A indústria global de exploração mineral enfrenta há muito tempo um problema fundamental: como localizar depósitos de alto potencial em vastas áreas não exploradas com o menor custo e a máxima eficiência. As abordagens tradicionais, baseadas na experiência e na analogia geológica, não só consomem tempo e recursos, como também, devido à forte subjetividade e à dificuldade de integração de dados, frequentemente levam as empresas de exploração a investimentos infrutíferos de dezenas ou mesmo centenas de milhões de dólares em sondagens. Agora, uma equipa de investigação iraniana apresentou uma resposta revolucionária utilizando inteligência artificial — cobrindo apenas 13% da área de estudo, conseguiu localizar com sucesso quase todos os alvos de exploração de alto potencial na cintura de cobre pórfiro de Kerman, abrindo um novo caminho para a tomada de decisão inteligente baseada em dados na indústria global de exploração mineral.

Da "prospeção por experiência" ao "bloqueio inteligente de depósitos": A revolução tecnológica do AI-MPM

A 30 de abril de 2026, uma equipa de investigação da Universidade de Tecnologia Amirkabir (Politécnico de Teerão) e da Universidade de Teerão publicou um resultado inovador na revista internacional de renome "Journal of Earth Science" (JCR Q1, publicada pela Springer Nature), apresentando pela primeira vez de forma sistemática uma estratégia completa de Mapeamento de Prospetividade Mineral por IA (AI-MPM, Artificial Intelligence Mineral Prospectivity Mapping). Utilizando a cintura de cobre pórfiro de Kerman, no Irão, como área de estudo empírica, demonstraram a capacidade disruptiva da inteligência artificial na interpretação de dados geológicos complexos e na delimitação de alvos de baixo risco.

"Combinação" tripla de algoritmos de otimização resolve o problema dos hiperparâmetros das Máquinas de Vetores de Suporte

As Máquinas de Vetores de Suporte (SVM), sendo um dos algoritmos de aprendizagem supervisionada mais consolidados, têm um desempenho altamente dependente da escolha de hiperparâmetros (como o parâmetro de penalização C e o parâmetro do kernel γ). Encontrar os hiperparâmetros ideais em cenários de dados geológicos de alta dimensão, típicos da exploração mineral, é como "procurar uma agulha num palheiro". A equipa de investigação aplicou pela primeira vez, de forma sinérgica, três algoritmos de otimização inteligente — Otimização por Enxame de Partículas (PSO), Pesquisa em Grelha (Grid Search) e Algoritmo Genético (GA) — para a otimização automática de hiperparâmetros do modelo SVM. Através de validação cruzada múltipla e avaliação rigorosa de métricas de precisão de classificação, esta estratégia de "otimização híbrida tripla" aumentou significativamente a precisão preditiva e a capacidade de generalização do modelo, personalizando os parâmetros algorítmicos ideais para a delimitação de alvos de cobre pórfiro.

Destaque dois: Quantificação de incerteza ao nível do pixel, passando do "provavelmente correto" para o "bloqueio de baixo risco"

A maior falha da previsão mineral tradicional por IA reside no facto de o modelo indicar zonas de alto potencial, mas não conseguir informar a empresa de exploração sobre o grau de confiança dessa indicação. Este estudo desenvolveu de forma inovadora um método de quantificação de incerteza ao nível do pixel, calculando o grau de confiança do resultado da previsão em cada unidade espacial. Isto permite aos decisores de exploração distinguir com precisão entre zonas de "alto potencial, mas alto risco" e alvos de baixo risco com "alto potencial e alta confiabilidade". Esta inovação não é apenas uma atualização técnica, mas um salto de capacidade da "previsão probabilística" para a "quantificação de risco" — elevando a IA de uma "ferramenta de inferência auxiliar" para um "painel de controlo para decisões de exploração".

Destaque três: 13% da área concentra todo o potencial, a eficiência da exploração aumenta em ordens de grandeza

A cintura de cobre pórfiro de Kerman é uma das cinturas de cobre mais famosas do Irão e do mundo, com uma área de exploração que abrange milhares de quilómetros quadrados. A equipa de investigação integrou dados geoespaciais multidisciplinares de geologia, geoquímica e geofísica para treinar o modelo AI-MPM, alcançando finalmente um dado de eficiência que impressionou a indústria: os alvos de exploração de alta qualidade e baixo risco ocupam apenas 13% da área total de estudo, cobrindo quase todas as zonas de depósitos de alto potencial dentro desta cintura.

