Por Cintia Cazassa de Oliveira; Matheus FanolaDolce; Rafael Tadeu Correia Ferreira; Gláucia Cuchierato e Ulisses Cyrino Penha.[1]

Palavras-chave: Captura de Imagem, Aquisição de dados, Testemunho de sondagem.

A Inteligência Artificial (IA), de forma geral, pode ser entendida como a habilidade das máquinas de simularem a capacidade humana, no processo de tomada de decisão e execução de tarefas complexas. A análise de imagem de forma automatizada é uma área em crescimento, e expandiu-se muito nas últimas décadas, sendo uma ferramenta versátil e de grande alcance que permite a obtenção de forma rápida e expressiva de informações como composição mineralógica, partição dos elementos químicos e associações minerais (COSTA et al., 2016). As ferramentas computacionais estão em constante evolução no quesito de reconhecimento de imagens, e com o uso do Machine Learning (ML) são utilizadas técnicas de IA para classificar imagens de modo automatizado, organizar bancos de dados, além de outras aplicações (ALVES et al., 2019).

De acordo com Schodde (2011), em relação a exploração mineral, a descoberta de novos depósitos tornou-se mais rara, onerosa e arriscada nos últimos 15 anos, uma vez que a maioria dos depósitos de classe mundial aflorantes já foram descobertos e que os recursos greenfield/grassroots(recursos que ainda não foram descobertos) começam a ficar cada vez mais escassos, e devido a isso, as novas descobertas tendem a ser mais profundas e podem estar localizadas em contextos geológicos cada vez mais complexos devido a maioria das descobertas greenfield  continuarem sendo realizadas na superfície ou próximo à ela (SCHODDE, op. cit.).

É importante para um projeto mineral exploratório que a captura, padronização, organização, estruturação e confiabilidade de seus dados geológicos gerados estejam disponíveis de forma ágil e acessível. E essa relação bem estabelecida e aplicada está ligada diretamente ao sucesso de um projeto (RAGGI, 2014).

Segundo Bishop (2006), a classificação ou agrupamento rápido de amostragem de rocha com base em padrões (composição mineralógica, coloração ou química) pode ser realizado de forma eficiente por meio de métodos de ML, supervisionados e não supervisionados. Se uma abordagem de aprendizagem supervisionada for usada, um ou mais padrões são treinados em um subconjunto de dados rotulado previamente, que representa o conjunto de dados de treinamento; em seguida, os modelos de classificação aprendidos são generalizados para todo o conjunto de dados não rotulados, acelerando significativamente todo o fluxo de trabalho de interpretação, assim, fornecendo dados prévios para tomadas de decisões (BISHOP,op.cit.).

Este trabalho tem por objetivo a caracterização e descrição de um intervalo de testemunhos de sondagem diamantada exploratória, com 73 metros de extensão no município de Peixoto de Azevedo, utilizando as técnicas de captura e análise de imagens no Software Imago, que é uma ferramenta que utiliza a técnica de captura de dados geológicos junto ao ML, automatizando a descrição de testemunhos nas empresas, de forma complementar. As fotografias dos testemunhos de sondagem utilizado neste artigo são da Fides Exploration, uma empresa que atua em Peixoto de Azevedo (MT), e as imagens cedidas pela empresa são de um furo diamantado (PR-DH-004); a utilização de mais testemunhos não foi possível devido ao sigilo dos dados.

A Imago é uma empresa de tecnologia que possui sede no Arizona-EUA e que trabalha com um sistema multi plataforma, facilitando o trabalho na tratativa de dados, descrição de amostras, trazendo maior agilidade nas descrições, segurança e fácil acesso ao banco de dados. Na fase da captura de dados é realizada uma inspeção visual dos testemunhos por meio de fotografias de alta qualidade, e posteriormente é realizada a captura e transferência das imagens para o Software (IMAGO, 2020). Foi cedida para a equipe deste projeto a licença para uso de seu Software, o que permitiu e proporcionou o desenvolvimento dos estudos contidos neste artigo.

Materiais e Métodos

Para a análise de litologia, feições estruturais e geoquímicas, foram utilizados os Softwares: Imago Connect, Imago Capture X e Portal Imago, e as fotografias dos testemunhos de sondagem. O plano de desenvolvimento para este estudo envolve três etapas: pesquisa bibliográfica, parceria e teste do Software Imago e análise dos resultados.

• Levantamento Bibliográfico: O levantamento de dados desta etapa contempla a revisão bibliográfica e a verificação dos principais concorrentes no segmento de tratamento dos dados a partir de imagens de testemunhos de sondagem. O levantamento bibliográfico tem por objetivo compreender a IA juntamente com a etapa de ML, buscando maior conhecimento nas tecnologias que trazem melhorias na área de exploração mineral.
• Parcerias e Utilização do Software: O levantamento de dados desta etapa contempla a revisão bibliográfica e a verificação dos principais concorrentes no segmento de tratamentos dos dados a partir de imagens de testemunhos de sondagem. O levantamento bibliográfico tem por objetivo compreender a IA juntamente com a etapa de ML, buscando maior conhecimento nas tecnologias que trazem melhorias na área de exploração mineral.
• Análise dos Resultados: Esta etapa consolida as duas anteriores, resultando em uma verificação de análise estrutural, litológica e geoquímica do testemunho de sondagem e por análise de imagem, e o comparativo entre a descrição manual realizada por geólogos no galpão de sondagem com a descrição realizada por meio do software.

 Localização e Acesso

A área de estudo deste trabalho é próxima do distrito de União do Norte, município de Peixoto de Azevedo (MT). O polígono demarcado no mapa (Figura 1) é onde o furo PR-DH-004, com 73 metros, foi perfurado. União do Norte dista aproximadamente 750 km de Cuiabá (MT) e cerca de 2.000 km de Belo Horizonte (MG).O acesso saindo de Belo Horizonte é realizado pela rodovia BR-040, depois segue-se sentido Brasília, por aproximadamente 700 km até a saída para a BR-251. Mantém-se até a saída para a BR-060, pegando a primeira saída para a DF-180, em seguida pega-se a saída para a BR-070 até a BR-414 até chegar à saída para a BR-080. Segue-se na mesma até a saída para a BR-153 por cerca de 60 km, até alcançar a saída da BR-242, onde o trajeto se dá por meio de balsa até a MT-322 (223 km), e onde um novo trajeto de balsa é feito e depois segue-se na MT-322 por 165 km até o distrito de União do Norte.

