Venda de Livros e E-books: Aprendizado de máquina em análise de prospectividade

domingo, 30 de agosto de 2026

Aprendizado de máquina em análise de prospectividade

Caro(a) Leitor(a),

Aprendizado de máquina em análise de prospectividade

Em nome da BHP, a SRK Consulting e a DeepIQ uniram-se numa iniciativa para desenvolver uma abordagem combinada que visa aprimorar a modelagem de prospectividade. Combinando processamento avançado de dados, compilação de conhecimento, interpretação geológica e aprendizado de máquina (ML), a equipe investigou diversas abordagens para apoiar a descoberta de grandes depósitos de cobre pórfiro numa região bem explorada nos Andes chilenos do norte.

O estudo utilizou uma abordagem de sistema mineral para analisar os dados disponíveis. Com base no conhecimento geológico global e local, os principais vetores e critérios de exploração para depósitos de cobre pórfiro foram tabulados na Área de Interesse. Todas as informações relevantes foram extraídas de conjuntos de dados regionais disponíveis, utilizando uma ampla gama de métodos e algoritmos de interpretação e processamento. Quando os conjuntos de dados regionais foram considerados insuficientemente robustos, foram reelaborados para garantir sua adequação à integração em um fluxo de trabalho baseado em aprendizado de máquina (ML). Essas informações foram traduzidas em camadas de evidência e os conjuntos de dados multimodais foram integrados a uma plataforma de dados em nuvem para formar um conjunto de dados pronto para análise. Esses dados foram analisados utilizando uma combinação de algoritmos baseados em conhecimento e algoritmos avançados de ML e aprendizado profundo, com os diversos pontos fortes e fracos de cada abordagem incorporados em um ciclo de feedback iterativo.

As vantagens de combinar conhecimento geológico com aprendizado de máquina (ML) incluem a promessa de uma abordagem mais objetiva, minimização do viés humano e análise rápida de grandes volumes de dados. No entanto, o ML pode estar sujeito a vieses (por exemplo, os dados utilizados e/ou a relação entre os dados e os processos geológicos e/ou feições de interesse). A seleção inadequada de dados, dados de baixa qualidade ou uma ligação tênue ou complexa entre os dados e a feição geológica ou depósito de interesse podem levar a resultados insatisfatórios. Uma combinação criteriosa de geociências e ciência de dados pode ajudar a minimizar esses vieses e levar a melhores resultados.

Os resultados da análise de dados necessários para identificar, com alto nível de precisão, a localização de depósitos de cobre pórfiro conhecidos foram o primeiro passo para demonstrar uma abordagem de exploração credível e potencialmente robusta.

Centenas de conjuntos de dados individuais foram gerados durante o estudo, além daqueles originalmente fornecidos à equipe de pesquisa. A relação desses conjuntos de dados com o modelo do sistema mineral foi sempre considerada no processo de feedback entre geocientistas e cientistas de dados ao decidir quais conjuntos de dados usar nos modelos de potencial mineral. Esse processo de feedback aprimorou a compreensão dos resultados/saídas do modelo e o subsequente refinamento desses resultados.

Os conjuntos de dados geológicos incluíram interpretação geológica sólida, reinterpretação de estruturas, análise de dados geoquímicos, ocorrências de minerais/depósitos (incluindo a redefinição de áreas de influência) e modelos de alteração 2D. Os conjuntos de dados geofísicos e de sensoriamento remoto incluíram magnetismo, eletromagnetismo, gravidade, radiometria de menor escala, modelos digitais de terreno e imagens de satélite (ASTER, Sentinel 2).

Dados de entrada esparsos e não uniformes, como os de geoquímica, foram geralmente usados como elementos de dados confirmatórios, em vez de obrigatórios, em modelos de potencial mineral, reduzindo a dependência da imputação (o processo de substituir dados ausentes por valores substitutos).

Um modelo litoestrutural 3D da Área de Interesse também foi gerado, com foco no desenvolvimento da estrutura e das intrusões, fornecendo um arcabouço estrutural e geológico 3D da Área de Interesse para auxiliar na melhor compreensão da arquitetura da região e avaliar os controles subjacentes do depósito de cobre pórfiro em 3D – e para fornecer uma extensão da estrutura de direcionamento 2D para 3D, a fim de testar a aplicabilidade do direcionamento 3D em escala regional.

