Prever fragmentação no desmonte com dados e IA

Um desmonte mal calibrado costuma cobrar caro em duas moedas: energia e tempo. Quando a pilha de detritos (muck-pile) sai com fragmentos maiores do que o esperado, a conta aparece em engargalamentos no carregamento, britagem “no limite”, consumo extra de combustível e, muitas vezes, mais retrabalho com rompedor. E o mais frustrante é que, na prática, muita operação ainda trata a fragmentação como um “resultado do explosivo”, quando ela é — na maioria das vezes — um resultado do sistema.

Um estudo publicado em 2025 no Journal of Sustainable Mining propõe exatamente isso: olhar para a fragmentação como um sistema de engenharia. Os autores desenvolveram um modelo baseado em Rock Engineering System (RES) para prever o tamanho mediano dos fragmentos (X50) usando parâmetros geométricos do desmonte e propriedades do maciço rochoso. O modelo mostrou desempenho forte: R² = 0,922, com erros baixos (por exemplo, RMSE de 1,46 cm e MAPE de 3,112%), superando abordagens comparadas (incluindo Kuz-Ram e variações).

E aqui entra o tema da nossa série “IA na Mineração e Recursos Naturais”: modelos como o RES são um passo prático para a mineração orientada por dados. Eles ajudam a organizar variáveis, priorizar o que importa e preparar a base para soluções de IA aplicada ao desmonte, como previsão de fragmentação, otimização de malha e controle de variabilidade.

Por que o X50 da fragmentação manda na produtividade

X50 é o “termômetro” operacional da fragmentação: metade do material fica abaixo desse tamanho, metade acima. Quando você consegue prever o X50 com boa precisão, fica mais fácil ajustar o processo inteiro (não só o desmonte).

Na rotina de mina e pedreira, o X50 afeta diretamente:

• Taxa de carregamento: conchas e caçambas trabalham pior com blocos grandes e empilhamento irregular.
• Britagem e moagem: fragmentos grossos elevam consumo específico de energia, desgaste e paradas.
• Estabilidade e segurança: blocos grandes aumentam risco de rolamento, necessidade de intervenção e exposição.
• Sustentabilidade: mais energia na cominuição e mais retrabalho no desmonte significam maior pegada de carbono por tonelada.

Uma frase que resume bem: fragmentação previsível é eficiência previsível.

O erro mais comum: otimizar “a receita” e ignorar o maciço

Muita operação tenta padronizar o desmonte como se o maciço fosse constante. Só que ele não é. Mudam juntas, grau de fraturamento, dureza, litologia, água, orientação das descontinuidades — e a fragmentação muda junto.

A proposta do RES é interessante porque força uma visão sistemática: em vez de uma fórmula única, você estrutura as relações entre variáveis do maciço e do projeto de fogo.

O que o estudo trouxe de novo com o modelo RES

A principal contribuição é transformar 15 parâmetros relevantes em um modelo estruturado e validado estatisticamente para prever o X50 a partir de 30 frentes de desmonte selecionadas. Em termos simples: o método tenta capturar “como as peças se influenciam” e não apenas “quais peças existem”.

Entre os parâmetros avaliados (como citado no resumo do artigo), aparecem exemplos típicos do dia a dia:

• Tipo de rocha e dureza
• Diâmetro do furo
• Peso/carga de explosivo
• Padrão/malha de perfuração e desmonte
• Outros fatores do projeto de fogo e das propriedades do maciço que controlam a fragmentação

O desempenho relatado é um sinal forte de consistência:

• R² = 0,922 (alta capacidade explicativa)
• p-valor = 1,27E-13 (significância estatística robusta)
• Métricas de erro e acurácia:
  • VAF = 93,57%
  • RMSE = 1,46 cm
  • MAPE = 3,112%
  • MAE = 1,73 cm

RES na prática: por que “modelo de sistema” costuma funcionar bem

O RES (Rock Engineering System) é uma abordagem que, em geral, mapeia interações entre parâmetros. E isso casa com a realidade do desmonte:

• A mesma carga por metro pode dar resultados diferentes conforme fraturamento e orientação de juntas.
• Um ajuste de espaçamento pode melhorar fragmentação, mas piorar vibração ou aumentar backbreak.
• A água pode mudar a eficiência do explosivo, mas também o comportamento do maciço e a estabilidade do talude.

Quando você trata o problema como “sistema”, fica mais difícil cair em soluções simplistas.

Ponte direta para IA: do RES ao modelo preditivo operacional

O RES é um ótimo degrau para IA porque organiza variáveis e reduz o caos. Na mineração real, o obstáculo não é “falta de algoritmo”; é falta de dados bem estruturados e de uma lógica consistente para conectar geologia, perfuração, carregamento e resultado.