Figura 1 – Mapa de Localização e de acesso.
Fontes – Dados do IBGE (2014), IGAM (2015) e DNIT (2018).

Contexto Geológico Regional

A Província Mineral de Alta Floresta (PMAF) insere-se no centro-sul do Cráton Amazônico, precisamente entre as Províncias Ventuari-Tapajós (1.95 a 1.80 Ga) e Rio Negro-Juruena (1.80 a 1.55 Ga), de acordo com o modelo de Tassinari& Macambira (1999), sendo delimitada na sua porção sul pelo Gráben dos Caiabis e a norte pelo Gráben do Cachimbo (Figura 2). Segundo Barros (2007) e Tassinariet al. (2000) a PMAF é definida como um cinturão de rochas pluto-vulcânicas NW-SEpaleoproterozoicas, além de rochas sedimentares clásticas mesoproterozoicas (MIGUEL-JR, 2011). Sua evolução geológica é definida por colisão continental de estilo soft-colision(CORDANI & TEIXEIRA, 2007), marcada por áreas de cadeia montanhosa sem grande expressão altimétrica e sem influência de material crustal profundo de alta pressão.

A região leste da PMAF, onde se localiza a área de estudo (Figura 3), é representada por rochas do embasamento granito-gnáissico de 2.0 a 1.98 Ga, que são intrudidas por suítes plutono-vulcânicas com afinidade cálcio-alcalina de 1.9 a 1.86 Ga, e por fim, por diques máficos indiferenciados (ASSIS, 2015). São três os principais tipos de depósitos primários que ocorrem na PMAF: i) Au±Cu (Bi, Te, Ag, Mo) disseminados e em veios estruturalmente controlados; ii) veios auríferos com metais-base associados (Au+Zn+Pb±Cu) estruturalmente controlados e; iii) Cu±Mo±Au disseminados (MOURA et al. 2006; ASSIS et al. 2017). Esses estilos de depósitos estão hospedados em rochas graníticas (sienogranito a tonalito-granodiorito) e subordinadamente vulcânicas e vulcanoclásticaspaleoproterozóicas (2.08-1.75 Ga). Geralmente essas rochas são cálcio-alcalinas a alcalinas, de alto potássio, metaluminosas a levemente peraluminosas (BARROS, 2007; BETTENCOURT et al., 2016; ASSIS et al., 2011, 2017). Há uma convergência para uma origem magmática-hidrotermal dos depósitos de ouro na PMAF, devido aos estilos de mineralização (em veios e disseminado), halos de alterações hidrotermais expressivos (potássico, fílico e propilítico), relação espacial entre os depósitos auríferos e intrusões graníticas, e natureza das inclusões fluidas interpretadas como magmáticas e meteóricas (MOURA et al. 2006; BARROS, 2007; ASSIS et al., 2011, 2015 e 2017; TREVISAN, 2015).

Figura 2 – Posicionamento da PMAF (polígono em vermelho) no modelo evolutivo do Cráton Amazônico.
Fonte – Modificado de Tassinari& Macambira (1999).

Figura 3 – Mapa Geológico da porção Leste da PMAF. O polígono em vermelho indica a área de estudo, onde foi realizada a sondagem do furo PR-DH-004.
Fonte – Modificado de ASSIS (2015).

O Sistema União do Norte (Figura 4) é conhecido por hospedar mineralizações auríferas e de metais bases. Os depósitos auríferos apresentam intenso controle estrutural, sendo definidas duas fases deformacionais (MATOS, 2019). A primeira, associada a mineralização de veios na falha de União do Norte, que constitui uma zona de cisalhamento sinistral rúptil a dúctil-rúptil com veios NE; o segundo estágio é marcado pela rotação do σ1 para NW, gerando veios de quartzo epitermais tardios de direção NW em condições estritamente rúpteis, estes veios são estéreis e quando interceptam a mineralização diluem o teor do minério (MATOS, op. cit.).

Figura 4 – Mapa dos sistemas estruturais ao longo do lineamento Peru-Trairão, setor leste da PMAF. A área de estudo está inserida no Sistema União do Norte.
Fonte – MIGUEL-JR. (2011).

 Contexto Geológico Local

Dentro da área de estudo ocorrem dois litotipos distintos, o primeiro sendo uma rocha de textura microfanerítica, que se assemelha a um diabásio intrudindo o granodiorito (ANJOS, 2020), conforme a Figura 5. O segundo litotipo é um granodiorito, que se encontra localmente com coloração avermelhada devido à potassificação (Figura 6), alteração hidrotermal esta frequente na região da PMAF, conforme descrito por Rodrigues (2012).

Figura 5 – Ocorrência de pirita venular no diabásio (A). Epidoto disseminado no granodiorito e vênula de quartzo próxima ao contato litológico (B). Stockwork de pirita (C). Veio de calcita (D). Diabásio com coloração avermelhada comhematitização hidrotermal (E).

Figura 6 – Estágios da alteração hidrotermal: desde ogranodiorito fresco com leve alteração potássica e sericítica (superior) até uma forte alteração potássica (inferior), com ocorrência de epidotovenular (Ep).

Inteligência Artificial

Segundo Russell &Norvig (2004) e Gomes (2010), a IA iniciou-se após a Segunda Guerra Mundial e, atualmente, abrange diversas áreas, se desenvolvendo e aprimorando cada vez mais. A IA organiza dados e automatiza tarefas potencialmente relevantes para qualquer esfera da atividade intelectual humana.Conforme Osaki (2018), a IA é uma área da Ciência da Computação, cujo objetivo é fazer com que os computadores se comportem de forma inteligente, adquirindo uma capacidade de “pensar” e resolver questões consideradas complexas para uma máquina. É uma área bastante ampla e está relacionada com: biologia, lógica matemática, geologia, engenharia, filosofia, entre outras áreas científicas.

Segundo Monard&Baranaukas (2000), a área de IA vem se desenvolvendo em várias linhas de pesquisa como: robótica, redes neurais, visão, lógica nebulosa, planejamento, processamento, interpretação de linguagem natural e ML. A IA reconhece os padrões com o objetivo de fornecer aos computadores habilidades para efetuar funções antes desempenhadas apenas por meio da inteligência humana (MONARD & BARANAUKAS, op. cit.).Para Boulentet al. (2019), o reconhecimento de imagem é um dos desafios mais interessantes na área da inteligência artificial. Temos três técnicas principais de IA para reconhecimento de imagens sendo elas: classificação de Imagens (Fig 7-A), detecção de objetos (Fig 7-B), e segmentação semântica (Fig 7-C).

