Banca de QUALIFICAÇÃO: LUIZ HENRIQUE LIRA DE OLIVEIRA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : LUIZ HENRIQUE LIRA DE OLIVEIRA
DATA : 21/09/2021
HORA: 14:00
LOCAL: videoconferência https://youtu.be/dE4KAo_W5SY
TÍTULO:

Aprendizado de Máquina Não-Supervisionado Aplicado à Classificação Geoquímica de Granitos Tipo-A Brasileiros

PALAVRAS-CHAVES:

Granitos tipo-A; Geoquímica; Aprendizado de Máquina; Não-supervisionado.

PÁGINAS: 60
RESUMO:

O sistema de classificação de rochas granitoides baseado nas letras do alfabeto (com os tipo-S, -I, -M e -A) ainda é um dos esquemas de classificação mais populares da literatura geológica, dada sua simplicidade de entendimento e aplicação. Dentre as classes desse sistema, os granitos tipo-A são normalmente caracterizados por sua tendência alcalina e por serem associados a ambientes anorogênicos (intra-placa). Ao longo dos últimos anos, no entanto, uma série de trabalhos têm demonstrado que os granitos tipo-A são muito mais complexos tanto em termos de sua geoquímica, como quanto aos ambientes tectônicos associados (e.g. pós-colisionais). No Brasil, essas rochas ocorrem em grande parte das províncias estruturais, em especial, nos embasamentos pré-cambrianos e possuem idades variando entre 2.7 Ga (Granito Bom Sucesso, no Cráton São Francisco) a 470 Ma (Complexo Anelar Quintas, na Província Borborema). Nessa temática, esse trabalho tem como principais objetivos a revisão das principais características e modos de ocorrência dessas rochas no território nacional, bem como a sugestão de uma nova subdivisão geoquímica para granitos tipo-A. Para tal, um banco de dados foi compilado a partir de uma série de trabalhos da literatura sobre a temática (teses, dissertações, artigos científicos etc.) e conta com atributos referentes, por exemplo, aos aspectos petrográficos, geoquímicos e geocronológicos de diversos granitoides. Esse conjunto de dados multidimensional foi pré-processado e depois analisado fazendo-se uso de técnicas advindas da área de ciência de dados, em especial o aprendizado de máquina (por meio da linguagem de programação Python), num contexto de investigação e proposição de hipóteses orientadas por dados (data driven discovery). Como resultados prévios, foram gerados uma série de gráficos e tabelas pertinentes que sumarizam os principais atributos dessas rochas. Além disso, a partir da aplicação de algoritmos não-supervisionados (particularmente o K-means), foram gerados 3 clusters,de maneira segmentar o conjunto de dados referente aos granitos tipo-A, sendo aqui denominados como subtipos Aα, Aβ e Aγ (com 462, 174 e 302 amostras respectivamente). Os subtipos Aα e Aβ apresentam maior teor de SiO2 e possuem tendência alcalina, enquanto o subtipo Aγ é caracterizado por teores mais baixos de sílica (com amostras variando desde granitos a monzodioritos), tendendo a ser mais cálcio-alcalino e metaluminoso que os demais. O subtipo Aβ é o que possui maiores valores da razão Fe* (FeOt/FeOt+MgO) e tende a ser mais peralcalino. Além disso, nos diagramas de discriminação de ambientes tectônicos os subtipos Aα e Aγ abragem uma maior variedade de ambientes, embora plotem predominantemente no campo dos granitos pós-colisionais. Já as amostras do subtipo Aβ plotam quase que totalmente no campo dos granitos intra-placa. Por fim, algumas das variáveis mais importantes para diferenciar as três classes foram: 'Zr', 'Gd', 'Nb+Y', 'índice félsico', '100(MgO+FeOt+TiO2)/SiO2', 'Zr+Nb+Ce+Y', '3CaO', '(Na2O+K2O)/CaO', 'Rb/(Rb+Sr)' e 'Ba/(Ba+Zr)'. 

MEMBROS DA BANCA:
Presidente - 2042352 - FREDERICO CASTRO JOBIM VILALVA
Externo ao Programa - 1066308 - MARCUS ALEXANDRE NUNES
Externa à Instituição - Adriana Alves - USP