BR112014031922B1 - Sistemas e métodos para processar dados geofísicos - Google Patents

Abstract

SISTEMAS E MÉTODOS PARA PROCESSAR DADOS GEOFÍSICOS. É descrito aqui um método implementado em computador para gerar um modelo probabilístico utilizável para identificar casos de um recurso alvo em conjuntos de dados geofísicos armazenados em um dispositivo de memória. O método implementado em computador utiliza uma unidade de processamento computacional para gerar um modelo probabilístico a partir de uma biblioteca de treinamento para uso na identificação de casos do recurso alvo nos conjuntos de dados geofísicos, aplica, usando a unidade de processamento computacional, o modelo probabilístico a um ou mais dos conjuntos de dados geofísicos para gerar uma pluralidade de resultados, processa, usando a unidade de processamento computacional, o conjunto de resultados de acordo com um critério de aceitabilidade com a finalidade de identificar uma pluralidade de resultados candidatos, recebe uma seleção de um ou mais dos resultados candidatos e, para o ou cada um dos resultados candidatos selecionados, exibe em um visor o resultado e seu conjunto de dados geofísicos associados para auxiliar um usuário a fazer uma avaliação quanto ao modelo probabilístico ser ou não um modelo aceitável para o processamento dos conjuntos de dados geofísicos, recebe de um usuário uma avaliação quanto ao modelo probabilístico ser ou (...).

Description

CAMPO DA INVENÇÃO

[001] A presente invenção refere-se a sistemas e métodos para processar dados geofísicos para identificar recursos alvo. A invenção é especialmente adequada para uso no processamento de registros de raios gama naturais para identificar bandas marcadoras de xisto em uma mina, e será descrita em relação àquela modalidade específica, mas não limitativa.

FUNDAMENTOS DA INVENÇÃO

[002] Minas típicas a céu aberto incluem minério valioso (por exemplo, minério de ferro), assim como uma grande quantidade de resíduos. Com a finalidade de planejar e executar operações de mineração para a extração do minério valioso é vantajosa uma representação precisa da geologia no terreno.

[003] É conhecido na prática atual como adquirir dados geofísicos tais como registros de raios gama naturais a partir do ambiente da mina (por exemplo, a partir de perfurações de exploração). Os registros de raios gama naturais são em seguida analisados manualmente (isto é, inspecionados visualmente) por um geólogo experiente com a finalidade de identificar assinaturas características de recursos distintos (por exemplo, recursos alvo) na geologia subterrânea. No caso de ambientes de minas estratiformes, tais recursos alvo incluem bandas marcadoras de material específico (tal como xisto), as bandas marcadoras sendo camadas geológicas distintas que ajudam a estabelecer a sequência geológica da mina e qualquer deformação (dobradura) e fratura (falha) local que possam existir. Determinada a estrutura geológica relativamente consistente da mina, a identificação do posicionamento de bandas marcadoras permite que sejam previstas as fronteiras geológicas entre as bandas marcadoras e o minério alvo.

[004] A inspeção manual dos dados geológicos é muito trabalhosa e podem ocorrer erros ou dificuldades com a reavaliação de resultados.

[005] É também conhecido como aplicar técnicas de aprendizagem de máquina, e em particular processos Gaussianos, para detectar automaticamente assinaturas características de recursos alvo em conjuntos de dados geofísicos tais como registros de raios gama naturais. Um exemplo deste processo é descrito em Silversides, KL, Melkumyan, A, Wyman, DA, Hatherly, PJ, Nettleton, E (2011) Detecção de Estrutura Geológica usando Registros de Raios Gama para Mineração Autônoma, na Conferência Internacional do IEEE sobre Robótica e Automação, 9-13 de maio de 2011, Shanghai, China, pp 1577-1582, cujo teor é aqui incorporado na sua totalidade nesta especificação por referência. Embora o uso de tais técnicas melhore a eficiência de técnicas de inspeção manuais, o processo de preparação de bibliotecas de treinamento e a preparação do processo Gaussiano é um processo difícil e lento e em última análise tem impacto sobre a precisão das previsões que podem ser feitas.

[006] Seria desejável propiciar sistemas e métodos para processar dados geofísicos para identificar recursos alvo que sejam mais eficientes e/ou mais precisos que sistemas e métodos atuais. Alternativamente, ou além disso, seria desejável propiciar uma alternativa útil a sistemas e métodos conhecidos de processamento de dados geofísicos para identificar recursos alvo.

[007] Referência a qualquer estado da técnica na especificação não é, e não deverá ser considerado como, um reconhecimento ou qualquer forma de sugestão de que este estado da técnica forma parte do conhecimento geral comum na Austrália ou em qualquer outra jurisdição ou de que se espere que este estado da técnica possa razoavelmente ser verificado, compreendido e considerado como relevante por uma pessoa versada na técnica.

SUMÁRIO DA INVENÇÃO

[008] De um modo geral, aspectos da presente invenção referem-se a sistemas e métodos para processar dados geofísicos tanto para identificar recursos de interesse nos dados geofísicos, como para permitir que recursos de interesse nos dados geofísicos sejam identificados.

[009] Mais especificamente, um aspecto da invenção fornece um método implementado em computador para gerar um modelo probabilístico utilizável para identificar casos de um recurso alvo em conjuntos de dados geofísicos armazenados em um dispositivo de memória, o método implementado em computador incluindo: (a) utilizar uma unidade de processamento computacional para gerar um modelo probabilístico a partir de uma biblioteca de treinamento, o modelo para uso na identificação de casos do recurso alvo nos conjuntos de dados geofísicos, a biblioteca de treinamento incluindo um ou mais exemplos alvo, cada exemplo alvo incluindo uma assinatura sendo indicativa do recurso alvo, e um ou mais exemplos não-alvo, cada exemplo não-alvo incluindo uma assinatura sendo indicativa de um recurso não-alvo; (b) aplicar, usando a unidade de processamento computacional, o modelo probabilístico a um ou mais dos conjuntos de dados geofísicos para gerar uma pluralidade de resultados, cada resultado associado a um conjunto de dados geofísicos processados e indicando um nível de certeza quanto àquele conjunto de dados geofísicos incluir o recurso alvo; (c) processar, usando a unidade de processamento computacional, o conjunto de resultados de acordo com um critério de aceitabilidade com a finalidade de identificar uma pluralidade de resultados candidatos, os resultados candidatos sendo resultados associados a conjuntos de dados com potencial significado para o desempenho do modelo probabilístico; (d) receber uma seleção de um ou mais dos resultados candidatos e, para o ou cada um dos resultados candidatos selecionados, exibir em um visor o resultado e seu conjunto de dados geofísicos associados para auxiliar um usuário a fazer uma avaliação quanto ao modelo probabilístico ser ou não um modelo aceitável para o processamento dos conjuntos de dados geofísicos; (e) receber de um usuário uma avaliação quanto ao modelo probabilístico ser ou não um modelo aceitável; e (f) se a avaliação recebida indicar que o modelo probabilístico é um modelo aceitável para processar os dados geofísicos, fornecer o modelo probabilístico e/ou a biblioteca de treinamento.

[0010] A utilização da unidade de processamento computacional para gerar o modelo probabilístico a partir da biblioteca de treinamento pode incluir a aplicação de processos Gaussianos à biblioteca de treinamento.

[0011] O critério de aceitabilidade pode ser baseado em um desvio padrão da pluralidade de resultados e/ou na ocorrência de resultados que cruzem um limiar predeterminado quando os resultados são considerados em conjunto com o desvio padrão.

[0012] Neste último caso, o limiar predeterminado é 0,5, e a consideração de um resultado em conjunto com o desvio padrão pode incluir: se o resultado é maior que 0,5, subtrair o desvio padrão do resultado para ver se o valor resultante é menor que 0,5; ou se a saída é menor que 0,5, adicionar o desvio padrão ao resultado para ver se o valor resultante é maior que 0,5.

[0013] Se a avaliação recebida na etapa (e) indica que o modelo probabilístico não é um modelo aceitável para o processamento dos dados geofísicos, o método pode ainda incluir: receber uma seleção de ao menos um exemplo a ser adicionado à biblioteca de treinamento, o ou cada exemplo incluindo uma assinatura de um recurso tanto alvo como não- alvo e sendo incluído em um conjunto de dados associado a um resultado candidato; modificar a biblioteca de treinamento pela adição do ao menos um exemplo; e repetir as etapas (a) a (f) da reivindicação 1 em relação à biblioteca de treinamento modificada.

[0014] Antes de adicionar o ao menos um exemplo à biblioteca de treinamento, o método pode ainda incluir, para cada exemplo selecionado a ser adicionado à biblioteca de treinamento: exibir uma comparação do exemplo selecionado com um ou mais exemplos incluídos na biblioteca de treinamento para permitir que o usuário faça uma avaliação de compatibilidade quanto ao exemplo selecionado ser compatível com os exemplos incluídos na biblioteca de treinamento; receber uma avaliação quanto ao exemplo selecionado ser compatível com os exemplos incluídos na biblioteca de treinamento; e apenas modificar a biblioteca de treinamento pela adição do exemplo selecionado se o exemplo selecionado é acessado como sendo compatível com os exemplos na biblioteca de treinamento.

[0015] Se a avaliação recebida na etapa (e) indica que o modelo probabilístico não é um modelo aceitável para o processamento dos dados geofísicos, o método pode ainda incluir: apresentar os exemplos da biblioteca de treinamento ao usuário; receber uma seleção de um ou mais exemplos para remoção da biblioteca de treinamento; modificar a biblioteca de treinamento pela remoção do exemplo ou exemplos selecionados para remoção; e repetir as etapas (a) a (f) da reivindicação 1 em relação à biblioteca de treinamento modificada.

[0016] A biblioteca de treinamento pode ser uma biblioteca de treinamento inicial e o método pode ainda incluir a geração da biblioteca de treinamento inicial ao: receber uma seleção de usuário de ao menos um exemplo alvo a partir dos conjuntos de dados geofísicos; receber uma seleção de usuário de ao menos um exemplo não-alvo a partir dos conjuntos de dados geofísicos; e adicionar os exemplos alvo e não-alvo selecionados de usuário à biblioteca de treinamento inicial.

[0017] Cada conjunto de dados geofísicos pode ser um registro de dados de raios gama naturais que incluem medições de raios gama naturais obtidas a partir de uma perfuração.

[0018] O recurso alvo a ser identificado em cada registro de raios gama naturais pode ser a existência de uma ou mais bandas marcadoras de xisto.

[0019] Em um segundo aspecto a presente invenção fornece um método implementado em computador para identificar casos de um recurso alvo em conjuntos de dados geofísicos armazenados em um dispositivo de memória, os conjuntos de dados geofísicos tendo coordenadas de superfície associadas, o método implementado em computador incluindo: implementar um método implementado em computador como descrito acima com a finalidade de gerar um modelo probabilístico; aplicar o modelo probabilístico aos conjuntos de dados geofísicos para gerar um resultado de classificação para cada conjunto de dados, cada resultado de classificação indicando se o conjunto de dados associados inclui o recurso alvo; e fornecer ao menos aqueles resultados de classificação que indicam que o conjunto de dados associados inclui o recurso alvo, junto com informações que permitam que sejam determinadas as coordenadas de superfície do conjunto de dados geofísicos associados ao resultado.