A classificação de Imagens tem como objetivo classificar os elementos de uma imagem delimitada em categorias pré-definidas, ao passo que a detecção de objetos busca não somente classificar os elementos dessa imagem como também apontá-los. Por fim, temos a segmentação semântica, sendo esta a etapa mais refinada do processo que busca delimitar de maneira precisa os elementos contidos na imagem.

Figura 7 – Técnicas principais para o reconhecimento de imagens.
Fonte – IMAGO (2020).

Machine Learning

Segundo Catéet al. (2017), o ML ou aprendizado de máquina é uma ferramenta com base em treinamento para reconhecer padrões e a partir disso, reconhecer feições de forma independente. O ML é uma programação computacional de análise de dados para a construção de modelos analíticos, sendo capaz de aprender com dados, e tomar decisões com o mínimo de intervenção humana. A máquina após ser treinada, torna-se capaz de adaptar-se sozinha quando exposta a novos dados (OSAKI, 2018).

Géron (2017) apresenta um checklist de um projeto de aprendizado de máquina, dividido em oito tópicos:

1. Estruturar o problema;
2. Acessar dados de forma automatizada;
3. Explorar dados e extrair informações;
4. Preparar dados a serem trabalhados;
5. Listar modelos de algoritmos favoráveis;
6. Melhorar os modelos com validação cruzada;
7. Documentar e apresentar a solução e;
8. Lançamento, monitoramento e manutenção do sistema.

O ML está se tornando cada vez mais atraente em vários segmentos das geociências, especialmente na estimativa de recursos. De acordo com Hall (2016), os algoritmos utilizados no ML podem ser utilizados para desvendar características e tendências nos dados sem serem programados, basicamente aprendendo com os próprios dados.

De acordo com Catéet al. (2017) o ML é subdividido em três tipos de métodos: aprendizado supervisionado, aprendizado sem supervisão e o reforço da aprendizagem, sendo o método de aprendizado sem supervisão um modo de encontrar uma interpretação mais informativa e simples, trazendo os pontos mais importantes; o aprendizado por reforço se baseia em uma IA que analisa os caminhos que pode seguir a partir de um ambiente; e o aprendizado supervisionado é um método onde o geólogo faz o treinamento da máquina por meio de uma descrição prévia, mostrando ao programa os parâmetros a serem reconhecidos, inserindo assim valores e prioridades para cada item, sendo este último método aplicado ao Software Imago.

Os dados são os insumos para que o ML aconteça, por isso é fundamental que os dados tenham qualidade. De nada resolve ter-se uma infinidade de dados armazenados, sem que haja organização e padronização dos mesmos (SILVA, 2019).

É importante ressaltar que há mais de 5,2 mil minerais catalogados pela Associação Mineralógica Internacional, e a identificação desses minerais geralmente se faz manualmente em laboratórios utilizando o microscópio petrográfico, sendo necessário um bom conhecimento e experiência do profissional de geologia (ALVES et al., 2019). Conforme Costa et al. (2016), o uso da tecnologia nas análises mineralógicas vem se difundindo não só em meio acadêmico, como também no meio profissional, buscando extrair mais informações quantitativas das amostras macro e micro, trazendo a possibilidade de gerar resultados mais satisfatórios e fidedignos, aliados a uma interface amigável. É importante verificar alternativas para facilitar a identificação desses minerais, combinando as técnicas de computação (COSTA, op. cit.).

Segundo Alves et al. (2019), o ML utiliza a classificação prévia juntamente com as características de cada elemento e infere suas próprias regras de classificação por meio das características. Existem vários algoritmos na literatura da computação, como: K-meansclustering, cobwebclustering, DBScan, single-linkageclustering, neighborjoining, self-organizingmapsetc, todos com suas vantagens e desvantagens, havendo variações sobre a limitação, rapidez e representatividade de cada algoritmo (GAGO, 2013).

O ML é uma ferramenta que possui boas aplicações e resultados, além de ser muito promissor para melhorar a eficiência e a qualidade da investigação, interpretação e modelagem geológica (ALVES et al., 2019). O Software oferece oportunidade de desenvolver muitas atividades com o ML, como por exemplo: definir estruturas; RQD; determinar a porcentagem de minerais visualmente distintos, como sulfetos; identificar casos de má classificação de unidades litológicas durante a descrição humana; analisar tamanho de partículas e propriedades geomecânicas, entre outros (IMAGO, 2020).

Conforme Cracknell (2014), a aplicação do algoritmo de ML requer três etapas principais: (1) Pré-processamento de dados; (2) Treinamento do algoritmo e (3) Avaliação preditiva. Esta metodologia fornece uma base para gerar previsões geologicamente significativas, precisas e importantes com intervenção mínima do usuário e auxilia na realização de interpretações confiáveis ​​de fenômenos geológicos complexos.

Os algoritmos tentam reconhecer padrões por meio de uma abordagem adaptativa automática e, em seguida, aplicam os padrões identificados a outros dados semelhantes (CRACKNELL, op. cit.). O objetivo do ML é auxiliar os geólogos no processo de descrição de amostras, de forma que as interpretações sejam robustas e confiáveis.

Resultados

Análise comparativa das empresas

Foi realizada uma pesquisa entre três empresas de geotecnologias, no segmento de tratamentos dos dados a partir de imagens de testemunhos de sondagem, que capturam dados geológicos, visando facilitar a descrição das amostras e a análise das informações obtidas. As empresas são: Imago, Graiph e DTM CoreScan. A Tabela 1 apresenta um comparativo entre seis critérios:

1. Captura de dados;
2. Funcionamento do software;
3. Armazenamento dos dados;
4. Conexão ou integração com outros softwares;
5. Machine learning;
6. Utilização, que é onde o software é executado.

A Tabela 1 foi desenvolvida utilizando informações dos próprios desenvolvedores, e foi retirada dos sites das empresas citadas.

Tabela 1 – Comparação das principais empresas na área de geotecnologias na captura de dados.

Graiph Inteligência Artificial

A Graiphé uma empresa com sede em Santiago, Chileque utiliza AI e ML para analisar fotografias de testemunhos de sondagem e retornar parâmetros geotécnicos e informações geológicas que podem ser de grande valor técnico, padronizando o processo descritivo em geologia. É uma empresa tecnológica e inovadora, focada no desenvolvimento de software que utiliza modelos de ML para automatizar e melhorar as descrições geotécnicas e geológicas, fornecendo informações técnicas detalhadas, reduzindo o tempo em cerca de 50% e com descrições mais padronizadas (GRAIPH, 2020).

