Metodologia de otimização da escolha do local de sondagens dos planos de prospecção em maciços rochosos

Abstract

Os encargos associados à prospecção dos maciços rochosos, nomeadamente às sondagens mecânicas no âmbito de grandes obras subterrâneas, são bastante elevados. Como tal, o presente artigo apresenta uma nova metodologia de otimização de planos de sondagens para auxílio à definição dos planos de prospecção, aliando técnicas geoestatísticas e um algoritmo de otimização global e estocástico, o Simulated Annealing (SA). A simulação geoestatística, mais precisamente a simulação condicionada com recurso ao algoritmo Turning Bands, é, neste caso, utilizada para a obtenção do modelo de caracterização de um maciço rochoso, recorrendo a informação inicial relativa a valores de RMR do sistema Rock Mass Rating e, com o auxílio do algoritmo SA, minimiza o valor da função objetivo nos novos pontos gerados de forma aleatória. No que concerne à função objetivo a minimizar pelo SA esta define-se pela variância da simulação geoestatística, pois esta quantifica a incerteza associada nos locais sem informação. Para a validação e consolidação da metodologia desenvolvida, esta foi, posteriormente, aplicada a um conjunto de informação de sondagens realizadas num jazigo de ouro localizado na cordilheira dos Andes, no Chile.

The costs associated to rock mass survey, such as boreholes, normally needed in large underground works, are very high. Therefore, the present article presents a new optimization methodology, which intention is to help the decision-maker in defining the prospection plans. As such, the methodology combines geostatistical techniques with a global optimization algorithm, the Simulated Annealing (SA). The geostatistical simulation is, in this case, the conditional simulation that uses the Turning Bands algorithm to obtain a characterization model of the rock mass based on some preliminary information regarding RMR values of the Rock Mass Rating system. Using the SA algorithm, the chosen objective function is minimized in the new points that are randomly generated. In what concerns the objective function to minimize with the SA is, in this case, the variance of the geostatistical simulation, since it quantifies the uncertainty in locations without information. Moreover, a data set containing information from boreholes executed in a gold deposit, located in Chile, was used to validate the proposed methodology.