Atualização de modelos geológicos utilizando técnicas de aprendizagem supervisionadas para interpretação de domínios geológicos

• Ano de defesa: 2024
• Autor(a) principal: Martins, Marcela
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Aprendizagem supervisionada; Depósito de ouro; Geological interpretation; Gold deposit; Implicit modeling; Interpretação geológica.; Machine learning; Modelagem implícita; Supervised learning
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/44/44137/tde-09092024-092920/

Atualmente, a modelagem implícita é a técnica mais utilizada para a construção de modelos geológicos. Nesta técnica, o geólogo precisa manualmente categorizar as amostras definindo a quais domínios geológicos elas pertencem. Este processo deve ser realizado toda vez que uma nova informação é adicionada ao banco de dados, logo o processo de atualização de modelos geológicos demanda tempo, dedicação e conhecimento do depósito. Uma forma possível para otimizar este processo é a utilização de algoritmos de aprendizado de máquina. Estes algoritmos buscam identificar padrões nos dados para inferir sobre eles. O objetivo deste trabalho é utilizar algoritmos de aprendizado de máquina para interpretar domínios geológicos quando novos furos são inseridos ao modelo. Foram utilizados seis algoritmos de aprendizado de máquina, que são Naive Bayes, floresta aleatória, K-vizinhos mais próximos (k-NN), máquina de vetores de suporte (SVM), árvore de decisão e rede neural, para atualizar o modelo de um depósito de ouro. O depósito estudado está inserido na Formação Serra do Córrego e é constituído por intercalações de pacotes de conglomerados e quartzitos. Os resultados obtidos neste estudo mostraram que os algoritmos de Naive Bayes, SVM, árvore de decisão e k-NN não são indicados para realizar categorização das amostras de acordo com os domínios geológicos aos quais pertencem. Este fato reflete-se nos modelos gerados a partir das categorizações dos domínios geológicos realizadas por estes algoritmos, estes modelos apresentaram camadas com formatos não geológicos e não respeitaram a estratigrafia do depósito. Por outro lado, rede neural e floresta aleatória mostraram-se bastante promissores para realizar tal atividade, pois os modelos ficaram semelhantes ao modelo realizado manualmente por um geólogo, deste modo, aconselha-se a utilização destes algoritmos para o auxílio da modelagem implícita.