Caracterização da Incerteza Geológica em Depósitos Minerais e seus Efeitos no Planejamento Mineral

<style>
.menu-pequeno {
  background-color: transparent; /* fundo normal */
  text-align: left;
  padding: 2px 0;
}

.menu-pequeno h3 {
  margin: 0 12px;
  font-size: 0.9rem; /* tamanho pequeno */
  font-weight: normal;
}

.menu-pequeno a {
  color: #000; /* letras pretas */
  text-decoration: none;
  transition: color 0.3s ease;
}

.menu-pequeno a:hover {
  color: #0073aa; /* azul leve ao passar o mouse */
}
</style>


<nav class="menu-pequeno">
  <h3> Sumário </a></h3>
  <h3><a href= "#introducao" >1. Introdução</a></h3>
  <h3><a href= "#tipos"> 2. Tipos de incerteza </a></h3>
  <h3><a href=" #simulacao_pluri">3. Simulação plurigaussiana </a></h3>
  <h3><a href= "#Turning">4. Turning Bands </a></h3>
<h3><a href= "#indicadores">5. Simulação de Indicadores</a></h3>
<h3><a href= "#como_os">6. Como os métodos funcionam </a></h3>
<h3><a href= "#planeja_esto">7. Planejamento estocástico </a></h3>
<h3><a href= "#impactos">8. Impactos na Cadeia de Produção Mineral</a></h3>
<h3><a href= "#conclusoes">9. Conclusões</a></h3>
</nav>

1. Introdução

A incerteza geológica é um dos maiores desafios no planejamento e operação de minas. Modelos geológicos e de teores são sempre aproximações da realidade — pois a amostragem é limitada e a variabilidade natural dos depósitos é complexa. Essa incerteza afeta diretamente o planejamento de lavra, a otimização de processos e a previsibilidade financeira dos empreendimentos.

É a diferença entre o que pensamos conhecer do depósito mineral e a realidade subterrânea. Ela surge porque:

• Nossos dados (sondagens, amostras de superfície) são limitados e cobrem apenas uma fração do depósito.
• Os processos geológicos são altamente complexos e não podem ser observados diretamente em toda sua extensão.
• Sempre existe a possibilidade de interpretações alternativas para os contatos litológicos, estruturas e distribuições de teores.

A incerteza geológica não é apenas um conceito técnico — ela impacta toda a cadeia de valor da mineração:

• Planejamento de lavra: risco de superestimar reservas ou definir sequências inviáveis.
• Blendagem e processos: variações inesperadas na qualidade do minério aumentam custos e reduzem eficiência.
• Finanças: fluxos de caixa projetados em modelos determinísticos podem não se concretizar.
• Decisões estratégicas: investimentos bilionários podem ser tomados com base em informações parciais.

Nos últimos anos, técnicas de simulação geoestatística e planejamento estocástico têm ganhado espaço, pois permitem não apenas representar a variabilidade, mas também tomar decisões mais robustas frente ao risco. Neste artigo faremos um resumo de algumas das técnicas utilizadas para simular diferentes cenários de teores e volumes, bem como os conceitos principais da utilização estocástica no planejamento de mina, que permitirá avaliar essas incertezas e propor alternativas para o aproveitamento mineral.

---

2. Tipos de Incerteza

1) Incerteza de contatos e volumes

Métodos como a Simulação Plurigaussiana permitem gerar múltiplos cenários alternativos de contatos entre litologias, respeitando regras de contato e proporções observadas em dados de sondagem.

2) Incerteza de teores

Métodos como Sequential Gaussian Simulation (SGS) e Turning Bands produzem diferentes cenários de distribuição de teores, preservando estatísticas globais e continuidade espacial

3) Incerteza categórica (acima/abaixo de cut-off, domínios)

Simulação de Indicadores e a mais recente Direct Sequential Indicator Simulation (DSISIM) geram cenários que reproduzem tanto os histogramas quanto os variogramas de indicadores, importantes para avaliar continuidade de minérios acima de um limite econômico.

---

3. Simulação Plurigaussiana (categorias/litologias)

A ideia é simular vários campos gaussianos contínuos (Y1, Y2, …, Yq), independentes entre si, e depois aplicar uma regra de truncamento para definir a categoria final em cada ponto. O método permite: (i) controlar contatos entre litologias, (ii) impor proporções locais (propriedades de tendência) e (iii) simular múltiplas realizações geologicamente plausíveis dos volumes de cada domínio.

