⚡ engenharia elétrica

Quantum Spherical Fuzzy Decision Framework with Golden Cut and ARTASI for Sustainable Mining Method Selection in Geologically Complex Thin Seams

Este estudo propõe uma nova estrutura de Tomada de Decisão em Grande Escala com Lógica Fuzzy Esférica Quântica, integrando o Corte de Ouro (Golden Cut), Pesagem de Especialistas Baseada em Consenso, Otimização por Colônia de Formigas e ARTASI para identificar sistematicamente a mineração por telerrobótica de trajetória 3D automatizada como o método ideal para a extração segura e sustentável de veios de carvão geologicamente complexos em Meghalaya.

Autores originais: Nidahamteinsar Papang, Bishal Gurung, Priya Sharma

Publicado 2026-10-29

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Nidahamteinsar Papang, Bishal Gurung, Priya Sharma

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Nas profundezas da terra, onde os veios de carvão são finos, fraturados e geologicamente complexos, a escolha de como extrair o combustível é uma aposta de alto risco. Em regiões como Meghalaya, na Índia, onde as camadas de carvão podem ter apenas alguns centímetros de espessura, os métodos tradicionais têm dependido frequentemente de escavações rudimentares e não científicas que colocam os trabalhadores em perigo e cicatrizam a paisagem. O desafio central para engenheiros e planejadores não é apenas encontrar o carvão, mas selecionar uma técnica de mineração que equilibre segurança, custo, impacto ambiental e viabilidade técnica. Essa decisão raramente é direta porque os fatores envolvidos muitas vezes puxam em direções opostas; um método que é barato pode ser inseguro, enquanto um que é altamente eficiente pode ser caro demais para um local específico. Para navegar por essas demandas conflitantes, pesquisadores recorrem a um campo da matemática projetado para lidar com a incerteza humana, onde os julgamentos não são forçados em números rígidos, mas são permitidos existir em tons de cinza, capturando a hesitação e a dúvida que acompanham naturalmente a opinião de um especialista.

Uma equipe de pesquisadores desenvolveu um novo e sofisticado sistema para resolver este problema específico, visando substituir o palpite por uma abordagem estruturada e científica. Eles criaram um arcabouço de tomada de decisão que trata as opiniões dos especialistas não como simples votos de "sim" ou "não", mas como avaliações complexas contendo camadas de concordância, discordância e incerteza. Ao usar um modelo matemático que incorpora conceitos "quânticos" — especificamente, a ideia de que a informação pode ter tanto uma magnitude quanto uma fase, tal como uma onda — eles conseguem representar toda a nuance da hesitação de um especialista. Para garantir que o sistema permaneça fundamentado e consistente, os pesquisadores aplicaram um princípio baseado na proporção áurea, uma famosa proporção matemática encontrada na natureza, para gerar automaticamente os parâmetros necessários para essas avaliações complexas, eliminando a necessidade de escolhas arbitrárias.

O estudo focou nas jazidas de carvão de Meghalaya, onde os veios variam de 0,30 a 2,12 metros de espessura. Os pesquisadores reuniram um grupo de especialistas para avaliar doze métodos de mineração diferentes, desde a perfuração e detonação tradicional até o maquinário automatizado avançado. Esses métodos foram testados contra doze critérios distintos, incluindo a espessura e profundidade do carvão, a estabilidade da rocha acima dele, necessidades de ventilação, registros de segurança e consequências ambientais. Em vez de simplesmente tirar a média das pontuações dos especialistas, o novo sistema observou o quanto os especialistas concordavam entre si. Aqueles cujos julgamentos se alinhavam de perto com o consenso do grupo receberam mais influência no cálculo final, garantindo que a sabedoria coletiva da equipe guiasse o resultado, em vez das opiniões discrepantes de um único indivíduo.

Uma vez combinadas as visões dos especialistas, o sistema precisava decidir quais critérios eram mais importantes. Em vez de pedir aos especialistas que adivinhassem a importância de cada fator, os pesquisadores usaram um algoritmo de computador inspirado na forma como as formigas encontram comida. Esse algoritmo, conhecido como Otimização de Colônia de Formigas (Ant Colony Optimization), simulou milhares de cenários para encontrar o equilíbrio perfeito de pesos que melhor distinguiria os diferentes métodos de mineração. Ele buscou um conjunto de prioridades que tornasse as diferenças entre as opções o mais claras possível. A etapa final envolveu o ranqueamento dos métodos usando uma técnica que compara cada opção contra um cenário ideal de melhor caso e um cenário de pior caso, calculando uma pontuação única que reflete o quão próximo cada método chega da perfeição.