Segundo Arellano (2018), conforme é feita a descrição por meio do software,é gerado um sistema de aprendizagem automática que reconhece progressivamente os diferentes tipos de descontinuidades, com possibilidade de editar e melhorar o sistema, além de aplicar os protocolos de descrição para o cálculo de recuperação nos intervalos de testemunhos de sondagem.

Por meio de diferentes softwares (para tablet ou computador), é possível validar a informação completa com observações relevantes, dar características a cada uma das descontinuidades, e várias alternativas que se pode descobrir ou solicitar para reduzir ao máximo os possíveis problemas existentes (GRAIPH, op. cit.).Inicialmente são analisados os dados atuais armazenados no banco de dados e seus protocolos descritivos. Essa base pode ser: imagens de testemunhos de sondagem, concreto, encostas rochosas, amostras em geral etc.Por meio do softwareGraiphé possível treinar e implementar diferentes modelos preditivos com várias utilidades, tais como:

• Cálculo granulométrico;
• Detecção de diferenças litológicas;
• Estimativa de porcentagens de rocha;
• Análise geotécnica;
• Estudos estatísticos em geral.

Com a orientação de Graiph pode-se realizar um completo e rápido controle de qualidade das descrições por meio da utilização de fotografias e modelos preditivos, além de contrastar esses dados com outros tipos de estudos como Televiewer, imagens hiperespectrais, amostragem geoquímica, entre outros (ARELLANO, 2018).

DTM CoreScan

A DTM é um grupo de consultoria e serviços de engenharia global com sede em Essen, Alemanha. O software da DTM inclui o gerenciamento, organização e visualização do testemunho escaneado, análise do núcleo, amostragem do núcleo, dados de registro, descrição do núcleo, avaliação estrutural e exibição de imagens. Além disso, o software atua como um sistema de gerenciamento de dados para todos os dados relacionados ao núcleo de perfuração e ao furo / poço (DTM, 2020).O DMT CoreScan produz imagens ópticas de 360​​° do núcleo de perfuração com uma resolução padrão de 10 pixels/mm e resolução máxima de 40 pixels/mm. Este equipamento de perfilagem possibilita o registro e calibração de seções de núcleo de perfuração de 25 a 150 mm de diâmetro de até um metro de comprimento em uma única operação. O software de digitalização corresponde aos processos do sistema dos dados digitalizados e gera uma imagem de núcleo em cores reais (DTM, op. cit.).

O software foi desenvolvido para gerenciar e organizar imagens digitalizadas, que são armazenadas em uma biblioteca digital de núcleo de perfuração. A biblioteca pode ser disponibilizada a todos os geólogos ou engenheiros de exploração e produção envolvidos em todo o mundo, sem qualquer atraso significativo entre a perfuração e o registro. Os efeitos que a alteração física ou química do núcleo, manuseio do núcleo e análise destrutiva têm na condição, documentação e avaliação do núcleo são minimizados, e os problemas associados com núcleos ausentes ou desordenados ou caixas de núcleo misturadas são mitigados. Como tal, este procedimento é um grande passo a frente na garantia de qualidade e preservação do núcleo (SAGA, 2019).

O sistema DTM CoreScané composto por (SAGA, op. cit.):

• DMT CoreScan 3 (sistema de scanner de tecnologia de ponta);
• DMT CoreScan UV (dispositivo de geração de imagens por fluorescência UV);
• DMT CoreBase 2 (software de análise e banco de dados).

As estruturas geológicas podem ser avaliadas por rotinas de pickup (estratificação, foliação, junção, faltas, veios etc.) e todas as estruturas determinadas podem ser calibradas e orientadas contra o norte em relação aos perfis geofísicos. Parâmetros geomecânicos, como RQD, FD e FS podem ser derivados automaticamente uma vez que as estruturas foram avaliadas (DTM, op. cit.).

Imago

Por meio destesoftware é possível extrair informações de imagens geocientíficas, utilizando câmeras profissionais comuns que capturam um conjunto abrangente de dados de imagens digitais com alta qualidade, e que, quando combinados com outros dados, têm o potencial de serem analisados ​​por algoritmos de ML (DESWIK, 2018). A inspeção visual de rochas fornece informações instantâneas e ricas sobre o cenário geológico, e a vantagem de se utilizar câmeras profissionais comuns reside na facilidade de adquirir e manter este equipamento no dia-a-dia, além de ser possível capturar imagens diretas de um celular por meio do aplicativo ImagoMobile ou o Software Capture X, sendo possível conectar diretamente a câmera ao notebook (PACHECO, 2020).

A sistematização e padronização do método fotográfico (Figura 8) é um fator determinante para o sucesso deste software. Recomenda-se separar uma área dedicada a essa tarefa, sendo gruas e tripés boas escolhas para a aquisição de fotos de testemunhos de sondagem, o mesmo podendo ser feito em menor escala para fotografias de chips. A câmera a ser utilizada deve ser uma câmera profissional com boa definição e com possibilidade de configurações de ISO, saturação de luz e abertura de lente.A aquisição de dados pode ocorrer em várias escalas, dependendo tão somente do interesse da empresa, indo de fotografias em laboratórios escolares a litotecas de grandes projetos, de modo que é possível montar um sistema modular que se adequa às necessidades. As imagens a seguir representam métodos de aquisição de imagens para testemunhos e chips.

Figura 8 – Modelo de estúdio para captura de fotos de testemunhos
Fonte – IMAGO, 2020.

Figura 9 – Modelo de captura de fotos em menor escala para chips.
Fonte – IMAGO, 2020

As imagens capturadas sincronizam-se com a biblioteca Imago Cloud, sendo esta disponibilizada para acesso aos membros da equipe, e seu funcionamento é online e off-line.No modo online o acesso às imagens é instantâneo e fornece informações que apoiam a sua interpretação e o trabalho de modelagem. De acordo com Imago (2020) e Cuartas (2020), na biblioteca gerencia-se qualquer tipo de imagem (RGB, televiewer, chip, lâmina delgada, foto de campo, entre outras), permitindo medir as amostras, visualizar o mapa da localização da amostra, além do acesso ser possível em qualquer lugar. O Software Imago interliga-se com outros programas de modelamento geológico, p.ex.Leapfrog, Vulcan, Surpac, Micromine, Datamine (IMAGO, op. cit.).

