DEMIN - Departamento de Engenharia de Minas

URI permanente desta comunidadehttp://www.hml.repositorio.ufop.br/handle/123456789/510

Navegar

Filtros

20231

Configurações

Autor: search.filters.author.Rodrigues, Caio OliveiraAssunto: search.filters.subject.Aprendizado de máquina

Resultados da Pesquisa

Agora exibindo 1 - 1 de 1
  • Nenhuma Miniatura Disponível
    Item
    Previsão da diluição em realces subterrâneos por meio de técnicas de aprendizado de máquina.
    (2023) Rodrigues, Caio Oliveira; Santos, Tatiana Barreto dos; Santos, Tatiana Barreto dos; Figueiredo, Rodrigo Peluci de; Silveira, Larissa Regina Costa
    Uma das principais metodologias empíricas para avaliar a estabilidade de realces de minas subterrâneas e estimar sua diluição é o Gráfico de Estabilidade de Realces Modificado, proposto por Potvin et al. (1988), que relaciona características do maciço rochoso e a geometria do realce. Seu uso permite estimar a condição de estabilidade da escavação, utilizando um gráfico construído a partir da análise da diluição de 255 realces. Todavia, por se tratar de um método empírico, várias subjetividades estão associadas com o processo de avaliação, e a aplicação da técnica possui restrições de uso, uma vez que não consideram os ambientes geomecânicos das minas subterrâneas brasileiras. O presente trabalho propõe modelos de predição da diluição em realces por meio da aplicação de algoritmo de florestas aleatórias em um banco de dados de uma mina subterrânea de ouro brasileira contendo 26 variáveis de 70 realces de três diferentes mineralizações. A fim de investigar as variáveis que contém maior correlação com a diluição foi utilizado o método de árvores de decisão, que apontou seis variáveis principais deste banco de dados na previsão de diluição, utilizadas para geração dos modelos de florestas aleatórias em três etapas. Primeiramente, foi proposto um modelo validado pelo método da ressubstituição, a ser comparado com os modelos propostos por Costa (2017) a partir do mesmo banco de dados, que revelou superioridade das florestas aleatórias na previsão de diluição em detrimento dos modelos de regressão linear múltipla proposto pelo autor, obtendo-se R2 igual a 0.9161. Em seguida o modelo de florestas aleatórias foi validado por divisão de amostras treino/teste, que obteve valor de R2 igual a 0.3060 no melhor cenário. Por fim, visando aprimorar o modelo, o banco de dados foi dividido em três, cada um referente a um dos corpos mineralizados, e novos modelos foram gerados para cada banco de dados. Esta análise indicou evolução nos valores de acurácia dos modelos, com R2 igual a 0.5465, 0.5295 e 0.4525, contudo, com grande variabilidade das métricas de validação. A importância das variáveis também foi observada nestas últimas análises por florestas aleatórias, indicando grande coerência com os resultados obtidos por meio das árvores de decisão. O estudo foi capaz de definir as principais variáveis do banco de dados na influência de diluição em realces, e propõe modelos de predição de diluição práticos, de fácil utilização e com menos subjetividades que os métodos empíricos, sendo uma excelente ferramenta para auxiliar engenheiros geotécnicos na compreensão e estimativa da diluição operacional.