[0020] Um resultado de classificação pode ser considerado para indicar que o conjunto de dados associados inclui o recurso alvo se o resultado está acima de um limiar predeterminado.

[0021] Um resultado de classificação pode ser considerado para indicar que o conjunto de dados associados inclui o recurso alvo se o resultado está acima de um limiar predeterminado após um desvio padrão dos resultados de classificação ser subtraído do limiar predeterminado.

[0022] O limiar predeterminado pode ser 0,5.

[0023] Em um aspecto adicional a presente invenção fornece um método implementado em computador para identificar a localização de minério em um ambiente de mineração, o referido método incluindo: adquirir uma pluralidade de conjuntos de dados geofísicos a partir do ambiente de mineração, cada conjunto de dados geofísicos estando associado a uma perfuração que tem coordenadas de superfície conhecidas; implementar um método implementado em computador como descrito acima para identificar casos de um recurso alvo que ocorre nos conjuntos de dados geofísicos; utilizar os resultados de classificação para prever uma profundidade à qual o minério será provavelmente encontrado; e fornecer dados de profundidade que representam a referida profundidade prevista junto com informações que permitam que sejam determinadas coordenadas de superfície associadas à referida profundidade.

[0024] Em um aspecto adicional a presente invenção fornece um método de mineração que inclui: identificar a localização de minério em um ambiente de mineração pela implementação de um método implementado em computador como descrito acima; e extrair minério da localização identificada.

[0025] Em um aspecto adicional a presente invenção fornece um meio de armazenamento legível por computador não-transitório que inclui instruções que, quando executadas, facilitam qualquer dos métodos implementados por computador descritos acima.

[0026] Em um aspecto adicional a presente invenção fornece um sistema que inclui: uma unidade de processamento; uma memória; e um ou mais dispositivos de entrada/saída; onde a unidade de processamento está conectada à memória e a um ou mais dispositivos de entrada/saída por um barramento de comunicações; e onde a memória armazena os conjuntos de dados geofísicos e instruções executáveis pela unidade de processamento para facilitar qualquer dos métodos implementados por computador descritos acima.

[0027] Como usado aqui, exceto onde o contexto exigir de outro modo, o termo "compreende" e variações do termo, tais como "compreendendo", "compreende" e "compreendido", não se destinam a excluir aditivos, componentes, inteiros ou etapas adicionais.

[0028] Aspectos adicionais da presente invenção e modalidades adicionais dos aspectos descritos nos parágrafos precedentes tornar-se-ão evidentes a partir da descrição a seguir, dada por meio de exemplo e com referência aos desenhos anexos.

BREVE DESCRIÇÃO DOS DESENHOS

[0029] A Figura 1 fornece uma representação de uma seção transversal de parte de uma mina estratiforme.

[0030] A Figura 2 fornece uma representação de um dispositivo de processamento computacional adequado para uso com a presente invenção.

[0031] A Figura 3A fornece um exemplo de uma seção de registro de raios gama naturais, que inclui uma assinatura de raios gama naturais de um recurso alvo (que é, neste caso, a presença de duas bandas marcadoras de xisto).

[0032] As Figuras 3B e 3C fornecem exemplos de seções de registro de raios gama naturais que incluem assinaturas de raios gama naturais do mesmo recurso alvo mostrado na Figura 3A, as assinaturas mostradas nas Figuras 3B e 3C sendo distorcidas comparadas à assinatura mostrada na Figura 3A.

[0033] As Figuras 4A a 4C fornecem exemplos de seções de registro de raios gama naturais que incluem assinaturas de raios gama naturais de recursos não-alvo.

[0034] As Figuras 5A a 5D mostram gráficos de seções de registro nas quais as leituras de raios gama naturais para as seções de registro são traçadas em função da saída do processo Gaussiano para as seções de registro.

[0035] A Figura 6 mostra um fluxograma de um processo implementado em computador para gerar uma biblioteca de treinamento para um processo Gaussiano de acordo com uma modalidade da invenção.

[0036] As Figuras 7A a 7C fornecem gráficos exemplificativos nos quais as leituras de raios gama naturais são traçadas em função das saídas do processo Gaussiano e desvio padrão.

[0037] As Figuras 8A a 8C fornecem gráficos exemplificativos nos quais novos exemplos de treinamento sendo considerados para incorporação na biblioteca de treinamento são traçados em função de exemplos de treinamento existentes.

DESCRIÇÃO DETALHADA DAS MODALIDADES

[0038] A presente invenção refere-se a sistemas e métodos para processar dados geofísicos para identificar a existência e localização de recursos alvo. De modo geral, a identificação da localização de alguns recursos geológicos alvo em um ambiente de mineração permite que seja gerado um modelo da geologia subterrânea da mina. Este modelo, por sua vez, pode ser usado com a finalidade de planejar e executar operações de mineração.

[0039] Exemplos de dados que podem ser usados incluem qualquer variedade de dados de registro de poço, tais como registros de litologia tais como registros de raios gama, registros de porosidade e densidade, e registros elétricos, mas não limitados a estes. Diferentes recursos podem ser obtidos a partir dos diferentes tipos de registros, e podem em seguida por sua vez ser usados como indicadores para diferentes formações geológicas ou aspectos de interesse. Por exemplo, registros espontâneos de potencial podem ser usados para detectar leitos permeáveis e para estimar o teor de argila e salinidade de água de formação, e registros de raios gama podem ser usados para distinguir entre areias e xistos em rochas siliciclásticas.

[0040] Para fins de explanação, a aplicação específica dos princípios da invenção será descrita em relação à identificação da localização de minério de ferro em minas estratiformes de minério de ferro tais como aquelas encontradas em Hamersley Ranges na Austrália Ocidental. A Figura 1 fornece uma representação em seção transversal de parte de uma mina estratiforme de minério de ferro 100 encontrada em Hamersley Ranges na Austrália Ocidental. A Figura 1 representa uma área da mina de aproximadamente 500 m de lado a lado e 200 m de profundidade.

[0041] A título de visão ampla geral, tais minas estratiformes têm (como uma proposição geral) uma estrutura geológica relativamente consistente que inclui uma banda de rocha desgastada 102, uma banda de xisto 104, uma banda de minério de ferro 106, e uma banda de formação de ferro em faixas 106. São também representadas três perfurações 108, 110 e 112.

[0042] Em particular, a consistência das bandas marcadoras de xisto entre camadas pode ser usada para identificar a localização estratigráfica das formações de ferro em faixas e minério hospedado em formações de ferro em faixas (vide, por exemplo, Thorne W, Hagemannm S, Webb, Clout J (2008) Depósitos de minério de ferro relacionados a formações de ferro em faixas da Província de Hamersley, Austrália Ocidental. Em: Hagemannm S, Rosiere C, Gutzmer J, Beukes NJ (ed) Minério de Ferro de Alta Qualidade Relacionado a Formações de Ferro em Faixas, Rev Econ Geol 15: 197-221 e Laselles DF (2000) Estratigrafia de formações de ferro de Marra Mamba em Chichester Range oriental, Austrália Ocidental. Aust J Earth Sci 47: 799-806).

[0043] Ao identificar a localização e profundidade da(s) banda(s) marcadora(s) de xisto (isto é, o recurso alvo) em diversos pontos discretos por todo o ambiente da mina, pode ser prevista a fronteira entre as bandas marcadoras de xisto e o minério de ferro (e, consequentemente, a localização do minério de ferro) ao longo de todo o ambiente da mina. Logo que a localização do minério de ferro tenha sido determinada, as operações de mineração podem ser planejadas e consequentemente executadas.

[0044] A presente modalidade da invenção tira vantagem do fato de que as bandas marcadoras de xisto exibem uma assinatura distinta de raios gama naturais. Sistema de processamento computacional

[0045] Em uma modalidade a presente invenção é um método implementado em computador. Um diagrama de blocos de um sistema de processamento computacional 200 adequado para implementar o método implementado em computador é representado na Figura 2.

[0046] O dispositivo de processamento computacional 200 inclui ao menos uma unidade de processamento 202. A unidade de processamento 202 pode incluir um único dispositivo de processamento (por exemplo, um microprocessador ou outro dispositivo computacional), ou pode incluir uma pluralidade de dispositivos de processamento. Em alguns casos todo o processamento será realizado pela unidade de processamento 202, contudo em outros casos o processamento pode também, ou alternativamente, ser realizado por dispositivos de processamento remotos acessíveis e utilizáveis (em um modo tanto partilhado como dedicado) pelo dispositivo 200.

[0047] Através de um barramento de comunicações 210 a unidade de processamento 202 está em comunicação de dados com uma memória do sistema 204 (por exemplo, uma BIOS), memória volátil 206 (por exemplo, memória de acesso aleatório que inclui um ou mais módulos DRAM), e memória não-volátil 208 (por exemplo, uma ou mais unidades de disco rígido, unidades de estado sólido, e/ou dispositivos ROM tais como EPROMs). As instruções e dados para controlar a operação da unidade de processamento 202 são armazenadas no sistema, memória volátil e/ou não-volátil 202, 204 e 206.

[0048] O dispositivo de processamento computacional 200 também inclui uma ou mais interfaces de entrada/saída (indicadas geralmente por 212) que fazem interface com uma pluralidade de dispositivos de entrada/saída. Como será entendido, pode ser usada uma ampla variedade de dispositivos de entrada/saída, incluindo dispositivos inteligentes de entrada/saída com suas próprias unidades de memória e/ou processamento. Como exemplo não-limitativo, o dispositivo 200 pode incluir: um ou mais dispositivos de entrada de usuário 214 (por exemplo, teclado, mouse, tela sensível ao toque, almofada de rota seguida, microfone, etc.); um ou mais dispositivos de saída de usuário 216 (por exemplo, visor de CRT, visor de LCD, visor de LED, visor de plasma, tela sensível ao toque, alto-falante, etc.); uma ou mais portas 218 para fazer interface com dispositivos externos tais como unidades e memória (por exemplo, portas USB, portas Firewire, portas eSata, portas seriais, portas paralelas, porta de cartão SD, porta Instantânea Compacta, etc.); e uma ou mais interfaces de comunicações 220 (por exemplo, um Cartão de Interface de Rede para conexão por fio ou sem fio a uma rede de comunicações 222 tal como uma rede local ou de área ampla).

[0049] A comunicação com a rede de comunicações 110 (e outros dispositivos conectados àquela) será tipicamente pelo conjunto de protocolos nas camadas do modelo OSI da rede de computadores. Por exemplo, programas de aplicativos/software sendo executados pela unidade de processamento 202 podem comunicar-se usando um ou mais protocolos de transporte, por exemplo, Protocolo de Controle de Transmissão (TCP, definido em RFC 793) ou o Protocolo de Datagrama de Usuário (UDP, definido em RFC 768).

