Análise de agrupamento aplicada à definição de domínios de estimativa para a modelagem de recursos minerais

• Ano de defesa: 2020
• Autor(a) principal: Moreira, Gabriel de Castro
• Orientador(a): Costa, Joao Felipe Coimbra Leite
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Aprendizado de máquina; Análise de agrupamento; Geoestatística; Análise multivariada; Recursos minerais
• Palavras-chave em Inglês: Machine learning; Cluster analysis; Geostatistics; Multivariate analysis; Mineral resources
• Link de acesso: http://hdl.handle.net/10183/212457

A definição de domínios de estimativa é uma das primeiras etapas a se cumprir na modelagem de recursos minerais e uma das decisões mais importantes em todo o processo. Uma definição inadequada de domínios pode complicar desnecessariamente a modelagem ou, pior, comprometer os resultados das estimativas, o que pode levar a uma avaliação imprecisa de massas e teores. O conceito de domínio de estimativa está relacionado à noção de estacionariedade, e existem várias abordagens para se tratar o assunto. No campo do aprendizado de máquina, a análise de agrupamento fornece algumas técnicas interessantes que podem ser aplicadas nesse contexto. No entanto, tradicionalmente, esses métodos são próprios para se lidar com dados no espaço multivariado, sem considerar a posição das amostras no espaço geográfico. Mais recentemente, técnicas específicas têm sido apresentadas a fim de realizar o agrupamento de dados geoposicionados. A validação da análise de agrupamento também é uma tarefa um tanto complexa, já que não existem rótulos predefinidos para referência, e diversos métodos devem ser utilizados simultaneamente para que as conclusões sejam mais assertivas. Nesta Dissertação, é feita uma ampla discussão acerca da análise de agrupamento e das técnicas de validação. Como demonstração, são apresentados e discutidos os resultados de quatro algoritmos de agrupamento e alguns métodos de validação, aplicados a um conjunto de dados de um depósito de fosfato e titânio. Também é verificada a possibilidade de se utilizar algoritmos de aprendizado supervisionado para a classificação automatizada de novas amostras, baseado nos grupos definidos na análise de agrupamento. A automatização de procedimentos permite aumentar significativamente a reprodutibilidade do processo de modelagem, uma condição essencial na avaliação de recursos minerais, principalmente para fins de auditoria. No entanto, embora muito eficazes no processo de tomada de decisão, os métodos apresentados ainda não são totalmente automatizados, exigindo conhecimento prévio e muito bom senso.