Análise de agrupamento aplicada à definição de domínios de estimativa para a modelagem de recursos minerais
A definição de domínios de estimativa é uma das primeiras etapas a se cumprir na modelagem de recursos minerais e uma das decisões mais importantes em todo o processo. Uma definição inadequada de domínios pode complicar desnecessariamente a modelagem ou, pior, comprometer os resultados das estimativ...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2020 |
| País: | Brasil |
| Institución: | Universidade Federal do Rio Grande do Sul (UFRGS) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da UFRGS |
| Idioma: | portugués |
| OAI Identifier: | oai:www.lume.ufrgs.br:10183/212457 |
| Acceso en línea: | http://hdl.handle.net/10183/212457 |
| Access Level: | acceso abierto |
| Palabra clave: | Aprendizado de máquina Análise de agrupamento Geoestatística Análise multivariada Recursos minerais Machine learning Cluster analysis Geostatistics Multivariate analysis Mineral resources |
| Sumario: | A definição de domínios de estimativa é uma das primeiras etapas a se cumprir na modelagem de recursos minerais e uma das decisões mais importantes em todo o processo. Uma definição inadequada de domínios pode complicar desnecessariamente a modelagem ou, pior, comprometer os resultados das estimativas, o que pode levar a uma avaliação imprecisa de massas e teores. O conceito de domínio de estimativa está relacionado à noção de estacionariedade, e existem várias abordagens para se tratar o assunto. No campo do aprendizado de máquina, a análise de agrupamento fornece algumas técnicas interessantes que podem ser aplicadas nesse contexto. No entanto, tradicionalmente, esses métodos são próprios para se lidar com dados no espaço multivariado, sem considerar a posição das amostras no espaço geográfico. Mais recentemente, técnicas específicas têm sido apresentadas a fim de realizar o agrupamento de dados geoposicionados. A validação da análise de agrupamento também é uma tarefa um tanto complexa, já que não existem rótulos predefinidos para referência, e diversos métodos devem ser utilizados simultaneamente para que as conclusões sejam mais assertivas. Nesta Dissertação, é feita uma ampla discussão acerca da análise de agrupamento e das técnicas de validação. Como demonstração, são apresentados e discutidos os resultados de quatro algoritmos de agrupamento e alguns métodos de validação, aplicados a um conjunto de dados de um depósito de fosfato e titânio. Também é verificada a possibilidade de se utilizar algoritmos de aprendizado supervisionado para a classificação automatizada de novas amostras, baseado nos grupos definidos na análise de agrupamento. A automatização de procedimentos permite aumentar significativamente a reprodutibilidade do processo de modelagem, uma condição essencial na avaliação de recursos minerais, principalmente para fins de auditoria. No entanto, embora muito eficazes no processo de tomada de decisão, os métodos apresentados ainda não são totalmente automatizados, exigindo conhecimento prévio e muito bom senso. |
|---|