[0050] O dispositivo de processamento computacional 200 executará um ou mais aplicativos para permitir que o usuário opere o dispositivo 200. Tais aplicativos incluirão tipicamente ao menos um sistema operacional (tal como Microsoft Windows®, Apple OSX, Unix, ou Linux). Com a finalidade de propiciar a funcionalidade específica exigida pela invenção, pode também ser instalado um aplicativo de processamento matemático, tal como MathWorks MATLAB. Alternativamente, a invenção pode ser habilitada por um aplicativo especificamente programado e dedicado. Em termos mais gerais, o método implementado em computador da invenção será tipicamente implementado por um dispositivo de processamento computacional que processa uma sequência de instruções.

[0051] Será entendido que esta descrição de um dispositivo de processamento computacional é apenas um exemplo de dispositivos possíveis que poderiam ser usados para implementar a invenção. As funções representadas pelos blocos na Figura 2 podem ser fornecidas através de hardware partilhado ou dedicado que pode, por sua vez, ser acessado local ou remotamente. Aquisição de dados

[0052] Como uma etapa inicial, são adquiridos dados geofísicos referentes à mina. No presente contexto os dados geofísicos são dados de raios gama naturais, e são adquiridos por processos de registro de raios gama naturais.

[0053] De modo geral, o registro de raios gama naturais envolve a perfuração de diversos furos feitos na superfície da área da mina (ou usando furos de exploração existentes). Em minas de minério de ferro os furos têm tipicamente um diâmetro de aproximadamente 14 cm e podem ter mais de 200 m de profundidade. Tais furos podem ser perfurados, por exemplo, pela utilização de métodos de perfuração com diamante, rotativos ou percussivos. Um detector de raios gama naturais é em seguida baixado furo abaixo em um cabo até uma profundidade predeterminada antes de ser elevado de volta até o furo a uma velocidade estabelecida de modo que medições periódicas possam ser feitas em intervalos estabelecidos (por exemplo, a cada 10 cm). Como diferentes tipos de rochas emitem naturalmente diferentes quantidades e diferentes espectros de radiação gama, o registro de raios gama naturais de uma determinada perfuração pode ser analisado para identificar diferentes recursos geológicos e a profundidade à qual ocorrem.

[0054] A Figura 3A ilustra uma seção de um registro de raios gama naturais 300 de uma perfuração, mostrando os raios gama registrados (em unidades API) em função da profundidade na perfuração. O registro 300 mostra a assinatura de raios gama naturais de uma formação de xisto típica AS1 e AS2, indicada pela seta 302. A formação de xisto AS1 e AS2 inclui formações de raios gama de pico duplo (cada pico duplo indicando um xisto). Na mina estratiforme exemplificativa discutida, a formação de xisto AS1 e AS2 indica consistentemente uma fronteira entre xisto e minério de ferro (por exemplo, fronteira 114 na Figura 1).

[0055] As Figuras 3B e 3C ilustram seções adicionais de registros de raios gama naturais 310 e 320 feitos a partir de perfurações próximas à perfuração a partir da qual o registro 300 foi feito. Os registros 310 e 320 mostram variações na assinatura dos raios gama de xisto AS1 e AS2, indicados pelas setas 312 e 322, respectivamente.

[0056] O conjunto de dados geofísicos será tipicamente armazenado na memória (tal como a memória não- volátil 208) para processamento pela unidade de processamento 202. O conjunto de dados pode ser comunicado ao dispositivo de processamento computacional de diversos modos. Por exemplo, o conjunto de dados pode ser comunicado pela rede 222 ou copiado de um dispositivo de memória externa conectado por meio de uma porta 218. Ainda alternativamente, a(s) unidade(s) de detecção relevante(s) pode(m) comunicar dados detectados diretamente para uma memória (tal como 218) de um dispositivo de processamento computacional (novamente por meio de uma interface de comunicações 220 ou por meio de conexão do detector ao dispositivo de processamento computacional 200 por uma porta 218). Processamento de dados

[0057] Tradicionalmente, os registros de raios gama naturais, tais como aqueles mostrados na Figura 3, são inspecionados visualmente por um geólogo ou geofísico experiente. Ao aplicar os seus conhecimentos das assinaturas características de xistos específicos e, geralmente, os seus conhecimentos intuitivos do ambiente local (por exemplo, as larguras/amplitudes típicas de bandas de xistos, o posicionamento relativo de bandas de xistos em relação a outras bandas, etc.), o geólogo pode interpretar os registros de raios gama para determinar as posições de diversos recursos/bandas geológicos. Logo que os registros tenham sido processados, as posições de diversos recursos marcadores (por exemplo, xistos marcadores) em localizações individuais de perfuração são integradas em três modelos dimensionais da geologia subterrânea da mina (vide, por exemplo, Jones H, Walraven F, Knott GG (1973) Registros de raios gama naturais como um auxílio na exploração de minério de ferro na região de Pilbara da Austrália Ocidental. Conferência Anual do Instituto Australasiano de Mineração e Metalurgia (Perth, Austrália): 53-60).

[0058] Considerando que uma mina pode ter centenas de milhares de registros a serem processados, contudo, a inspeção e interpretação dos registros é uma tarefa intensiva em tempo e habilidade.

[0059] Com a finalidade de facilitar a interpretação de registros de dados geofísicos e mapeamento da geologia subterrânea, diversas técnicas de aprendizagem de máquina têm sido consideradas (vide, por exemplo, Borsaru M, Zhoua B, Aizawa T, Karashima H, Hashimoto T (2006) Predição automatizada de litologia a partir de PGNAA e de outros registros de dados geofísicos. Appl Radiat Isotopes 64: 272-282). Dois exemplos disto são mapeamento auto-organizado e lógica nebulosa.

[0060] O mapeamento auto-organizado é uma técnica de redes neurais que pode ser usada para processar dados geofísicos em clusters para prever tipos de rochas (vide, por exemplo, Baldwin JL, Bateman RM, Wheatley CL (1990) Aplicação de uma rede neural ao problema de identificação mineral a partir de registros de poços. Log Anal: 279-293, e Klose CD (2006) Mapas de auto-organização para análise de dados geocientíficos: interpretação geológica de dados geofísicos multidimensionais. Comput Geosci 10: 265-277).

[0061] A lógica nebulosa utiliza um conjunto de regras que definem diversas fronteiras entre classes. A técnica permite que um ponto de dados ou intervalo de perfuração pertença parcialmente a múltiplas categorias. Conjuntos sucessivos de resultados provisórios são em seguida usados novamente para classificar a litologia a partir de uma combinação de registros de dados geofísicos, com diferentes regras aplicando-se a cada conjunto de entrada (vide, por exemplo, Chang H, Chen H, Fang J (1997) Determinação de litologia a partir de registros de poço com rede neural de memória associativa nebulosa. IEEE Trans. Geosci. Remote Sensing 35: 773-780 e Kadkhodaie Ilkhchi A, Rexaee M, Moallemi SA (2006) Uma técnica de lógica nebulosa para estimativa de permeabilidade e tipo de rocha a partir de dados de registros de poço convencional: um exemplo do reservatório Kangan no Campo de Gás no Mar do Irã. J Geophys Eng 3: 356-369). Estimativa probabilística

[0062] Com a finalidade de aumentar a eficiência do processo para identificar assinaturas desejadas nos registros de dados geofísicos, podem ser usadas estimativas probabilísticas tais como processos de Kriging e Gaussianos. Os processos Gaussianos fornecem um método probabilístico de modelar funções que representam quantidades de interesse (por exemplo, teor de ferro, tipo ou mineralogia de rocha) dentro de um determinado conjunto de dados. Matematicamente, um Processo Gaussiano é uma coleção infinita de variáveis aleatórias, qualquer número finito das quais tem uma distribuição Gaussiana conjunta.

[0063] Em um nível elevado, a aprendizagem de máquina que utiliza processos Gaussianos consiste em duas etapas: uma etapa de treinamento na qual é gerado um modelo probabilístico, e uma etapa de interface na qual o modelo é usado para interpretar/classificar dados.

[0064] Os processos Gaussianos contêm geralmente hiperparâmetros inicialmente conhecidos e a etapa de treinamento destina-se a otimizar aqueles hiperparâmetros para resultar em um modelo probabilístico que melhor representa uma biblioteca de treinamento. Os hiperparâmetros usados nas aplicações de processos Gaussianos incluem escalas de comprimentos, que descrevem a taxa de variação da saída, e variância de ruído, que descreve o montante de ruído no conjunto de dados.

[0065] Logo que os hiperparâmetros ótimos para a biblioteca de treinamento são definidos, o modelo resultante pode ser usado durante a etapa de inferência para prever os valores da função de interesse em novas localizações.

[0066] Mais informações sobre processos Gaussianos podem ser encontradas em, por exemplo, Rasmussen CE, Williams CKI (2006) Processos Gaussianos para Aprendizagem de Máquina. Springer Science+Business Media, LLC e Bishop CM (2006) Reconhecimento de Padrões e Aprendizagem de Máquina. Springer: Berlim.

[0067] Com a finalidade de ilustrar os recursos e vantagens da invenção, serão discutidos dois métodos separados para utilizar processos Gaussianos para identificar recursos alvo em conjuntos de dados geofísicos. O primeiro método descrito é uma metodologia tradicional na qual a biblioteca de treinamento para os processos Gaussianos é preparada manualmente por um operador. No segundo exemplo, que está de acordo com uma modalidade da invenção, é adotada uma técnica de aprendizagem ativa. Preparação de biblioteca de treinamento manual

[0068] No primeiro exemplo, uma biblioteca de treinamento foi preparada manualmente usando um método similar àquele descrito em Silversides, KL, Melkumyan, A, Wyman, DA, Hatherly, PL, Nettleton, E (2011) Detecção de Estrutura Geológica usando Registros de Raios Gama para Mineração Autônoma. Em Conferência Internacional do IEEE sobre Robótica e Automação, 9-13 de maio de 2011. Shanghai, China, pp 1577-1582, cujos teores são por este meio incorporados nas suas totalidades nesta especificação por referência.

[0069] A construção da biblioteca de treinamento inicial incluiu a seleção de diversas assinaturas do recurso alvo pretendido para identificação - isto é, diversas assinaturas de raios gama naturais AS1 e AS2 como representado nas Figuras 3A a 3C - junto com assinaturas de outros recursos (por exemplo, rochas) na sequência estratigráfica da área. As Figuras 4A a 4C fornecem seções exemplificativas de registros de raios gama que mostram assinaturas de raios gama de recursos não-alvo. A Figura 4A mostra uma assinatura de raios gama de minério, a Figura 4B mostra uma assinatura de raios gama de xistos NS3 e NS4, e a Figura 4C mostra uma assinatura de raios gama de xisto grande.

[0070] Os exemplos de assinaturas selecionadas para inclusão na biblioteca de treinamento inicial incluiu oito assinaturas exemplificativas: quatro assinaturas positivas representativas do recurso alvo (o recurso AS1 e AS2) e quatro assinaturas negativas representativas de outros recursos não-alvo. As assinaturas exemplificativas foram incluídas em seções de 8 metros de registros de raios gama de perfuração com medições de raios gama naturais feitas a intervalos de 10 cm. Para os exemplos positivos (isto é, os exemplos dos recursos a serem identificados - neste caso a assinatura do xisto AS1 e AS2) as seções de 8 m foram selecionadas de modo que o pico da assinatura de xisto AS1 estivesse localizado 2 metros acima da base de cada seção. Um arquivo de saída correspondente para a biblioteca foi também preparado atribuindo às seções de registros de raios gama conhecidas como contendo a assinatura de xisto AS1 e AS2 uma saída de 1 e às seções sem a assinatura de bandas de xisto AS1 e AS2 uma saída de 0.

