USO DE MACHINE LEARNING NA DETERMINAÇÃO DE PARÂMETROS GEOTÉCNICOS DE FILITOS BRANDOS
Por Lívia Aparecida Gonçalves Pinto1 e José Margarida da Silva2
A dissertação “Determinação de parâmetros de resistência de filitos brandos com uso de aprendizagem de máquina” foi apresentada ao Programa de Pós-Graduação em Engenharia Mineral do Departamento de Engenharia de Minas da Universidade Federal de Ouro Preto (UFOP), como parte integrante dos requisitos para obtenção do título de Mestre em Engenharia Mineral. O trabalho aborda uma problemática recorrente na geotecnia aplicada à mineração: a estimativa precisa de parâmetros de resistência de rochas brandas, com destaque para os filitos.
Tais materiais, presentes em abundância no Quadrilátero Ferrífero, em Minas Gerais (veja exemplo em Imagem 1), apresentam desafios particulares quanto à obtenção de dados confiáveis por meio de métodos tradicionais, especialmente em razão da sua fragilidade e do alto custo dos ensaios laboratoriais convencionais.
Nesse contexto, o estudo propõe uma abordagem alternativa baseada em técnicas de Aprendizagem de Máquina (Machine Learning), com o objetivo de prever parâmetros geotécnicos como coesão (c) e ângulo de atrito (ϕ), que são fundamentais para análises de estabilidade de taludes e para o planejamento seguro das operações de lavra a céu aberto. A aplicação da Inteligência Artificial à geotecnia representa uma inovação significativa, especialmente quando se considera a possibilidade de utilizar dados históricos e previamente obtidos para a construção de modelos preditivos.
A escolha pelo uso de machine learning como técnica de trabalho não foi aleatória, mas sim motivada por uma crescente demanda por soluções mais rápidas, eficientes e de menor custo para a caracterização geotécnica de maciços rochosos. Métodos tradicionais, como ensaios triaxiais, embora confiáveis, são demorados e onerosos. Alguns trabalhos, como o de Quaglio et al. (2020), tentam métodos alternativos, não destrutivos e de menor custo, na determinação da resistência de rochas. Além disso, a variabilidade natural dos filitos, sua suscetibilidade à degradação e a dificuldade em se manter a integridade das amostras tornam o processo de caracterização ainda mais desafiador.
A solução baseada em aprendizado de máquina oferece vantagens significativas, como a reutilização de dados existentes, a capacidade de modelar relações não lineares complexas e a possibilidade de atualização contínua à medida que novos dados se tornam disponíveis. Além disso, contribui diretamente para a redução de riscos operacionais e financeiros nas atividades de mineração.
Metodologia
O estudo baseia-se na construção e análise de modelos preditivos utilizando duas abordagens de machine learning: Regressão Linear e Redes Neurais Artificiais (RNA). Para isso, foi construído um banco de dados com 70 amostras de filitos do Quadrilátero Ferrífero, extraídas de diversas minas e trabalhos acadêmicos.
Para determinar as propriedades e os parâmetros de resistência do filito, foram realizados testes laboratoriais, inclusive com amostras deformadas do material. A coleta foi feita diretamente na frente de lavra, buscando garantir a homogeneidade do material amostrado. Uma equipe especializada realizou a coleta, sob supervisão de profissional capacitado, assegurando a representatividade das amostras. No laboratório, as amostras foram misturadas, reorganizadas e preparadas para os ensaios, obedecendo-se às respectivas normas técnicas (Tabela 1).
Os dados obtidos compreendem variáveis geotécnicas como massa específica, porosidade, índices de vazios, limites de Atterberg e composição granulométrica.
Os limites de Atterberg, também conhecidos como limites de consistência, permitem avaliar a maior ou menor compacidade de determinado material (solo ou outro) ao ser moldado, sem variar o volume, em determinada condição de umidade. O Limite de Liquidez (LL) é o teor de umidade em que o material muda do estado plástico para o estado líquido. Já o Limite de Plasticidade (LP) é teor de umidade em que o solo muda do estado semi-sólido para o estado plástico.
Tabela 1 – Ensaios e testes realizados
| Ensaios | Norma Técnica |
| Massa específica dos grãos | ABNT NBR 6458 |
| Limite de Liquidez | ABNT NBR 6459 |
| Limite de Plasticidade | ABNT NBR 7180 |
A preparação dos dados para o uso da machine learning incluiu etapas fundamentais de análise exploratória, limpeza, tratamento de valores faltantes e normalização. Os dados foram organizados em dois conjuntos principais:
- Tabela R2: 32 amostras com 6 variáveis;
- Tabela R3: 27 amostras com 11 variáveis.
Os modelos foram implementados utilizando a linguagem de programação R, por meio de bibliotecas específicas para regressão e redes neurais, como nnet, neuralnet e caret. A divisão entre conjuntos de treinamento (etapa em que são alimentados algoritmos com enormes volumes de dados relevantes, permitindo que a máquina identifique padrões e crie conexões significativas; trata-se de um processo que capacita um modelo de inteligência artificial a aprender a partir desses dados) e de teste (etapa em que efetivamente é realizado o trabalho previsto de análise) seguiu práticas padronizadas, buscando avaliar a capacidade preditiva real dos modelos.