Segundo Young (2019), a maioria das operações de mineração de médio e grande porte hoje realiza a captura de imagens de testemunhos de sondagem. Normalmente, isso envolve tirar fotos usando um smartphone ou câmera fotográfica e transferi-las para um sistema de arquivos organizado hierarquicamente por projeto, número do furo de sondagem e sua profundidade. Posteriormente, inserir as fotos em sua unidade ou Dropbox, e, quando necessário acessá-las, é preciso buscar a pasta em meio a diversos arquivos. Quando se trata de um projeto de longo prazo com muitos furos, esse armazenamento pode ser problemático.

Descrição no Software Imago

Conforme Imago (2020), organizar corretamente seus dados é a chave para obter o melhor de seu software, na figura abaixo é possível visualizar claramente as etapas de como devemos configurar os dados, seguindo uma hierarquia como mostra na Figura 10:

1. Nome do projeto: Real Rock Mine;
2. Nome do conjunto de dados: Drilling;
3. Tipo de imagem: Core Boxes;
4. Tipos de imagem: dry (seco) e wet (úmido);
5. Coleções(furos): DrillHoleId01 e DrillHoleId02.

Figura 10 – Hierarquia dos dados Imago.
Fonte – Adaptado de IMAGO (2020).

No Software Imago Capture X, realiza-se a importação de fotos das caixas de sondagem e o recorte de cada furo de sondagem conforme a Figura 11. Nessa etapa, o programa é inteligente e intuitivo, possibilitando inclusive a criação de templates (padronizando o recorte dos testemunhos), otimizando o processo e proporcionando ao usuário uma maior agilidade na padronização das imagens. O Software reconhece espaços vazios sem testemunho (gaps) entre as medidas dos furos, sinaliza quando há erros ou dados inconsistentes e disponibiliza dois modos de exibição, com testemunhos wet(úmidos) e dry(secos).

Figura 11 – Padronização do recorte dos testemunhos de sondagem no Software Imago.

Depois das imagens recortadas, elas são exportadas em poucos minutos para a nuvem (Portal Imago), onde são realizadas as análises. No portal, é possível fazer alterações e correções, se necessário, e é possível ainda identificar diversos parâmetros, de acordo com o interesse do projeto. Neste estudo, foram definidos os parâmetros como: litologia e estrutural, para classificação de contatos, fraturas, veios e vênulas, e a análise da geoquímica.A litologia foi definida de modo visual, por meio do Software, utilizando a tecnologia de descrição por meio de captura de imagem. Foram identificadas quatro litologias, associando a geologia local onde os testemunhos de sondagem foram perfurados. As litologias identificadas (Figura 12) foram: solo, saprólito, diabásio, e granodiorito, conforme a imagem abaixo, classificando assim cada litologia presente.

Os primeiros metros de testemunhos foram descritos como solo e saprólito, uma vez que ambos são rochas decompostas e bastante friáveis, a diferença que as distingue é a variação na coloração e a presença de fragmentos da rocha protólito. Os metros iniciais apresentam coloração mais escura (devido a presença de matéria orgânica) e foram classificados como solo, logo após, foram descritos como saprólito devido a coloração amarelada, segundo Wingeet al. (2001), há uma alternância de cores dos saprolitos, indo de uma tonalidade amarelada, avermelhada, ou porções com tons cinzas. Em todo comprimento do furo foi descrito dois litotipos, o granodiorito e diabásio.O granodiorito está presente por ser a litologia predominante na área de estudo, denominada granodiorito União do Norte. Há também uma rocha máfica de coloração escura, textura subvulcânica e apresentando estrutura em forma de dique intrudido o granodiorito, denominada de diabásio.

A descrição geológica por meio do Software é uma etapa de fácil reconhecimento, principalmente quando já se tem um conhecimento da geologia regional e local consolidada, uma vez que a proposta do Software não é reconhecer amostras sem ter informações prévias, mas integrar os dados coletados em campo e nas referências bibliográficas e identificar de modo mais visual.

Figura 12 – Descrição litológica dos testemunhos de sondagem realizado no Software Imago.

A descrição de litologia e mineralogia por meio do ML consiste em reconhecer os minerais, demarcando cada um e identificando seu nome, e após a realização desta etapa repetidamente ao longo de aproximadamente 3000 metros, segundo Imago, (2020), o Software começa a reconhecer uma semelhança (padrão) em cada mineral. A etapa de ML deve ser realizada manualmente pelo geólogo que realizará a descrição mineralógica, treinando o algoritmo. Após o treinamento no Software, o algoritmo passa a reconhecer sozinho os dados ao qual foi treinado, como por exemplo: mineralogia, litologia, estrutural, de acordo com os padrões definidos.

O software utilizado não possibilita diferenciar quebras mecânicas por manipulações dos testemunhos de famílias de fraturas estruturais. A descrição estrutural foi identificada por meio de quatro parâmetros principais: contatos, fraturas, veios e vênulas.

De acordo com Schroeter (2015), veio é a designação dada em geologia e petrologia a corpos foliares de materiais distintos, encaixados no interior de uma massa rochosa. O veio é, em geral, formado por minerais diferentes daqueles que estão presentes nas rochas encaixantes. Já as vênulas são comumente menores que os veios, e também são formados por minerais diferentes que a rocha presente (SCHOETER, op. cit.). Desse modo, as feições estruturais foram descritas manualmente de forma visual, por meio da captura de imagem no Software, assim como a descrição litológica citada anteriormente. Na Figura 13 é possível identificar os parâmetros descritos.

Figura 13 – Descrição estrutural de fraturas dos testemunhos de sondagem.

A classificação é bem simples de executar e o resultado é bastante visual, o ideal é utilizar cores que contrastem bem com as imagens, para facilitar a identificação e análise dos padrões litológicos e estruturais, facilitando a sua associação com a geologia da área de forma mais visual.

Foi utilizando uma planilha de assaygenérica para a correlação com a litologia, esses dados são inferidos da área de estudo, e foram considerados os valores de baixo (1), médio (2) e alto (3) teor. Foi utilizado os valores 1, 2, e 3 devido a natureza sigilosa dos dados, uma vez que não podemos divulgar os teores reais. Nesta etapa, a definição desse parâmetro não foi manual como nas anteriores – a planilha geoquímica foi inserida no Software Imago Connect. No Portal Imago foram realizados alguns ajustes necessários, de modo que os teores se associam aos intervalos dos testemunhos de sondagem, conforme a Figura 14.

Há dois modos de visualização, sendo: caixa padrão e testemunhos reconstruídos, disponibilizados na vertical, conforme pode ser visto na Figura 14-A.

Figura 14 – Disposição da geoquímica associada a litologia, no quadro (A) há uma relação metro a metro.