[0071] Um processo Gaussiano foi em seguida usado para assimilar os hiperparâmetros ótimos a partir da biblioteca de treinamento. Com a finalidade de criar um modelo de processo Gaussiano, é escolhida uma função de covariância para auxiliar a descrever a relação entre as entradas (isto é, as assinaturas exemplificativas) e as saídas (isto é, a classificação manual das seções de registros de raios gama como incluindo ou não a assinatura de recursos alvo). A função de covariância também define o número e tipo de hiperparâmetros que são necessários para o modelo. No presente exemplo foi selecionada uma função de covariância exponencial quadrada de escala única de comprimento e números aleatórios foram usados como hiperparâmetros iniciais. Como será entendido, poderiam ser usadas funções de covariância alternativas, por exemplo funções de covariância de Ângulo de Observação Dependente (vide, por exemplo, A. Melkumyan, E. Nettleton, Uma Função de Covariância Não-Estacionária de Ângulo de Observação Dependente para Regressão de Processos Gaussianos, Conferência Internacional sobre Processamento Neural de Informações (ICONIP), Lecture Notes em Computer Science 5863, 2009, pp. 331-339), Matern, Exponencial, Quadrática Racional, e Rede Neural (vide, por exemplo, Rasmussen CE, Williams CKI (2006) Processos Gaussianos para Aprendizagem de Máquina. Springer). Com a finalidade de garantir que o processo Gaussiano obtivesse um mínimo local bom, foram usados múltiplos pontos de partida.

[0072] Diversos registros de raios gama que não faziam parte da biblioteca de treinamento inicial foram em seguida selecionados para classificação pelo modelo. Este processo de classificação envolve a divisão de cada registro de raios gama em seções de 8 m sobrepostas, com a base de cada seção sucessiva de um registro de raios gama sendo baixada de 10 cm. Por exemplo, a primeira seção para um determinado registro de raios gama pode ser de 0 m (nível do solo) até 8 m, a segunda seção de 0,1 m até 8,1 m, a terceira seção de 0,2 m até 8,2 m. Cada seção individual foi em seguida classificada usando o modelo. Para cada seção de registro de raios gama naturais a saída de classificação é um valor entre 0 e 1 que descreve quão similar o perfil de raios gama registrado na seção de registro de raios gama é às seções de registro de raios gama na biblioteca que inclui o recurso alvo (isto é, a assinatura de xisto AS1 e AS2). Uma saída maior que 0,5 (50%) foi considerada uma classificação positiva de que a seção em questão incluía o recurso alvo (isto é, a assinatura de xisto AS1 e AS2).

[0073] Neste caso, 50 registros de raios gama foram arbitrariamente selecionados a partir de uma área diferente da mina para processamento usando o modelo. As classificações de saída foram em seguida comparadas manualmente a interpretações geológicas dos registros com a finalidade de identificar áreas que foram erroneamente classificadas ou não foram claramente classificadas. Com a finalidade de facilitar esta comparação manual, todas as classificações de seções de registro para um determinado registro são combinadas para formar um gráfico contínuo dos valores de saída relevantes para aquele registro. Recordando isto, neste caso, os exemplos positivos da biblioteca de treinamento incluíam seções de 8 m de registro de raios gama com a base do recurso alvo (isto é, o pico de raios gama AS1) localizada a uma profundidade de 2 m a partir da base da seção, tendo também sido atribuída à saída de classificação para uma determinada seção de registro uma profundidade de 2 m a partir da base daquela seção. Retornando ao exemplo acima: para a seção 1 de um determinado registro que cobre de 0 m a 8 m, à saída de classificação seria atribuída uma profundidade de 6 m; para a seção 2 que cobre de 0,1 m a 8,1 m, à saída de classificação seria atribuída uma profundidade de 6,1 m; para a seção 3 que cobre de 0,2 m a 8,2 m, à saída de classificação seria atribuída uma profundidade de 6,2 m; e assim por diante. Uma vez combinado deste modo, é preparado e inspecionado visualmente um gráfico que trace as leituras de raios gama naturais para um registro em função das classificações do processo Gaussiano para as seções daquele registro de raios gama (neste caso cada saída do processo Gaussiano sendo multiplicada por 100 para se ajustar ao mesmo eixo geométrico). Como ilustração, são mostrados quatro gráficos exemplificativos nas Figuras 5A a 5D, cada gráfico incluindo uma linha sólida que indica a leitura dos raios gama naturais e uma linha quebrada que traça as saídas da classificação do processo Gaussiano para aquele registro (multiplicado por 100). O gráfico 500 (Figura 5A) mostra uma assinatura "normal" de AS1 e AS2 identificada corretamente pelo modelo; os gráficos 510 (Figura 5B) e 520 (Figura 5C) mostram assinaturas distorcidas de AS1 e AS2 identificadas corretamente pelo modelo; e o gráfico 530 (Figura 5D) mostra uma assinatura distorcida de AS1 e AS2 identificada incorretamente pelo modelo.

[0074] As assinaturas identificadas como sendo erroneamente classificadas ou imprecisamente classificadas foram adicionadas à biblioteca de treinamento inicial (pela seleção da seção de 8 m de registro que inclui a assinatura) e a nova biblioteca de treinamento usada para requalificar os hiperparâmetros. Esta etapa foi repetida diversas vezes (aproximadamente 5-6).

[0075] No decorrer do experimento foram usados aproximadamente 50 furos de treinamento, com um total de 48 assinaturas na biblioteca. Como isto é menos que 1% do conjunto total de dados (os quais incluíam registros de raios gama naturais de 5.971 furos no total) os furos de treinamento não foram removidos do conjunto de dados antes deste ser processado.

[0076] Ao completar o processo de requalificação, os hiperparâmetros otimizados foram usados com a biblioteca para processar todos os registros de raios gama naturais do conjunto de dados e classificar cada registro como incluindo ou não incluindo o recurso alvo (isto é, a assinatura de xisto AS1 e AS2). Como observado acima, a saída do processo Gaussiano para cada seção de registro é um valor que descreve quão similar o perfil de raios gama registrado na seção de registro de raios gama é às seções de registro de raios gama na biblioteca que incluem o recurso alvo (isto é, a assinatura de xisto AS1 e AS2), com uma saída maior que 0,5 (50%) sendo considerada uma classificação positiva de que a seção em questão incluía uma assinatura de AS1 e AS2.

[0077] Estes resultados foram em seguida usados para dar uma profundidade de fronteira para cada registro de raios gama onde o processo Gaussiano classificou uma fronteira. Neste caso particular a profundidade da fronteira foi considerada como sendo 2 metros abaixo do valor de pico de saída do processo Gaussiano. Nos gráficos das Figuras 5A a 5D este deslocamento de 2 m é levado em consideração, com os gráficos mostrando a profundidade estimada da fronteira (quando existir). Por exemplo, na Figura 5A a profundidade da fronteira para a perfuração a partir da qual o registro foi obtido é estimado como sendo aproximadamente 98,4 m.

[0078] Logo que todos os registros de raios gama de perfurações disponíveis tenham sido classificados como incluindo uma fronteira ou não, e quando classificada a profundidade da fronteira calculada, os pontos de dados individuais são integrados em um modelo tridimensional da geologia subterrânea da mina. Um processo pelo qual isto pode ser obtido é descrito em Jones H, Walraven F, Knott GG (1973) Registro de raios gama naturais como um auxílio à exploração de minério de ferro na região de Pilbara da Austrália Ocidental. Conferência Anual do Instituto Australasiano de Mineração e Metalurgia (Perth, Austrália): 53-60).

[0079] Em cada iteração do processo de treinamento a necessidade para inspecionar manualmente o conjunto de resultados de classificação dos registros selecionados para testar o modelo e suprir a biblioteca com exemplos de registros que são inadequadamente classificados resulta em um processo muito demorado. Além disso, a intensidade de tempo do processo torna-o impraticável para registrar e comparar todo o conjunto de dados, forçando o uso de um subconjunto arbitrário dos dados para testar o modelo. Isto limita os dados de treinamento que podem ser levados em consideração para uma pequena subseção do conjunto total de dados que pode resultar em assinaturas exemplificativas sendo totalmente perdidas, comprometendo a precisão das previsões feitas pelo modelo. Resultados da técnica manual

[0080] No experimento, 5.971 registros de raios gama de perfurações foram classificados pelo processo Gaussiano. As classificações foram em seguida comparadas a uma interpretação geológica manual do local da mina com a finalidade de aferir a precisão das classificações. Os resultados desta comparação são mostrados na Tabela 1:

TABELA 1

[0081] Os registros de raios gama classificados foram divididos em dois grupos: registros de raios gama onde o processo Gaussiano detectou a assinatura de AS1 e AS2 (e, portanto uma fronteira), e os registros onde o processo Gaussiano não detectou a assinatura de AS1 e AS2.

[0082] O processo Gaussiano classificou 833 registros de raios gama como tendo a assinatura de AS1 e AS2. Dos registros de raios gama classificados pelo processo Gaussiano como tendo a assinatura de AS1 e AS2, 66,7% (~569 ou 9,5% do número total de furos) representaram corretamente a profundidade da fronteira de AS1 e AS2, e 33,3% (~281 ou 4,7% do número total de furos das fronteiras foram identificados incorretamente).

[0083] Dos 5.118 registros de raios gama que o processo Gaussiano não classificou como tendo assinatura de AS1 e AS2, 92,7% (~4.744 ou 79,4% do número total de furos) foram corretamente classificados e não continham na verdade a assinatura de AS1 e AS2. Os restantes 7,43% (~380 ou 6,3% do número total de furos) foram incorretamente classificados pelo processo Gaussiano com três não sendo assinaturas de AS1 e AS2 nos registros de raios gama.

[0084] Embora a precisão global fosse boa, com 88,9% de registros/furos sendo corretamente caracterizados, apenas dois terços dos registros/furos identificados como contendo a fronteira de AS1 e AS2 foram corretos. Técnica de aprendizagem ativa

[0085] Com a finalidade de aumentar a eficiência e precisão do processo descrito acima, modalidades da presente invenção aplicam uma técnica de aprendizagem ativa para melhorar o processo de treinamento - e em particular o processo de seleção de assinaturas exemplificativas para adicionar à (ou remover da) biblioteca de treinamento.

[0086] De modo geral, utilizando uma técnica de aprendizagem ativa, a biblioteca de treinamento é gerada (e o modelo treinado) por um usuário que seleciona ações ou faz consultas baseadas na saída da aplicação da biblioteca de treinamento prévia ao conjunto de dados. Os dados nos quais são feitas seleções podem ser escolhidos com base em diferentes critérios, tais como fraco desempenho, baixa confiança e/ou a quantidade de dados disponíveis. Para uma discussão geral de técnicas de aprendizagem ativa vide, por exemplo, Cohn DA, Ghahramani Z, Jordan MI (1996) Aprendizagem Ativa com Modelos Estatísticos. J Artif Intell Res 4: 129-145.

