Title

Clusterização Hierárquica de Amostras de Furos de Sonda para Identificação de Tipologias Geológicas na Samarco Mineração

Hierarchical Clustering of Drillhole Samples for the Identification of Geological Typologies at Samarco Mineração

Authorship

CAMPOS, LUCAS DA SILVA; BONFIOLI, LEONARDO ESTEVES; SEMMER, ADRIANA DE OLIVEIRA; MACIEL, ÁLVARO SIMÕES; MOTA, KETHELLEN FELTRAN DA; SILVA, THIAGO LUCAS DA; ZAVAGLIA, GUILHERME

CAMPOS, LUCAS DA SILVA

I am this author

BONFIOLI, LEONARDO ESTEVES

I am this author

SEMMER, ADRIANA DE OLIVEIRA

I am this author

MACIEL, ÁLVARO SIMÕES

I am this author

MOTA, KETHELLEN FELTRAN DA

I am this author

SILVA, THIAGO LUCAS DA

I am this author

ZAVAGLIA, GUILHERME

I am this author

DOI

10.5151/2594-357X-43854

Downloads

Abstract

Este estudo avaliou a aplicação da clusterização hierárquica em dados de 2.360 furos de sondagem das minas de Alegria (Samarco), visando identificar tipologias de minério em comparação ao modelo geológico atual. A base incluiu variáveis químicas, mineralógicas, metalúrgicas, físicas, espaciais e geológicas, totalizando 33.766 amostras após filtragem (79% do total). A análise foi realizada em Python, com o algoritmo AgglomerativeClustering (Scikit-Learn), testando diferentes combinações de hiperparâmetros e variáveis, com base no conhecimento geológico. Os modelos foram avaliados quanto ao coeficiente de silhueta, continuidade espacial, coerência geológica e aplicabilidade operacional. Entre 4.718 modelos, aqueles com 3 a 5 clusters, sem a variável física e restritos ao Grupo Itabira, apresentaram melhor desempenho. Modelos com mais clusters destacaram zonas de transição, enquanto configurações mais complexas introduziram ruído. Conclui-se que a clusterização é uma abordagem viável para apoiar uma classificação mais ágil e integrada das tipologias geológicas.

This study evaluated the application of hierarchical clustering to data from 2,360 drillholes at the Alegria mines (Samarco), aiming to identify ore typologies in comparison with the current geological model. The dataset included chemical, mineralogical, metallurgical, physical, spatial, and geological variables, totaling 33,766 samples after filtering (79% of the original data). The analysis was conducted in Python using the AgglomerativeClustering algorithm (Scikit-Learn), testing different combinations of hyperparameters and variable subsets, guided by geological knowledge. The models were evaluated based on silhouette coefficient, spatial continuity, geological consistency, and operational applicability. Among the 4,718 models tested, those with 3 to 5 clusters, excluding the physical variable and restricted to the Itabira Group, showed the best overall performance. Models with a higher number of clusters highlighted transitional zones between ore types, while more complex configurations tended to introduce noise. The results indicate that hierarchical clustering is a viable approach to support a more efficient and integrated classification of geological ore typologies.

Keywords

minério de ferro, clusterização hierárquica, geometalurgia, tipologia de minério, aprendizado de máquina

iron ore, hierarchical clustering, geometallurgy, ore typology, machine learning