Avanços tecnológicos estão revolucionando as operações de mineração, capacitando as empresas para analisar grandes conjuntos de dados com rapidez e eficiência. Consequentemente, a modelagem geológica fica mais precisa, o que garante que as minas operem com mais eficiência e menos riscos.
Por Fiona Jeffreys
A principal causa de rupturas em paredes de cava são falhas modeladas incorretamente ou não reconhecidas. Porém, usando tecnologias inovadoras para subsuperfícies, as empresas de mineração podem analisar com rapidez grandes conjuntos de dados geológicos, ajudando a criar modelos estruturais precisos e a identificar e caracterizar feições estruturais, como falhas e rupturas.
A visualização dessas feições em 3D garante que engenheiros geotécnicos e geólogos de recursos compreendam a subsuperfície para aumentar a extração de recursos, o que garante projetos seguros de paredes de cava e melhora a segurança e a eficiência da mina.
Trabalho de campo geológico estrutural no isolado noroeste da Colúmbia Britânica, Canadá.
Crédito: Teck Resources
“Modelos estruturais precisos são indispensáveis na mineração, pois fornecem insights importantes para modelagem geológica e geotécnica, que podem divulgar a estabilidade de taludes de cava e a otimização da extração de recursos”, comentou Neil Seifert, especialista técnico de projetos sênior da Teck Resources Limited.
A Teck Resources Limited é uma empresa de mineração canadense líder do setor que se concentra no fornecimento responsável de metais essenciais para o desenvolvimento global e a transição energética.
Otimização da extração de recursos
Seifert faz parte da equipe de conhecimento sobre o corpo de minério (OBK, Orebody Knowledge), um grupo do Departamento técnico e de planejamento. Ele e a equipe são responsáveis por fornecer conhecimento técnico para operações, projetos avançados e iniciativas de exploração.
“Nosso trabalho na OBK tem dois focos: o suporte técnico oferecido por especialistas interdisciplinares e a inovação aplicada da OBK para impulsionar a geração de valor e a redução de riscos. O trabalho técnico dos especialistas envolve a criação de modelos estruturais detalhados em 3D para vários projetos e é fundamental para compreender as características geológicas dos locais de mineração”, disse Seifert.
A identificação e a caracterização de feições estruturais, como acamamentos, juntas, falhas, rupturas, entre outras, ajudam a garantir a segurança e a eficiência das operações de mineração. A modelagem precisa dessas feições em 3D garante que engenheiros geotécnicos e geólogos de recursos consigam aumentar a extração de recursos, o que garante projetos seguros de paredes de cava.
Falhas indicadas por linhas tracejadas em verde, contato de desalinhamento em azul e setas mostrando a direção do movimento
Crédito: Teck Resources
“Uma falha não identificada ou caracterizada de forma imprecisa, com um ângulo desfavorável em relação à parede da cava, pode levar à sua ruptura. Isso representa riscos significativos à segurança, pode gerar custos operacionais elevados e até tornar o minério inacessível para mineração futura”, afirmou Seifert.
Para criar modelos estruturais eficientes, é preciso fazer a incorporação de várias fontes de dados, como medições orientadas de furos de sondagem, imageamento, registros de testemunhos de sondagem geomecânicos, geológicos e estruturais, conjuntos de dados hidrogeológicos, geofísicos e geoquímicos, bem como mapeamento de campo e de paredes de cava.
"O Leapfrog Geo da Seequent capacitou a nossa equipe para integrar diversos conjuntos de dados e criar modelos em 3D eficientes para a visualização da subsuperfície, a fim de identificar com mais precisão as feições geológicas", disse ele.
Superação de desafios da modelagem estrutural
Seifert e sua equipe têm trabalhado para tornar a modelagem estrutural mais precisa e eficiente para que os modelos sejam facilmente incorporados a fluxos de trabalho posteriores, como projeto geotécnico e estimativa de recursos.
“Um dos grandes desafios da modelagem estrutural é criar uma única superfície de falha com base em vários conjuntos de dados com diferentes graus de precisão. Precisamos conseguir divulgar a precisão, a confiança e as incertezas dos nossos modelos aos stakeholders posteriormente no processo”, explicou Seifert.
”"O Leapfrog Geo tem ferramentas que ajudam a superar esses desafios, permitindo a integração e a interpretação de vários conjuntos de dados para criar modelos precisos e escaláveis. Também usamos o Leapfrog Geo para criar com confiança mapas de calor de falhas para visualizar locais seguros ao longo de um plano de falha", acrescentou ele.
Outro desafio complexo para a equipe é a criação de modelos aninhados, um modelo de nível de bancada em escala menor que é dinamicamente vinculado a um modelo regional em escala maior. Para isso, é necessário um software avançado para manter vínculos dinâmicos entre as escalas.
O Seequent Central, baseado na nuvem, ajuda a facilitar esse processo, fornecendo visualização em 3D compartilhada, colaboração entre equipes e rastreamento de dados geológicos em um ambiente auditável. Ele permite o trabalho independente em modelos menores que se integram ao modelo mestre, o que promove uma abordagem de colaboração.
“O Seequent Central nos permite desenvolver modelos menores, em escala de bancada, de forma independente, enquanto mantemos a integração com o modelo mestre. Isso facilita uma abordagem colaborativa e integrada para nossa modelagem”, disse Seifert.
Um modelo de mina em 3D de um sistema de falhas complexo mostrado em vermelho sobreposto à fotogrametria
Crédito: Teck Resources
Flexibilização do aprendizado de máquina
A inovação é o foco do trabalho de Seifert e da equipe OBK. Eles colaboram com consultores externos e prestadores de serviços para desenvolver novos fluxos de trabalho e aproveitar dados geocientíficos de novas formas.
A integração de várias fontes de dados, especialmente de dados históricos, traz seus próprios desafios. Os dados estruturais geralmente são coletados de forma inconsistente entre várias campanhas históricas, o que dificulta a integração e a interpretação dos dados.
Seifert e a equipe aproveitam os recentes avanços em aprendizado de máquina para enfrentar esses desafios. Por exemplo, eles estão desenvolvendo tecnologia para extrair mais valor geológico estrutural a partir de imagens de testemunhos de sondagem históricos, digitalizando um banco de dados inteiro de testemunhos de sondagem e usando o aprendizado de máquina para detectar automaticamente falhas, rupturas e suas orientações em relação ao testemunho de sondagem.
Além disso, eles estão trabalhando para otimizar os registros atuais de testemunhos de sondagem, desenvolvendo algoritmos de aprendizado de máquina para automatizar a classificação e a interpretação dos dados de imageamento, que digitaliza furos de sondagem para detectar feições estruturais.
“À medida que o setor continua evoluindo, a integração de tecnologia mais avançada com conhecimento especializado continuará sendo essencial para o nosso sucesso. O investimento contínuo em tecnologia e especialização será crucial para ajudar a atingir nossas metas globais de sustentabilidade e atender à crescente demanda de minerais essenciais”, explicou Seifert.
- As empresas de mineração canadenses registraram, entre 2003 e 2016, mais de US$ 68 bilhões em impairments (redução no valor dos ativos de uma empresa).
- Cerca de 30% dos impairments foram causados por erros técnicos, ou seja, previsão incorreta das propriedades físicas das rochas e dos minerais de um projeto.
- 35% dos erros técnicos são atribuídos ao acesso ao minério, o que está diretamente relacionado a problemas geotécnicos (rupturas de talude de cava, rupturas na subsuperfície, entrada inesperada de água).