[0087] A técnica de aprendizagem ativa de modalidades da invenção tira proveito da incerteza de previsão (fornecida pelo processo Gaussiano para cada saída) com a finalidade de melhorar tanto a seleção de exemplos de assinaturas para inclusão na biblioteca de treinamento, como o tempo que leva para construir uma biblioteca de treinamento. Ao invés de um processo totalmente manual para seleção de registros de raios gama (ou as assinaturas incluídas neles) para inclusão na biblioteca, o método de aprendizagem ativa utiliza critérios de probabilidades para fornecer automaticamente orientação a um usuário quanto aos registros que a biblioteca não tem informações suficientes para classificar corretamente e, consequentemente, que deveriam ainda ser considerados - tanto para inclusão na biblioteca de treinamento como para remoção da biblioteca de treinamento. Isto está em contraste com o processo manual descrito acima no qual um usuário necessita registrar uma seleção aleatória de classificações de registros e inspecionar visualmente aquelas classificações esperando encontrar exemplos de registros adicionais para inclusão na biblioteca de treinamento.

[0088] As etapas envolvidas no processo de aprendizagem ativa são apresentadas no fluxograma 600 como mostrado na Figura 6. Estas etapas são realizadas usando um dispositivo de processamento computacional tal como o dispositivo 200 representado na Figura 2 e descrito acima. As etapas serão descritas tanto de modo geral como com referência a um experimento realizado usando o mesmo conjunto de dados e metas de classificação como descritas acima em relação ao processo Gaussiano tradicional - isto é, um conjunto de dados que inclui 5.971 registros de raios gama de perfurações, e a análise sendo realizada com o objetivo de identificar a existência e localizações da assinatura de raios gama AS1 e AS2.

[0089] Na etapa 602, dados geofísicos para uso no processo são adquiridos e armazenados em um dispositivo de memória acessível pelo dispositivo 200. O dispositivo de memória pode ser, por exemplo, a memória não-volátil 208, ou um dispositivo de memória externa acessível por meio de, por exemplo, uma porta 218 ou interface de comunicações 222. No experimento, os dados adquiridos incluíam 5.971 registros de raios gama de perfurações obtidos por registros de raios gama naturais de perfurações, com medições de raios gama naturais obtidas em intervalos de 10 cm.

[0090] Na etapa 604, a unidade de processamento 202 é operada para pré-processar os dados brutos para uso. No presente experimento isto incluiu o processamento dos dados para remover polarização DC.

[0091] Na etapa 606 é preparada uma pequena biblioteca de treinamento inicial pela seleção de usuário de um pequeno número de exemplos do conjunto de dados. Os exemplos incluem a seleção de exemplos tanto da assinatura de recursos alvo (isto é, exemplos da assinatura que o modelo será treinado para reconhecer) como de recursos não- alvo (ou suas assinaturas). É também gerado um arquivo de saída no qual é registrada a classificação dos exemplos da biblioteca de treinamento. O arquivo de saída é também armazenado em um dispositivo de memória (tal como a memória não-volátil 208).

[0092] No experimento os exemplos selecionados a partir do conjunto de dados foram seções de 8 metros dos registros de raios gama naturais. Os exemplos selecionados para inclusão na biblioteca de treinamento inicial incluíram quatro seções de registros de raios gama que incluíam uma assinatura de raios gama de AS1 e AS2, e 4 seções de registros de raios gama que não incluíam uma assinatura de raios gama de AS1 e AS2. O arquivo de saída correspondente para a biblioteca de treinamento foi também preparado atribuindo às seções de registros de raios gama conhecidas como contendo a assinatura de xisto AS1 e AS2 uma saída de 1 e às seções de registro de raios gama sem a assinatura de bandas de xisto AS1 e AS2 uma saída de 0.

[0093] Na etapa 608 a unidade de processamento 202 é operada para processar a biblioteca de treinamento inicial usando processos Gaussianos com a finalidade de assimilar os hiperparâmetros ótimos da biblioteca de treinamento inicial. No exemplo específico foi usada uma função de covariância exponencial quadrada de escala única de comprimento.

[0094] Na etapa 610, a unidade de processamento 202 é operada para processar e classificar uma grande proporção dos, ou todos os, registros de dados geofísicos usando o modelo de processo Gaussiano resultante da etapa de treinamento 608. No presente exemplo o modelo foi usado para classificar todos os 5.971 registros de raios gama naturais como tanto incluindo como não incluindo o recurso alvo (isto é, a assinatura de AS1 e AS2). O processamento dos registros de raios gama naturais é como descrito abaixo, envolvendo cada registro de raios gama sendo dividido em seções de 8 m sobrepostas (cada seção sucessiva de 8 m sendo deslocada de 10 cm da sua predecessora), classificando cada seção usando o modelo de processo Gaussiano, e atribuindo à saída do processo Gaussiano para uma determinada seção uma profundidade de 1 m acima da base daquela seção. A saída desta etapa é, para cada registro de raios gama naturais classificado, uma pluralidade de valores de saída entre 0 e 1 (obtidos das seções de 8 m do registro de raios gama) atribuídos ao longo da profundidade do registro de perfurações (como para as linhas de saída do processo Gaussiano mostradas em esboço tracejado nas Figuras 5A a 5D). É também calculado o desvio padrão dos resultados de saída.

[0095] Na etapa 612, os resultados de classificação da etapa 610 são exibidos de acordo com um ou mais critérios de aceitabilidade com a finalidade de identificar e chamar a atenção para um ou mais resultados candidatos que, com base em um ou mais critérios, são provavelmente um fator significativo na aceitabilidade do modelo/resultados obtidos. Ao analisar um ou mais dos resultados candidatos o usuário pode fazer uma avaliação quanto ao modelo (e, consequentemente, à biblioteca de treinamento para treinar o modelo) ser aceitável ou não, e caso não seja, fazer uma determinação quanto à melhor forma de melhorar o modelo (por exemplo, pela adição ou remoção de exemplos da biblioteca de treinamento).

[0096] Na presente modalidade, dois critérios de aceitabilidade foram usados: o desvio padrão da saída e a precisão das classificações. De modo geral, estes critérios foram usados na base de que as previsões (e, portanto, o modelo) podem ser consideradas aceitáveis se as saídas incertas são predominantemente registros (ou seções de registros) que são distorcidos ou incomuns e que podem resistir a classificação independentemente de quão bem o modelo foi treinado. Inversamente, onde saídas incertas incluem registros (ou, mais particularmente, seções de registros) que deveriam claramente ser identificadas como incluindo o recurso alvo ou não incluindo o recurso alvo, as previsões podem não ser consideradas aceitáveis e a requalificação do modelo adequada.

[0097] Será entendido que poderiam ser aplicados critérios de aceitabilidade adicionais ou alternativos. Como exemplo, um tal critério pode envolver a identificação de resultados que não estão de acordo com resultados circundantes. Por exemplo, e mantendo o contexto de identificação de um recurso AS1 e AS2 em registros de raios gama a partir de minas estratiformes, se os resultados indicarem que um registro específico inclui o recurso AS1 e AS2, mas registros de perfurações circundantes não incluem. Isto pode sinalizar que o registro que não inclui o recurso deve ser um candidato para consideração/análise adicional. Em relação ao critério de aceitabilidade de desvio padrão, o objetivo é um estado onde o desvio padrão global para as saídas de classificação seja suficientemente baixo de modo que a maioria dos registros seja definitivamente classificada como incluindo a assinatura de interesse (isto é, a assinatura de AS1 e AS2) ou não. No presente exemplo o alvo foi um desvio padrão de 0,4 ou menos. Na aplicação deste critério o dispositivo de processamento computacional é operado para listar os resultados de saída (por exemplo, por meio de um dispositivo de visor) ordenados de acordo com os seus desvios padrão. Isto apresenta os resultados a um usuário em um modo que permite que o usuário identifique facilmente os resultados que de acordo com o critério têm maior probabilidade de provocar problemas de classificação. A partir dos resultados de saída ordenados o usuário pode, se desejado, selecionar resultados específicos para análise como discutido abaixo.

[0098] Se o desvio padrão do conjunto de resultados é considerado ser aceitável (isto é, alcança um valor que não resulta em demasiados resultados cruzando o limiar de 0,5 quando adicionando/subtraindo o desvio padrão) o segundo critério de aceitabilidade pode ser considerado - quer dizer a precisão das classificações de seções de registros. De acordo com este critério de aceitabilidade os resultados de saída são listados para chamar a atenção do usuário para aqueles registros que não são claramente classificados como estando em uma categoria ou na outra. Tais registros são identificados de acordo com o fato da previsão para o registro exceder um ou mais limiares predeterminados. Neste caso os limiares selecionados foram 0,5 mais o desvio padrão e 0,5 menos o desvio padrão, com aqueles resultados caindo entre estes valores considerados incertos. Destes resultados incertos, as saídas foram listadas em ordem daquelas que caem mais próximo a 0,5 para aquelas mais afastadas de 0,5. Estes valores limiares são selecionados baseados em que resultados incertos são aqueles que cruzam a fronteira de 0,5 quando o desvio padrão é adicionado (para saídas menores que 0,5) ou subtraído (para saídas maiores que 0,5). Por exemplo, se uma saída está abaixo de 0,5 e a adição do desvio padrão resulta na saída ficar acima de 0,5, é considerada incerta (porém, se após adicionar o desvio padrão a saída ainda estiver abaixo de 0,5 é considerada certa). Inversamente, se uma saída está acima de 0,5 e a subtração do desvio padrão resulta na saída ficar abaixo de 0,5, é considerada incerta (porém, se após subtrair o desvio padrão a saída ainda estiver acima de 0,5 é considerada certa). Uma vez mais, a partir dos resultados de saída ordenados, o usuário pode, se desejado, selecionar resultados específicos para análise como discutido abaixo.

[0099] De acordo com este critério (isto é, precisão das classificações de registros), uma indicação de que o modelo e biblioteca de treinamento podem ser aceitáveis é quando o número de registros com uma saída que cai entre os valores limiares (isto é, que caem entre 0,5 +/- o desvio padrão) não diminui mais (apesar da adição de exemplos adicionais à biblioteca de treinamento) e os registros ainda classificados como incertos geralmente incluem apenas registros distorcidos.

[00100] Independentemente do critério selecionado, a unidade de processamento 202 pode ser configurada para listar todos os resultados (ordenados adequadamente), ou pode ser configurada apenas para listar aqueles resultados acima/ou abaixo de um determinado limiar com a finalidade de limitar os resultados listados àqueles que provavelmente são de maior interesse para o usuário. Na modalidade descrita, os resultados candidatos para consideração são apresentados ao usuário em virtude das suas posições no topo de uma lista ordenada. Meios alternativos de chamar a atenção para resultados candidatos são, evidentemente, possíveis, tais como realçando ou de outro modo marcando os resultados candidatos para identificá-los a partir do restante dos resultados.