Como parte complementar do trabalho, foi desenvolvido um protótipo de interface gráfica para estimativa dos parâmetros de resistência com base no método de classificação geomecânica RMR89 (Bieniawski, 1989). O protótipo foi implementado inicialmente em linguagem Pascal, com foco na inserção interativa de dados de entrada e na exibição amigável dos resultados.
Apesar da limitação na aplicação de machine learning na primeira versão do sistema, a interface representou um avanço na sistematização dos dados de entrada e saída e serviu como base para futuras melhorias, incluindo a integração com os modelos preditivos.
Resultados e discussão
Foram realizados diversos testes com ambos os conjuntos de dados (datasets R2 e R3), aplicando-se regressão linear e redes neurais com diferentes configurações (camadas internas com 3, 5 e 10 neurônios). Os modelos foram avaliados com base na métrica Mean Squared Error (MSE). Verificou-se o seguinte.
- O modelo de regressão linear, aplicado ao dataset R2, apresentou melhor performance geral em relação às redes neurais;
- A presença de outliers (dados que se diferenciam significativamente dos demais valores de um conjunto) influenciou negativamente os resultados. A remoção de amostras problemáticas (linha 13 de R2) aumentou significativamente a correlação entre variáveis como porosidade e índice de vazios;
- Entre os fatores influenciadores, o número de amostras teve impacto mais significativo que o número de variáveis na performance dos modelos;
- As redes neurais não apresentaram melhora significativa com o aumento no número de neurônios ocultos, indicando possível overfitting (fenômeno em que um modelo estatístico se ajusta tão bem aos dados de treinamento que perde a capacidade de generalizar) e limitação pelo tamanho do banco de dados.
Dessa forma, notou-se que a regressão linear se mostrou mais robusta para o volume de dados disponível, sendo mais estável e menos suscetível a variações nos hiper parâmetros. Além disso, as redes neurais, embora promissoras, requerem um volume de dados maior para alcançarem previsões mais precisas e confiáveis. Por fim, a coesão foi o parâmetro mais adequadamente previsto. O ângulo de atrito não pôde ser modelado com precisão devido à falta de dados consistentes.
Conclusões
O estudo demonstrou que é viável prever parâmetros geotécnicos, como coesão, em filitos brandos utilizando técnicas de aprendizado de máquina, especialmente a regressão linear. A metodologia se mostrou particularmente útil em contextos em que o número de amostras é limitado e a obtenção de dados laboratoriais completos é inviável.
Além disso, a pesquisa reforça a importância da construção de bancos de dados robustos e bem estruturados como base essencial para o sucesso de modelos preditivos. A abordagem se mostrou relevante, prática e alinhada com tendências atuais de digitalização e automação de processos na engenharia geotécnica e mineração.
Para pesquisas futuras e aplicações em escala industrial, recomenda-se:
- a ampliação do banco de dados com novos ensaios de filitos e outras litologias;
- a incorporação ao teste de variáveis ambientais e estruturais (grau de alteração, condições de saturação, entre outras);
- a reestruturação do protótipo de interface gráfica para integração com modelos desenvolvidos em linguagem R ou Python;
- a aplicação de algoritmos mais avançados de machine learning, como Random Forest, SVM ou Gradient Boosting, que podem lidar melhor com datasets de tamanho médio e heterogêneos;
- o uso de modelos multioutput (saídas múltiplas) para prever simultaneamente coesão e ângulo de atrito.
Considerações finais
Esta dissertação marca um importante passo na transição da engenharia geotécnica tradicional para uma abordagem mais analítica, baseada em dados e modelos inteligentes. A utilização de aprendizado de máquina, mesmo com um volume de dados modesto, já se mostrou eficaz, abrindo caminho para aplicações mais abrangentes e sofisticadas.
O uso dessa abordagem pode representar uma mudança de paradigma na forma como parâmetros geotécnicos são obtidos e aplicados em projetos, com impactos positivos na segurança operacional, na economia de recursos e na sustentabilidade das atividades mineiras.
Referências
BIENIAWSKI, Z.T., 1989. “Engineering rock mass classifications”. E. Wiley, New York. 248p.
LOPES, M. C., 2006. Comportamento geotécnico e mecanismo de ruptura em rochas brandas – Mineração Córrego do Sítio. 2006, 94 p. Dissertação (Mestrado) do Programa de Pós-Graduação em Engenharia Mineral – Universidade Federal de Ouro Preto. Escola de Minas. Ouro Preto.
Quaglio, O.A.; Silva, J.M.; Rodovalho, E.C.; Costa, L.V. 2020. Determination of Young’s Modulus by Specific Vibration of Basalt and Diabase. Advances in Materials Science and Engineering, 8p., v. 2020, n.3.
SILVA, C. H. C., 2010. Comportamento geotécnico dos filitos do talude oeste da Mina Pau Branco. Dissertação (Mestrado) do Programa de Pós-Graduação em Engenharia Mineral – Universidade Federal de Ouro Preto. Escola de Minas. Departamento de Engenharia de Minas.
Imagem: Filitos ricos em quartzo e sericita, Cava Cachorro Bravo – Mina Córrego do Sítio, da AngloGold Ashanti, em Santa Bárbara – MG (Lopes, 2006)
1Geóloga e Mestre em Engenharia Mineral e 2Vice-coordenador do Programa de Pós-Graduação em Engenharia Mineral – UFOP
