IA no planejamento de mina: menos CO₂, mais valor

A mineração já entendeu que carbono virou custo — e não só no relatório de sustentabilidade. Em 2025, investidores, clientes industriais e reguladores estão a aproximar a lupa: quanto CO₂ a tua operação emite por tonelada produzida? E, mais importante, o que estás a fazer para reduzir isso sem “matar” a margem.

O que muita gente ainda faz é separar as coisas: primeiro otimiza-se o VPL (valor presente líquido), depois tenta-se “corrigir” emissões com iniciativas paralelas. Só que a realidade operacional não respeita esse organograma. A maior parte das emissões de uma mina a céu aberto é consequência direta das decisões de lavra e sequenciamento: distâncias de transporte, relação estéril/minério, ritmo de abertura de frentes, uso de frota e energia.

Um artigo publicado em 2025 no Journal of Sustainable Mining mostra um caminho mais prático: colocar emissões de GEE (gases com efeito de estufa) dentro do problema central de planeamento de longo prazo e resolver isso com um algoritmo de otimização avançada (ALNS). Nesta edição da série “IA na Mineração e Recursos Naturais”, vou traduzir o que isso significa, por que funciona e como dá para aplicar no contexto da mineração no Brasil.

Por que o sequenciamento define a pegada de carbono

Resposta direta: em minas a céu aberto, o “como” e o “quando” extraímos blocos determina horas de equipamento, quilómetros rodados e energia consumida — e isso vira CO₂.

No planeamento de longo prazo (anos), as decisões clássicas são: que blocos lavrar por período, respeitando precedências geotécnicas (não dá para tirar “o de baixo” antes “do de cima”), capacidade de planta, limites de estéril e metas de qualidade. O artigo foca um problema conhecido na literatura: PCPSP (precedence-constrained production scheduling problem), ou seja, agendamento de produção com restrições de precedência.

Quando adicionamos emissões à equação, aparece um detalhe que muda o jogo: nem toda tonelada tem o mesmo “carbono embutido”.

• Blocos mais fundos costumam exigir mais remoção de estéril e maior distância de transporte.
• Sequências que abrem frentes longe da britagem elevam o diesel e o tempo improdutivo.
• Picos de produção num período podem forçar equipamentos adicionais ou rotas menos eficientes.

O resultado é simples de entender: se o modelo só maximiza VPL, ele tende a “empurrar” emissões para onde dói menos no financeiro imediato. Só que, com metas de descarbonização e riscos de mercado, esse “depois a gente vê” já não fecha.

Onde entram as emissões no modelo (e por que isso não é cosmética)

Há duas formas práticas de incorporar GEE no planeamento:

1. Restrição (cap): “Não ultrapassar X tCO₂e por ano”.
2. Objetivo combinado: maximizar valor e minimizar emissões com pesos (ou um objetivo multiobjetivo).

O estudo discute o cenário de otimizar a extração restringindo a emissão de carbono. Na prática, isso obriga o algoritmo a procurar sequências que cumpram metas de produção sem estourar o orçamento de carbono.

O que o ALNS tem a ver com IA na mineração

Resposta direta: o ALNS é um método de busca heurística que “aprende” quais mudanças no plano funcionam melhor, explorando milhões de possibilidades com custo computacional viável.

Planeamento de mina com precedências e várias restrições é NP-difícil. Traduzindo: o número de combinações cresce tão rápido que um solver exato pode ficar impraticável para instâncias realistas, principalmente quando adicionamos restrições ambientais e regras operacionais.

O artigo propõe usar Adaptive Large Neighborhood Search (ALNS), uma família de algoritmos muito usada em problemas industriais (roteirização, escalonamento, logística) porque faz uma coisa inteligente:

• Destrói parte da solução atual (remove um conjunto de decisões, como blocos/periodização).
• Repara a solução (reinsere decisões respeitando restrições e melhorando o objetivo).
• Adapta a escolha dos operadores de destruição/reparo com base no desempenho observado.

Isso conversa diretamente com o que o mercado chama, de forma mais ampla, de IA aplicada à otimização: não é “IA generativa”; é IA no sentido de métodos algorítmicos que tomam decisões melhores sob restrições complexas.

O que torna o “adaptativo” valioso no chão de mina

Em planeamento real, o problema muda:

• preço do minério oscila,
• teor varia com novos furos,
• disponibilidade de frota muda,
• custo de diesel e energia muda,
• metas ESG apertam.

Um ALNS bem desenhado tende a ser mais robusto porque consegue re-otimizar rapidamente quando premissas mudam. Eu gosto de pensar assim: em vez de tentar achar “a” solução perfeita, ele encontra consistentemente soluções muito boas, rápido.

No estudo, a eficácia do método aparece em benchmarks com gap de optimalidade por volta de 0,08 (aprox. 8%), o que, para problemas grandes e duros, é um sinal forte de qualidade. Em termos de operação, é o tipo de diferença que justifica colocar a técnica em produção, sobretudo quando o “ótimo exato” custa dias de processamento ou nem converge.