Isto significa que, numa cintura metalogenética de milhares de quilómetros quadrados, o modelo de IA reduziu em mais de cinco sextos a área que necessita de prospeção detalhada no terreno pelos engenheiros de exploração. Para uma indústria de exploração mineral com orçamentos de sondagem que frequentemente ascendem a dezenas de milhões de dólares, isto traduz-se numa redução exponencial dos custos de exploração e num aumento revolucionário da taxa de sucesso.

Do "colapso dos custos de exploração" à "inteligência da mineração global"

1. Remodelação do modelo de decisão: da "intuição geológica" à "orientação por dados"

A exploração mineral tradicional depende do conhecimento pessoal e da experiência acumulada de geólogos seniores. Esta tecnologia aplica pela primeira vez a estratégia AI-MPM com integração de otimização híbrida tripla de forma sistemática à exploração de depósitos pórfiros, marcando a transição da exploração mineral de "orientada por especialistas" para "orientada por algoritmos". Isto pode reduzir significativamente os vieses humanos e a incerteza na interpretação geológica, conferindo às decisões de exploração uma base científica quantificável e reprodutível.

2. Redução drástica dos custos de exploração: navegação precisa focada em 1/6 da área

O valor comercial mais direto desta tecnologia reside na compressão significativa dos custos de exploração. O principal custo da exploração mineral reside no trabalho de campo e na verificação por sondagens. O AI-MPM reduz a área de exploração a focar para menos de um sexto em comparação com os métodos tradicionais, o que significa que a dimensão das equipas de campo, o volume de trabalho de sondagem e os custos de análise de amostras geológicas podem diminuir proporcionalmente. Num contexto global em que a indústria mineira enfrenta o esgotamento crescente de afloramentos de alta qualidade e o aumento exponencial dos custos de exploração de depósitos profundos e ocultos, esta capacidade de delimitação inteligente de alvos tornar-se-á uma competência central para as empresas mineiras.

3. Transferibilidade global e valor de disseminação do novo paradigma tecnológico

A estratégia AI-MPM validada neste estudo possui uma elevada transferibilidade, sendo aplicável não só à cintura de cobre de Kerman, no Irão, mas também podendo ser disseminada para qualquer região metalogeneticamente promissora a nível global que disponha de dados geocientíficos multidisciplinares. A equipa de investigação salienta que o trabalho futuro integrará ainda mais fontes de dados e implementará técnicas de aprendizagem automática de ponta para melhorar continuamente a precisão da previsão. À medida que a segurança do fornecimento de minerais críticos (cobre, lítio, cobalto, terras raras) se torna uma preocupação estratégica crescente para as nações, a tecnologia de exploração impulsionada por IA tem o potencial de remodelar toda a estrutura de custos da descoberta e desenvolvimento mineral.

Instalar um "navegador inteligente" para a exploração mineira profunda global

O valor profundo desta investigação reside em apontar um caminho viável para a indústria global de exploração mineral transitar de "intensiva em mão de obra" para "intensiva em inteligência". Numa altura em que os depósitos aflorantes à superfície se esgotam cada vez mais e a prospeção de depósitos profundos ocultos e em áreas cobertas se torna o principal campo de batalha, os métodos tradicionais de cartografia geológica, geoquímica de solos e prospeção geofísica já se mostram insuficientes perante a enorme quantidade de dados multidisciplinares. A estratégia AI-MPM, através do modelo SVM potenciado por algoritmos de otimização tripla, combinado com a quantificação de incerteza ao nível do pixel, concretiza pela primeira vez um ciclo fechado inteligente de "fusão de dados — decisão do modelo — quantificação de risco — delimitação de alvos" numa cintura metalogenética de milhares de quilómetros quadrados.

Para as empresas mineiras, isto significa dispor de um "prospetor virtual" de baixo custo e alta precisão antes de a sonda de perfuração penetrar finalmente no subsolo; para toda a indústria mineira, isto prenuncia a chegada de uma mudança de paradigma, da orientação pela experiência para a orientação por algoritmos. Como o artigo científico salienta, esta investigação pioneira abre caminho para a aplicação dos mais avançados algoritmos de inteligência artificial na exploração de novos recursos minerais no setor mineiro global.