Pesquisa e Inovação

Tese propõe uso do aprendizado de máquina na pesquisa mineral

Método possibilita analisar grande volume de dados e prever resultados de forma automatizada

Aline Melo: modelo aplicado em mina de cobre, em Carajás
Aline Tavares Melo: modelo aplicado em mina de cobre, em Carajás Foca Lisboa / UFMG

Informação vale ouro. Essa máxima tem peso significativo para o setor de exploração mineral, que precisa de modernas tecnologias para descobrir novos depósitos, escondidos debaixo de camadas de solo cada vez mais profundas. A tese da professora Aline Tavares Melo, do IGC, premiada pelo Departamento de Geofísica da Colorado School of Mines, nos Estados Unidos, propõe uso de ferramentas da inteligência artificial para integrar informações e aumentar a assertividade da exploração mineral. 

A proposta da pesquisadora, abordada em matéria publicada na edição 2028 do Boletim UFMG, é aplicar o Machine Learning (Aprendizado de Máquina) à pesquisa mineral, com o objetivo de obter resultados que estabeleçam relações quantitativas entre as propriedades físicas da rocha. “Essa técnica é interessante, pois possibilita analisar grande volume de dados e prever resultados de forma automatizada”, afirma a professora.

Segundo ela, a maior parte dos depósitos minerais, rasos e aflorantes, já foi encontrada. Agora a pesquisa mineral necessita de tecnologias capazes de indicar depósitos em áreas mais profundas. Os modernos métodos geofísicos têm sido os mais demandados. Eles se valem de equipamentos que detectam “distorções” no campo físico, geradas pelas diferentes propriedades dos minerais metálicos, como densidade, susceptibilidade magnética e condutividade elétrica, que em alta concentração dão pistas para novas minas.

“Embora eficientes, essas técnicas têm suas limitações. Para compensá-las, são utilizados múltiplos métodos que se complementam, sensíveis às diferentes propriedades físicas da rocha. O desafio, então, é desenvolver métodos capazes de integrar todas essas informações para prever a geologia da subsuperfície e gerar resultados menos dependentes da análise do geofísico ou geólogo”, explica Aline Melo.

Modalidades
Além de ser livre e colaborativo, o Machine Learning pode ser operado em duas modalidades: supervisionada e não supervisionada. De acordo com Aline Melo, no primeiro caso, vários dados pré-definidos são inseridos no sistema para “treinar a máquina”. “Médicos, por exemplo, utilizam o programa para otimizar resultados de exames de imagens. Tomografias que indicam a presença ou não de tumores são apresentadas aos algoritmos que ‘aprendem’ a identificar esses padrões gerados pelas variações das imagens. Após comparar bilhões de exemplos, o programa consegue prever a resposta de forma automática e com alto grau de precisão. É como a cabeça humana. Quanto mais informação recebe, mais chances tem de elaborar um resultado correto”, observa.

O obstáculo para a adaptação do programa à área geológica, segundo Aline Melo, reside na indisponibilidade de dados públicos. “Há inúmeras informações sobre depósitos minerais, mas elas são estratégicas e confidenciais para as empresas. Isso significa que não temos muitos exemplos disponíveis para oferecer ao sistema. Portanto, não podemos usar essa mesma lógica para treinar a máquina”, lamenta.

Esquema simplificado do método adotado pela professora Aline Tavares Melo
Esquema simplificado do método adotado pela professora Aline Tavares Melo Acervo da pesquisa

A professora então recorreu à modalidade não supervisionada do Machine Learning, que possibilita aos algoritmos explorarem a estrutura dos dados para encontrar padrões de comportamento, cabendo ao geólogo ou geofísico apenas a tarefa de validá-los. “O programa analisa os dados, mas não consegue identificar se há um depósito mineral ou não, por falta de exemplos que possam ser comparados. Assim, utilizei um método muito empregado na biomedicina para identificar padrões em DNA. Ele procura correlações entre as propriedades físicas da rocha e encontra comportamentos diferentes em determinada região. Com base nesse procedimento, o geólogo ou geofísico avalia se tal comportamento é dado pela existência ou não de minério”, relata.

Para validar a pesquisa, Aline Melo aplicou a versão não supervisionada aos modelos geofísicos gerados com base em dados de magnetometria, gravimetria e resistividade de uma mina de cobre, sondada e ainda inexplorada, em Carajás, Pará. “Comparei meus resultados para gerar o modelo geológico previsto. E eles foram muito semelhantes ao modelo construído por meio de furos de sondagem”, comemora.

A professora recebeu o Mendenhall Prize for Outstanding Graduating Doctor of Philosophy Students. A tese Interpretação quantitativa integrada de múltiplos dados geofísicos para diferenciação geológica foi defendida em maio deste ano. 

Teresa Sanches / Boletim 2028