Campos gaussianos simulados: Cada Yj(x) é um campo gaussiano com média 0, variância 1, e estrutura espacial definida por um variograma.

O espaço multidimensional (Y1,Y2,…,Yq) é dividido em regiões (paralelotopos). Quando falamos de paralelotopos, estamos nos referindo às regiões do espaço gaussiano (Y1,Y2,…Yq) delimitadas pelos limiares (thresholds).

Por exemplo, no espaço de 2 campos gaussianos (Y1,Y2):

• Y1<t1,Y2<t2 ⇒ Litologia A.
• Y1≥t1, Y2<t2 ⇒ Litologia B.
• Y2≥t2 ⇒ Litologia C.

A frequência de cada categoria (p. ex., 40% itabirito, 30% hematita, 30% filito) define os limiares (thresholds) usados nos campos gaussianos.

onde ϕ é a densidade normal multivariada.

Assim, a escolha dos thresholds garante que as proporções de cada categoria sejam respeitadas.

3.1 Regras de Contato

Ao definir a geometria das regiões no espaço gaussiano, pode-se controlar quais categorias ficam vizinhas.

• Ex.: Se duas regiões estão separadas por um limite comum no espaço (Y1,Y2), as litologias correspondentes terão contato direto no espaço real.
• Se não compartilham fronteira → não haverá contato geológico na simulação.

3.2 Etapas do Algoritmo

1. Transformar os dados categóricos em indicadores (0/1).
2. Ajustar variogramas dos indicadores e converter para variogramas gaussianos equivalentes.
3. Simular os campos gaussianos (Y1, Y2, …, Yq) usando métodos como Turning Bands ou SGS.
4. Aplicar as regras de truncamento para obter a categoria em cada ponto.
5. Gerar múltiplas realizações para avaliar incerteza de contatos e volumes.

3.3 Vantagens

• Representa litologias múltiplas em um mesmo modelo.
• Respeita contatos geológicos realistas.
• Permite proporções locais variáveis (através de thresholds móveis).
• Produz múltiplos cenários equiprováveis, úteis para planejamento estocástico.

3.4 Desvantagens

• Suposição de Gaussianidade: A técnica assume que as variáveis subjacentes (Y1,Y2,…Y_1, Y_2, …Y1,Y2,…) são campos gaussianos padrão (média 0, variância 1). Essa hipótese nem sempre é realista, já que contatos litológicos podem ser mais abruptos ou controlados por estruturas não-gaussianas (falhas, intrusões).
• Complexidade para Regras de Contato Embora a PGS permita controlar regras de contato entre litologias, a definição das regiões (paralelotopos) no espaço gaussiano nem sempre é intuitiva. Modelos com muitas categorias (>3 ou 4) ficam difíceis de parametrizar e validar.
• Dependência das Proporções Locais As proporções de cada litologia precisam ser definidas a priori (globais ou locais). Se as proporções locais não forem bem calibradas (ex.: a partir de janelas móveis), o modelo pode superestimar ou subestimar volumes de determinadas rochas.
• Limitações na Anisotropia Complexa: Funciona bem para anisotropias simples (um eixo maior, intermediário, menor). Mas é menos eficiente para domínios com anisotropias geológicas complexas, como dobras, falhas ou contatos fortemente não lineares.

---

4. Turning Bands (campos gaussianos contínuos)

Ideia central. Em vez de simular diretamente um campo gaussiano Y(x) em 3D, aproximamo-o pela soma de muitos processos 1D ao longo de direções aleatórias. Escolhendo adequadamente as direções e os processos 1D, a covariância alvo C(h) é reproduzida. No caso aplicado, utilizou-se um algoritmo turning bands espectral para gerar rapidamente campos gaussianos extensos antes da condicionante por krigagem de resíduos.

Esboço formal clássico. Para direções unitárias um e processos gaussianos 1D independentes Xm(⋅) com covariâncias projetadas de C(⋅) define-se

Quando M é grande e as projeções são consistentes com C(⋅), então YM⇒Y em covariância (isto é, Cov[YM(x),YM(x+h)]→C(h)) . O esquema espectral escolhe Xm via decomposição do espectro de C (rápido e estável para grandes grades). Após simular Yu (não condicional), condiciona-se por krigagem de resíduos:

onde {λi(x)} são pesos de krigagem (covariância C) e yi são os valores “dados” (no caso, valores gaussianos nos dados após a etapa Gibbs).

