IA na perfuração: otimize aço e custo por metro

Aço de perfuração não é “só um consumível”. Ele é, na prática, uma linha de P&L em movimento: cada troca de haste, cada broca que se desgasta cedo, cada metro perfurado fora do ponto ideal vira custo direto, tempo perdido e risco operacional. E em rochas como arenito e granodiorito — comuns em diferentes contextos geológicos na América do Sul — essa conta costuma ficar ainda mais salgada.

Um estudo publicado em 2025 (caso real numa mina subterrânea no Peru) mostrou algo que muita operação no Brasil ainda trata como tentativa e erro: dá para prever eficiência e custo por metro perfurado com machine learning e, melhor, otimizar parâmetros de perfuração com algoritmos de busca. O resultado foi agressivo: ganhos de eficiência acima de 360% (arenito) e 423,33% (granodiorito), com impactos bem diferentes no custo dependendo do tipo de rocha.

Esta análise faz parte da série “IA na Mineração e Recursos Naturais” e traz o que interessa para quem precisa de resultado no chão de mina: onde estão os ganhos, quais dados você precisa, como estruturar um piloto e o que evitar para não “queimar” IA logo na primeira tentativa.

O problema real: custo por metro não perdoa

O custo por metro perfurado é o indicador que expõe ineficiências escondidas. Ele junta consumo de aço (hastes/brocas), energia, tempo de perfuração, paradas, retrabalho e, indiretamente, até efeitos em desmonte e diluição.

Na prática, a maioria das operações ainda ajusta parâmetros (pressão de percussão, pressão/torque de rotação, taxa de avanço) com base em:

• experiência do operador (valiosa, mas variável)
• recomendações do fabricante (genéricas)
• respostas “na hora” quando algo sai do normal

O que o estudo evidencia é simples: a rocha muda, o desgaste muda, e o “ponto ótimo” muda junto. Quando você trata isso como regra fixa, paga a conta em forma de:

• desgaste acelerado de broca e haste
• perfuração lenta (menos metros por hora)
• aumento de intervenções e trocas
• custo por metro inflado

Para o Brasil, isso é especialmente relevante em 2025/2026 por um motivo bem pragmático: pressão por produtividade com CAPEX mais contido. Quando o investimento grande não vem, a eficiência vira “mina” de valor.

O que o case do Peru fez: prever + otimizar

A sacada do trabalho não foi “usar IA” — foi combinar previsão com otimização. Eles fizeram duas camadas:

1. Modelos preditivos para estimar eficiência e custos, usando variáveis de perfuração e desgaste.
2. Algoritmos de otimização para encontrar combinações de parâmetros que maximizam eficiência e controlam custo.

Dados analisados e variáveis que importam

O conjunto analisado teve 705 registros, com foco em variáveis diretamente ligadas ao desempenho do aço de perfuração, incluindo:

• desgaste da broca
• pressão de percussão
• pressão/condições de rotação
• custo por metro perfurado

Na linguagem do dia a dia: eles modelaram o que a equipe sente na pele — “essa rocha está comendo aço” — e transformaram em sinais quantificáveis para decisão.

Modelos testados (e por que isso importa para você)

Foram avaliados:

• Random Forest (RF)
• XGBoost (XGB)
• Árvores de Decisão (DT)
• Redes Neurais Artificiais (ANN)

O destaque foi a ANN, com melhor precisão geral. Para eficiência, o estudo reportou R² = 0,64 (com RMSE = 0,05 e MAE = 0,04). Para custos, a performance foi muito mais alta: R² = 0,96 (com RMSE = 0,03 e MAE = 0,03).

Tradução sem enrolação: custo por metro foi muito mais “modelável” do que eficiência naquele contexto. Isso é comum, porque custo costuma ser um agregado com padrão mais estável, enquanto “eficiência” pode carregar mais ruído operacional (operador, condições locais, ventilação, logística de frentes, etc.).

O resultado mais forte: otimização com PSO

A melhor combinação de otimização foi com PSO (Particle Swarm Optimization). Esse tipo de algoritmo busca boas soluções explorando várias combinações ao mesmo tempo, como um “enxame” testando caminhos e aprendendo com os melhores.

Os números reportados foram estes:

• Arenito: eficiência do aço aumentou 360%, com aumento de custo de 8,82%
• Granodiorito: eficiência aumentou 423,33%, com redução de custo de 32,71%

Aqui está o ponto que muita gente ignora quando fala de IA: otimização não é “reduzir custo” sempre. O objetivo pode ser:

• maximizar metros por turno mantendo custo sob controle
• reduzir custo por metro aceitando pequena queda de velocidade
• reduzir variabilidade (produção mais previsível)

No arenito, houve um trade-off: mais eficiência com leve aumento de custo. Na granodiorita, deu para ganhar eficiência e ainda cortar custo. Isso mostra como o “ótimo” é dependente do tipo de rocha — e por isso regras fixas falham.

