A utilização da técnica de redes neurais artificiais na modelagem de fenômenos geológicos teve início na última década e tem se intensificado principalmente no campo da geotecnia e geologia de engenharia. As aplicações em geologia econômica são mais escassas e dirigidas a exploração de petróleo e estimativa de reservas minerais.
Toll, 1996, fez uma revisão das aplicações de sistemas de inteligência artificial (AI) em geotecnia na primeira metade da década de 90, relacionando dezenas de artigos publicados em modelagem de terrenos, classificação de solos e rochas, desmonte de rocha, estabilidade de taludes, barragens, e outras aplicações mais voltadas para a engenharia. Dentre esses uma fração utiliza especificamente técnicas de redes neurais, de onde o citado autor destaca os trabalhos de Zhou & Wu (1994) no mapeamento de subsolo e de Basheer et al (1996) no mapeamento de permeabilidade de aterros. Ainda segundo Toll (1996), a utilização de redes neurais na classificação de maciço rochoso para estudos de estabilidade de taludes foi descrita por Millar & Hudson (1994), e também por Cai (1995) para planejamento de desmonte de rocha. Yi & Lindqvist (1995) aplicaram redes neurais na predição de parâmetros de qualidade de rocha ( RQD).
Ainda no campo da geotecnia Dyminski (2000) testou no Brasil a técnica de redes neurais MLP com algoritmo de Levenberg-Marquardt na solução de problemas diversos da engenharia civil tais como: simulação de resultados de provas de carga dinâmica, análise do comportamento mecânico de solos arenosos de Ipanema e residual gnáissico do Rio de Janeiro, e simulação das características do subsolo do sítio da Usina Nuclear Angra 2. Esta última aplicação envolve muitos aspectos como disposição das camadas de solo, nível de água subterrâneo, resistência à penetração do solo (SPT) e modelagem topográfica. Em todos os casos os resultados obtidos foram bastante satisfatórios e tanto ou mais eficientes que as técnicas numéricas tradicionais.
O uso de redes neurais na determinação de litologias em poços de exploração de petróleo foi descrito por Rogers et al (1992), onde uma rede MLP com duas camadas alimentada com as variáveis raios gama, nêutrons e densidade, aprendeu a reconhecer tipos litológicos. Aplicações semelhantes têm sido relatadas sempre utilizando algoritmos de retropropagação, e mais recentemente Kumar et al (2000) interpolaram litologias a partir de informações de sondagem fundindo as técnicas de redes neurais MLP com lógica fuzzy, obtendo um resultado mais acurado que os métodos de RN conhecidos até o momento.
No campo da geologia econômica a utilização de redes neurais como método de estimativa de reservas minerais tem sido proposta e aperfeiçoada nos últimos sete anos por pesquisadores do grupo “AIMS Research” da Universidade de Nottingham, Inglaterra. Anteriormente ao grupo, Wu e Zhou (1993) propuseram o uso de redes MLP na modelagem da variação espacial e distribuição de teores de minério a partir de furos de sondagem em uma mina de cobre, lançando um simulador adaptativo chamado “DQP-Dynamic Quick Propagation” para determinar os parâmetros ideais de arquitetura e treinamento de redes neurais.
As primeiras publicações do grupo de Nottingham datam de 1995 quando Burnett, em sua tese de doutorado, e Denby e Burnett (1995), no simpósio APCOM XXV, lançam um sistema denominado “GEMNet” para estimativa de teor e reserva usando redes neurais no mapeamento de amostras em três dimensões. O sistema baseia-se no mapeamento da função não-linear locação-teor através de redes de função de base radial (RBF) indicadas para a solução de problemas de interpolação multivariada real. Uma RBF em sua forma básica (figura 2.12) apresenta três camadas: a camada de entrada constituída por nós de fonte (neurônios de entrada), uma única camada oculta de alta dimensionalidade que aplica uma função não-linear nos sinais de entrada, e uma camada de saída com função linear. Nesses trabalhos, os autores comparam os resultados de estimativa de reservas em minas de cobre e ferro usando redes neurais com técnicas clássicas e geoestatísticas, atingindo desempenho comparável a estas últimas (krigagem).
Figura 2.12: Modelo de uma Rede de Função de Base Radial (RBF).
(modificada de Denby & Burnett, 1995) CAMADA
OCULTA ENTRADA
Aperfeiçoamentos no sistema GEMNet foram introduzidas por Kapageridis e Denby (1997, 1998) com destaque para a introdução de mais uma variável de entrada: distância e teor das amostras vizinhas circundantes ao ponto a ser estimado. Nesse momento, a função de interpolação da rede neural tornou-se mais complexa e mais próxima à abordagem dos métodos geoestatísticos, melhorando significativamente a função de aproximação da estimativa.
Os desenvolvimentos mais recentes no sistema foram publicados por Kapageridis et al (1999a, 1999b) com a denominação “GEMNet II” onde buscou-se uma integração com pacotes comerciais de modelagem geológica tridimensional (software Vulcan). O sistema no estágio atual de desenvolvimento consiste de 3 módulos que atuam como segue:
1) Divide o espaço tridimensional cúbico em torno de cada amostra em 6 setores equidimensionais onde são treinadas 6 redes neurais RBF tendo como sinais de entrada: comprimento e teores das amostras vizinhas contidas no espaço e respectivas distâncias em relação â amostra de treinamento; e como saída desejada o teor da amostra de treinamento;
2) Treina uma única rede RBF tendo como entrada as variáveis coordenadas espaciais (X,Y,Z) das amostras e como saída os respectivos teores;
3) Integração final dos dados através do treinamento de uma rede RBF tendo como entrada as saídas dos dois módulos anteriores e como saída o teor da amostra de treinamento.
A despeito da evolução das aplicações de redes neurais em geologia nos últimos anos, a técnica ainda é pouco conhecida e utilizada na industria mineral, empresas de engenharia geotécnica e construção civil. Ao contrário, as aplicações em áreas como mercado financeiro, telecomunicações, indústria automotiva, aeroespacial, eletrônica, e robótica são extensivas e bastante desenvolvidas.