Eu gosto de pensar assim: o RES ajuda a responder “o que medir e como relacionar”. A IA ajuda a responder “qual o melhor ajuste, dado o que foi medido e o que está acontecendo agora”.

Como transformar isso num pipeline de previsão de fragmentação

Uma implementação prática (sem prometer milagre) costuma seguir este caminho:

1. Aquisição de dados do maciço
   • RQD, grau de fraturamento, litologia, resistência (quando disponível), mapeamento geológico-geotécnico.
2. Dados do desmonte
   • Diâmetro, burden, espaçamento, subperfuração, coluna de explosivo, fator de carga, sequenciamento.
3. Medição da fragmentação
   • Fotogrametria da pilha, análise por imagem, ou amostragem em correias (dependendo do processo).
4. Modelo preditivo
   • Começar com um modelo explicável (RES/estatístico) e evoluir para ML supervisionado quando houver massa crítica.
5. Otimização e recomendação
   • Sugestões de ajuste por domínio geológico: malha, energia específica, distribuição de carga, tempos.

Por que “explicabilidade” virou requisito em 2025

Com pressão por produtividade e por metas ESG, a operação precisa justificar mudanças. Modelos explicáveis (como estruturas baseadas em engenharia) ajudam a:

• Defender ajustes perante SSMA e engenharia
• Documentar aprendizado por domínio
• Evitar “overfitting operacional” (quando o modelo aprende ruído de uma fase da lavra)

A IA entra com força quando você combina:

• base engenheirada (RES) + dados confiáveis + feedback rápido (ciclo semanal ou por campanha).

Como usar a previsão de X50 para reduzir custo e variabilidade

O ganho real não é só melhorar a média; é reduzir a variabilidade. Uma operação que prevê o X50 com consistência consegue planejar melhor a alimentação da planta, reduzir picos de potência e minimizar intervenções.

Checklist de aplicação (o que eu faria em 30 dias)

Se você quer transformar previsão de fragmentação em projeto, aqui vai um plano de início rápido:

1. Padronize a captura do “as-built” do desmonte
   • O que foi perfurado e carregado de verdade (não só o plano).
2. Crie um dicionário de variáveis por domínio
   • Mesmas unidades, mesmas categorias de rocha, mesma nomenclatura.
3. Escolha uma métrica-alvo clara
   • X50 e, se possível, X80 (para capturar “cauda grossa”).
4. Implemente medição por imagem em 3 frentes
   • Poucas frentes, bem medidas, com rotina semanal.
5. Rode um modelo base (engenharia/RES) antes do ML
   • Você aprende onde o dado está ruim e onde o processo é instável.

Onde a previsão dá retorno mais rápido

Na prática, eu vejo retorno rápido em três pontos:

• Ajuste de malha por dureza/fraturamento (não por “padrão único”)
• Redução de blocos (menos rompedor e menos parada de britagem)
• Planejamento de blending (alimentar a planta com variabilidade controlada)

Se você só tem um objetivo para 2026, escolha este: reduzir eventos de fragmentação fora do padrão.

Perguntas que sempre aparecem (e respostas diretas)

“Isso substitui Kuz-Ram?”

Não necessariamente; complementa. Kuz-Ram é útil e difundido, mas modelos baseados em sistema (e depois ML) tendem a lidar melhor com a realidade de múltiplas interações e variabilidade do maciço.

“Preciso de IA para começar?”

Não. Dá para começar com RES/estatística e ganhar consistência. A IA entra quando você quer escalar para muitos domínios, incorporar mais sensores e operar com recomendação quase em tempo real.

“Qual é o maior risco?”

Medir fragmentação mal e treinar decisão ruim. Se o seu X50 é estimado de forma inconsistente (ângulos de foto, iluminação, amostragem tendenciosa), o modelo vira um amplificador de erro.

Próximos passos: do modelo ao desmonte mais sustentável

Prever o tamanho mediano dos fragmentos (X50) com base em geometria do desmonte e propriedades do maciço não é só um exercício acadêmico. É uma forma objetiva de melhorar produtividade, reduzir energia na cominuição e diminuir intervenção manual — exatamente o tipo de ganho que faz sentido quando falamos de IA na mineração com foco em operação e sustentabilidade.

Se você está avaliando iniciativas de analytics para 2026, eu começaria pelo básico bem feito: um modelo preditivo de fragmentação acoplado a rotina de medição confiável. Depois disso, fica natural evoluir para otimização com IA, recomendações por domínio e integração com planejamento de mina e controle da planta.

O que você prefere atacar primeiro na sua operação: reduzir blocos no ROM ou estabilizar a alimentação da britagem? A resposta costuma dizer onde o seu projeto de dados deve começar.