Aplicação de redes neurais no controle de teores de cobre e ouro do depósito de Chapada (GO)

Abstract

Este estudo desenvolve a aplicação da técnica de redes neurais artificiais no controle de teor de minério em frentes de lavra a partir de observações geológicas e geotécnicas. A área de estudo da aplicação é o depósito de cobre e ouro de Chapada (Goiás), hospedado por rochas da seqüência vulcano-sedimentar neoproterozóica de Chapada-Mara Rosa. Trata-se de um depósito mineral tipo epigenético, ligado a processos de alteração hidrotermal, associado a zonas estruturalmente favoráveis. As observações geológicas e geotécnicas constituem um banco de dados com 21.212 registros e 21 variáveis, provenientes de amostras de 237 furos de sondagem rotativa diamantada. As variáveis de entrada incluem litologia, porcentagem de sulfetos, razão calcopirita/pirita, freqüência de fraturas, RQD, e alterações hidrotermais tais como: cloritização, sericitização, silicificação, epidotização, carbonatização e piritização. As variáveis de saída são: teores de cobre e ouro. O modelo de rede neural utilizado foi o de múltiplas camadas (MLP) alimentada adiante ( feedforward ) totalmente interconectada, com 30 neurônios na camada oculta e 2 neurônios na camada de saída. A rede foi treinada com o algoritmo de retropropagação de Levenberg-Marquardt acoplado com regularização bayesiana. Obteve-se um índice de acertos de 80% na predição de teores de cobre em bancadas simuladas.

This study deals with application of artificial neural networks (ANNs) on grade control at mine sites inputting both geological and geotechnical variables. Case study is Chapada copper-gold deposit (Goiás, Brazil), located in the neoproterozoic Chapada-Mara Rosa volcano-sedimentary sequence. Ore is closely related to hydrothermal alteration, structurally controlled. The geological and geotechnical database contain 21,212 records on 21 variables taken from 237 diamond drill holes. Input variables include lithology, sulfide percentage, chalcopyrite/pyrite ratio, fracture frequency, RQD, and hydrothermal alterations such as chloritization, sericitization, silicification, epidotization, carbonatization and pyritization. Output variables are gold and copper grades. Neural network model is feedforward multi-layer perceptron (MLP), fully connected with 30 hidden and 2 output neurons. Network was trained with Levenberg-Marquardt backpropagation algorithm associated with bayesian regularization. Success rate on predicting copper grades on simulated mine benches was over 80%.