Exportar registro bibliográfico

Análise de risco-retorno em mapeamento de potencial mineral usando machine learning na Província Mineral de Alta Floresta (2021)

  • Authors:
  • USP affiliated author: SANTOS, VICTOR SILVA DOS - IGC
  • School: IGC
  • Subjects: DEPÓSITOS MINERAIS; PESQUISA MINERAL; INTELIGÊNCIA ARTIFICIAL
  • Language: Português
  • Abstract: A exploração mineral é um campo crucial e estratégico para o desenvolvimento econômico-tecnológico e o bem-estar social. Apesar da crescente demanda por recursos minerais, descobertas globalmente relevantes tem se tornado cada vez mais raras uma vez que os depósitos rasos e/ou mais óbvios se tornaram escassos. Ferramentas que utilizam o aprendizado de máquina (machine learning) têm apresentado grande potencial, auxiliando geocientistas na solução de problemas em todos os campos, incluindo a descoberta de depósitos minerais. A Província Mineral de Alta Floresta (Mato Grosso - MT), vive um novo ciclo exploratório e mostra potencial mineral ainda não plenamente compreendido. Conta com dados aerogeofísicos, geológicos e geoquímicos em densidade e qualidade satisfatórias para o emprego de técnicas de machine learning. Neste projeto foi conduzido o mapeamento de potencial mineral da Província Mineral de Alta Floresta (PMAF) usando métodos de machine learning (ML), a avaliação da explicabilidade e performance dos modelos treinados e a quantificação de incertezas inerentes a este processo. Dados gamaespectrométricos, magnetométricos, modelos digital de elevação e geoquímica de sedimento de corrente foram utilizados na geração de vetores de exploração que representem fonte, transporte e alterações relacionadas aos depósitos auríferos da província. Mapas de gradiente de magnetismo máximo, distância até lineamentos magnéticos, razões Th/K e U/K, elevação e associações Au-Cu foram derivados a partir dos dados brutos visando modelar as assinaturas dos depósitos da região. Mil modelos de ML foram computados para simular possíveis cenários de favorabilidade aurífera utilizando os algoritmos random forest, gradient boosting, support vector machine e k-nearest neighbors. A área de estudo foi dividida em setores norte e sul, sendo as amostras o primeiro utilizadaspara treinamento e do segundo para teste. Com base na media e variância das predições obtidas foi possível definir áreas onde os modelos foram mais ou menos estáveis e fazer interpretações pautadas no modelo metalogenético da PMAF. As regiões com presença de depósitos e/ou ocorrências minerais conhecidas foram, de modo geral, classificadas como favoráveis à presença de depósitos de ouro. Dentre os produtos deste trabalho, foi produzido um manuscrito que será submetido em revistas internacionais.
  • Imprenta:

  • Download do texto completo

    Tipo Nome Link
    Versão Publicada monografia_corrigida_VICT... Direct link
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      SANTOS, Victor Silva dos. Análise de risco-retorno em mapeamento de potencial mineral usando machine learning na Província Mineral de Alta Floresta. 2021. Trabalho de Conclusão de Curso (Graduação) – Instituto de Geociências, Universidade de São Paulo, São Paulo, 2021. Disponível em: https://bdta.abcd.usp.br/directbitstream/9ef6392c-4f91-4742-9ab5-9d55b0aa8625/monografia_corrigida_VICTOR_SS-compactado.pdf. Acesso em: 29 mar. 2024.
    • APA

      Santos, V. S. dos. (2021). Análise de risco-retorno em mapeamento de potencial mineral usando machine learning na Província Mineral de Alta Floresta (Trabalho de Conclusão de Curso (Graduação). Instituto de Geociências, Universidade de São Paulo, São Paulo. Recuperado de https://bdta.abcd.usp.br/directbitstream/9ef6392c-4f91-4742-9ab5-9d55b0aa8625/monografia_corrigida_VICTOR_SS-compactado.pdf
    • NLM

      Santos VS dos. Análise de risco-retorno em mapeamento de potencial mineral usando machine learning na Província Mineral de Alta Floresta [Internet]. 2021 ;[citado 2024 mar. 29 ] Available from: https://bdta.abcd.usp.br/directbitstream/9ef6392c-4f91-4742-9ab5-9d55b0aa8625/monografia_corrigida_VICTOR_SS-compactado.pdf
    • Vancouver

      Santos VS dos. Análise de risco-retorno em mapeamento de potencial mineral usando machine learning na Província Mineral de Alta Floresta [Internet]. 2021 ;[citado 2024 mar. 29 ] Available from: https://bdta.abcd.usp.br/directbitstream/9ef6392c-4f91-4742-9ab5-9d55b0aa8625/monografia_corrigida_VICTOR_SS-compactado.pdf

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

    Digital Library of Academic Works of Universidade de São Paulo     2012 - 2024