4.1 Etapas da Simulação Turning Bands

• Definição do modelo de covariância/variograma
• Escolha de direções aleatórias
• Simulação de processos 1D em cada direção
• Projeção dos pontos do domínio
• Combinação das bandas
• Normalização e pós-processamento

4.2 Vantagens

• Eficiência computacional: Muito mais rápida do que simulações diretas multivariadas em 2D/3D, especialmente em grades grandes.
• Flexibilidade: Funciona em qualquer dimensão (2D, 3D, …). Pode ser usada em conjunto com condicionamento via krigagem de resíduos.
• Controle do variograma: Permite reproduzir variogramas complexos com boa fidelidade ao aumentar o número de bandas.

4.3 Desvantagens

• Dependência do número de bandas (M): Poucas bandas → artefatos visíveis, anisotropia espúria. Muitas bandas → maior custo computacional.
• Condicionamento aos dados: A versão básica gera apenas simulações não condicionais. Para condicionar aos dados, é necessário um passo adicional (ex.: krigagem dos resíduos).
• Artefatos geométricos: Em alguns casos, podem surgir “estrias” ou direções falsas se o número de bandas for insuficiente ou mal distribuído.
• Somente campos gaussianos: Por construção, o método simula apenas campos gaussianos. Para distribuições não-gaussianas, é preciso transformar os dados antes e depois (normal score).

---

5. Simulação de indicadores

Ideia central. Codificamos uma variável Z(x) em indicadores binários que representam eventos (por exemplo, “acima do cut-off”, “pertence ao domínio A”, etc.). Essa etapa é essencial para quantificar continuidade espacial de categorias, ajustar variogramas de indicadores e, quando aplicável, relacioná-los a campos gaussianos subjacentes.

Indicador unário (um limiar zk).

Variograma do indicadores

A krigagem de indicadores permite definir, portanto, a probabilidade de uma categoria ou teor de um bloco parental de acordo com definição de categorias binárias para estas classes.

Ligação com um campo gaussiano subjacente. Quando os indicadores derivam do limiar de um campo gaussiano padrão Y(x)(isto é, Ik=1{Y≤t}, p=Φ), a covariância dos indicadores relaciona-se com a correlação gaussiana ρ(h) via a cdf bivariada normal Φ2:

Essa relação “indicador↔gaussiano” é usada na prática para converter variogramas de indicadores em variogramas do campo gaussiano utilizados na simulação plurigaussiana.

5.1 Vantagens e desvantagens

• Trabalha com eventos (probabilidades)
• Flexibilidade para distribuições não gaussianas
• Simulação de múltiplos limiares

5.2 Desvantagens

• Consistência dos múltiplos limiares: Quando se simulam vários cut-offs, podem aparecer problemas de relação de ordem (ex.: um cenário mostra P(Z>50%) < P(Z>60%), o que é incoerente).
• Alto custo computacional Cada indicador (cut-off) precisa de um variograma específico e de uma simulação separada. Para muitos limiares ou categorias, o processo fica pesado e lento.
• Dependência da modelagem variográfica: O resultado depende fortemente dos variogramas de indicadores, que podem ser difíceis de ajustar com poucos dados. Indicadores 0/1 produzem variogramas ruidosos.

---

6. Como os Métodos Funcionam (em linguagem simplificada)

• Simulação de Indicadores: transforma os dados em valores binários (ex.: 1 se teor > cut-off, 0 se não). Esses indicadores são simulados ponto a ponto, preservando as probabilidades e a continuidade espacial.
• Simulação Plurigaussiana: usa campos gaussianos aleatórios e regras de truncamento para definir a presença de cada litologia. Assim, é possível controlar tanto proporções médias quanto regras de contato entre as rochas.
• Turning Bands: constrói campos tridimensionais simulando várias “linhas aleatórias” (1D) e combinando-as. Isso gera campos contínuos que respeitam o variograma, mas com baixo custo computacional.

Essas técnicas não dão uma única resposta, mas sim várias realizações equiprováveis — cada uma representando um possível cenário geológico.

---

7. Planejamento Estocástico

Tradicionalmente, o planejamento de lavra é feito sobre um único modelo determinístico de blocos (um “cenário base”). Esse modelo é usado para:

• dimensionar cava,
• sequenciar lavra,
• prever produção e blendagem.