[00101] Se um ou mais resultados candidatos são selecionados para análise adicional pelo usuário, o dispositivo de processamento computacional exibe um gráfico das leituras de raios gama para o registro associado ao resultado traçado em função dos resultados de classificação das seções de registros relevantes para aquele registro e o desvio padrão do conjunto de resultados. As Figuras 7A a 7C fornecem exemplos de tais gráficos. Cada uma das Figuras 7A a 7C mostra um gráfico de uma seção de registro na qual a leitura de raios gama naturais 702, a saída do processo Gaussiano 704, e o desvio padrão 706 são traçados (a saída do processo Gaussiano e o desvio padrão sendo multiplicados por 100 para habilitá-los a serem vistos no mesmo gráfico).

[00102] Isto permite que o usuário analise rapidamente resultados candidatos selecionados e determine se o modelo pode e deve considerar ação corretiva aceitável (por exemplo, pela adição ou remoção de seções/assinaturas à biblioteca de treinamento), ou se a biblioteca de treinamento não deve ser mudada e o modelo é aceitável.

[00103] Na etapa 614 o usuário faz uma avaliação quanto às previsões feitas pelo modelo (e biblioteca de treinamento) serem aceitáveis ou quanto à necessidade de ação corretiva. Esta avaliação é baseada nos resultados candidatos identificados exibidos na etapa 612 (tanto por meio de listas de resultados ordenados ou de outro modo) e/ou na inspeção de gráficos que traçam leituras de raios gama em função das saídas correspondentes do processo Gaussiano (como descrito abaixo) de um ou mais dos resultados candidatos. A decisão pode ser feita com referência apenas aos resultados candidatos identificados (e sem inspeção de gráficos de resultados) se iterações prévias do processo tiverem ocorrido e o usuário reconhecer resultados candidatos como aqueles que não necessitam na verdade de consideração adicional (por exemplo, devido a serem resultados referentes a seções de registros distorcidos ou de outro modo problemáticos que desafiam classificação.

[00104] Se, na etapa 614, as previsões feitas pelo modelo são determinadas pelo usuário como sendo aceitáveis, o processo de treinamento é considerado completado e os resultados mostrados na etapa 616. A etapa 616 é discutida mais adiante. Deve ser observado que se as previsões são aceitáveis o modelo pode em seguida ser usado para processar o conjunto de dados geofísicos com um nível aceitável de precisão. Para este fim, tanto o modelo como a biblioteca de treinamento são saídas/resultados úteis por direito próprio.

[00105] Alternativamente, se as previsões não são determinadas ser aceitáveis pelo usuário na etapa 614, o usuário inicia o processo de modificação da biblioteca de treinamento pela adição ou remoção de exemplos (antes de repetir as etapas 608 para diante com uma biblioteca de treinamento modificada).

[00106] Na etapa 618, o usuário primeiro decide se modifica a biblioteca de treinamento existente pela adição de exemplos adicionais ou remoção de exemplos existentes. Em geral, se as previsões de saída feitas pela biblioteca atual na etapa 610 são um melhoramento em relação às previsões feitas pela biblioteca previamente testada, exemplos adicionais são adicionados à biblioteca de treinamento. Inversamente, se as previsões feitas pela biblioteca atual na etapa 610 resultam em uma maior incerteza que a biblioteca previamente testada, exemplos são removidos da biblioteca de treinamento.

[00107] Se a decisão é que um ou mais exemplos devem ser adicionados à biblioteca de treinamento, isto é feito nas etapas 620 a 626.

[00108] Na etapa 620, o usuário previamente seleciona uma ou mais seções de registros para adicionar à biblioteca de treinamento. Seções de registros potencialmente adequadas para inclusão na biblioteca são selecionadas pelo usuário com base na inspeção de um ou mais resultados candidatos como discutido acima (isto é, inspeção de gráficos tais como aqueles mostrados nas Figuras 7A a 7C). Como foi descrito, os resultados candidatos na presente modalidade foram identificados inicialmente (isto é, nas iterações anteriores do processo) com base nos níveis de incerteza das classificações de registros (isto é, o desvio padrão do conjunto de resultados), em seguida com base naqueles resultados que cruzaram o limiar de 0,5. Como observado, nesta modalidade específica, a seleção para inclusão é uma seleção provisória e a inclusão real na biblioteca de treinamento está sujeita a uma etapa adicional na qual quaisquer exemplos provisoriamente selecionados são comparados com os exemplos da biblioteca de treinamento existente (discutida mais adiante). Em modalidades alternativas a etapa de verificação adicional pode não ser aplicada.

[00109] A seleção provisória (ou final) de exemplos para inclusão na biblioteca de treinamento envolve a inspeção de gráficos de resultados específicos tais como aqueles mostrados nas Figuras 7A a 7C. Como descrito acima, cada uma das Figuras 7A a 7C mostra um gráfico no qual a leitura de raios gama naturais 702, a saída do processo Gaussiano 704, e o desvio padrão 706 são traçados (a saída do processo Gaussiano e o desvio padrão sendo multiplicados por 100 para habilitá-los a serem vistos no mesmo gráfico). A Figura 7A é um exemplo de uma seção de registro que inclui uma assinatura de recurso não-alvo que seria selecionado para adição à biblioteca de treinamento pelo usuário. A Figura 7B é um exemplo de uma seção de registro que inclui um recurso alvo determinado pelo usuário como sendo demasiado distorcido para ser adicionado à biblioteca de treinamento. A Figura 7C é um exemplo de uma seção de registro que inclui uma assinatura de recurso alvo (isto é, assinatura de AS1 e AS2) que não foi claramente identificado pelo modelo, mas deveria ser e, como tal, é selecionado para adição à biblioteca de treinamento.

[00110] Como será entendido, existem limites que um processo Gaussiano pode distinguir razoavelmente. Isto limita os recursos que devem ser incluídos na biblioteca de treinamento. No exemplo atual, devido à natureza dos registros de raios gama usados, as assinaturas de ocorrências individuais dos recursos alvo (isto é, a assinatura de AS1 e AS2) têm muitas diferentes possíveis variações, nem todas totalmente consistentes com a assinatura "típica" de AS1 e AS2 (vide, por exemplo, as variações mostradas nas Figuras 3A a 3C). Consequentemente, um exemplo distorcido do recurso alvo pode ser similar a um exemplo de um recurso não-alvo. Consequentemente, nem todos os exemplos de um recurso alvo específico devem ser incluídos em uma biblioteca de treinamento, uma vez que o processo Gaussiano iniciará a identificar incorretamente outras assinaturas geológicas (que não representam adequadamente o recurso alvo) como sendo o recurso alvo.

[00111] De modo similar, existe um limite para os exemplos negativos que podem ser incluídos em uma biblioteca. Se os exemplos positivos e negativos são muito similares, então a incerteza global da biblioteca aumentará enormemente, tornando a biblioteca inutilizável.

[00112] Com a finalidade de evitar estas situações, deve ser tomado cuidado quando da adição de novos exemplos à biblioteca de treinamento para garantir que sejam compatíveis com os exemplos existentes. Para auxiliar na identificação de exemplos potencialmente problemáticos, a unidade de processamento 202 traça quaisquer exemplos de treinamento provisoriamente selecionados para inclusão na biblioteca de treinamento em função dos exemplos existentes da biblioteca de treinamento para comparação pelo usuário. Esta comparação é feita na etapa 622. Quando uma assinatura positiva distorcida se assemelha a uma assinatura negativa distorcida, é geralmente melhor deixar ambas fora da biblioteca de treinamento. Deste modo, ambas caem na categoria de incertezas que podem ser verificadas manualmente mais tarde, possivelmente usando outras fontes de informação tais como geoquímica de fundo de poço ou informações de furos circundantes.

[00113] As Figuras 8A a 8C fornecem exemplos de gráficos nos quais novos exemplos sendo considerados para adição à biblioteca de treinamento são traçados em função dos exemplos de treinamento existentes. A Figura 8A mostra um novo exemplo (série 8, indicada pela referência 800) que se ajusta relativamente bem aos exemplos existentes na biblioteca e que pode ser adicionado como um exemplo da assinatura de AS1 e AS2. A Figura 8B mostra um novo exemplo (série 9, indicada pela referência 810) que é claramente diferente dos exemplos AS1 e AS2 existentes e pode ser adicionado à biblioteca de treinamento como um exemplo de uma assinatura de recurso não-alvo. A Figura 8C mostra um novo exemplo (série 9, indicada pela referência 820) que não será adicionado à biblioteca de treinamento. Embora o exemplo da série 9 seja um recurso AS1 e AS2, a sua assinatura é distorcida (esticada) de modo que os seus picos não se alinham com os picos dos outros exemplos. A inclusão de tal assinatura distorcida na biblioteca teria resultados indesejáveis.

[00114] Se o usuário decide (na etapa 624) que a comparação mostrada na etapa 622 não é aceitável, o usuário retorna ao ponto de decisão 614 - isto é, se o modelo é aceitável. A partir daqui o usuário pode ver resultados candidatos adicionais para seleção provisória (na etapa 620), selecionar exemplos para remoção (etapa 628), ou determinar que não existam exemplos adicionais que possam proveitosamente ser adicionados ou removidos da biblioteca de treinamento e que tal modelo é, na verdade, aceitável (e sair na etapa 616).

[00115] Os critérios descritos acima são usados para indicar que registros o usuário deverá considerar para inclusão na biblioteca de treinamento. Logo que um ou mais registros tenham sido selecionados como incluindo seções adequadas para adição à biblioteca, e comparados aos exemplos existentes para garantir que não conflitem com exemplos de biblioteca existentes, as seções relevantes dos registros selecionados são adicionados à biblioteca de treinamento na etapa 626, e o arquivo de saída atualizado para incluir a(s) classificação(ões) do(s) novo(s) exemplo(s).

[00116] Se a decisão na etapa 618 é que um exemplo deve ser removido da biblioteca de treinamento, isto é feito nas etapas 628 e 630.

[00117] Na etapa 628 um ou mais exemplos incluídos na biblioteca são selecionados para remoção. No presente exemplo foram usados dois principais critérios para selecionar exemplos para remoção da biblioteca de treinamento. Estes são: 1. A qualidade dos exemplos da assinatura do recurso alvo. A biblioteca de treinamento exige tipicamente exemplos da assinatura do recurso alvo. A inclusão de valores atípicos extremos na biblioteca de treinamento tem um efeito negativo e como tal os registros de tais valores atípicos devem ser removidos. Por exemplo, registros que são distorcidos devido a dobra ou falha da sequência estratigráfica ou afetados por hidratação de águas subterrâneas de minerais não devem ser incluídos na biblioteca de treinamento. 2. Similaridade e dissimilaridade. Os exemplos na classe positiva devem ter uma similaridade definida entre si. Se um ou diversos registros são claramente distintos, então o critério um deve ser considerado e os exemplos distintos possivelmente removidos como valores atípicos. Também, não deverá haver registros muito similares em classes diferentes. Podem existir casos onde exemplos distorcidos do recurso alvo são similares a outros recursos e nestes casos devem ser deixados de fora de ambas as categorias.

