| dc.contributor | SILVA, Ricardo Martins de Abreu | |
| dc.contributor | SOARES, Rodrigo Gabriel Ferreira | |
| dc.contributor | http://lattes.cnpq.br/3636464438163605 | |
| dc.contributor | http://lattes.cnpq.br/6234141909588262 | |
| dc.contributor | http://lattes.cnpq.br/2526739219416964 | |
| dc.creator | SILVA, Ricardo Alves da | |
| dc.date | 2019-10-11T19:27:04Z | |
| dc.date | 2019-10-11T19:27:04Z | |
| dc.date | 2019-02-22 | |
| dc.date.accessioned | 2022-10-06T18:59:51Z | |
| dc.date.available | 2022-10-06T18:59:51Z | |
| dc.identifier | https://repositorio.ufpe.br/handle/123456789/34509 | |
| dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/3992226 | |
| dc.description | O investimento em pesquisa mineral é bastante oneroso e muitas vezes arriscado, tanto do ponto de vista da correta identificação da jazida em subsolo quanto do eficiente trabalho de sondagem, que é feito para conhecer a jazida e avaliar a sua viabilidade econômica. Tomando como exemplo o Brasil, um país com um grande potencial extrativo de minérios, como ferro, ouro e níquel, entre outros, surgiu o interesse, nesta pesquisa, de propor a aplicação de metodologias inovadoras e eficazes, na área de Aprendizado de Máquina (AM), que possam dar um tratamento mais sofisticado e de fácil utilização nas análises de estimativa de recursos minerais. A ideia, aqui, é combinar praticidade e eficácia no processo de quantificação dos bens minerais, através de algoritmos de aprendizado de máquina. Trata-se, portanto, de uma forma de tornar os procedimentos de tratamento dos dados de sondagem mais simplificados do ponto de vista operacional. Ademais, é importante lembrar que as operações em pesquisa mineral são desenvolvidas por meio de levantamento das características geológicas do solo ou de perfuração na área de interesse, e, a partir desses dados, é iniciado o estudo de identificação e quantificação de teores de minério na formação geológica mineralizada. Para isso, é realizado um estudo geoestatístico utilizando o algoritmo de krigagem, a fim de quantificar, em termos de teor mineral, os minérios existentes no subsolo em análise. Como o método da krigagem é estatisticamente paramétrico, ele apresenta algumas limitações quanto à modelagem matemática do corpo mineralizado e, em algumas situações, torna-se muito difícil associar um modelo para a análise variográfica do corpo mineral. Na área de Aprendizado de Máquina, existem diversos estudos tratando da utilização de algoritmos que são treinados mediante hipótese não paramétricas, como os ensembles, que são o alvo deste estudo. Tais algoritmos não possuem fórmulas predefinidas quanto à análise da formulação do problema. Através deles é possível se chegar a uma melhor percepção da correlação de teores na classificação e na quantificação dos minerais em estudo. Por meio dos métodos não paramétricos, é possível descrever a formação geológica do corpo mineralizado e, consequentemente, realizar uma melhor estimativa dos teores de minério. Dentre esses métodos, vale destacar os ensembles, já citados anteriormente, os quais apresentam características peculiares que podem ser bastante úteis no que diz respeito ao desenvolvimento deste trabalho de pesquisa, podendo, enfim, produzir resultados significativos. Assim sendo, resta acrescentar que é necessário que os problemas realcionados a pesquisas em recursos minerais sejam vistos de forma mais objetiva e prática, ou seja, sejam encarados como desafios a serem superados e não como obstáculos intransponíveis. | |
| dc.description | FACEPE | |
| dc.description | Investment in mineral exploration is quite expensive and often risky, both from the point of view of the correct identification of the underground deposit and the efficient survey work, which is done to know the deposit and evaluate its economic viability. As an example, Brazil, a country with a great potential for extraction of ores, such as iron, gold and nickel, among others, the interest in this research was to propose the application of innovative and effective methodologies in the area of Machine Learning (AM), which can provide a more sophisticated and user-friendly treatment in the estimation of mineral resources. The idea here is to combine practicality and effectiveness in the process of quantification of mineral goods, through machine learning algorithms. It is therefore a way of making the procedures for processing survey data simpler from an operational point of view. In addition, it is important to remember that the mineral exploration operations are developed by means of a survey of the geological characteristics of the soil or of drilling in the area of interest, and, from these data, the study of identification and quantification of ore contents in the mineralized geological formation. For this, a geostatistical study is carried out using the kriging algorithm, in order to quantify, in terms of mineral content, the existing minerals in the subsoil under analysis. As the kriging method is statistically parametric, it presents some limitations regarding the mathematical modeling of the mineralized body and, in some situations, it becomes very difficult to associate a model for the variographic analysis of the mineral body. In the Machine Learning area, there are several studies dealing with the use of algorithms that are trained by non-parametric hypotheses, such as the ensembles, which are the target of this study. These algorithms do not have predefined formulas for the analysis of the problem formulation. Through them it is possible to get a better perception of the correlation of contents in the classification and quantification of the minerals under study. By means of non-parametric methods, it is possible to describe the geological formation of the mineralized body and, consequently, to make a better estimate of the ore contents. Among these methods, it is worth mentioning the ensembles already mentioned, which have peculiar characteristics that can be very useful in the development of this research work, and can produce significant results. Therefore, it is necessary to add that the problems related to research in mineral resources must be seen in a more objective and practical way, that is, they are seen as challenges to be overcome and not as insurmountable obstacles. | |
| dc.format | application/pdf | |
| dc.language | por | |
| dc.publisher | Universidade Federal de Pernambuco | |
| dc.publisher | UFPE | |
| dc.publisher | Brasil | |
| dc.publisher | Programa de Pos Graduacao em Ciencia da Computacao | |
| dc.rights | embargoedAccess | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.subject | Inteligência computacional | |
| dc.subject | Aprendizagem de máquina | |
| dc.title | Determinação de recursos minerais com utilização de otimização e algoritmos de aprendizado de máquina | |
| dc.type | doctoralThesis | |