Na faixa de alto teor de 6,27-6,94 metros, não foi possível observar por meio do software estruturas bem marcadas como falhas, fraturas, veios e vênulas (devido ao intervalo estar friável) mas há descrito um contato litológico próximo entre o diabásio e granodiorito (Figura 15), sendo um possível facilitador para a percolação de fluidos hidrotermais mineralizados.

Figura 15 – Faixa de alto teor (em vermelho) associado ao contato proximal entre diabásio e granodiorito.

Apesar de a descrição de alterações hidrotermais ser um processo minucioso e de alto grau de detalhe, neste procedimento de descrição não foi possível descrever todas as associações mineralógicas para se definir zonas de alterações bem marcadas, mas foi possível observar minerais como quartzo venular, epidoto, sulfetos disseminados e venulares. Após a identificação de litologia, estruturas e geoquímica por meio da captura de imagem é possível compreender que a descrição por meio de aquisição de imagens gera bons resultados, uma vez que as descrições são bem ágeis e ajudam no registro e organização de dados importantes para um projeto exploratório, de modo a facilitar a visualização, ocorrendo menor perda dos dados, uma vez que após a descrição em campo, já se pode registrar diretamente os dados no Software.

Descrição em Galpão de Sondagem

A qualidade da aquisição de dados em uma campanha de pesquisa mineral é muito importante desde o início de um empreendimento mineral até o seu fechamento. Na etapa da pesquisa mineral são realizadas sondagens, que trazem informações importantes para o melhor desenvolvimento de uma mina. A descrição dos testemunhos provenientes das sondagens tem como objetivo principal entender o contexto e permitir a identificação do potencial exploratório de uma área. No entanto, há uma segunda função vital no empreendimento, que é a comprovação de estudos e resultada em caso de auditoria. Os testemunhos são armazenados em caixas, e após a descrição geológica realizada pelo geólogo responsável e o registro fotográfico, as caixas dos testemunhos são amostradas e posteriormente armazenadas no galpão de sondagem da empresa.

Neste local, é realizado um trabalho sistemático de aquisição de dados, que consiste no registro fotográfico das amostras. São posicionadas no máximo duas caixas por fotografia; as caixas são alinhadas e identificadas, e é importante ter ao lado das caixas plaquetas de identificação, com nome do furo, from/to (de/até) e o número da caixa. É fundamental ter um padrão na nomenclatura do arquivo, tudo isso com intuito de organizar e facilitar a identificação.

A descrição dos testemunhos se inicia com a conferência da disposição das amostras na caixa, essa conferência garante que estejam na ordem correspondente em relação às manobras realizadas durante a perfuração. A troca da ordem das amostras pode ocasionar erros na estimativa do depósito mineral causando grandes prejuízos ou mesmo inviabilizando-o.

De acordo com Contreras, Khodadadzadeh&Gloaguen (2020), ao realizar os registros dos testemunhos de sondagem podem ser identificados os intervalos de maior interesse. Os métodos analíticos (que dependem das litologias e interesses econômicos dos depósitos), incluem microscopia ótica, difração de raios-X (XRD), Fluorescência de raios-X (XRF), Análise por Microscópio Eletrônico de Varredura (MEV), todos potencialmente integrados com o Software Mineral Liberation Analysis (MLA), entre outros.

Segundo a Ficha de Procedimento Padrão de Descrição Geológica de Testemunho de Sondagem da Fides Exploration, o testemunho é descrito de acordo com os intervalos litológicos e de forma a representá-los, com subdivisões complementares baseadas na qualidade, estrutura, textura, inclinação da camada e magnetismo. O cabeçalho deve conter o nome do furo, a profundidade final, o nome do geólogo responsável, a data, as coordenadas da posição da boca do furo. As descrições podem se subdividir com base em suas características qualitativas, texturais e estruturais. A Ficha deve ser preenchida manualmente, e posteriormente digitalizada para arquivamento no servidor. Além disso, é realizado o preenchimento das planilhas eletrônicas: collar, survey e assay, contendo um resumo com os intervalos descritos e suas litologias predominantes, alteração hidrotermal, estrutural, geoquímica, entre outras informações primordiais.

A sistematização do processo descritivo dos testemunhos de sondagem tem como objetivo principal impedir anormalidades no percurso do trabalho, evitando que as descrições fiquem inconsistentes e consequentemente sejam arquivados de forma incorreta nos bancos de dados da empresa. Os geólogos, responsáveis pelo projeto exploratório, devem assegurar a qualidade e consistência das descrições geológicas com o intuito de registrar as descrições e análises realizadas em um banco de dados. Em um procedimento normal de descrição em galpão de sondagem, muito dados importantes e relevantes são extraídos, por isso o armazenamento dos mesmos torna-se muito importante para o projeto exploratório.

Discussões e Conclusões

Para a realização da etapa de ML são necessários aproximadamente 3000 metros de testemunho de sondagem em imagens, para que o algoritmo do Software reconheça os padrões de descrição com maior eficácia. Entretanto, foram obtidos para a pesquisa, apenas 73 metros de testemunhos de sondagem do furo PR-DH-004, devido o sigilo dos dados da Fides Exploration, que não pode ceder mais testemunhos, além da licença que não inclui o ML, estes dois fatores impossibilitaram a realização desta etapa.

Sendo assim, foi realizado o reconhecimento por meio da captura de imagens geológicas, onde as fotografias dos testemunhos de sondagem foram inseridas no Software e realizou-se a descrição de litologia, feições estruturais e inserção de dados geoquímicos, visando associar a geoquímica com as descrições realizadas. Na descrição estrutural foi possível identificar estruturas como: fraturas, vênulas e veios, que foram descritos em quase todo o furo, tendo algumas variações, como o aumento de fraturas no diabásio.

Quando comparado a descrição por Software com a descrição realizada em galpão de sondagem fica claro a facilidade e a segurança no armazenamento dos dados diretamente no Software. As duas técnicas podem otimizar o tempo gasto em descrições no galpão de sondagem, e preservam os dados coletados e analisados de forma mais segura na nuvem.

O Software permite a digitalização dos furos por meio de aquisição de imagem, que além de arquivar as fotos em acervo digital, possui acesso ágil e visual dos dados inseridos e analisados, facilitando na organização dos dados.

Após análise dos testemunhos e treinamento da nossa equipe, conclui-se que a descrição por meio de aquisição de imagens oferecidos pela Imago permite otimizar o tempo gasto nessas atividades, além de permitir o armazenamento dos dados, facilitando o acesso e visualização instantânea das caixas de sondagem de cada projeto da empresa, sendo importante inclusive em casos de auditoria.

