Universidade Federal de Minas Gerais

Escola de Engenharia
Departamento de Engenharia de Minas
Planejamento de Lavra I – Longo Prazo

Armazenamento e
Modelagem de Dados na
Indústria Mineral
Anna Luiza Batista;
Daniel Thereza;
Jeinsz.

Belo Horizonte
2019
 Agenda
• Bancos de dados;
• Modelagem Geológica:
• Modelagem Explícita;
• Modelagem Implícita;
• Realidade Virtual;
• Inteligência Artificial.
 Bancos de Dados
Onde vivem? Do que se alimentam?

• Bancos são coleções organizadas de dados

• Existem diversos modelos de base de dados
• Hierárquicos, Orientado a Objeto, Orientado a Grafo, NoSQL,
Relacionais

Fonte:
https://pt.wiki
pedia.org/wik
i/Banco_de_d
ados
 Bancos de Dados
Modelo Relacional

• Bancos relacionais são o modelo mais aplicado no armazenamento

de dados espaciais.
• Geodatabases são aplicações de bancos relacionais.
• Atomiciadade, Consistência, Integridade e Durabilidade – ACID.

Fonte:
https://
pt.wikip
edia.org
/wiki/Ba
nco_de_
dados
 Bancos de Dados
Bancos de dados Geológicos – Modelo e esquema
• Modelo – Entidades, relações,tipos de dados e restrições.
• Esquema é a descrição visual do modelo
• O modelo define as transações e o esquema apresenta visualmente
estas.

Fonte:http://opengeostat.
com/drillhole-database-
design-2/
 Bancos de Dados
Relational Database Management Systems - RDBMS

• Bases Locais (client side) - Microsoft Access ou SQLite (Atenção

Microssoft Excel NÃO É BASE DE DADOS!!!).
• SQL Server (server side)
• Grandes volumes de dados;
• Performance;
• MySQL, Oracle, PostgreSQL e Microsoft SQL Server.

Fonte:
https://pt.wikip
edia.org/wiki/Ba
nco_de_dados
 Bancos de Dados
Softwares de gerenciamento de dados geológicos
• Sistemas “montados” sobre os bancos de dados.
• Permitem pesquisa (querys) e geração de relatórios, além da
entrada, exclusão e manutenção de dados.
Fonte:
Micromine
Geobank e
Datamine

GeoData Management System

Databases
 Bancos de Dados
Structured Query Language SQL

• Interface para manipulação e busca de dados em bases.

• Permitem pesquisa (querys) e geração de relatórios, além da
entrada, exclusão e manutenção de dados.
• SQL não é uma linguagem de programação, mas uma série de
comandos que executam buscas (querys) nos dados.

Fonte:
http://opengeostat.com/drillhole-
database-design-2/
 Modelagem

“Nenhuma parte substancial do Universo é tão simples que possa

ser compreendida e controlada sem abstração. A abstração consiste
em substituir a parte do universo em estudo por um modelo
semelhante, porém de estrutura mais simples. Os modelos
consistem, portanto, em uma necessidade primordial de qualquer
procedimento científico.” (Rosemblueth & Weiner, 1945)
 Modelagem

Modelo: é aquilo que serve de imitação,

representação matemática de um fenômeno
físico, biológico, antropológico, etc., feito
para que se possa melhor estudar o original.

George Box, famoso modelador matemático:

"Todos os modelos estão errados, mas alguns são úteis".
 Modelagem Geológica

Kloeckner et al (2018): modelos geológicos são modelos computacionais,

geralmente tridimensionais (3D), que descrevem a forma, extensão e volume
das diferentes unidades geológicas de um depósito mineral.

Fonte: Büchi, 2018.

 Modelagem Geológica
INDÚSTRIA
MINERAL

Grandes Modelagem de volumes

e geometrias para
Investimentos litologias mineralizadas.

Sucesso do
empreendimento: Características
médio a alto grau de similares/reais da
incerteza dos jazida
resultados
 Modelagem Geológica

Modelagem Modelagem
explícita Implícita
 Modelagem Geológica
Modelagem Explícita

• Modelador digita manualmente as

seções dos dados de sondagem (a);
• Une com poli-linhas os dados –
Modelo 2D (b);
• Poli-linhas são trianguladas –
Modelo 3D.
2D hipotético para uma modelagem em 3D: preto e
cinza representam duas litologias e a superfície de
contato é interpretada como uma dobra virada. Poli-
linhas angulares representam a junção manual da
posição do contato (pontos pretos). Fonte: Büchi, 2018.
 Modelagem Geológica
Modelagem Explícita

Características e Limitações do Método:

• A digitalização manual dos dados exige um consumo de tempo;
• Os modelos não podem ser atualizados automaticamente quando
mais dados forem inseridos no banco de dados;
• Edições no modelo exigem trabalho e manipulações complexas;
• A interpretação do geólogo influencia no modelo e, então, não pode
ser replicado por outro;
• O processo, em geral, é difícil, é demorado, não é muito objetivo e é
inflexível;
• A construção das oli-linhas é o que consome mais tempo e requer
experiência do modelador para construir geometrias complexas;
• Para a maioria das minas, apenas um modelo é feito.
Modelagem Geológica
Modelagem Explícita

Modelagem geológica tridimensional

convencional ou explicita.
Fonte: Silva (2001).
 Modelagem Geológica
Modelagem Implícita

• Substitui o processo de
digitalização manual por
procedimentos automáticos =
rápido;
• Modelos têm maior grau de
precisão = menor risco geológico;
• Vários modelos alternativos
podem ser construídos;
• Modelos podem ser atualizados;
• Não depende de interpretações
Os dados do furo de sondagem podem ser codificados
de acordo a sua posição relativa da superfície de
subjetivas. contato. A interpolação espacial dos valores dos dados
e a subseqüente avaliação do valor zero no contorno da
superfíce produz a superfície de contato entre as duas
litologias. Fonte: Büchi, 2018.
 Modelagem Geológica
Modelagem Implícita
O modelo é dado por uma função definida no espaço - o volume
desta função é dado por uma interpolação espacial e a superfície
do sólido é extraída de triangulações dessa função.

Função Implícita:
• R(x1, ..., xn) = 0;
• Ex: círculo unitário x² + f(x)² − 1 = 0;
• Valor:
•f(x) = 0 na interface; 0
•f(x) < 0 na região interna; e -
•f(x) > 0 na região externa. +
 Modelagem Geológica
Modelagem Implícita

Funções Distâncias Assinaladas:

X= ponto qualquer;
xI =ponto na
superfície

Exemplo:
• Camada de carvão à esquerda;
• Valor da função distância assinalada para essa
litologia à direita.
• O valor da função:
• decresce à medida que um ponto ao longo do furo se
aproxima da camada,
• vale zero na interface, e
Furo de sonda interceptando uma camada de
carvão e o valor da função distancia assinalada. • passa a ser negativo para pontos no interior da camada.
 Modelagem Geológica
Modelagem Implícita

Fonte Rolo, 2017

 Modelagem Geológica
Modelagem Implícita
Leapfrog:
• Constroi modelos geológicos a partir de dados brutos de sondagem
(litologias);
• O valor de uma função implícita é calculado para os pontos amostrais e
interpolado para todo o espaço;

• O volume que representa o corpo

geológico é definido por uma isso-
superfície da função implícita
interpolada;
• - Modelos são criados
automaticamente.
Modelo estratigráfico gerado por modelagem
implícita
 Modelagem Geológica
Modelagem Implícita

Leapfrog:
• Utiliza a dual kriging:
• As influências ponderadasde cada
amostra são somadas para produzir
uma equação que possa ser usada
para estimar um valor em qualquer
local x.
Fonte Rolo, 2017

Converte uma função implícita em uma superfície

triangulada que representa a unidade geológica.
 Modelagem Geológica
Modelagem Explícita x Modelagem Implícita

Fonte Kloeckner,2018
 Modelagem Geológica
Modelagem Explícita x Modelagem Implícita

The Proterozoic Cosmo Howley gold

deposit, Australia.
(a) Poço de Cosmo Howley, e a malha
modelada de 1 g/t (na parte inferior direita
do poço) realizada pela digitalização
manual tradicional de dados de controle de
inclinação. O trabalho durou 10 dias e não
foi concluído.
(b) Malhas de 0.25, 0.5, 1, 2, 4 g/t foram
modelados com o método de modelagem
implícita. Quatro grades de corte são
mostradas, junto com uma soleira de
dolerita dobrada em vermelho. O trabalho
durou 2H40 e identificou 4Mt de recurso
na open pit.
Fonte Kloeckner,2018
 Modelagem Geológica
Modelagem Explícita x Modelagem Implícita

The Saratoga gold deposit, Australia:

(a) Limite de estéril de minério Saratoga
manualmente digitalizado gerado com a
metodologia de modelagem explícita. O
modelo está incompleto e demorou mais de
um mês para ser digitalizado. A imagem
mostra o teor de corte de 0,5 g/t de Au.
(b) Malha de 0,5 g/t (interior) e 0,25 g/t
(transparente) com malha gerada com o
método de modelagem implícita. Foi feita
uma interpolação anisotrópica. . A imagem
mostra o teor de corte de 0,25 e 0,5 g/t de Au.
Fonte Kloeckner,2018
 Modelagem Geológica
Realidade Virtual
Dificuldade:
• Vultosos investimentos que precisam
ser feitos para a implantação de
ambientes de RV;
• Investimentos para o aporte de
ferramentas de suporte às atividades
de campo, como hardware e
softwares de última geração;
• Mudança cultural que se associam a
todas as grandes transformações no
cotidiano das atividades de pesquisa
e exploração neste setor tão Sala de Realidade Virtual da Vale. Fonte: Vale

tradicional.
 Modelagem Geológica
Realidade Virtual

GeoVisionary:
• Software que permite:
• Operacionalização ampla do processamento de dados;
• Recursos de integração de dados de campo e de escritório;
• Produção de geoinformações e geovisualização em contexto de RV.
 Modelagem Geológica
Realidade Virtual

GeoVisionary:
• Pré-campo:
• Planejar e interpretar a área de
mapeamento definida;
• Montar banco de dados SIG
(shapes, imagens de alta
resolução, mapas geológicos,
Ambiente de realidade virtual, mostrando a integração
modelo digital de terreno);
de dados de seções geológicas com modelo geofisíco,
integrados no software GeoVisionary.

Objetivo: identificar características geológicas e estabelecer

estratégias e atividades que nortearão as campanhas de campo.
.
 Modelagem Geológica
Realidade Virtual

GeoVisionary:
• Campo:
• Profissional envolvido detém uma base de dados consistente para
execução dos trabalhos e toda pré-interpretação efetuada na etapa
anterior;
•A base de dados se encontra na plataforma ArcGIS, em um
computador portátil com câmera e receptor GPS integrados.
 Modelagem Geológica
Realidade Virtual

GeoVisionary:
• Pós-campo:
• Reorganizar os dados: s mesmos devem
ser integrados em uma plataforma 3D;
• Dados produzidos: construirão uma
plataforma para serem consultados e
reutilizados em campanhas de campo
posteriores.
Perspectiva em subsuperfície dos furos de sonda, etapa
de pós-campo, em ambiente de realidade virtual, no
software GeoVisionary
 Modelagem Geológica
Realidade Virtual
GeoVisionary:
• Pós-campo:
• A associação entre SIG e RV se faz
mais intensa nesta fase, além dos
modelos implícitos;
• Geovisualização integrada de
terabytes de dados, de
mapeamentos geológicos digitais,
de orto-imagens de alta
resolução, superfície de
modelagem topográfica em 3D,
modelos geológicos de sub-
Cruzamento de modelo geológico implícito com mapa
superfície, perfis de furos de
geológico de campo, etapa de pós-campo, em ambiente
sondagem geológica, dentre
de realidade virtual, no software GeoVisionary.
outros dados .
 Modelagem Geológica

Objetivo do banco de dados:

• A perspectiva 3D dos dados de sub-superfície:
• Apuração da análise e viabilização de percepções acerca das evidências geométricas que
caracterizam a geomorfologia da Terra;
• Aprimoramento da interpretação de elementos estruturais como falhas, dobras e da
reconstrução dos ambientes passados de formação da geologia atual.
Modelagem Geológica
 Modelagem de Dados Geológicos
Definição de Limite Final – Lersch Grossman

• Algoritimo Otimizante - maximiza função benefício do bloco

• Busca caminho ótimo, baseado em teoria dos grafos;
• Quando converge, o algoritimo retorna uma série de cavas
aninhadas; Cada cava reflete um NPV, um conjunto de blocos
otimizados e um teor médio final.

Fonte: Hustrulid and Kuchta, 2006

 Inteligência Artificial

Objetivo:
• Remover as pessoas do aspecto de força bruta ;
• Avançar a capacidade de encontrar, extrair e processar materiais extraídos, mais
rápido, mais barato e com melhor taxa por tonelada;

• As máquinas operarão de forma autônoma em

um plano pré-determinado, processarão os
dados e tomarão decisões quando as
circunstâncias mudarem e os sensores
detectarem condições diferentes;
 Inteligência Artificial

Objetivo:
• As minas serão inteligentes e todos os ativos conectados;
• A cadeia de valor desde a mina até o usuário final dos materiais será conectada, para que
a produção possa ser planejada e flexionada para atender a demanda e se adaptar às
mudanças resultantes dos preços das commodities;
 Inteligência Artificial

4ª Revolução Industrial!

