Apesar da demanda por depósitos minerais ser crescente, e os investimentos também, a taxa de descoberta de depósitos minerais não está crescendo. De fato, os maiores depósitos de minério, os que estavam com acesso mais fácil, já foram descobertos. Resta agora buscar formas de descobrir novas informações a partir dos dados que conseguimos. É aí que entra o Machine Learning (em português, Aprendizado de Máquina), vamos saber mais sobre?
O que é Machine Learning
Consiste em um sistema computacional programado para aprender com base em experiências e no conhecimento disponível, de bancos de dados a mídias sociais. Com isso, o Machine Learning busca identificar padrões que antes não haviam sido percebidos pela mente humana, seja pela grande quantidade de dados a analisar, ou seja pelas nossas limitações conceituais.
Onde isto é aplicado na descoberta de jazidas minerais? Os algoritmos de Machine Learning podem ser usados para prever concentrações de elementos e ocorrências de determinados tipos de rochas em grandes áreas, por exemplo.
Estudo de caso aplicado a Minério de Cobre
Um estudo publicado em 2022 por Zou e colaboradores apresenta duas técnicas de aprendizado de máquina para identificar novos depósitos de cobre pórfiro profundos, que utilizam a geoquímica na identificação de magmas férteis (que podem formar depósitos de pórfiro) ou magmas estéreis (não formam depósitos econômicos). Estas técnicas utilizam redes neurais e a técnica de random forest.
Os métodos foram validados em dois grupos de dados independentes de depósitos de cobre pórfiro, um no Canadá e outro na China. Nesta pesquisa, elementos químicos importantes para localização dos magmas férteis para depósitos de cobre incluem Európio, Ítrio, Neodímio e Cério. Nos testes, modelo random forest apresentou melhor desempenho, e obteve cerca de 90% de acertos.
Agora, Nathwani e colaboradores desenvolveram um método para identificar detalhes em grãos de zircão formados em rochas associadas a depósitos de cobre. Os testes foram realizados com zircões de intrusões ligadas a jazidas de cobre pórfiro do sul do Peru, através da análise de imagens dos grãos (catodoluminescência).
Os modelos computacionais conseguiram reconhecer cristais associados aos depósitos por características específicas, como arestas de cristal, zoneamento e inclusões minerais, através de uma técnica chamada rede neural convolucional. Redes neurais são muito aplicadas para dados com formatos não numéricos, como por exemplo arquivos de imagens. Em relação ao zircão, este mineral é encontrado em rochas magmáticas e em sedimentos, então o estudo pode ser usado tanto em estudos de petrologia como em proveniência mineral, por exemplo.
Campanhas exploratórias são investimentos de alto risco, pois demandam altos custos e possuem grande incerteza. Então, a aplicação de técnicas como as criadas com Machine Learning facilita a identificação de locais mais propensos a concentrações econômicas de minerais de valor.
Tornar a educação acessível para o setor mineral, esse é o nosso objetivo!
Conheça a Academia da Mineração.
Referencias
Sidder, A. (2022), Machine learning could revolutionize mineral exploration, Eos, 103, https://doi.org/10.1029/2022EO220413. Published on 26 August 2022.
Fritts, R. (2023), Prospecting for copper with machine learning and zircons, Eos, 104, https://doi.org/10.1029/2023EO230066. Published on 23 February 2023.
Nathwani, C. L., Wilkinson, J. J., Brownscombe, W., & John, C. M. (2023). Mineral texture classification using deep convolutional neural networks: An application to zircons from porphyry copper deposits. Journal of Geophysical Research: Solid Earth, 128(2), e2022JB025933.
Zou, S., Chen, X., Brzozowski, M. J., Leng, C. B., & Xu, D. (2022). Application of machine learning to characterizing magma fertility in porphyry Cu deposits. Journal of Geophysical Research: Solid Earth, 127(8), e2022JB024584.
Academia da Mineração