Abstract Roughness is a fundamental feature to define rock deformability and resistance. A detailed characterization of discontinuity surface geometry is essential for understanding some of the rock’s mechanical behaviors. Fractal geometry has been used by several authors to correlate parameters such as the Hurst coefficient for JRC (Joint Roughness coefficient) to better describe a surface geometry. Surface profiles might be characterized by a fractal dimension that represents the small scale of the geometric recurrence. In this paper, we propose to modify the methodology used to identify the Hurst coefficient incorporating the rodogram function in the JRC analysis. The proposed function is less influenced by drifting effects, and seems to be more precise than the commonly used variogram function. Robust mathematical models of spatial continuity can be a better alternative to characterize the roughness of rock discontinuities.

A análise da continuidade espacial inclui uma série de ferramentas para estimar e modelar a continuidade de variáveis aleatórias regionalizadas. Ela é a base para muitas das avaliações de depósitos minerais baseadas na geoestatísitca. O modelo ajustado é de grande importância e influencia nos resultados em vários algoritmos de krigagem e simulações subsequentes. Tanto os softwares acadêmicos e comerciais podem melhorar no desenvolvimento dos gráficos, na interatividade com o usuário e no uso de formas automáticas de modelagem. O SGeMS (Stanford Geoestatistical Modeling Software) é um programa gratuito usado entre a comunidade de geoestatísticos ao qual tem um grande potencial de desenvolvimento, mas que, no entanto, ainda não possui todas as ferramentas de análise da continuidade espacial incorporadas. Diferentemente do SGeMS, o GSLIB é uma boa biblioteca gratuita para análise geoestatística e é mais completa, mas as estradas do programa são modificadas pela edição de arquivos .txt e usando linhas de comando o que torna a utilização do software pouco amigável com o usuário, apesar da robustez e qualidade dos programas da biblioteca. Dada as limitações dos mais usados e completos softwares gratuitos de geoestatística, essa dissertação objetiva a transcrição e adaptação do algoritmo do GSLIB (GamV .f) para o software SGeMS, modificando a lógica de programação para criar diferentes ferramentas auxiliares como h-scatterplots e mapas de variograma e covariograma. Os resultados demonstraram que a adaptação de algoritmos antigos leva a uma solução gratuita. Além disso, um algoritmo para a otimização da modelagem de variogramas pelo método dos mínimos quadrados foi desenvolvido. As rotinas foram desenvolvidas ambas em C++ e em Python. Os algoritmos foram validados com os valores obtidos pelo software GSLIB. Todos os desenvolvimentos dos plug-ins foram testados e validados usando dois casos ilustrativos: um depósito de ferro e um caso polimetálico. Os resultados provaram ser consistentes e similares com aqueles obtidos com softwares comerciais e renomados.

A geometalurgia é o ramo da engenharia de minas, que pretende obter a partir de variáveis georeferenciadas, respostas para o beneficiamento mineral. Em muitos casos, é necessário neste processo, obter funções de transferências, que associam cada variável primária com a variáveis resposta metalúrgica, e assim serem realizadas predições que auxiliam a engenharia, otimizando custos e receitas, e incentivando soluções para os problemas das empresas. A determinação destas funções de transferência é uma tarefa difícil de ser realizada, principalmente em depósitos com alta variabilidade geológica, tais como os depósitos de ouro, de origem hidrotermal. Esta tarefa pode ser agilizada, se realizado modelos computacionais de alta performance, que aprendam com os dados obtidos a melhor classificação/regressão, e se atualizem de acordo com o crescimento do banco de dados. Estas técnicas são denominadas no atual estado da arte como aprendizado de máquinas. (Machine Learning). O objetivo principal deste trabalho é criar modelos de aprendizado de padrões, que relacionem uma função de transferência unindo variáveis do depósito mineral, como mineralogia e teor, com variáveis de resposta de equipamentos de beneficiamento (ore sorting, flotação), como a recuperação metalúrgica. Os dados apresentados pertencem a depósitos minerais auríferos do quadrilátero ferrífero. Como contribuição à comunidade, e ao meio científico, esta tese propõe avanços em tecnologias de automatização, que correlacionam parâmetros entre a geologia e o beneficiamento mineral, permitindo um conhecimento mais profundo das variáveis relacionadas com a produção mineral. De tal forma estes modelos produzem informações suficientes para a tomada de decisão e planejamentos, que podem ser realizados posteriormente ao desenvolvimento desta tese, como a redução de consumo de água nas usinas (um problema atual para barragens de rejeito no Brasil), redução e economia de reagentes, atualização mais apurada das reservas minerais, entre outras otimizações que possam vir a se usufruir destes resultados. Resultados foram obtidos na criação de modelos geometalúrgicos que se aplicam tanto em domínios reduzidos como em um equipamento ore sorting ,como em macro domínios na predição de valores da usina, a partir de informações da geologia. Espera-se que este trabalho seja uma ponte inicial para o desenvolvimento de técnicas mais modernas de estatística e computação para a aplicação na mineração.