Dentro de um cenário caracterizado por Transformação Digital, ações relacionadas a Inteligência Artificial (IA) estão se tornando atuantes (a cada dia) dentro da cadeia produtiva do setor mineral, desde a fase de exploração e transitando pelos processos de estimativa de recursos minerais (classificação de reservas) e produção.

Grandes corporações (majors companies) alocam recursos financeiros (orçamentos) para desenvolver métodos (algoritmos/IA) com o objetivo de agilizar suas operações e melhorar a eficiência de seus processos (mina e planta),  focando intervenções em (i) segurança e saúde, (ii) redução de riscos operacionais, (iii) veículos autônomos, (iv) controle rígido nas operações de britagem, classificação e cominuição de minérios, (v) processamento industrial (flotação) e (vi) particularmente, em meio ambiente, no gerenciamento de efluentes industriais (sólidos e líquidos) em sistemas de armazenamento adequados às novas exigências da legislação mineral. Há outros itens – como sempre – que cabem nessa lista.

Nesse cenário, pergunta-se: como processos controlados por IA podem contribuir para melhorar os resultados de investimentos em programas de exploração mineral?

Empresas com folego financeiro para desenvolver programas de exploração estão iniciando movimentos para implementar processos controlados por IA, com o objetivo de obter vantagens competitivas a partir de base de informações existentes (históricos) produzidas no desenvolvimento de seus projetos, desde as fases iniciais de exploração até a produção.

Na medida em que o setor mineral aprende a usar IA, uma nova e poderosa ferramenta estará se consolidando como prática essencial nas diversas fases do setor produtivo mineral, a exemplo do que ocorreu com o Sistema de Informações Geográficas (SIG) e Processamento Geoestatísticos nos últimos anos.

Certamente haverá dificuldades a serem enfrentadas – não serão poucas – mas já há luz emanada por resultados consolidados associados à Inteligência Artificial (em grandes e médias empresas) – iluminando esse horizonte.

Empreendedores com tradição no setor mineral já utilizam – de longa data – aplicações práticas orientadas para gerar insights de exploração a partir de base de dados existentes (in-house): (i) definindo/caracterizando padrões de cores e texturas fotográficas em imagens de satélite sobre depósitos minerais já conhecidos (terrenos geológicos produtivos), comparando-se com setores com respostas semelhantes para testes de campo (sensoriamento remoto); (ii) processamento e modelagem de dados geoquímicos para definir vetores com base em correlações entre variáveis (associações geoquímicas complexas); (iii) interpretações geofísicas (filtros); e (iv) análises estruturais a partir de dados topográficos (modelo digital de terreno) e imagens de satélite.

Geologia é uma ciência natural e isso envolve grandes quantidades de dados – muitas vezes heterogêneos – e, em muitos casos, sem possibilidade de utilização na construção de qualquer modelo preditivo (dados não paramétricos ou estocásticos), ao contrário dos dados geoquímicos e geofísicos.

Muitos dados geológicos não podem ser matematicamente processados porque tem uma natureza subjetiva, por exemplo: um registro definindo que peridotitos são rochas verdes não indica qual a matiz ou tom de verde.

Se a base de dados a ser utilizada (IA) não está adequadamente organizada e validada (QA/QC – Quality Assurance/Quality Control) não há algoritmo – por mais elaborado que seja – capaz de produzir insights com chance de sucesso em programas de exploração – e isso pode significar muito trabalho, muito tempo e muito recurso financeiro perdidos.

Se a ideia é identificar uma assinatura digital ou vetor de exploração (via algoritmo/IA), então é mandatório construir uma base de dados robustos dos depósitos minerais e do contexto geológico no qual estão inseridos.

O primeiro passo, fundamental, é definir adequadamente o objetivo: o que será rastreado.

Um segundo passo é entender se os dados disponíveis (in-house & domínio público) estão adequadamente organizados e validados por profissionais competentes e se essa base de dados atende à investigação a que se propõe (rodar algoritmos/IA).

Um terceiro passo é definir o foco e a escala de trabalho, o que do ponto de vista de exploração mineral, pode significar escolhas de caminhos com rumos diferentes.

Resumidamente, dados relevantes que embasam a construção de modelos geológicos preditivos (IA) são: (i) mapas geológicos (caracterizando a distribuição de tipos de rochas e alterações (processos hidrotermais), (ii) dados geoquímicos (sedimentos de drenagens, solo, rocha, testemunhos de sondagem e outros), (iii) dados topográficos (modelo digital de terreno) que possibilitam análise estrutural indicando contatos litológicos ou lineamentos estruturais relevantes (falhas/shear zones), (iv) imagens de satélite, (v) cadastro de depósitos minerais conhecidos ou ocorrências minerais confirmadas com visita de geólogo no campo, e (vi) furos de sondagem exploratórios que interceptaram mineralização.

Como preparar dados – gerados a partir de métodos tradicionais de exploração mineral – para ensinar máquinas (algoritmos) a processar essa base de dados, visando a criar modelos geológicos preditivos que permitam identificar novos alvos a serem testados com programas de sondagem, com menor risco e menor tempo?

Esse é um belo quebra-cabeça – aparentemente – acessível a grandes empresas ou empreendedores que apostam nas recompensas que a transformação digital (IA) pode oferecer a seus negócios.

Cabe ressaltar o fato de que depósitos minerais surgem na crosta terrestre por alguma razão e compreender o contexto geológico e controles das mineralizações é papel do geólogo. Mesmo sem empregar técnicas de IA em programas de exploração, uma análise estrutural a partir de dados topográficos integrados com levantamentos aerogeofísicos (radiometria & magnetometria) geralmente conduze a resultados consistentes (alvos) do ponto de vista de exploração.

Inteligência Artificial é um bom caminho para controle de processos produtivos (rotinas repetitivas) e pode, sem dúvida, melhorar planejamento de atividades de exploração (greenfield & brownfiled), mas a leitura das características geológicas de cada alvo de exploração indicado (ou não) por IA depende das habilidades (competências) do profissional que o examina.

Em outras palavras, depende do martelo e da botina do geólogo que sai a campo para “conversar com pedras” nesses alvos. E isso não mudará tão cedo.

Pilar (Jaguarari/BA), 18 dezembro de 2019

Vitor Mirim