Como aplicar na mineração brasileira: um roteiro que funciona

Dá para trazer esse tipo de abordagem para operações no Brasil sem esperar um “projeto gigante”. O caminho mais seguro é começar pequeno, com governança e objetivo fechado.

1) Defina um KPI que não aceita desculpas

Eu prefiro começar por custo por metro perfurado porque:

• é monetário (conecta com diretoria rápido)
• é rastreável por frente/turno/equipamento
• costuma ter menos “subjetividade” do que eficiência

KPIs complementares úteis:

• metros por hora (MPH)
• vida útil de broca/haste (m ou horas)
• taxa de trocas/intervenções
• variabilidade do desempenho (desvio padrão por turno)

2) Padronize os dados do jeito “chão de mina”

O maior erro em IA na mineração é tratar dado como se fosse só TI. Dado é operação. Um modelo bom nasce de rotina operacional consistente.

Checklist mínimo:

• identificação única de frente, turno, equipamento e operador
• registro de parâmetros (percussão/rotação/avanço) por intervalo de tempo
• registro de troca e condição de brocas/hastes
• marcação do tipo de rocha (mesmo que por classes simples)

Se a geologia não estiver granular, use uma classificação inicial pragmática (por exemplo, 3–5 classes) e refine depois.

3) Faça previsão antes de automatizar decisão

O estudo combina previsão e otimização, mas eu não começaria “direto no automático”. Um piloto saudável segue esta sequência:

1. Modelo de previsão de custo por metro e desgaste
2. Validação em produção (comparando previsão vs realizado)
3. Otimização sugerida (recomendações)
4. Só então: ajustes semi-automáticos ou automáticos, com limites

Isso reduz atrito com equipe e evita sustos de segurança.

4) Otimize com restrições (porque mina não é laboratório)

Otimização sem restrição vira conselho perigoso.

Restrições típicas que eu colocaria desde o dia 1:

• limites de pressão e rotação por especificação do equipamento
• limites por segurança (vibração, estabilidade, integridade de ferramentas)
• limites por qualidade do furo (desvio/diâmetro quando aplicável)
• penalidade para variabilidade (não basta “acertar uma vez”)

No fundo, você quer o melhor ponto operacional repetível, não o recorde de um turno.

Perguntas que sempre aparecem (e respostas diretas)

“Preciso de IA sofisticada para ter ganho?”

Não. Você precisa de dados consistentes e objetivo claro. O estudo usou ANN e PSO, mas muitas operações começam com modelos mais simples e já colhem valor. O importante é medir e iterar.

“705 registros é pouco?”

Para mineração, 705 pode ser um começo bom se os dados forem bem definidos e representarem variabilidade real. Mais importante que volume bruto é:

• cobertura de diferentes frentes/rochas
• diversidade de condições operacionais
• qualidade do rótulo (custo, desgaste, etc.)

“Isso vale para céu aberto também?”

Sim, com adaptações. Em céu aberto entram outras variáveis (profundidade, limpeza de furo, poeira, logística). Mas o princípio é o mesmo: prever desempenho e otimizar parâmetros sob restrições.

O que eu faria na próxima semana (se eu estivesse na sua operação)

Se você quer gerar valor e também abrir caminho para um programa maior de IA na mineração, um plano de 30 dias é realista:

1. Escolher uma área piloto (1 equipamento, 1–2 tipos de rocha)
2. Fechar o KPI principal: custo por metro + 2 KPIs de apoio
3. Levantar dados de 8–12 semanas (ou o que já existe) e limpar
4. Treinar um primeiro modelo (foco em previsibilidade, não “perfeição”)
5. Criar um painel simples com:
   • previsão de custo por metro
   • alertas de desgaste acelerado
   • recomendações de faixa operacional (não valor único)

O ganho inicial costuma vir de uma coisa pouco glamourosa: reduzir variação entre turnos.

O que esse case prova para a série “IA na Mineração e Recursos Naturais”

Machine learning em perfuração funciona quando você trata IA como ferramenta de engenharia: medir, testar, otimizar e controlar risco. O case peruano mostra dois fatos difíceis de ignorar:

• É possível aumentar a eficiência do aço de perfuração em múltiplos quando os parâmetros são ajustados com base em dados.
• O tipo de rocha muda o jogo, e otimização precisa respeitar isso — arenito e granodiorito não respondem do mesmo jeito.

Se você está tentando reduzir custo e aumentar previsibilidade em 2026, eu apostaria aqui: previsão e otimização de perfuração é um dos usos mais “pé no chão” de IA na mineração, porque mexe direto no custo por metro e na produtividade.

A pergunta que fica para o seu time não é se dá para aplicar. É: qual frente você vai escolher para o piloto e quais restrições vão garantir que o ganho venha sem aumentar risco?