Dimensionamento empírico de realces pelo método Sublevel Stoping para prever os riscos associados à diluição não planejada.

• Ano de defesa: 2025
• Autor(a) principal: Oliveira, Thaís Janine
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertacoes da USP; Universidade de São Paulo; Escola Politécnica
• Palavras-chave em Português: Mineração subterrânea; Underground mining
• Link de acesso: https://teses.usp.br/teses/disponiveis/3/3134/tde-17042026-112454/

A diluição do minério em operações de lavra subterrânea representa um dos principais desafios na mineração, impactando diretamente a eficiência operacional, a segurança e a viabilidade econômica das atividades. Este trabalho tem como objetivo analisar os fatores que influenciam a diluição não planejada, com foco na avaliação da diluição efetiva (ELOS_DIL.Realizada / ELOS_DIL.Efetiva), e propor um modelo preditivo para mitigação desse fenômeno. Para isso, foi empregada a metodologia do Gráfico de Estabilidade, aplicada na análise de realces de uma mina subterrânea, a fim de avaliar a influência de diferentes variáveis nas condições de estabilidade e na ocorrência de diluição. A pesquisa incluiu retroanálises dos realces, abrangendo avaliações antes e após o desmonte, e focou no desenvolvimento de uma equação empírica para cálculo da diluição. Essa equação pode ser utilizada como ferramenta inicial para validar as configurações de realce desenvolvidas pelas equipes de planejamento. O estudo foi conduzido em duas etapas principais: inicialmente, identificaram-se as variáveis explicativas mais significativas e avaliou-se a adequação de modelos de regressão linear simples. Em seguida, técnicas avançadas de modelagem foram aplicadas, incluindo Regressão Linear Múltipla, Árvores de Regressão e modelos de ensemble, como Random Forest e Gradient Boosting, com o objetivo de melhorar o desempenho e a robustez dos modelos. Os resultados confirmaram a validade da equação proposta e destacaram a importância de explorar diferentes abordagens de modelagem e técnicas de validação para garantir a precisão e a confiabilidade dos modelos preditivos. As análises residuais demonstraram a adequação dos modelos desenvolvidos para a previsão de novos dados, assegurando a consistência observada durante o treinamento.