O Software complementa a descrição e análise qualitativa do geólogo, trazendo maior agilidade nas descrições, segurança e fácil acesso no banco de dados digital, armazenando e padronizando dados primordiais para o setor mineral, além de interligar os dados obtidos a outros programas utilizados na geologia. É possível concluir ainda que as outras empresas: Graiph e DTM Corescan possuem uma tecnologia semelhante e até mesmo mais avançada, como por exemplo a rotação 360° dos testemunhos de sondagem da Graiph, que permite visualizar as feições com maior detalhe de informações.

Agradecimentos

O nosso agradecimento ao nosso professor e orientador Ulisses Cyrino Penha e a coorientadora Gláucia Cuchierato, que nos auxiliaram, e apoiaram durante a elaboração deste artigo. Agradecemos também a Equipe da Imago: Federico Arboleda, Carlos David Valencia e Santiago Cuartas, pela licença cedida, além de todo o suporte e treinamento ofertado. Somos gratos, ainda, ao Alexandre Sousa da Fides Exploration por ter cedido gentilmente as imagens do furo de testemunho de sondagem, que foram fundamentais para o desenvolvimento do trabalho. Por fim, agradecemos também a todas as pessoas que contribuíram de alguma forma para a realização deste trabalho.

Referências Bibliográficas

 ALVES, M.A., WANG, D.X., PINTO, V. M., BORGES, H.P., & FONSECA, E.H., 2019. A classificação automática de minerais utilizando técnicas de aprendizado de máquina. Engenharia no Século XXI. v. 13, cap. 20 – Organização Editora Poisson – Belo Horizonte – MG.

ANJOS G. S., 2020, Mapeamento geológico e análise estrutural das mineralizações auríferas do Alvo Peru – Província Mineral de Alta Floresta (MT): Trabalho de Conclusão de Curso, Universidade Estadual de Campinas, Brasil.

ARELLANO, M.S. 2018. Vicios geológicos al mapear sondajes (Parte 1). Disponível em: <https://medium.com/@marcelosurjan/vicios-geol%C3%B3gicos-al-mapear-sondajes-parte-1-e83b1ac839a3>. Acesso em: 9 dez. 2020.

‌ASSIS R.R., 2011, Depósitos auríferos associados ao magmatismo granítico do setor leste da Província de Alta Floresta (MT), Craton Amazônico: tipologia das mineralizações, modelos genéticos e implicações prospectivas. Dissertação de Mestrado, Universidade Estadual de Campinas, Campinas, Brasil, 428p.

ASSIS R.R., 2015, Depósitos auríferos associados ao magmatismo félsico da Província de Alta Floresta (MT), Cráton Amazônico: litogeoquímica, idade das mineralizações e fonte dos fluidos. Doutorado, Universidade Estadual de Campinas, Campinas, Brasil, 320p.

ASSIS R.R., XAVIER R.P., CREASER R.A., 2017.Linking the Timing of Disseminated Granite-Hosted Gold-Rich Deposits to Paleoproterozoic Felsic Magmatism at Alta Floresta Gold Province, Amazon Craton, Brazil: Insights from Pyrite and Molybdenite Re-Os Geochronology.Economic Geology, v.112, pp.1937-1957.

BARROS, A.J.P de, 2007, Granitos da região de Peixoto de Azevedo—Novo Mundo e mineralizações auríferas relacionadas—Província Aurífera Alta Floresta (MT). Tese de Doutorado, Instituto de Geociências, Universidade Estadual de Campinas, Campinas, Brasil, 154p.

BETTENCOURT J.S., JULIANI C., XAVIER R.P., MONTEIRO L.V.S., BARROS NETO A.C., KLEIN E.L., ASSIS R.R., LEITE Jr. W.B., MONERTO C.P.N., FERNANDES C.M.D., PEREIRA V.P., 2016.Metallogenetic systems associated with granitoid magmatism in the Amazonian Craton: An overview of the present level of understanding and exploration significance. Journal of South American Earth Sciences, v.68, pp. 22-49.

BISHOP, C.M., 2006. Pattern recognition and machine learning: Springer. New York.

BOULENT.J., SAMUEL.F.,JÉRÔME.T., PIERRE-LUC.S., 2019, Convolutional Neural Networks for the Automatic Identification of Plant Diseases.Frontiers in Plant Science. V10. P941

CATÉ, A., PEROZZI, L., GLOAGUEN, E. & BLOUIN, M., 2017. Machine learning as a tool for geologists. Special Section: Data analytics and machine learning. The Leading Edge. 36. 215-219. 10.1190/tle36030215.1.

CONTRERA, I.C., KHODADAZADEH, M. & GLOAGUEN, R., 2020. Multi-Label Classification for Drill-Core Hyperspectral Mineral Mapping. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, V. XLIII-B3-2020, XXIV ISPRS Congress.

CORDANI U.G. & TEIXEIRA W., 2007, Proterozoic Accretionary Belts in the Amazonian Craton. The Geological Society of American Memoir, v.200, pp.297-320;

COSTA, F.R., NERY, G.P., ULSEN, C., ULIANA, D., CONTESSOTTO, R., TASSINARI, M.M.M.L. & KAHN, H., 2016. Caracterização das formas de ocorrência e associações de ouro por análise de imagens quantitativa. Tecnologia em Metalurgia, Materiais e Mineração.  v. 14, n. 2, p. 175-182.

CRACKNELL, M.J., 2014. Machine learning for geological mapping: Algorithms and applications. Tese de Doutorado. UniversityofTasmania.

CUARTAS, S., 2020. Apresentação do software e machine learning. Palestra online proferida para estudantes da disciplina de TCC do Uni-BH em: 01 set. 2020.

DESWIK. 2018. Imagine o futuro da mineração. Desenvolvido por Deswik Mining Consultants. Disponível em:<https://www.deswik.com/news/picture-future-mining/>. Acesso em 27 set. 2020.

DNIT – Departamento Nacional de Infra-Estrutura de Transportes. 2018. Rodovias Federais do Brasil – Rede Urbana. Disponivel em: <http://servicos.dnit.gov.br/vgeo/>. Acesso em 04 set. 2020.

DTM Corescan. 2020. Disponível em: <https://www.corescan.de/products/software/corestructure.html>. Acesso em: 07 dez. 2020.

‌GAGO, E., 2013. Machine Learning em ambiente de mineração de dados. InfoQ. Disponível em: <https://www.infoq.com/br/presentations/machine-learning-mineracao-dados/#theCommentsSection>. Acessoem: 7 Nov. 2020.