Os resultados desta análise rigorosa apontaram claramente para um vencedor: a mineração por cisalhamento de trajetória 3D automatizada. Este método, que utiliza maquinário avançado para cortar o carvão ao longo de um caminho preciso e controlado por computador, emergiu como a principal escolha com uma pontuação de utilidade de 0,674. Foi seguido de perto pela mineração de teto baixo baseada em cisalhador (shearer-based thin-seam longwall mining) e pela mineração de borda e pilar com mineradora contínua (continuous-miner bord-and-pillar mining). O estudo descobriu que o potencial de mecanização foi o fator mais importante nesta decisão, superando outras preocupações como profundidade do veio ou continuidade geológica. Os pesquisadores testaram a estabilidade de seus achados deslocando aleatoriamente a importância dos critérios e os dados de entrada, e os métodos classificados no topo permaneceram consistentes, sugerindo que o resultado é robusto e não um acaso do cálculo.

Este trabalho não afirma ter resolvido todos os problemas de mineração ou ser uma regra universal para todos os campos de carvão. Em vez disso, oferece uma base científica confiável para se afastar de práticas de extração perigosas e não regulamentadas em Meghalaya. Ao fornecer um ranqueamento claro e baseado em dados das tecnologias disponíveis, o arcabouço oferece aos tomadores de decisão uma maneira de justificar a escolha de métodos mais seguros e sustentáveis em vez daqueles que podem parecer mais fáceis, mas carregam riscos ocultos. O estudo demonstra que, quando a incerteza humana é tratada com as ferramentas matemáticas adequadas, é possível cortar através da complexidade da geologia e da economia para encontrar o caminho que oferece a melhor chance para um futuro seguro e sustentável.

Resumo Técnico: Estrutura de Decisão de Fuzzy Esférico Quântico com Corte de Ouro e ARTASI para Seleção de Métodos de Mineração Sustentável

Definição do Problema
A seleção de métodos de mineração apropriados para veios de carvão geologicamente complexos e finos (especificamente aqueles que variam de 0,30 a 2,12 m de espessura) apresenta um desafio crítico, particularmente em regiões como Meghalaya, Índia. As práticas de extração convencionais nessas áreas, como a mineração de "rat-hole" (buraco de rato), estão associadas a riscos significativos de segurança, perdas de recursos e degradação ambiental. O processo de tomada de decisão é complicado pela necessidade de avaliar simultaneamente múltiplos critérios, muitas vezes conflitantes — incluindo características geológicas, viabilidade técnica, viabilidade econômica, segurança e impacto ambiental — sob condições de incerteza, imprecisão e julgamento subjetivo de especialistas. Os métodos existentes frequentemente têm dificuldade em representar adequadamente a hesitação e a vagueza inerentes às avaliações humanas ou em determinar objetivamente os pesos dos critérios sem depender de regras analíticas fixas.

Metodologia
O estudo propõe uma estrutura de Tomada de Decisão de Grande Escala de Fuzzy Esférico Quântico (QSF-LSDM) projetada para lidar com a incerteza multidimensional e a subjetividade do especialista. A metodologia segue um processo estruturado de múltiplas etapas:

Representação de Conjuntos Fuzzy Esféricos Quânticos (QSFS): Os julgamentos dos especialistas são modelados usando QSFS, que estendem os Conjuntos Fuzzy Esféricos convencionais ao incorporar informações de amplitude e fase. Isso permite a representação simultânea de amplitudes de pertinência, não-pertinência e hesitação, juntamente com seus parâmetros de fase correspondentes, proporcionando uma descrição mais rica da informação incerta.
Mecanismo de Corte de Ouro (Golden Cut): Para reduzir a subjetividade na seleção de parâmetros, é empregado um procedimento de Corte de Ouro baseado na Razão Áurea ( $\approx 1,618$ ). Este mecanismo deriva sistematicamente os parâmetros de não-pertinência, hesitação e fase diretamente das avaliações linguísticas iniciais (por exemplo, "Muito Alto", "Baixo"), eliminando escolhas de escala arbitrárias.
Pesagem de Especialistas Baseada em Consenso (CBEW): Em vez de tratar todos os especialistas igualmente, a estrutura calcula os pesos dos especialistas com base no grau de concordância (consenso) entre o grupo de tomada de decisão. Medidas de similaridade entre as matrizes de decisão individuais determinam a importância relativa de cada especialista, atribuindo pesos maiores às avaliações que se alinham mais de perto com a opinião coletiva.
Agregação via QSFWBM: As avaliações individuais dos especialistas são agregadas usando o operador de Média de Bonferroni Ponderada de Fuzzy Esférico Quântico (QSFWBM). Diferente das médias aritmética ou geométrica padrão, este operador captura explicitamente as interações não lineares e as dependências entre critérios e opiniões de especialistas durante a fusão da informação do grupo.
Pesagem Objetiva de Critérios via ACO: Para evitar o viés subjetivo na pesagem de critérios, o estudo formula a determinação do peso do critério como um problema de otimização contínua. Um algoritmo de Otimização por Colônia de Formigas (ACO) contínuo é usado para buscar um vetor de pesos ótimo que maximize o desvio de pontuação pareado entre as alternativas candidatas, derivando assim os pesos diretamente do poder discriminatório inerente à matriz de decisão.
Classificação via ARTASI: A classificação final é estabelecida usando a Técnica de Classificação de Alternativas baseada em Intervalos Padronizados Adaptativos (ARTASI). Este método transforma diversos atributos de benefício e custo em um intervalo padronizado unificado, preservando a disposição relativa dos dados brutos. Ele avalia as alternativas com base na distância das condições ideais e anti-ideais para produzir um índice de utilidade.

