Inteligência artificial na mineração: Principais aplicações

Leandro Costa, Jonatas da Mata, Paulo Carneiro, Ricardo Silva

Resumo


A Inteligência Artificial (IA) está transformando a indústria da mineração, proporcionando melhorias significativas em eficiência, segurança, sustentabilidade e tomada de decisões. A capacidade da IA de processar grandes volumes de dados, identificar padrões e tomar decisões rápidas e precisas está impulsionando a inovação e melhorando a forma como as operações são realizadas. A aplicação dessas tecnologias avançadas têm o potencial de impulsionar a indústria de mineração para um futuro mais inteligente e responsável. Portanto, dentro desse contexto, o presente trabalho ocupa-se em elencar as principais áreas operacionais da Engenharia de Minas, que são: Pesquisa Mineral, Perfuração e Desmonte de Rocha, Transporte e Carregamento, as três fases supracitadas corroboram para um bom planejamento de lavra, o qual deve ser elaborado com o máximo de segurança financeira e operacional, uma vez que erros operacionais resultam em ônus para a empresa. Com a intenção de minimizar esses erros, o setor de mineração vem procurando implementar novas tecnologias que sejam capazes de otimizar as fases operacionais da mineração sem, necessariamente, ampliar seus custos. É dentro desse ambiente, ou seja, da otimização das operações mineiras, que entra a IA, e mais precisamente o Aprendizado de Máquina, sendo este último responsável pelo grande avanço das implementações tecnológicas no setor da mineração. Sendo assim, o objetivo maior desse artigo é mostrar o avanço tecnológico alcançado pelo setor da mineração, por meio do advento da IA.

Texto completo:

PDF

Referências


AGRÍCOLA, GEORG; HOOVER, HERBERT. De re metallica. MBLWHOI Library. New York: Dover Publications, 1950.

CARRANZA, E. J. M.; LABORTE, A. G. Random forest predictive modeling of mineral prospectivity with a small number of prospects and data with missing values in Abra (Philippines). Computers & Geosciences, v. 74, p. 60-70, Jan. 2015. https://doi.org/10.1016/j.cageo.2014.10.004.

CHOROS, K. A. et al. Can Hyperspectral Imaging and Neural Network Classification Be Used for Ore Grade Discrimination at the Point of Excavation?. Sensors, v. 22, n. 7, Art. n. 2687, Mar. 2022. https://doi.org/10.3390/s22072687

COSTA, L. DE V.; SILVA, J. M. DA. Strategies used to control the costs of underground ventilation in some Brazilian mines. REM - International Engineering Journal, v. 73, n. 4, p. 555–560, 2020.

COSTA, J. H. R. Previsão de vibrações utilizando redes neurais artificiais no controle de desmonte de rochas. 91 p.p. Dissertação de Mestrado. Universidade Federal de Ouro Preto, 2019.

CRUZ, R. M. S. Modelagem de Desmontes de Rochas Controlados com Auxílio de Redes Neurais Artificiais - Estudo de Caso Itabira. 64 p.p. Dissertação de Mestrado. Universidade Federal de Ouro Preto, 2022.

FU, S. et al. Information Fusion and Metallogenic Prognosis of Gold Deposits in the Qixia Area, Northern Shandong Province, China. Minerals, v. 13, n. 9, Art. n. 1125, Ago. 2023. https://doi.org/10.3390/min13091125.

GABER et al. Autonomous Haulage Systems in the Mining Industry: Cybersecurity, Communication and Safety Issues and Challenges. Electronics, vol. 10, p. 1357, 2021.

GAMA, C. Dinis da. Ruídos e Vibrações Ligados à Utilização dos Explosivos e Equipamentos. ln: 1º Seminário de Auditorias Ambientais Internas. Divisão de Minas e Pedreiras do Instituto Geológico e Mineiro, Portugal, 16p. 1998.

GAO et al. Parallel End-to-End Autonomous Mining: An IoT-Oriented Approach. IEEE Internet of Things Journal. 2019

GAO, L. et al. Intelligent Identification and Prediction Mineral Resources Deposit Based on Deep Learning. Sustainability, v. 15, n. 13, Art. n. 10269, Jun. 2023. https://doi.org/10.3390/su151310269

IBRAM. 2022. Mineração Usiminas obtém resultados significativos após adotar sistema de detecção de fadiga da Optalert. Disponível em: https://ibram.org.br/noticia/mineracao-usiminas-obtem-resultados-significativos-apos-adotar-sistema-de-deteccao-de-fadiga-da-optalert/. Acesso em: 21 out. 2023.

JAFRASTEH, B.; FATHIANPOUR, N.; SUÁREZ, A. Comparison of machine learning methods for copper ore grade estimation. Computational Geosciences, v. 22, p. 1371-1388, Out. 2018. https://doi.org/10.1007/s10596-018-9758-0

KAPAGERIDIS, I. K.; TRIANTAFYLLOU, A. G. LavaNet—Neural network development environment in a general mine planning package. Computers & Geosciences, v. 37, n. 4, p. 634-644, Abr. 2011. https://doi.org/10.1016/j.cageo.2010.10.017

KAPLAN, U. E.; TOPAL, E. A New Ore Grade Estimation Using Combine Machine Learning Algorithms. Minerals, v. 10, n. 10, Art. n. 847, Set. 2020. https://doi.org/10.3390/min10100847.

