Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração.
Nenhuma Miniatura disponível
Data
2023
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
O número de incidentes relacionados a rupturas de barragens de rejeitos de mineração tem
aumentado nos últimos anos, sendo observada uma média de três incidentes mundialmente
por ano. As consequências das rupturas entre 1915 e 2022 resultaram em cerca de 2.650
fatalidades e mais de 250 milhões de m3 de resíduos liberados ao meio ambiente. O plano de
monitoramento auxilia a equipe responsável pela barragem no melhor entendimento de seu
comportamento, sendo possível identificar comportamentos anômalos, permitindo assim uma
melhor gestão do risco associado a estrutura. O plano contempla atividades relacionadas a
inspeções visuais, inspeções e testes de equipamentos e monitoramento por meio de
instrumentação. A instalação de instrumentos permite a medição de variáveis ambientais, tais
como temperatura e nível do reservatório, e variáveis de efeito, tais como nível de água e
poropressão no interior do maciço e fundação. Com base nessas variáveis é possível comparar
o comportamento real da estrutura com seu comportamento esperado, sendo uma das
variáveis de controle a poropressão, medida por piezômetros. A análise dos dados pode ser
realizada com base em modelos determinísticos, estatísticos e preditivos. Esta dissertação
apresenta um estudo onde são aplicados os modelos de regressão linear (RL) e k-nearest
neighbors (KNN) para a predição de leituras em piezômetros com base na leitura anterior,
uma vez que ambas guardam forte correlação. Os modelos foram calibrados e validados
considerando duas diferentes proporções de treino/teste, sendo que a proporção de 80% dos
dados no banco de treino e 20% no banco de teste apresentou o melhor desempenho em
ambos os modelos. Os modelos calibrados com base nessa proporção apresentaram valores de
R2 superiores à 0,89, RMSE de aproximadamente 0,16m e MAE de aproximadamente 0,10m.
O modelo KNN com 15 vizinhos apresentou melhor desempenho, sendo obtido um R2 de 0,91
para o banco de treino e de 0,94 para o banco de teste. Foi então adotado esse modelo para o
cálculo do valor predito e obtenção dos resíduos. Foram aplicadas técnicas estatísticas (análise
de distribuição e análise da distância interquartil - IQR) e de aprendizado de máquina (local
outlier factor - LOF) para a identificação de anomalias. A técnica LOF apresentou o melhor
desempenho identificando todas as anomalias encontradas pelos outros métodos e pontos que
apresentaram valores de taxa de variação superiores aos valores históricos. Dessa forma,
acredita-se que as técnicas de aprendizagem de máquina possuem um grande potencial de
aplicação na identificação de anomalias e podem auxiliar em uma melhor gestão de estruturas
geotécnicas.
Descrição
Programa de Pós-Graduação em Engenharia Mineral. Departamento de Engenharia de Minas, Escola de Minas, Universidade Federal de Ouro Preto.
Palavras-chave
Geotecnia, inteligência artificial, Barragens de rejeitos, Piezômetro, Barragens e açudes - segurança
Citação
BRANDÃO, Hugo Assis. Utilização de técnicas estatísticas e de aprendizado de máquina para identificação de anomalias em dados de monitoramento de barragens de rejeito de mineração. 2023. 116 f. Dissertação (Mestrado em Engenharia Mineral) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.