DETECÇÃO DE DESCRIÇÕES LITOLÓGICAS ANÔMALAS UTILIZANDO ISOLATION FOREST: UM ESTUDO DE CASO EM MINA DE FOSFATO

A qualidade dos dados geológicos na mineração é fundamental para a estimativa de recursos, sendo que descrições litológicas incorretas podem comprometer a definição de domínios de estimativa. Esses erros comumente estão associados à dificuldade de se diferenciar litologias apenas por critérios macroscópicos. Este estudo propõe a aplicação do algoritmo Isolation Forest—um método não supervisionado baseado no princípio do isolamento—para identificar possíveis erros de descrição litológica em furos de sondagem de uma mina de fosfato. O algoritmo constrói árvores de isolamento binárias, classificando como anomalias amostras com profundidade média de isolamento reduzida. O fluxo de trabalho incluiu: remoção de dados faltantes, análise exploratória, pré-processamento, amostragem do conjunto de treino, modelagem e validação do modelo. Os resultados demonstraram eficácia: na validação geoquímica, as cinco amostras identificadas como anomalias realmente são possíveis erros de descrição litológica, enquanto, na validação por injeção de anomalias artificiais, o modelo alcançou 100% de acurácia. Conclui-se que a metodologia é promissora para auxiliar na detecção de inconsistências litológicas que impactam diretamente a estimativa de recursos, oferecendo uma ferramenta robusta para aprimorar a confiabilidade dos dados na cadeia de mineração.