[00118] Na etapa 630 os exemplos selecionados para remoção da biblioteca de treinamento são removidos (junto com a entrada correspondente no arquivo de saída da biblioteca).

[00119] Logo que a biblioteca de treinamento existente tenha sido atualizada (por exemplo, pela inclusão de novos exemplos ou remoção de exemplos), as etapas 608 a 614 são repetidas com a finalidade de qualificar os hiperparâmetros ótimos da biblioteca de treinamento atualizada/modificada, classificar alguns ou todos os conjuntos de dados das previsões feitas pelo modelo atualizado. Estas etapas (608 a 630) são repetidas até que as previsões feitas pelo modelo e biblioteca sejam considerados aceitáveis pelo usuário, o que geralmente resulta em uma biblioteca relativamente grande sendo construída cobrindo muitos diferentes exemplos.

[00120] Logo que a biblioteca de treinamento é considerada aceitável, o processo de treinamento está completo e o modelo e biblioteca de treinamento são fornecidos (etapa 616) para processamento posterior. Como observado acima, o modelo e/ou a biblioteca de treinamento representam um resultado útil por direito próprio dado que são utilizáveis para processar o conjunto de dados geofísicos para identificar casos prováveis dos recursos alvo.

[00121] No presente caso o modelo é usado para identificar o recurso alvo (isto é, a assinatura de AS1 e AS2) em todo o conjunto de registros de raios gama para o local. Será entendido que a identificação do recurso alvo nos dados geofísicos é, por direito próprio, também um resultado útil.

[00122] Processamento ainda adicional, contudo, pode ser realizado. No exemplo específico disponível o processamento adicional inclui a determinação da profundidade da fronteira de AS1 e AS2 (como descrito acima), e a utilização daquela profundidade para gerar um modelo da geologia subterrânea da mina (também discutido acima). Resultados experimentais de aprendizagem ativa - sem desvio padrão

[00123] As saídas de fronteiras a partir do método de aprendizagem ativa e cenário de teste descrito acima foram comparadas a uma interpretação geológica existente do local da mina para determinar a precisão do modelo. Neste caso específico uma saída de classificações maior que 0,5 (50%) foi considerada ser uma identificação positiva do recurso alvo (isto é, a assinatura de AS1 e AS2).

[00124] Sem levar em consideração o desvio padrão (discutido mais adiante), o método forneceu uma precisão global de 91,5% como mostrado na Tabela 2. Será lembrada a precisão de 88,9% com o método de processo Gaussiano de aprendizagem não-ativa descrito acima.

TABELA 2

[00125] Dos 5.511 furos nos quais o processo Gaussiano não detectou uma fronteira de AS1 e AS2, 91,5% foram classificados corretamente e não incluíram uma fronteira de AS1 e AS2. Os restantes 8,5% dos furos nos quais nenhuma fronteira de AS1 e AS2 foi detectada foram incorretamente classificados (na medida em que havia fronteira de AS1 e AS2 nos registros de raios gama que não foram identificados). Resultados da técnica de aprendizagem ativa - com desvio padrão

[00126] Com a finalidade de ganhar precisão adicional em relação aos resultados, pode também ser considerado o desvio padrão das classificações feitas pelo modelo. Se o desvio padrão do conjunto de resultados é considerado, os resultados podem ser divididos em categorias adicionais. Neste caso uma saída maior que 50% é, novamente, considerada uma identificação positiva da assinatura/fronteira de AS1 e AS2. Além disso, contudo, se a saída é maior que 50% após o desvio padrão ser subtraído, é considerada uma fronteira certa. Inversamente, se a saída é menor que 50% após o desvio padrão ser subtraído, é considerada uma fronteira incerta.

[00127] Similarmente, quando o processo Gaussiano não identifica a assinatura/fronteira de AS1 e AS2, se a saída é maior que 50% após o desvio padrão ser adicionado, é considerada incerta, mas caso contrário é considerado certo que o registro não contém a fronteira lá. A Tabela 3 mostra o resultado do experimento levando em consideração o desvio padrão (e outras categorizações):

TABELA 3

[00128] Os resultados indicam que o processo Gaussiano está certo em 78,5% das fronteiras identificadas, e que 95,8% destas fronteiras são consideradas corretas quando comparadas à interpretação geológica.

[00129] Se comparados com os resultados obtidos quando o desvio padrão não foi considerado, é evidente que muitas das classificações incorretas são movidas para as categorias incertas. Onde o processo Gaussiano identificou uma fronteira de AS1 e AS2 a precisão associada é 89,9%. Dentro deste resultado, as fronteiras certas tiveram uma precisão de 97,5% e as fronteiras incertas tiveram uma precisão de 85,9%.

[00130] Foi obtida uma precisão de 91,5% para registros onde o processo Gaussiano não identificou uma fronteira. Dentro deste resultado, os furos certos tiveram uma precisão de 95,8% e os furos incertos uma precisão de 59,2%.

[00131] No total, para esta biblioteca, 0,2% dos registros totais foram considerados incertos.

[00132] A partir destes resultados pode ser observado que com a utilização de uma técnica de aprendizagem ativa de acordo com modalidades da presente invenção, os resultados são melhorados de dois modos. Primeiro, os resultados produzidos são mais precisos. A técnica tradicional com seleção manual dos exemplos para a biblioteca de treinamento teve uma precisão global de 88,9% e a precisão das fronteiras identificadas foi de 66,7%. Quando foi considerada a técnica de aprendizagem ativa do mesmo modo (sem a utilização do desvio padrão), teve uma precisão global de 91,5% e a precisão das fronteiras identificadas foi de 89,9%.

[00133] Em segundo lugar, quando a incerteza é também considerada, são fornecidas informações que esclarecem que fronteiras podem ser confiadas e que fronteiras exigirão verificação manual. 95,8% das fronteiras que o processo Gaussiano identificou como sendo certas coincidiram com a interpretação geológica.

[00134] Além disso, a saída da técnica de aprendizagem ativa permite que os dados sejam divididos em duas categorias. A categoria certa onde o usuário pode confiar na saída e a categoria incerta onde o usuário necessitará de verificar manualmente a classificação e possivelmente utilizar outras informações para tomar uma decisão. Isto reduz o tempo necessário para comparar os dados, dado que, no presente caso, apenas 0,2% dos registros continham uma saída incerta para a fronteira de AS1 e AS2.

[00135] Com base nos dados experimentais, a aprendizagem ativa de acordo com uma modalidade da presente invenção aumenta a precisão com a qual recursos alvo (xisto AS1 e AS2 neste caso) foram identificados. Especificamente, e quando comparada com processos Gaussianos tradicionais, a precisão global aumentou de 88,9% para 95,8% quando levando em consideração o desvio padrão (como uma medida de certeza). A precisão das localizações de fronteiras identificadas aumentou de 66,7% para 97,5%.

[00136] Além disso, a técnica de aprendizagem ativa fornece um modo mais eficiente de produzir uma biblioteca de treinamento quando comparado a técnicas previamente conhecidas. Mais ainda, a geração da biblioteca de treinamento de acordo com modalidades da invenção permite que todo o conjunto de dados seja usado, o que permite a avaliação de mais variação nos registros de raios gama e permite melhor classificação do recurso alvo. Modalidades alternativas e aplicações da invenção

[00137] Nos principais exemplos discutidos acima, são descritos recursos da invenção no contexto específico de identificação da assinatura de xisto AS1 e AS2 a partir de registros de raios gama naturais. A identificação eficiente e precisa desta assinatura é por direito próprio um resultado útil. Como descrito, contudo, a identificação da assinatura de AS1 e AS2 pode ser usada em processos mais a jusante, tais como a determinação da profundidade à qual a fronteira de AS1 e AS2 ocorre, e a geração de dados representativos de mapas tridimensionais da geologia subterrânea de um ambiente de mineração. Tais mapas podem por sua vez, ser usados para planejar e executar operações de mineração.

[00138] Tais operações de mineração podem ser realizadas de um modo automático ou autônomo. O termo "automático" refere-se a um sistema ou processo que executa uma tarefa específica bem definida que é frequentemente definida de modo restrito. "Automático" implica seguir um conjunto de regras bem definidas e reagir de um modo definido a um estímulo definido. "Sistemas automatizados" são aqueles que têm alguns componentes ou propriedades automáticos.

[00139] O termo "autônomo" refere-se a sistemas que são mais complexos, uma vez que os sistemas são capazes de responder a estímulos desconhecidos e podem funcionar sem um conhecimento completo dos seus ambientes. Tipicamente, um sistema autônomo não necessita de intervenção humana para responder a ao menos algumas alterações imprevisíveis no seu ambiente. Exemplos incluem veículos autoguiados e operados.

[00140] Mineração a céu aberto, por exemplo, de mineral ou rocha contendo metal, envolve normalmente o acesso progressivo de um corpo de minério seguido por perfuração, detonação, carregamento e transporte do material liberado. Cada uma destas operações pode ser realizada com referência a um mapa subterrâneo da geologia da mina que identifica a localização do minério. Minério de ferro, por exemplo, é tipicamente extraído em grandes blocos a partir de uma série de veios e as diversas atividades de mineração 126 (diferentes da detonação) podem ser realizadas concorrentemente, resultando em diversos equipamentos e frequentemente pessoal, estando presentes simultaneamente no local da mina. Um veio de minério pode, por exemplo, ter 40 m de comprimento x 20 m de profundidade x 10 m de altura e conter na ordem de 8 mil toneladas de minério. Tal veio é primeiro perfurado para formar um padrão de furos de detonação. Em alguns casos o resíduo de perfuração pode ser analisado para auxiliar a determinar se o material a ser detonado compreende, em média, minério de alto teor, minério de baixo teor ou resíduos. O material detonado é coletado por pás, escavadoras e/ou carregadores de transporte axial, carregado para dentro de caminhões de transporte e transportado para fora da mina a céu aberto. O material é em seguida processado fora da mina a céu aberto.

[00141] Podem ser usadas uma ou mais unidades de perfuração para perfurar o padrão de furos de detonação. As unidades de perfuração podem operar autonomamente e podem ser controladas por unidades de controle localizadas nas unidades de perfuração ou em sistemas distribuídos. Operações relevantes de mineração incluem o planejamento do padrão de localizações de furos de detonação, planejamento de trajetórias das unidades de perfuração para alcançar as localizações de furos de detonação, posicionamento das unidades de perfuração nas localizações e controle da operação de perfuração. Três operações geralmente exigem a fusão de uma grande quantidade de informações heterogêneas referentes ao terreno, incluindo as informações geradas de acordo com diversos recursos da presente invenção (por exemplo, a profundidade estimada de um recurso de interesse tal como uma fronteira de xisto/minério, e/ou um mapa da geologia subterrânea). Métodos e sistemas adequados para exploração de informações a partir de fontes heterogêneas podem ser encontrados em WO 2009/109007, depositado em 04 de março de 2009, que é incorporado aqui por referência.

[00142] Unidades de carregamento móveis podem ser usadas nos processos de carregamento e furos de perfuração resultantes com a mistura correta de explosivos.

