Aprendizagem supervisionda para categorização de domínios geologicos
DOI:
https://doi.org/10.11606/issn.2316-9095.v25-222751Palavras-chave:
Apredizado de máquina, Aprendizado Supervisionado, Modelo Geólogico, Depósito de OuroResumo
Atualização de modelo geológico quando novos furos são inseridos no modelo requer tempo e conhecimento do depósito mineral, pois as novas amostras precisam ser categorizadas de acordo com os domínios geológicos pertencentes. Este trabalho utilizou seis algoritmos de aprendizagem de máquina supervisionado (naive bayes, k-vizinhos mais próximos (kNN), support vector machine (SVM), árvore de decisão, random forest e rede neural) para realizar a interpretação geológica de um depósito de ouro do tipo metassedimentar localizado na região centro-leste do estado da Bahia, tendo com objetivo verificar a capacidade desses algoritmos em classificar corretamente os domínios geológicos das novas amostras de um banco de dados. Os resultados mostraram que os
algoritmos de random forest e rede neural conseguiram reproduzir satisfatoriamente a interpretação geológica do depósito mineral, pois os modelos gerados foram semelhantes ao realizado manualmente por um geólogo. Esse bom desempenho é confirmado pelas acurácias e precisão obtidas, de 0,87 e 0,89, respectivamente. Portanto estes algoritmos são indicados para otimizar o processo de atualização de modelos geológicos. Porém, os algoritmos de naive bayes, kNN, support vector machine e árvore de decisão, não conseguiram categorizar corretamente os geodomínios geológicos das amostras, com isso, algumas regiões nos modelos apresentaram camadas geológicas distorcidas e a ordem estratigráfica não foi respeitada devido aos erros na interpretação, fato evidenciado pelas baixas acurácias e precisão obtidas, sendo 0,48, 0,73 e 0,75. Portanto, estes algoritmos não são indicados para realizar esta tarefa.
Downloads
Referências
Abzalov, M. (2016). Quantitative Geological Model. In: Abzalov, M (Eds). Applied mining Geology (v.1, 335-3350). Switzerland: Springer. https://doi.org/10.1007/978-3-319-39264-6
Armstrong, M. (1998). Regionalized Variables. In: Armstrong, M. Basic Linear Geostatistics (v.1, 20-34). Berlin, Heidelberg: Springer. https://doi.org/10.1007/978-3-642-58727-6
Awad, M., Khanna, R. (2015). Machine Learning. In: Awad, M. e Khanna, R. Efficient Learning Machines: Theories, Concepts, and Applications for Engineers and System Designers. Berkeley: Apress open, 1-18. https://doi.org/10.1007/978-1-4302-5990-9_1
Chawla, N. V., Japkowicz, N., Kotcz, A. (2004). Editorial: Special issue on learning from imbalanced data sets. ACM SIGKDD Explorations Newsletter, 6, 1-6. https://doi.org/10.1145/1007730.1007733
Cowan, E. J., Beatson, R. S., Ross, H. J., Fright, W. R., McLennan, T. J., Evans, T. R., Carr, J. C., Lane, R. G., (2003). Practical Implicit Geological Modelling. In: Dominy, S. (ed), 5th International Mining Geology Conference, 8, 89-99. Australia: The Australasian Institute of Mining and Metallurgy. Available at: https://www.researchgate.net/publication/281685127_Practical_Implicit_Geological_Modelling. Accessed on: Dec 16, 2025.
Dougherty, G. (2013). Classification. In: Dougherty, G (Ed). Patter Recognition and Classification- An Introduction, v.1, 9-26. New York: Springer. https://doi.org/:10.1007/978-1-4614-5323-9
Garayp, E., Frimmel, H. E. (2023). A modified paleoplacer model for the metaconglomerate-hosted gold deposits at Jacobina, Brazil. Mineralium Deposita. https://doi.org/10.1007/s00126-023-01220-9
Mao, X., Zhang, W., Liu, Z., Ren, J., Bayless, R. C., Deng, H. (2020). 3D Mineral Prospectivity Modeling for the Low-Sulfidation Epithermal Gold Deposit: A Case Study of the Axi Gold Deposit, Western Tianshan, NW China. Mineral, 10(3), 233. https://doi.org/10.3390/min10030233
Rasera, L. G. (2014). Geoestatística de múltiplos pontos aplicada à simulação de modelos geológicos em grids estratigráficos. Dissertação (Mestrado). Porto Alegre: Escola de Engenharia de Minas, Metalúrgica e de Materiais, Universidade de Rio Grande do Sul -UFRGS. Available at: https://lume.ufrgs.br/bitstream/10183/117142/2/000929816.pdf.txt5178f9de3f751d6f65932823152e5c1fMD52THUMBNAIL000929816.pdf.jpg000929816.pdf.jpgGenerated. Accessed on: Dec 16, 2025.
Rossi, M. E., Deutsch, C. V. (2014). Geological Controls and Block Modeling. In: Rossi, M.E. & Deutsch, C. V. Mineral Resource Estimation ( 29-50). New York: Springer. https://doi.org/10.1007/978-1-4020-5717-5_3
Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, v. 3, 210-229. https://doi.org/10.1147/rd.33.0210
Singh, D., Singh, B. (2020). Investigating the impact of data normalization on classification performance. Applied Soft Computing, 97, 105524. https://doi.org/10.1016/j.asoc.2019.105524
Zhang, S. E., Nwaila, G. T., Bourdeau, J. E., Ghorbani, Y., Carranza, E. J. M. (2023). Machine Learning-Based Delineation of Geodomain Boundaries: A Proof-of-Concept Study Using Data from the Witwatersrand Goldfields. Natural Resources Research, 32, 879-900. https://doi.org/10.1007/s11053-023-10159-7
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Marcela Martins, Marcelo Monteiro da Rocha, Camila Duelis Viana
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista Geologia USP. Série Científica, o direito de primeira publicação, com o trabalho sob a licença Creative Commons BY-NC-SA (resumo da Licença: https://creativecommons.org/licenses/by-nc-sa/4.0 | texto completo da licença: https://creativecommons.org/licenses/by-nc-sa/4.0/legalcode) que permite o compartilhamento do trabalho de forma não comercial e conferindo os devidos créditos autorais da primeira publicação nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (publicar em repositório institucional ou como capítulo de livro), conferindo os devidos créditos autorais da primeira publicação nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, uma vez que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O efeito do Acesso Aberto e downloads no impacto das citações).