GÉRON, A., 2017. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O’Reilly Média, p. 568.

GOMES, D. dos S., 2010. Inteligência Artificial: Conceitos e Aplicações. Revista Olhar Científico – Faculdades Associadas de Ariquemes – V. 01, n.2, p. 234-246.

GraiphInteligencia Artificial. 2020. Descripción de sondajes. graiph. Disponível em: <https://www.graiph.ai/>. Acesso em: 9 dez. 2020.

‌HALL, B., 2016. Facies Classification Using machine learning. The Leading Edge. v. 35, n. 10, p. 906-909.

IBGE–  Instituto Brasileiro de Geografia e Estatística. 2014. Disponivel em:<https://www.ibge.gov.br/>. Acesso em 04 set. 2020

IGAM–  Instituto Mineiro de Gestão das Águas. 2015. Disponível em:<http://www.igam.mg.gov.br/>. Acesso em 04 set. 2020.

Imago. Desenvolvido por Imago Inc. Geological Data Management. Imago.Live. 2020. Disponível em: <https://www.imago.live/>. Acesso em: 23 ago. 2020.

MATOS, J.H.S.N. 2019. Evolução estrutural e metalogenética de depósitos de ouro e metais base em sistemas pórfiro-epitermaispaleoproterozóicas da província mineral de Alta Floresta, Cráton Amazônico. Exame de Qualificação de Doutorado, Universidade Estadual de Campinas, Campinas, Brasil, 95p.

MIGUEL-JR., E., 2011, Controle Estrutural das mineralizações auríferas e idades U-Pb das rochas encaixantes ao longo do Lineamento Peru-Trairão: Província Aurífera de Alta Floresta, Mato Grosso. Mestrado, Universidade Estadual de Campinas, Campinas, Brasil, 66p.

MONARD, M.C. & BARANAUKAS, J.A. 2000. Aplicações de Inteligência Artificial: Uma Visão Geral. Laboratório de Inteligência Computacional Instituto de Ciências Matemáticas e de Computação de São Carlos Universidade de São Paulo.

MOURA M.A., BOTELHO N.F., OLIVO G.R., KYSER T.K., 2006, Granite-Related Paleoproterozoic, Serrinha Gold Deposit, Southern Amazonia, Brazil: Hydrothermal Alteration, Fluid Inclusion and Stable Isotope Constraints on Genesis and Evolution.Economic Geology, v.101, pp.585-605.

OSAKI, M.M., 2018. Inteligência artificial, prática médica e a relação médico-paciente. Revista de Administração em Saúde, v. 18, n. 72.

PACHECO, C.D.V. Treinamento do Software Imago Capture x, Treinamento da plataforma Imago, Esclarecimento de Dúvidas e trabalhar dados no software Palestra online proferida para a equipe de TCC do Uni-BH em: 05 out.; 16 out. e 20 out. 2020.

RAGGI, J. 2014. Gestão de Projetos de Mineração – Revista In The Mine. Revista In The Mine. Disponível em: <https://www.inthemine.com.br/site/gestao-de-projetos-de-mineracao/>. Acesso em: 14 Out.. 2020.

‌RODRIGUES, R.M. 2012. Caracterização Geológica e Metalogenética do Depósito X1 – Província Aurífera de Alta Floresta, Região de Matupá (MT). Dissertação de Mestrado, Universidade Estadual de Campinas, Campinas, Brasil, número: 449/2012

RUSSEL, S.; NORVIG, P. 2004. Inteligência Artificial. 2. Ed. Rio de Janeiro: Campos.

SAGA CONSULTORIA. 2019. DMT CoreScan – Alta tecnologia no registro de testemunhos de sondagem – Saga Consultoria. Disponível em: <http://sagaconsultoria.eng.br/dmt-corescan-alta-tecnologia-no-registro-de-testemunhos-de-sondagem/>. Acessoem: 05 dez. 2020.

‌SANTOS J.O.S., HARTMANN L.A., GAUDETTE H.E., GROVES D.I., MCNAUGHTON N.J., FLETCHER I.R., 2000, A New Understanding of the Provinces of the Amazon Craton Based on Integration of Field Mapping and U-Pb and Sm-Nd Geochronology. Gondwana Research, v. 3, pp.453-488.

SILVA, A. 2019. Desafios, Mitos e Verdades sobre Machine Learning. Sas.com. Disponível em: <https://www.sas.com/pt_br/insights/articles/analytics/machine-learning-mitos-verdades.html>. Acessoem: 8 Nov. 2020.

‌SCHODDE, R., 2011, Recent trends in gold discovery: Presented at NewGenGold Conference. Perth. v. 2.

SCHROETER, T., 2015. Vein Deposits. Earth Science Australia Home Page. Disponível em: <earthsci.org>. Acesso em: 03 Nov. 2020.

TASSINARI, C. & MACAMBIRA, J. B. 1999. Geochronological provinces of the Amazonian Craton. Episodes[S.l.], v. 22, n. 3, p. 174-182. Disponível em: <https://doi.org/10.18814/epiiugs/1999/v22i3/004>. Acesso em 20 out. 2020.

TASSINARI, C.; BETTENCOURT, J.; GERALDES, M.; MACAMBIRA, M. & LAFON, J.M. 2000. The AmazonianCraton. Tectonic Evolution of South America. 41-95.

TREVISAN V.G., 2015, Estudo comparativo entre mineralizações filonares de Au ± Cu e Au + metais de base do setor leste da Província de Alta Floresta (MT), Cráton Amazônico. Dissertação de Mestrado, Universidade Estadual de Campinas, Campinas, Brasil, 129p.

Winge, M. et. al. 2001. Glossário Geológico Ilustrado. Disponível na Internet  em  23 de novembro de 2020  no site http://sigep.cprm.gov.br/glossario/

YOUNG, J. 2019. 7 Reasons to Use Drill Core Photography Software – Imago.Live. Imago.Live. Disponívelem: <https://www.imago.live/7-reasons-use-drill-core-photography-software/>. Acesso em: 8 Nov. 2020

[1]Este trabalho foi desenvolvido para a conclusão do curso de Geologia da UniBH, sob a orientação do Prof. Dr. Ulisses C. Penha e co-orientação da Geóloga Gláucia Cuchierato.

Contatos: cazassa.oliveira@gmail.com | dolcematheus@gmail.com | rafaeltcferreira@hotmail.com | glaucia@geoansata.com.br | ulisses.penha@gmail.com