Novas técnicas para mapeamento geológico em planejamento de lavra a céu aberto com sensores aerotransportados

Abstract

O planejamento de lavra depende diretamente de um processo eficiente e preciso de controle de teores e mapeamento de contatos entre litologias nas frentes de operação. Identificadas pelo processo de mapeamento geológico, as classes podem ser definidas por agrupamentos de materiais geológicos com base em seus atributos físicos, químicos e econômicos. Quanto mais acurado for o modelo, maior é o controle do planejamento sobre aspectos como diluição, recuperação, volumetria e consequentemente a assertividade no processo de reconciliação de massas e teores. Tradicionalmente, o geólogo responsável pelo mapeamento constrói o modelo com base em observações de frente de lavra, mas limitado pelas dimensões do corpo humano e pelos riscos atrelados aos perigos em campo. Com o crescente desenvolvimento de tecnologias de automação, baseadas em inteligência artificial, a classificação litológica pode ser aperfeiçoada por meio de ferramentas de aprendizado de máquina para treinamento computacional supervisionado. Os dados são classificados por meio de comparação estatística contra as porções de treinamento, onde as classes são previamente fornecidas por um profissional experiente e tomadas como verdadeiras. A partir de imagens adquiridas por veículos aéreos não tripulados de baixo custo, é feito um processamento fotogramétrico, o qual resulta em uma nuvem densa de pontos. Cada ponto apresenta, além das coordenadas cartesianas, as respectivas componentes de reflectância. Estes dados servem como porções de treinamento e validação de modelos de classificação automática. Por meio de algoritmos de aprendizado de máquina aplicados em nuvens de pontos, foi determinado que é possível criar um modelo de classificação automática de litologia em frentes de lavra de minas a céu aberto. Como aplicação prática, os parâmetros de lavra podem ser refinados em uma reconciliação proativa.

Mining planning depends directly on an efficient and accurate process of grade control and mapping of contacts between lithologies on a mining face. Identified through geological mapping procedures, the classes might be defined by the grouping of geological materials, based on their physical, chemical and economical attributes. The more accurate is the model, the higher is the mine planning control on technical aspects, such as dilution, recovery, volume measurement and consequent assertiveness for the process of tonnes and grades reconciliation. Traditionally, the geologist responsible for mapping builds the model using observation data from the mining face, but limited by human body physical dimensions and by the risks associated to the field exposition. With the increase in automation technologies, based on artificial intelligence, lithological classification can benefit through the use of machine learning tools applied with supervised computational training. The data are classified by statistical comparison against training portions, onto which the classes are previously provided by an experienced professional and taken as real. Using images acquired by low cost unmanned aerial vehicles, a photogrammetric processing is performed, resulting on a dense point cloud. Each point presents the cartesian location coordinates and the respective reflectance components. These data are taken as training and validating portions for the automatic classification models. Using machine learning algorithms applied on point cloud information, it was determined that it is possible to create an automatic lithological classification model on open pit mining face. For practical planning application, the mining parameters may be refined as a proactive reconciliation.