Classificação de unidades litológicas a partir de propriedades físicas e químicas

Abstract

O presente trabalho trata sobre a possibilidade de poder associar as características físico-químicas a uma unidade litológica ou depósito, fazendo uso do aprendizado de máquinas. Foram utilizados três bancos de dados, sendo um depósito de carvão e dois de ferro, de maneira a investigar a possibilidade de classificar unidades litológicas a partir de propriedades físicas e químicas. A oportunidade de poder utilizar uma base de dados de um depósito de carvão do Rio Grande do Sul foi fundamental para pôr em prática a teoria e aplicá-la em um estudo de caso onde as camadas de carvão de forma geral são muito semelhantes no seu contexto físico-químico. Tais camadas, com características semelhantes que dificultam o processo de classificação, também configuram uma situação ideal para poder avaliar o processo de classificação utilizado no aprendizado de máquinas. Para complementar, dois bancos de dados referentes a dois depósitos de ferro em Minas Gerais foram utilizados para ilustrar outro estudo de caso, onde se promoveu a classificação das unidades litológicas dentro e entre os depósitos. No caso do carvão, os valores de f1-score obtidos com a adição de propriedades dependentes de cotas foram da ordem de 90% em grupos de teste, dependendo do classificador utilizado. Já no caso do ferro, verificou-se que a unificação de litologias semelhantes promoveu melhores resultados na classificação tanto dentro como entre depósitos. Entre depósitos, foi possível a classificação da origem dos itabiritos sendo de um ou outro depósito com um f1-score de 0.88 e 0.9 em grupos de teste para dois bancos de dados diferentes. Tais resultados para o carvão e o ferro corroboram com uma possível solução para a classificação automática para estes ambientes geológicos específicos. A classificação das camadas ou unidades litológicas nos dois estudos de caso mostrou-se dificultada quando os valores de propriedades para diferent A classificação das camadas ou unidades litológicas nos dois estudos de caso mostrou-se dificultada quando os valores de propriedades para diferentes unidades são muito próximos. Conhecer o banco de dados mostrou ser uma tarefa indispensável para uma boa condução dos processos envolvidos na classificação com o uso do aprendizado de máquina, onde uma extensa análise quanto ao tratamento prévio dos dados, adição e interpretação das propriedades físico-químicas se mostra uma etapa essencial em todo o processo.O conceito básico da teoria aplicada nos estudos de caso apresentados poderá ser transportado à análise de qualquer outro tipo de litologia, onde deveremos entender e nos familiarizar previamente com as propriedades físico-químicas da litologia a ser estudada. Desta maneira, o fluxo de trabalho executado, metodologia aplicada e resultados obtidos indicam a possibilidade de estender o estudo tanto ao petróleo bem como outros depósitos.

The present work deals with the possibility of associating physicochemical characteristics with a lithological unit or deposit, using machine learning. Three databases were used, one of coal deposits and two of iron deposits, in order to investigate the possibility of classifying lithological units based on physical and chemical properties. The opportunity to use a database from a coal deposit in Rio Grande do Sul was fundamental to put the theory into practice and to apply it in a case study where the coal seams in general are very similar in their physico-chemical context. Such layers with similar characteristics that make the classification process difficult, also configure an ideal situation to be able to evaluate the classification process used in machine learning. In addition, two databases referring to two iron deposits in Minas Gerais were used to illustrate another case study, where the classification of lithological units within and between deposits was promoted. In the case of coal, the f1-score values obtained with the addition of spatial properties were around 90% in test groups, depending on the classifier used. For iron, it was verified that the unification of similar lithologies promoted better results in the classification both within and between deposits. Among deposits, it was possible to classify the origin of the itabirites being from one or another deposit with an f1-score of 0.88 and 0.9 in test groups, for two different databases. Such results for coal and iron present a possible solution for automatic classification for these specific geological environments. The classification of lithological layers or units in the two case studies proved to be difficult when the property values for different units are very similar. Knowledge of the database proved to be an indispensable task for a good conduction of the processes involved in the classification with the use of machine learning, where an extensive analysis regarding the previous treatment of the data, addition and interpretation of the physico-chemical properties proves to be a step essential throughout the process. The basic concept of the theory and methodology applied in the case studies presented can be applied to the analysis of any other type of lithology, where it isnecessary to understand and familiarize ourselves previously with the physicochemical properties of the deposits to be studied.