Como transformar metas de carbono em decisões de lavra

Resposta direta: o segredo é traduzir CO₂ em variáveis do plano — e ligar isso a consumo de diesel, energia e movimentação de material.

Para sair do “ESG de PowerPoint” e entrar no plano anual, normalmente precisas de três blocos de informação:

1) Modelo de emissões por atividade

Exemplos comuns em mina a céu aberto:

• Transporte (haulage): litros de diesel por tonelada-quilómetro (ou por ciclo), convertido em CO₂e.
• Carga e perfuração: consumo por hora de equipamento.
• Energia elétrica: kWh por tonelada na britagem/moagem, com fator de emissão da rede ou autoprodução.

A boa prática é começar com uma aproximação simples e auditável (por exemplo, diesel domina) e ir refinando.

2) Ligações entre blocos e emissões

Um bloco não “emite CO₂” sozinho. Quem emite são as atividades para lavrá-lo. Então o planeamento precisa de proxies:

• profundidade (mais estéril),
• distância média até o destino,
• destino do material (ROM, pilha, estéril),
• necessidade de retrabalho.

3) Política de carbono operacional

Aqui entra a decisão de negócio:

• Cap anual: “Em 2026, não passar de X tCO₂e”.
• Trajetória: redução gradual até 2030.
• Custo interno de carbono: atribuir um custo monetário por tCO₂e para comparar cenários.

Quando isso está no modelo, o plano deixa de ser “produzir mais” e passa a ser “produzir melhor”.

Frase que eu repetiria numa reunião de diretoria: o plano de lavra é a primeira alavanca de descarbonização — antes de comprar caminhão elétrico.

O que faz sentido para a mineração no Brasil (e como começar em 90 dias)

Resposta direta: dá para aplicar já com dados existentes (despacho, combustíveis, topografia e plano de blocos), começando por um piloto que compara cenários com e sem restrição de carbono.

O contexto brasileiro tem duas pressões simultâneas:

• operações de grande escala com logística pesada (emissões relevantes),
• necessidade de competir em mercados que estão a “precificar” carbono na cadeia.

A aplicação prática de um método como ALNS (ou equivalentes de otimização) costuma funcionar melhor num plano em três etapas.

Etapa 1 — Piloto de planeamento “carbon-aware” (0–30 dias)

• Definir 1 ativo e 1 horizonte (por exemplo, 5–10 anos).
• Selecionar 2–3 fontes de emissão principais (normalmente diesel da frota + energia da planta).
• Construir um inventário simples por período e amarrar a fatores de emissão internos.

Entrega: cenário base (sem carbono) vs cenário com cap.

Etapa 2 — Otimização com restrições reais (31–60 dias)

• Incluir precedências, capacidade de mina/planta, blend e regras de qualidade.
• Ajustar limites: cap anual, por fase ou por tipo de frota.
• Rodar múltiplos cenários (preços, custos, disponibilidade).

Entrega: curva valor × CO₂ para decisão (trade-off explícito).

Etapa 3 — Operacionalização e governança (61–90 dias)

• Definir dono do processo (planeamento + sustentabilidade + operação).
• Integrar com rotina de revisão mensal/trimestral.
• Criar KPI: tCO₂e/ton, tCO₂e/oz, tCO₂e/tFe, conforme o produto.

Entrega: planeamento de longo prazo com metas de carbono rastreáveis.

Perguntas que sempre aparecem (e respostas objetivas)

“Isso substitui o engenheiro de planeamento?”

Não. Ele dá opções melhores e mais rápidas. O engenheiro continua a definir premissas, validar restrições e decidir o que é executável.

“E se os dados de emissões forem imperfeitos?”

Começa com aproximações. Um modelo simples e consistente já melhora decisões porque expõe onde o plano “gasta” carbono. Depois refina.

“Vai reduzir emissão de verdade ou só mudar o número no papel?”

Se o plano muda distâncias, ritmos e frentes de lavra, muda diesel e energia — e isso é físico. O ponto é garantir que a operação executa o que foi planejado, com monitorização.

O que este artigo sinaliza para 2026

O estudo de Amirmoeini, Grenon e Afrapoli reforça uma ideia que eu considero inevitável: planeamento de mina e descarbonização vão virar a mesma conversa. Não como discurso, mas como modelo matemático, metas e trade-offs transparentes.

Para quem trabalha com mineração e recursos naturais, a oportunidade é clara: usar IA/otimização para transformar metas ambientais em decisões operacionais. E isso gera lead por um motivo simples — a maioria das empresas ainda não tem uma ponte robusta entre “inventário de emissões” e “sequenciamento de blocos”.

Se a tua operação precisasse apresentar, ainda este trimestre, um plano de lavra que entrega produção e cumpre um orçamento anual de CO₂, que dados e sistemas já tens para fazer isso?