Principais Contribuições
O artigo descreve seis contribuições primárias para o campo da Tomada de Decisão Multicritério (MCDM) e engenharia de mineração:

Desenvolvimento de Estrutura: Estabelecimento de uma estrutura QSF-LSDM que modela a incerteza cognitiva complexa e a hesitação humana ao integrar QSFS com parâmetros de fase e um mecanismo de Corte de Ouro para a construção sistemática de parâmetros.
Pesagem Objetiva de Especialistas: Introdução de um modelo de Pesagem de Especialistas Baseada em Consenso (CBEW) que atribui pesos com base nos níveis de concordância do grupo, evitando que vieses individuais distorçam as avaliações coletivas.
Agregação Consciente de Interação: Aplicação do operador QSFWBM para capturar as inter-relações entre critérios e opiniões de especialistas, indo além da suposição de independência encontrada nos métodos de agregação convencionais.
Pesagem Baseada em Otimização: Formulação da pesagem de critérios como um problema de otimização contínua resolvido via ACO, maximizando a discriminação de pontuação sem depender de regras analíticas fixas.
Classificação Adaptativa: Utilização do método ARTASI para fornecer uma estrutura de classificação flexível que lida com ambos os critérios de benefício e custo de forma consistente através da padronização adaptativa.
Validação Prática: Aplicação da estrutura a um estudo de caso do mundo real em Meghalaya, avaliando 12 métodos de mineração candidatos através de 12 critérios diversos para apoiar a transição de práticas de mineração não científicas para sustentáveis.

Resultados
A estrutura foi aplicada para avaliar 12 métodos de mineração ( $M_1$ a $M_{12}$ ) através de 12 critérios. A implementação computacional, realizada usando Python 3.11, gerou os seguintes achados:

Método Mais Bem Classificado: A mineração por shearer de trajetória 3D automatizada ( $M_{10}$ ) emergiu como a alternativa de maior classificação com um índice de utilidade ( $\Omega$ ) de 0,674.
Classificações Subsequentes: Foi seguida pela mineração de camada longa baseada em shearer para veios finos ( $M_5$ ) com $\Omega = 0,662$ , e pela mineração de borda e pilar com mineradora contínua ( $M_3$ ) com $\Omega = 0,632$ .
Menor Classificação: A mineração por auger ( $M_7$ ) e a mineração de estéril e pilar ( $M_9$ ) receberam os menores valores de utilidade.
Importância do Critério: A pesagem baseada em ACO identificou o potencial de mecanização ( $C_{11}$ ) como o critério mais influente ( $w_{11} = 0,529$ ), seguido pela geometria e continuidade do veio ( $C_4$ ), profundidade do veio ( $C_3$ ) e recuperação de carvão ( $C_{10}$ ).
Robustez: Análises de sensibilidade (simulações de Monte Carlo e perturbação COMSAM) demonstraram que a classificação das principais alternativas permaneceu altamente estável, apesar das variações nos pesos dos critérios e nos dados de entrada.
Análise Comparativa: Os resultados QSF-ARTASI mostraram concordância perfeita (correlação de Spearman de 1,000) com os métodos EDAS e MARCOS e forte concordância com o TOPSIS. Uma divergência significativa foi observada com o VIKOR, atribuída às diferenças metodológicas no tratamento da informação de decisão.

Significância e Alegações
O artigo alega que a estrutura QSF-LSDM proposta fornece uma base sistemática e científica para avaliar métodos de mineração em veios de carvão finos e geologicamente complexos. Ao integrar lógica fuzzy inspirada em mecânica quântica com otimização e mecanismos de consenso, a estrutura lida efetivamente com a incerteza e a hesitação inerentes às avaliações dos especialistas, minimizando simultaneamente o viés subjetivo na seleção de parâmetros e pesos.

O estudo posiciona seus resultados não como recomendações universais para todas as condições de mineração, mas como resultados de suporte à decisão adaptados ao contexto geológico, técnico e operacional específico de Meghalaya para veios de carvão finos. A principal significância reside em oferecer uma alternativa estruturada às práticas de extração não científicas, apoiando a transição para operações de mineração mais seguras, regulamentadas e sustentáveis. Os autores enfatizam que, embora a estrutura identifique os métodos mais adequados com base nos critérios definidos, a implementação real requer investigações geológicas específicas do local, validação de engenharia, avaliações de segurança e aprovação regulatória adicional.

Mais como este