Problema: esse modelo único não captura a incerteza geológica. Se os contatos, teores ou volumes estimados estiverem errados, o plano pode falhar em atender metas de produção ou gerar prejuízo. O planejamento estocástico propõe substituir a visão determinística por um conjunto de cenários equiprováveis, obtidos via simulação geoestatística (SGS, SIS, Plurigaussiana, Turning Bands etc.).

Cada cenário representa uma possível realidade geológica. O planejamento então busca soluções que:

• tenham bom desempenho médio entre os cenários,
• sejam robustas ao risco (desempenho aceitável mesmo nos piores casos).

O objetivo é maximizar o Valor Presente Líquido (NPV) esperado:

onde:

• NPVs é o valor do plano no cenário s,
• ps é a probabilidade desse cenário.

7.1 Trade-off risco vs retorno

Muitos modelos incluem também a variância dos resultados, penalizando planos arriscados:

onde λ é um parâmetro de aversão ao risco.

7.2 Fluxo típico do planejamento estocástico

• Gerar cenários geológicos
• Via simulações (SGS, SIS, PGS, Turning Bands).
• Cada cenário tem diferentes teores, volumes, contatos.

• Avaliar planos de lavra em múltiplos cenários
• Para cada plano candidato, calcular NPV, produção, qualidade do minério em todos os cenários.

• Otimizar considerando incerteza
• Usar métodos de programação matemática (ex.: Mixed Integer Programming) ou heurísticas (ex.: simulated annealing, genetic algorithms).
• Objetivo: maximizar valor esperado + robustez

• Selecionar plano final
• O plano escolhido não é o “melhor” em apenas um cenário, mas o mais estável entre cenários.

---

8. Impactos na Cadeia de Produção Mineral

• Produção: reduz o risco de não cumprir metas de tonelagem e teor.
• Processos: melhora a previsibilidade de blendagem e performance metalúrgica.
• Financeiro: fornece estimativas mais realistas de NPV e fluxo de caixa.
• Estratégia: dá suporte a decisões de investimento mais seguras.

Em suma, considerar a incerteza não é “pessimismo”, mas sim gestão de risco aplicada à mineração.

9. Conclusões

A incerteza geológica é sem dúvida uma característica inerente à produção no setor mineral, não podemos reduzí-la, mas podemos compreendê-la. Ao caracterizarmos essas incertezas, seja por campanhas de sondagem mais bem planejadas, como também no uso de algoritmos de simulação geoestatística, podemos garantir planejar a produção mineral reconhecendo os pontos de falha e vantagens por antecipação, reduzindo o risco do empreendimento e permitindo melhor aproveitamento dos recursos minerais.

O reconhecimento da incerteza geológica é gestão de risco e melhoria no desenvolvimento sustentável da humanidade, pois decisões tomadas na mineração podem envolver consequências graves como fechamento de minas, lavra predatória, prejuízos sociais, ambientais, não somente levando a consequências econômicas sérias, mas a perda de recurso que nunca mais poderá ser aproveitado, e que levou milhões de anos ou até mesmo bilhões para ser formado.

A mineração utiliza-se de bens não-renováveis em sua maior extensão, que não podem ser substituídos na escala de tempo da humanidade, além de que decisões tomadas no início dos projetos podem definir completamento um bom ou mal resultado de uma mina.

Neste artigo abordamos algumas metodologias já bem fundamentadas a respeito da caracterização da incerteza geológica na mineração. Apesar de sólidas e bem fundamentadas, muitas vezes não se tornam rotina nos processos de mineração, devido à complexidade, necessidade de mão de obra especializada e falta de ferramentas necessárias. Para a sustentabilidade do setor mineral é estritamente necessário aproximarmos a prática da teoria, para construirmos um futuro sólido para nós mesmos.

---

10. Bibliografia

• Caers, J. (2000). Adding local accuracy to direct sequential simulation. Mathematical Geology.
• Caers, J. (2005). Petroleum Geostatistics.
• Deutsch, C. V. & Journel, A. G. (1998). GSLIB: Geostatistical Software Library. Oxford University Press.
• Montiel, L., Dimitrakopoulos, R., Kawahata, K. (2016). Globally optimising open-pit and underground mining operations under geological uncertainty. Mining Technology.
• Rahim, S., Li, Z. (2015). Well placement optimization with geological uncertainty reduction. IFAC Symposium.
• Journel, A. G. (1994). Modeling uncertainty: some conceptual thoughts. In: Geostatistics for the Next Century.
• Goovaerts, P. (1997). Geostatistics for Natural Resources Evaluation. Oxford University Press.