Banca de QUALIFICAÇÃO: ANDRÉ FELIPE MATIAS COSTA ALDECI

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : ANDRÉ FELIPE MATIAS COSTA ALDECI
DATA : 30/09/2026
HORA: 14:30
LOCAL: Auditorio 2 do DIMAp
TÍTULO:

Arquitetura Dual-Driven DDPM-TGCNN:
Geração Sintética e Predição de Ocorrências
de Terras Raras Leves

PALAVRAS-CHAVES:

Elementos de Terras Raras, Aprendizado Profundo, Mapea-
mento de Prospectividade Mineral, Inteligência Artificial Explicável, Otimiza-
ção Multiobjetivo.

PÁGINAS: 119
RESUMO:

A crescente demanda global por Elementos Terras Raras (ETR) e metais
estratégicos impulsiona a busca por métodos de exploração mineral mais
eficientes, dada a complexidade distributiva e a importância crítica desses re-
cursos para a transição energética. Embora o Mapeamento de Prospectividade
Mineral (MPM) seja uma técnica consolidada, a abordagem enfrenta desafios
severos, como a natureza multimodal dos dados geocientíficos, a escassez
de alvos mineralizados conhecidos e a dificuldade em modelar a incerteza
espacial em áreas subamostradas.
Para mitigar essas limitações, este trabalho propõe uma metodologia predi-
tiva híbrida e dual-driven, que integra Inteligência Artificial ao conhecimento
metalogenético a priori. Aplicado ao Complexo Alcalino-Carbonatítico do
Barreiro (Araxá/MG), o modelo desenvolvido (DDPM GraphTransformer)
funde dados aerogeofísicos, litológicos e geoquímicos por meio de Redes Neu-
rais em Grafos (GNNs) e arquiteturas Transformers. A inovação metodológica
central consiste no uso de uma Topologia Híbrida (Krigagem Neural), que
concilia conexões espaciais locais com ancoragens de longo alcance estrutu-
radas nos furos de sondagem. Esta arquitetura atua acoplada a um Modelo
Probabilístico de Difusão (DDPM) para realizar o inpainting geoquímico,
gerando uma malha de altíssima resolução com 15.069 pontos preditivos e
quantificando o risco exploratório.
A calibração da arquitetura foi conduzida via Otimização de Hiperparâme-
tros Multiobjetivo (MOHPO) utilizando o algoritmo MOTPE(Multiobjective
Tree-structured Parzen Estimator). O modelo encontrou o ponto utópico
entre o realismo geológico (mensurado pela Distância de Wasserstein) e a
minimização do erro matemático, alcançando convergência expressiva com a
métrica de Cost-Sensitive Focal Loss estabilizada em [inserir valor final da
Loss]. O aprendizado foi fortemente direcionado à detecção de Elementos
Terras Raras Leves (ETRL) e Lítio. O pipeline integra ainda técnicas de IA
Explicável (XAI) via DeepSHAP para elencar o peso das assinaturas geofísicas
nas predições.
Os resultados atestam a excepcional precisão do ensemble estocástico. A
rede delimitou com exatidão halos anômalos severos, isolando alvos prospecti-
vos com teores máximos de até 469,60 ppm para Cério e 274,80 ppm para
Lantânio, além de registrar um baixíssimo risco exploratório, com mediana de
desvio padrão de apenas 0,10 ppm na malha. A acurácia locacional do modelo,
validada rigorosamente pelas curvas de Predição-Área (P-A), demonstrou
altíssima eficiência preditiva, alcançando taxas de acerto de 95% para Cério
(Ce) e Lantânio (La), e 81% para o Lítio (Li). Esta precisão algorítmica,
somada à aplicação de interpoladores geoestatísticos (Krigagem Ordinária e
IDW) sobre a saída da rede, revelou-se altamente eficaz na delimitação de
corredores metalogenéticos contínuos. Como etapas futuras, a metodologia
será confrontada com algoritmos preditivos tradicionais do estado da arte,
visando referendar sua superioridade tecnológica na descoberta de depósitos
estratégicos em províncias geológicas complexas.

MEMBROS DA BANCA:
Presidente - 1221251 - MARTIN ALEJANDRO MUSICANTE
Interno - 2177445 - BRUNO MOTTA DE CARVALHO
Interna - 2859606 - SILVIA MARIA DINIZ MONTEIRO MAIA
Externa ao Programa - 3325637 - POLIANA IARA DE FREITAS TOLEDO - UFRN