[00143] Unidades de inspeção de superfície podem também mover-se pela mina a céu aberto para obter informações geométricas e geológicas referentes ao local. As unidades de inspeção de superfície podem, por exemplo, ser estações autônomas de sensores móveis. Unidades móveis de ensaios em tempo real podem também operar na mina a céu aberto. Em algumas configurações, unidades autônomas de pesquisa em tempo real podem operar no local da mina para fornecer modelos geométricos da mina em um intervalo de tempo que seja útil para planejamento e automação da plataforma.

[00144] Pás, incluindo unidades de pás automatizadas, podem ser usadas para escavar material da mina a céu aberto. Informações referentes ao terreno podem ser usadas no controle automatizado das pás, e podem também ser usadas para aumentar a percepção de um operador humano de pá. Por exemplo, um visor de alerta pode auxiliar um operador a monitorar o local através de poeira ou chuva. Caminhões podem ser usados para remover o material escavado.

[00145] As unidades de perfuração, unidades de carregamento, pás, caminhões, unidades de inspeção de superfície, unidades de ensaios e unidades de pesquisa em tempo real podem todos interagir com um modelo condensado do terreno da mina que inclui informações referentes às localizações de recursos de interesse obtidos a partir dos métodos descritos aqui. As unidades podem ser controladas ou supervisionadas por um sistema integrado de automação tal como aquele descrito em PCT/AU2010/000494, depositado em 30 de abril de 2010, cujo teor é aqui incorporado por referência.

[00146] Será também entendido que os princípios da invenção podem ser aplicados à análise/processamento de dados geofísicos alternativos, e com o objetivo de classificar recursos alvo alternativos. Como exemplo, dados geofísicos alternativos poderiam incluir dados geoquímicos, dados de densidade, susceptibilidade magnética. Em relação à classificação, recursos da invenção podem ser aplicados com a finalidade de essencialmente identificar/classificar qualquer recurso de interesse que tenha uma assinatura de fronteiras de veios de carvão em minas de carvão, e/ou fronteiras entre zonas de caráter geotécnico distinto em minas a céu aberto e minas subterrâneas para diferentes tipos de mercadorias.

[00147] Será entendido que a invenção revelada e definida nesta especificação se estende a todas as combinações alternativas de dois ou mais dos recursos individuais mencionados ou evidentes a partir do texto ou desenhos. Todas estas diferentes combinações constituem diversos aspectos alternativos da invenção.

Claims (17)

1. Método implementado em computador para gerar um modelo probabilístico utilizável para identificar casos de um recurso alvo em conjuntos de dados geofísicos armazenados em um dispositivo de memória, o método implementado em computador caracterizado por incluir: (a) utilizar uma unidade de processamento computacional para gerar um modelo probabilístico a partir de uma biblioteca de treinamento, o modelo para uso na identificação de casos do recurso alvo nos conjuntos de dados geofísicos, a biblioteca de treinamento incluindo um ou mais exemplos alvo, cada exemplo alvo incluindo uma assinatura sendo indicativa do recurso alvo, e um ou mais exemplos não-alvo, cada exemplo não-alvo incluindo uma assinatura sendo indicativa de um recurso não-alvo; (b) aplicar, usando a unidade de processamento computacional, o modelo probabilístico a um ou mais dos conjuntos de dados geofísicos para gerar uma pluralidade de resultados, cada resultado associado a um conjunto de dados geofísicos processados e indicando um nível de certeza quanto àquele conjunto de dados geofísicos incluir o recurso alvo; (c) processar, usando a unidade de processamento computacional, o conjunto de resultados de acordo com um critério de aceitabilidade com a finalidade de identificar uma pluralidade de resultados candidatos, os resultados candidatos sendo resultados associados a conjuntos de dados com potencial significado para o desempenho do modelo probabilístico; (d) receber uma seleção de um ou mais dos resultados candidatos e, para o ou cada um dos resultados candidatos selecionados, exibir em um visor o resultado e seu conjunto de dados geofísicos associados para auxiliar um usuário a fazer uma avaliação quanto ao modelo probabilístico ser ou não um modelo aceitável para o processamento dos conjuntos de dados geofísicos; (e) receber de um usuário uma avaliação quanto ao modelo probabilístico ser ou não um modelo aceitável; e (f) se a avaliação recebida indicar que o modelo probabilístico é um modelo aceitável para processar os dados geofísicos, fornecer o modelo probabilístico e/ou a biblioteca de treinamento; e onde, se a avaliação recebida na etapa (e) indicar que o modelo probabilístico não é um modelo aceitável para o processamento de dados geofísicos, o método inclui ainda: (g) receber uma seleção de ao menos um exemplo a ser adicionado à biblioteca de treinamento, cada exemplo incluindo uma assinatura de um recurso tanto alvo como não- alvo e sendo incluído em um conjunto de dados associado a um resultado candidato, e modificar a biblioteca de treinamento pela adição do ao menos um exemplo; e/ou apresentar os exemplos da biblioteca de treinamento ao usuário, receber uma seleção de um ou mais exemplos para remoção da biblioteca de treinamento, e modificar a biblioteca de treinamento pela remoção do exemplo ou exemplos selecionados para remoção; e (h) repetir as etapas (a) a (f) definidos na reivindicação 1 em relação à biblioteca de treinamento modificada.

2. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato da utilização da unidade de processamento computacional para gerar o modelo probabilístico a partir da biblioteca de treinamento incluir a aplicação de processos Gaussianos à biblioteca de treinamento.

3. Método implementado em computador de acordo com a reivindicação 1 ou 2, caracterizado pelo fato do critério de aceitabilidade ser baseado em um desvio padrão da pluralidade de resultados.

4. Método implementado em computador de acordo com qualquer uma das reivindicações 1 a 3, caracterizado pelo fato do critério de aceitabilidade ser baseado na ocorrência de resultados que cruzam um limiar predeterminado quando os resultados são considerados em conjunto com o desvio padrão.

5. Método implementado em computador de acordo com a reivindicação 4, caracterizado pelo fato do limiar predeterminado ser 0,5, e pelo fato da consideração de um resultado em conjunto com o desvio padrão incluir: se o resultado é maior que 0,5, subtrair o desvio padrão do resultado para ver se o valor resultante é menor que 0,5; ou se a saída é menor que 0,5, adicionar o desvio padrão ao resultado para ver se o valor resultante é maior que 0,5.

6. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato de, antes de adicionar o ao menos um exemplo à biblioteca de treinamento na etapa (g), o método incluir ainda, para cada exemplo selecionado a ser adicionado à biblioteca de treinamento: exibir uma comparação do exemplo selecionado com um ou mais exemplos incluídos na biblioteca de treinamento para permitir que o usuário faça uma avaliação de compatibilidade quanto ao exemplo selecionado ser compatível com os exemplos incluídos na biblioteca de treinamento; receber uma avaliação quanto ao exemplo selecionado ser compatível com os exemplos incluídos na biblioteca de treinamento; e apenas modificar a biblioteca de treinamento pela adição do exemplo selecionado se o exemplo selecionado é acessado como sendo compatível com os exemplos na biblioteca de treinamento.

7. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato da biblioteca de treinamento ser uma biblioteca de treinamento inicial e o método incluir ainda: gerar a biblioteca de treinamento inicial ao: receber uma seleção de usuário de ao menos um exemplo alvo a partir dos conjuntos de dados geofísicos; receber uma seleção de usuário de ao menos um exemplo não-alvo a partir dos conjuntos de dados geofísicos; e adicionar os exemplos alvo e não-alvo selecionados de usuário à biblioteca de treinamento inicial.

8. Método implementado em computador de acordo com qualquer uma das reivindicações 1 a 7, caracterizado pelo fato de cada conjunto de dados geofísicos ser um registro de dados de raios gama naturais que incluem medições de raios gama naturais obtidas a partir de uma perfuração.

9. Método implementado em computador de acordo com a reivindicação 8, caracterizado pelo fato do recurso alvo a ser identificado em cada registro de raios gama naturais ser a existência de uma ou mais bandas marcadoras de xisto.

10. Método implementado em computador para identificar casos de um recurso alvo em conjuntos de dados geofísicos armazenados em um dispositivo de memória, os conjuntos de dados geofísicos tendo coordenadas de superfície associadas, o método implementado em computador caracterizado por incluir: implementar um método implementado em computador definido em qualquer uma das reivindicações 1 a 9 com a finalidade de gerar um modelo probabilístico; aplicar o modelo probabilístico aos conjuntos de dados geofísicos para gerar um resultado de classificação para cada conjunto de dados, cada resultado de classificação indicando se o conjunto de dados associados inclui o recurso alvo; e fornecer ao menos aqueles resultados de classificação que indicam que o conjunto de dados associados inclui o recurso alvo, junto com informações que permitam que sejam determinadas as coordenadas de superfície do conjunto de dados geofísicos associados ao resultado.

11. Método implementado em computador de acordo com a reivindicação 10, caracterizado pelo fato de um resultado de classificação ser considerado para indicar que o conjunto de dados associados inclui o recurso alvo se o resultado está acima de um limiar predeterminado.

12. Método implementado em computador de acordo com a reivindicação 10, caracterizado pelo fato de um resultado de classificação ser considerado para indicar que o conjunto de dados associados inclui o recurso alvo se o resultado está acima de um limiar predeterminado após um desvio padrão dos resultados de classificação ser subtraído do limiar predeterminado.

13. Método implementado em computador de acordo com a reivindicação 11 ou 12, caracterizado pelo fato do limiar predeterminado ser 0,5.

14. Método implementado em computador para identificar a localização de minério em um ambiente de mineração, o referido método caracterizado por incluir: adquirir uma pluralidade de conjuntos de dados geofísicos a partir do ambiente de mineração, cada conjunto de dados geofísicos estando associado a uma perfuração que tem coordenadas de superfície conhecidas; implementar um método implementado em computador definido em qualquer uma das reivindicações 10 a 13 usando os referidos conjuntos de dados geofísicos para identificar casos de um recurso alvo que ocorre nos conjuntos de dados geofísicos; utilizar os resultados de classificação fornecidos a partir do método implementado em computador definido em qualquer uma das reivindicações 10 a 13 para prever uma profundidade à qual o minério será provavelmente encontrado; e fornecer dados de profundidade que representam a referida profundidade prevista junto com informações que permitam que sejam determinadas coordenadas de superfície associadas à referida profundidade.

15. Método de mineração caracterizado por incluir: identificar a localização de minério em um ambiente de mineração pela implementação de um método implementado em computador definido na reivindicação 14; e extrair minério da localização identificada.

16. Meio de armazenamento legível por computador não- transitório caracterizado por incluir instruções que, quando executadas, facilitam um método implementado em computador definido em qualquer uma das reivindicações 1 a 15.

17. Sistema caracterizado por incluir: uma unidade de processamento; uma memória; e um ou mais dispositivos de entrada/saída, onde a unidade de processamento está conectada à memória e a um ou mais dispositivos de entrada/saída por um barramento de comunicações, e onde a memória armazena os conjuntos de dados geofísicos e instruções executáveis pela unidade de processamento para facilitar um método implementado em computador definido em qualquer uma das reivindicações 1 a 15.

Images