KHORZOUGHI, M. B. Use of Measurement While Drilling Techniques for improved rock mass characterization in open-pit mines. Master Thesis. University of British Columbia. Vancouver, 2013.

LI, S.; CHEN, J.; XIANG, J. Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data. Neural Computing and Applications, v. 32, p. 2037-2053, Abr. 2020. https://doi.org/10.1007/s00521-019-04341-3.

Li, T., Liu, X., Su, S. Semi-supervised text regression with conditional generative adversarial networks. 2018.

MEECH, J.A. The evolution of intelligent systems in the mining industry. In: Proceedings of Mineral Process Modeling, Simulation and Control Conference, 2006

MINERAÇÃO E SUSTENTABILIDADE. Operação remota promove mais eficiência e diversidade na Hydro Paragominas. Disponível em: . Acesso em: 22 out. 2023

McCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, v. 5, p. 115–133, 1943.

MOOMIVAND, H.; VANDYOUSEFI, H. . Development of a new empirical fragmentation model using rock mass properties, blasthole parameters, and powder factor. Arabian Journal of Geosciences, 13(22). 2020.

PANG, B., LEE, L. et al. Opinion mining and sentiment analysis. In: Foundations and Trends in Information Retrieval, vol. 2, no. 1–2, pp. 1–135, 2008.

RAFAEL SAKURAI. Implementando a estrutura de uma Rede Neural Convolucional utilizando o MapReduce do Spark. Disponível em: https://www.sakurai.dev.br/cnn-mapreduce/. Acesso em: 22 out. 2023. 2017.

RIVERA, Julio Renato. Efectos de la incorporación de tecnologías autónomas en el diseño y la planificación minera. 2014. Memoria (ingeniero civil de minas) - Universidad de Chile departamento de Ingeniería de Minas, Santiago de Chile, 2014. Disponível em: URI: https://repositorio.uchile.cl/handle/2250/131395. Acesso em: 19 out. 2023.

SAMORA, Hélio. O uso da Internet das Coisas no monitoramento de barragens e mineradoras. 2019. Disponível em: https://cryptoid.com.br/criptografia-identificacao-digital-id-biometria/o-uso-da-internet-das-coisas-no-monitoramento-de-barragens-e-mineradoras/. Acesso em: 25 jun. 2023.

SCHUNCK, Marcelo. A evolução e o potencial da inteligência artificial de impactar os negócios. 2023. Disponível em: https://exame.com/bussola/a-evolucao-e-o-potencial-da-inteligencia-artificial-de-impactar-nos-negocios/. Acesso em: 18 out. 2023.

SEVERYN, A. MOSCHITTI, A. Twitter sentiment analysis with deep convolutional neural networks. In: Proceedings of the 38th International ACM SIGIR Conference on Research and Development in Information Retrieval. ACM, 2015, pp. 959–962.

SOUZA, Calebe Paiva Gomes de. Diagnóstico de estruturas civis baseado em medidas de vibração: uma abordagem a partir de algoritmos não-adaptativos e adaptativos para treinamento de redes neurais artificiais. 154f. Tese de Doutorado. Universidade Estadual de Campinas, 2020.

TORRES, Vidal Feliz Navarro; COSTA, João Henrique; SOUSA Rodolfo Matias. Criação de um modelo de redes neurais para previsão de vibrações. estudo de caso: Itabira. Relatório Científico ITV, Prod. Tec. ITV MI – N0043/2021, 2021.

TORRES, Vidal Félix Navarro; SILVEIRA, Leandro Geraldo Canaan; LOPES, Paulo Filipe Trindade; LIMA, Hernani Mota de. Assessing and controlling of bench blasting-induced vibrations to minimize impacts to a neighboring community. Journal of Cleaner Production, v. 187, p. 514-524, 2018.

ZAPAROLLI, Domingos. Mineração digital. 2020. Disponível em: https://revistapesquisa.fapesp.br/mineracao-digital/. Acesso em: 19 out. 2023.

ZONTA, Márcio. Acidentes na mineração superam em até três vezes a média nacional, mostra fundação. 2016. Disponível em: https://www.brasildefato.com.br/2016/07/08/acidentes-na-mineracao-superam-em-ate-tres-vezes-a-media-nacional-mostra-fundacao. Acesso em: 21 out. 2023.

ZOU, S. et al. Application of Machine Learning to Characterizing Magma Fertility in Porphyry Cu Deposits. Journal of Geophysical Research: Solid Earth, v. 127, n. 8, Art. n. e2022JB024584, Ago. 2022. https://doi.org/10.1029/2022JB024584


Apontamentos

  • Não há apontamentos.