Gradient Boosting-Based Computational Method for Predicting Uniaxial Compressive Strength of Cemented Hydraulic Backfill

Profundamente abaixo da superfície da Terra, onde os mineradores extraem recursos valiosos, vastos espaços vazios são deixados para trás. Se esses vazios não forem suportados, o solo acima pode colapsar, criando um ambiente perigoso para os trabalhadores e ameaçando a estabilidade de toda a operação. Para evitar isso, engenheiros preenchem essas câmaras vazias com uma mistura especial conhecida como enchimento hidráulico cimentado. Este material é essencialmente uma lama feita de rochas residuais trituradas, rejeitos do processo de mineração, água e cimento. Uma vez bombeado nos vazios subterrâneos, ele endurece com o tempo, atuando como um piso sólido que suporta o teto da mina e permite uma extração mais segura e eficiente dos minerais restantes. A medida mais crítica de quão bem esse enchimento irá desempenhar é sua capacidade de resistir ao ser esmagado sob pressão, uma propriedade que os engenheiros chamam de resistência à compressão uniaxial. Prever essa resistência com precisão é vital; se a mistura for muito fraca, a mina poderá falhar, mas se for superdimensionada, o projeto torna-se desnecessariamente caro.

Durante décadas, determinar a proporção correta de ingredientes dependeu de tentativa e erro ou fórmulas simples que frequentemente ignoram as formas complexas e não lineares pelas quais esses materiais interagem. Um novo estudo publicado por pesquisadores da Universidade de Mineração e Tecnologia da China e parceiros internacionais oferece uma abordagem diferente. Em vez de depender de equações tradicionais, eles recorreram a uma família de algoritmos computacionais avançados conhecidos como máquinas de reforço de gradiente (gradient boosting machines). Estas são ferramentas poderosas que aprendem com os dados construindo uma série de modelos simples, cada um corrigindo os erros do anterior, para criar um preditor altamente preciso. Os pesquisadores reuniram um conjunto massivo de dados de 1.641 exemplos do mundo real, registrando as quantidades específicas de cimento utilizadas, a duração do tempo de cura, a concentração de sólidos na mistura e a proporção de agregado para rejeitos. Eles então alimentaram essas informações em quatro tipos diferentes desses algoritmos de aprendizado para ver qual poderia melhor prever a resistência final do enchimento endurecido.

O estudo testou várias variações desses modelos de aprendizado, incluindo LightGBM, CatBoost, AdaBoost e uma Máquina de Reforço de Gradiente padrão. O objetivo não era apenas encontrar um modelo que pudesse adivinhar a resistência, mas sim encontrar um que pudesse fazê-lo de forma confiável em novos dados não vistos, sem se confundir com o ruído das informações. Após treinar os modelos em 80 por cento dos dados e testá-los nos 20 por cento restantes, os resultados foram claros. O modelo de Máquina de Reforço de Gradiente padrão emergiu como a ferramenta mais eficaz. Ele alcançou um alto nível de precisão, prevendo corretamente os valores de resistência com uma pontuação estatística de 0,86 nos dados de teste, mantendo o erro médio muito baixo. Este desempenho foi superior ao dos outros modelos, que ou tiveram dificuldade em generalizar para novos dados ou produziram resultados menos consistentes. As descobertas sugerem que este tipo específico de algoritmo é particularmente bem adequado para capturar as relações intrincadas entre os ingredientes e a resistência final do enchimento.

Além de simplesmente fazer uma previsão, os pesquisadores queriam entender por que os modelos tomavam as decisões que tomavam. Em muitos sistemas computacionais avançados, o funcionamento interno é uma "caixa preta", o que significa que até mesmo os criadores não conseguem explicar facilmente como uma entrada leva a uma saída. Para resolver isso, a equipe utilizou uma técnica chamada análise SHAP, que atua como um holofote, revelando exatamente quanto cada ingrediente contribiu para o resultado final. A análise mostrou que dois fatores dominaram o resultado: a quantidade de cimento na mistura e o tempo permitido para o material curar. Essas duas variáveis tiveram o impacto positivo mais significativo na resistência. Em contraste, a concentração de sólidos e a proporção de agregado para rejeitos tiveram uma influência muito menor no resultado final. Esse insight é crucial para os engenheiros, pois diz exatamente onde focar sua atenção ao projetar uma mistura para garantir segurança e estabilidade.

O estudo conclui que o uso desses modelos de aprendizado de máquina explicáveis fornece uma maneira confiável e transparente de projetar o enchimento hidráulico cimentado. Ao prever com precisão quão forte o material será antes mesmo de ser despejado, as operações de mineração podem otimizar seus designs de mistura, potencialmente economizando dinheiro em materiais enquanto garantem que o ambiente subterrâneo permaneça seguro. Os pesquisadores enfatizam que, embora seu modelo seja um passo significativo à frente, ele é mais eficaz quando usado como uma ferramenta de suporte à decisão ao lado do julgamento de engenharia tradicional. Eles sugerem que trabalhos futuros poderiam envolver o teste desses modelos contra medições de campo do mundo real para refinar ainda mais sua precisão. Em última análise, esta pesquisa oferece um caminho mais claro para uma mineração subterrânea mais segura, transformando dados complexos em orientação prática para os engenheiros que mantêm as minas estáveis.