Um extenso conjunto de dados de entrada e uma rede de inferência foram utilizados para gerar os modelos finais de potencial mineral por meio de diversas iterações, empregando fluxos de trabalho de lógica difusa bem estabelecidos e análises de dados avançadas. Os resultados da análise de dados precisavam identificar, com alto grau de precisão, a localização de depósitos de cobre pórfiro conhecidos, como primeiro passo para demonstrar uma abordagem de exploração confiável e potencialmente robusta.

O potencial mineral baseado em aprendizado de máquina foi estimado em 2D e 3D usando estruturas de computação em nuvem distribuídas e escaláveis. Os melhores resultados foram combinados com as saídas baseadas em lógica fuzzy, orientadas por conhecimento geológico, usando uma abordagem de fusão para delimitar áreas de foco.

Os principais resultados incluíram:

Algumas camadas probatórias fundamentais foram os principais fatores determinantes.
A maioria dessas descobertas resultou do aprimoramento e da reinterpretação de conjuntos de dados geológicos, incluindo a criação de novos conjuntos de dados.
Vários dos novos mapas também foram ferramentas importantes no processo de revisão e análise iterativa (incluindo revisão por pares especializada).
Camadas de intrusão (próximas à superfície e em profundidade) e estruturas principais foram importantes camadas de evidência nos modelos finais de potencial mineral, derivados tanto do conhecimento geológico quanto da modelagem baseada em aprendizado de máquina.
O mapeamento de alteração magnética foi identificado como um fator adicional na modelagem de aprendizado de máquina.

Conclusões:

Uma abordagem produtiva e colaborativa permitiu uma poderosa troca de ideias, sem que um único especialista ou equipe de especialistas definisse os resultados. Uma aplicação criteriosa de análise de dados dentro de uma estrutura de sistema mineral é ideal para projetos regionais em áreas inexploradas.
Conjuntos de dados novos e aprimorados, baseados em conhecimento geológico, foram muito importantes para os resultados alcançados por este estudo.
A introdução de um modelo Fusion baseado em aprendizado de máquina foi fundamental para gerar modelos de potencial mineral otimizados. O Fusion é um meio eficaz de combinar um conjunto de modelos complementares, incluindo modelos baseados em conhecimento, que capturam o conhecimento especializado, e modelos de aprendizado profundo, que são orientados por dados.
Dados de entrada esparsos e não uniformes podem ser usados como elementos de dados confirmatórios, em vez de obrigatórios. A síntese de dados de entrada esparsos em indicadores geológicos é uma estratégia eficaz em ambientes com poucos dados.
Diversas áreas de alto potencial foram identificadas para uma análise mais detalhada em uma região já bem explorada.

Obrigado pela sua visita e volte sempre!

Para saber mais, acesse o link, pois têm mais conteúdos para aprendizagem.

Fonte / Créditos: SRK Consulting

https://www.srk.com/en/projects/machine-learning-in-prospectivity-analysis

__________________________________

No "New Space Economy" você vai acompanhar os conteúdos relacionados a Nova Economia Espacial, "a Space Economy". Editei este Blog movido por uma convicção simples: as decisões de negócios mais importantes da próxima década serão influenciadas, direta ou indiretamente, pelo que está acontecendo a 400 quilômetros acima de nossas cabeças. O espaço já é a infraestrutura crítica da economia global. A economia espacial moderna sustenta quase todos os pilares da vida moderna na Terra O New Space Economy é o seu terminal de dados para o que acontece acima da nossa atmosfera, agora traduzido para o idioma dos negócios. Acesse aqui: https://newspaceeconomy.blogspot.com/

__________________________________

Web Science Academy; Hélio R.M.Cabral (Economista, Escritor eDivulgador de conteúdos de Economia, Astronomia, Astrofísica, Astrobiologia Climatologia). Participou do curso Astrofísica Geral no nível Georges Lemaître (EAD), concluído em 2020, pela Universidade Federal de Santa Catarina (UFSC).