A inteligência artificial tomará decisões sobre produção

e rotas para o mercado, informada pelo aprendizado de
tendências globais e pela capacidades em tempo real
da capacidade de produção das empresas!
 Inteligência Artificial

Rio Tinto:
• Há 10 anos começou a usar caminhões de transporte totalmente autônomos;
• Caminhões autônomos: podem transportar 350 toneladas e operar de forma
totalmente independente;

• Impactaram os resultados da empresa

ao reduzir o uso de combustível em
13% e são mais seguros de operar;
• A inovação melhorou a produtividade
em 10%.
 Inteligência Artificial

Rio Tinto:
• Operações: cria 2,4 terabytes de dados a cada minuto de todos os
seus equipamentos móveis e sensores que coletam e transmitem
dados em tempo real para ajudar a monitorar equipamentos;
• Ex-CEO Sam Walsh: a
inteligência artificial e o
aprendizado de máquina
podem ajudar as empresas de
mineração a encontrar
minerais para extrair, um
componente crítico de
qualquer operação de
mineração inteligente.
 Inteligência Artificial

Rio Tinto:
• Está criando uma mina inteligente
• Deverá entregar seu primeiro minério até 2021.
• Iniciativa chamada twinning digital:
• Criar um modelo virtual que é
alimentado com dados em tempo real
do campo,
• Os cenários podem ser testados
rapidamente e as operações e a
produção podem ser otimizadas.
• A capacidade de testar as decisões
antes que elas sejam implementadas
em um sistema de réplica leva a
melhores resultados e economias.
 Inteligência Artificial

Goldcorp e IBM Watson:

• Estudos para usar inteligência artificial para revisar todas as informações
geológicas disponíveis para encontrar melhores locais de perfuração para o
ouro no Canadá.
• Esses esforços para ser mais preciso ao
encontrar áreas para mineração usando o
aprendizado de máquina podem ajudar a
indústria de mineração a ser mais lucrativa.
 Inteligência Artificial

Classificando minerais:
• Algumas empresas usam máquinas inteligentes de
classificação que podem classificar o material extraído
com base em qualquer critério que uma empresa queira.

Este trabalho pode

levar a economia de
combustível e energia
durante o
processamento!
 Referências Bibliográficas
• Büchi, A. Mapeamento geológico com aplicação do BGS digital workflow e modelagem implícita. 2018. Tese de Douorado, Universidade
Federal de Minas Gerais, Instituto de Geo-Ciências.
• Kloeckner, J., Rolo, R. M., Abbud, T. M., Costa, J. F. C. L. Modelagem geológica implícita automática via tabela de covariância com funções
distância assinaladas. 2018. Research Gate. Disponível em: < https://www.researchgate.net/publication/327118270>. Acesso em 05, Mai,
2019.
• Bloomenthal, J., Wyvill, B., Parc, X. Interactive Techniques for Implicit Modeling. 2010. Disponível em: <
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.24.5945&rep=rep1&type=pdf>. Acesso em 04, Mai, 2019.
• Rolo, R. M. Modelagem geológica implícita com funções distância assinaladas. 2017. Tese de Mestrado, Universidade Federal do Rio
Grande do Sul.
• Cowan, E. J., Beatson, R. K., Ross, H. J. Practical Implicit Geological Modelling. 2003. Research Gate. Disponível em:
<https://www.researchgate.net/publication/309581849>. Acesso em 04, Mai, 2019.
• Kavouras M. 1995. A spatial information system with advanced modeling capabilities. In: Three-Dimensional Modeling with Geoscientific
Information Systens, A. K. Turner (ed) 1992 p.59-67. Kluwer Academic Publishers. Netherlands, (1992).
• Medeiros Silva, A. H. (2000) Modelagem geológica e estocástica da porção NE da Mina de Morro do Ouro, Paracatu (MG): área de
Metalogênese/Alessandro Henrique Medeiros Silva - Campinas, SP: [s.n.]. Dissertação (mestrado) - Universidade Estadual de Campinas,
Instituto de Geociências.
• Calazans, P. M. P., Castiglione, L. H. G., Büchi, A., Seoane, J. C. S., Ford, B., N. J. Geovisualização em ambientes de Realidade Virtual e sua
aplicação na exploração mineral. 2015. Revista Brasileira de Cartografia (2016) N0 68/1: 43-61
• Marr, B. The 4th Industrial Revolution: How Mining Companies Are Using AI, Machine Learning And Robots. 2018. Disponível em:
<https://www.forbes.com/sites/bernardmarr/2018/09/07/the-4th-industrial-revolution-how-mining-companies-are-using-ai-machine-
learning-and-robots/#3d86bb6f497e>. Acesso em 04, Mai, 2019.