{"id":18091,"date":"2021-02-24T19:25:33","date_gmt":"2021-02-24T22:25:33","guid":{"rendered":"https:\/\/www.inthemine.com.br\/site\/?p=18091"},"modified":"2021-02-24T19:25:33","modified_gmt":"2021-02-24T22:25:33","slug":"captura-analise-e-armazenamento-digital-de-dados-de-sondagens","status":"publish","type":"post","link":"https:\/\/www.inthemine.com.br\/site\/captura-analise-e-armazenamento-digital-de-dados-de-sondagens\/","title":{"rendered":"CAPTURA, AN\u00c1LISE E ARMAZENAMENTO DIGITAL DE DADOS DE SONDAGENS"},"content":{"rendered":"

Por Cintia Cazassa de Oliveira; Matheus FanolaDolce; Rafael Tadeu Correia Ferreira; Gl\u00e1ucia Cuchierato e Ulisses Cyrino Penha.<\/strong>[1]<\/strong><\/a><\/p>\n

Palavras-chave<\/strong>: Captura de Imagem, Aquisi\u00e7\u00e3o de dados, Testemunho de sondagem.<\/p>\n

A Intelig\u00eancia Artificial (IA), de forma geral, pode ser entendida como a habilidade das m\u00e1quinas de simularem a capacidade humana, no processo de tomada de decis\u00e3o e execu\u00e7\u00e3o de tarefas complexas. A an\u00e1lise de imagem de forma automatizada \u00e9 uma \u00e1rea em crescimento, e expandiu-se muito nas \u00faltimas d\u00e9cadas, sendo uma ferramenta vers\u00e1til e de grande alcance que permite a obten\u00e7\u00e3o de forma r\u00e1pida e expressiva de informa\u00e7\u00f5es como composi\u00e7\u00e3o mineral\u00f3gica, parti\u00e7\u00e3o dos elementos qu\u00edmicos e associa\u00e7\u00f5es minerais (COSTA et al.,<\/em> 2016). As ferramentas computacionais est\u00e3o em constante evolu\u00e7\u00e3o no quesito de reconhecimento de imagens, e com o uso do Machine Learning <\/em>(ML) s\u00e3o utilizadas t\u00e9cnicas de IA para classificar imagens de modo automatizado, organizar bancos de dados, al\u00e9m de outras aplica\u00e7\u00f5es (ALVES et al.,<\/em> 2019).<\/p>\n

De acordo com Schodde (2011), em rela\u00e7\u00e3o a explora\u00e7\u00e3o mineral, a descoberta de novos dep\u00f3sitos tornou-se mais rara, onerosa e arriscada nos \u00faltimos 15 anos, uma vez que a maioria dos dep\u00f3sitos de classe mundial aflorantes j\u00e1 foram descobertos e que os recursos greenfield\/grassroots<\/em>(recursos que ainda n\u00e3o foram descobertos) come\u00e7am a ficar cada vez mais escassos, e devido a isso, as novas descobertas tendem a ser mais profundas e podem estar localizadas em contextos geol\u00f3gicos cada vez mais complexos devido a maioria das descobertas greenfield<\/em>\u00a0 continuarem sendo realizadas na superf\u00edcie ou pr\u00f3ximo \u00e0 ela (SCHODDE, op. cit<\/em>.).<\/p>\n

\u00c9 importante para um projeto mineral explorat\u00f3rio que a captura, padroniza\u00e7\u00e3o, organiza\u00e7\u00e3o, estrutura\u00e7\u00e3o e confiabilidade de seus dados geol\u00f3gicos gerados estejam dispon\u00edveis de forma \u00e1gil e acess\u00edvel. E essa rela\u00e7\u00e3o bem estabelecida e aplicada est\u00e1 ligada diretamente ao sucesso de um projeto (RAGGI, 2014).<\/p>\n

Segundo Bishop (2006), a classifica\u00e7\u00e3o ou agrupamento r\u00e1pido de amostragem de rocha com base em padr\u00f5es (composi\u00e7\u00e3o mineral\u00f3gica, colora\u00e7\u00e3o ou qu\u00edmica) pode ser realizado de forma eficiente por meio de m\u00e9todos de ML, supervisionados e n\u00e3o supervisionados. Se uma abordagem de aprendizagem supervisionada for usada, um ou mais padr\u00f5es s\u00e3o treinados em um subconjunto de dados rotulado previamente, que representa o conjunto de dados de treinamento; em seguida, os modelos de classifica\u00e7\u00e3o aprendidos s\u00e3o generalizados para todo o conjunto de dados n\u00e3o rotulados, acelerando significativamente todo o fluxo de trabalho de interpreta\u00e7\u00e3o, assim, fornecendo dados pr\u00e9vios para tomadas de decis\u00f5es (BISHOP,op.cit<\/em>.).<\/p>\n

Este trabalho tem por objetivo a caracteriza\u00e7\u00e3o e descri\u00e7\u00e3o de um intervalo de testemunhos de sondagem diamantada explorat\u00f3ria, com 73 metros de extens\u00e3o no munic\u00edpio de Peixoto de Azevedo, utilizando as t\u00e9cnicas de captura e an\u00e1lise de imagens no Software<\/em> Imago, que \u00e9 uma ferramenta que utiliza a t\u00e9cnica de captura de dados geol\u00f3gicos junto ao ML, automatizando a descri\u00e7\u00e3o de testemunhos nas empresas, de forma complementar. As fotografias dos testemunhos de sondagem utilizado neste artigo s\u00e3o da Fides Exploration, uma empresa que atua em Peixoto de Azevedo (MT), e as imagens cedidas pela empresa s\u00e3o de um furo diamantado (PR-DH-004); a utiliza\u00e7\u00e3o de mais testemunhos n\u00e3o foi poss\u00edvel devido ao sigilo dos dados.<\/p>\n

A Imago \u00e9 uma empresa de tecnologia que possui sede no Arizona-EUA e que trabalha com um sistema multi plataforma, facilitando o trabalho na tratativa de dados, descri\u00e7\u00e3o de amostras, trazendo maior agilidade nas descri\u00e7\u00f5es, seguran\u00e7a e f\u00e1cil acesso ao banco de dados. <\/em>Na fase da captura de dados \u00e9 realizada uma inspe\u00e7\u00e3o visual dos testemunhos por meio de fotografias de alta qualidade, e posteriormente \u00e9 realizada a captura e transfer\u00eancia das imagens para o Software <\/em>(IMAGO, 2020). Foi cedida para a equipe deste projeto a licen\u00e7a para uso de seu Software, o <\/em>que permitiu e proporcionou o desenvolvimento dos estudos contidos neste artigo.<\/p>\n

Materiais e M\u00e9todos<\/strong><\/h3>\n

Para a an\u00e1lise de litologia, fei\u00e7\u00f5es estruturais e geoqu\u00edmicas, foram utilizados os Softwares<\/em>: Imago Connect<\/em>, Imago Capture <\/em>X e Portal Imago, e as fotografias dos testemunhos de sondagem. O plano de desenvolvimento para este estudo envolve tr\u00eas etapas: pesquisa bibliogr\u00e1fica, parceria e teste do Software<\/em> Imago e an\u00e1lise dos resultados.<\/p>\n