
title_full_unstemmed Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.
title_sort Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.
author Rodrigues, Caio Oliveira
author_facet Rodrigues, Caio Oliveira
author_role author
dc.contributor.none.fl_str_mv Santos, Tatiana Barreto dos
Santos, Tatiana Barreto dos
Figueiredo, Rodrigo Peluci de
Silveira, Larissa Regina Costa
dc.contributor.author.fl_str_mv Rodrigues, Caio Oliveira
dc.subject.por.fl_str_mv Lavra subterrânea
Geotecnia
Algoritmos computacionais - árvores de decisão
Algoritmos computacionais - florestas aleatórias
Aprendizado de máquina
topic Lavra subterrânea
Geotecnia
Algoritmos computacionais - árvores de decisão
Algoritmos computacionais - florestas aleatórias
Aprendizado de máquina
description Programa de Pós-Graduação em Engenharia Mineral. Departamento de Engenharia de Minas, Escola de Minas, Universidade Federal de Ouro Preto.
publishDate 2023
dc.date.none.fl_str_mv 2023-07-06T17:42:46Z
2023-07-06T17:42:46Z
2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv RODRIGUES, Caio Oliveira. Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina. 2023.131 f. Dissertação (Mestrado em Engenharia Mineral) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
http://www.repositorio.ufop.br/jspui/handle/123456789/16896
dc.identifier.dark.fl_str_mv ark:/61566/001300000hvm3
identifier_str_mv RODRIGUES, Caio Oliveira. Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina. 2023.131 f. Dissertação (Mestrado em Engenharia Mineral) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
ark:/61566/001300000hvm3
url http://www.repositorio.ufop.br/jspui/handle/123456789/16896
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/us/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/us/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFOP
instname:Universidade Federal de Ouro Preto (UFOP)
instacron:UFOP
instname_str Universidade Federal de Ouro Preto (UFOP)
instacron_str UFOP
institution UFOP
reponame_str Repositório Institucional da UFOP
collection Repositório Institucional da UFOP
repository.name.fl_str_mv Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)
repository.mail.fl_str_mv repositorio@ufop.edu.br
_version_ 1856654701457571840

Registros relacionados