Desenvolvimentos No Planeamento E Otimização de Desmontes de Rochas Com Explosivos

DESENVOLVIMENTOS NO PLANEAMENTO
E OTIMIZAÇÃO DE DESMONTES DE
ROCHAS COM EXPLOSIVOS
Principais algoritmos
VINICIUS GOUVEIA DE MIRANDA
Tese realizada no âmbito do Programa Doutoral em Engenharia de

Minas e Geo-Recursos
Porto, 2021
[Página intencionalmente em branco]
Universidade do Porto
Faculdade de Engenharia
Departamento de Engenharia de Minas e Geo-Recursos
DESENVOLVIMENTOS NO PLANEAMENTO
E OTIMIZAÇÃO DE DESMONTES DE
ROCHAS COM EXPLOSIVOS
Principais algoritmos
VINICIUS GOUVEIA DE MIRANDA
Tese de Doutoramento apresentada ao Pro-

grama Doutoral em Engenharia de Minas e
Geo-Recursos, da Universidade do Porto,
como parte dos requisitos necessários à ob-
tenção do título de Doutor em Engenharia de
Minas e Geo-Recursos.
Orientador: Prof. Dr. José Manuel Soutelo

Soeiro de Carvalho, FEUP, Porto.
Coorientador: Prof. Dr. Alexandre Júlio Ma-

chado Leite, FEUP, Porto.
Porto, 2021
Gouveia de Miranda, Vinicius
Desenvolvimentos no Planeamento e Otimização de

Desmontes de Rochas com Explosivos, 2021. 145 p.
Orientador: José Manuel Soutelo Soeiro de Carvalho
Tese (doutoramento) – Universidade do Porto – Facul-

dade de Engenharia FEUP– Departamento de Engenharia
de Minas. 2019.
1. Desmonte de rocha. 2. Simulação. 3. Algoritmos. 4.

Modelagem. I. Soeiro, José Manuel. II. Faculdade de Enge-
nharia FEUP – Departamento de Engenharia de Minas.
Resumo
A criação de simuladores para aplicações de explosivos em desmonte de

rochas tem, hoje em dia, uma enorme relevância, mas também uma cada vez
mais alta complexidade na sua criação e desenvolvimento. Embora
importante, a quantidade de referências científicas nesta área do saber
específico é escassa. No presente trabalho apresenta-se a formulação de um
conjunto de técnicas e algoritmos que somados, deram origem a um simulador
que aborda os mais relevantes conceitos e aspetos desta temática técnica
fundamental para os projetos de mineração: representação de terrenos,
geometrias de planos de fogo, afastamento crítico, estratégias de carga de
explosivos, ligações não elétricas e eletrónicas, processos de otimização, entre
outros tópicos. A presente tese pretende servir também como guia para o
leitor que desejar desenvolver sua própria ferramenta de simulação e explora
os resultados (técnicos e comerciais) dos algoritmos criados, quando
agrupados num simulador global que veio a ser denominado Plataforma O-
Piblast.
Palavras-Chave: desmonte de rocha, simulação, algoritmos,

modelação.
i
Introdução
Abstract
The creation of simulators for rock blasting applications is crucial but is

highly complex too. Although important, the scientific references for this spe-
cific subject matter are hard to come by. And this thesis presents the formu-
lations of a set of techniques and algorithms that together result in a simula-
tor that addresses the most relevant aspects of this topic: survey representa-
tion, boreholes, critical burden, non-electric and electronic connections, opti-
mization process and other topics. The thesis also serves as a guide for read-
ers who want to develop their own tool and explore the results (technical and
commercial) of the simulators developed using the algorithms shown here.
Key-words: rock blasting, simulation, algorithms, modelling.
ii
Introdução
Agradecimentos
Aos Professores Dr. Soeiro Carvalho e Dr. Alexandre Leite (meu orien-
tador e co-orientador, respectivamente), por todo o suporte e paciência ao
longo dessa jornada.
Aos Professores e amigos da UFPE, por terem sido a base dos meus co-
nhecimentos na Engenharia de Minas.
Ao meu pai Sergio, minha mãe Amara e aos meus irmãos Amaury, Sylvi-
nha, Vivian, Vitor, Daniel, Fabio, Ramon e a toda minha família.
Aos meus queridos e amados sogros Manuel e Rosa.
Aos companheiros da O-Pitblast, e em especial ao meu querido Francisco

Leite por tudo que me ajudou a construir e por tudo que ainda vamos construir
juntos.
Aos amigos de longas datas, muitas vezes negligenciados, mas que pos-
suem um local muito importante nas minhas lembranças. Obrigado aos que-
ridos Gean Frank, Felipe Trajano, Felipe Franca, Kleber Nascimento, Bruno
Humberto, Gustavo Maropo, Bruno Santos, Ismael Prado, Carlos Calvo, Car-
los Magno, Fabiana Dantas e tantos outros que me proporcionaram momen-
tos de alegria, amizade e reflexão.
Ao companheiro de Ciências e amigo Paulo Couceiro, pelo exemplo e es-

tímulo dado que sempre me fez querer chegar muito mais longe.
Finalmente, agradeço a minha amada esposa Rosa, companheira de to-

dos os momentos, e ao meu amado filho, Serginho, que mudou a minha vida e
fez com que tudo tivesse um novo sentido. Painho te ama.
iii
Introdução
Dedicatória
Para minha Rosa e meus Sergios...
iv
Introdução
Índice
1 Introdução ....................................................................................... 16
1.1 Simulação ............................................................................... 19
1.2 Simuladores de desmonte de rochas ..................................... 20
1.3 Motivação ............................................................................... 22
1.3.1 Tese Industrial ..................................................................... 23
1.4 Estrutura da tese ................................................................... 24
1.4.1 Terreno ................................................................................. 24
1.4.2 Perfuração ............................................................................ 25
1.4.3 Sequenciamento ................................................................... 26
1.4.4 Otimização ............................................................................ 27
2 Modelação de Terreno .................................................................... 29
2.1 Origem dos dados ................................................................... 29
2.1.1 Laser 3D ............................................................................... 29
2.1.2 Fotogrametria....................................................................... 30
2.1.3 Drones ................................................................................... 30
2.2 Redução dimensional ............................................................. 31
2.2.1 Regressão linear ................................................................... 34
2.2.2 Definição ............................................................................... 35
2.2.3 Método dos mínimos quadrados (MMQ) ............................. 36
2.2.3.1 Caso bidimensional........................................................ 36
2.2.3.2 Caso multidimensional .................................................. 37
2.2.4 Método dos mínimos resíduos (MMR) ................................. 38
2.2.5 Comparação entre MMQ e MMR......................................... 39
2.2.6 Projeção de ponto em plano ................................................. 41
2.2.7 Outliers (pontos atípicos) ..................................................... 42
2.2.7.1 Identificação visual........................................................ 43
2.2.7.2 Deteção de outliers......................................................... 43
2.2.7.3 Exemplo de geração de outliers ..................................... 46
2.2.8 Envolvente convexa (Convex Hull) ...................................... 47
2.2.9 Mudança de base .................................................................. 49
2.2.10 Classificação ....................................................................... 49
2.2.11 Triangulação de Delaunay e diagrama de Voronoi ........... 51
2.2.11.1 Algoritmo para geração de triangulação de Delaunay 54
v
Introdução
2.2.11.2 Dividir para conquistar (Divider and Conquer) ......... 55

2.3 Exemplo de aplicação ............................................................. 58
2.3.1 Plano de regressão ............................................................... 58
2.3.2 Projeção dos pontos no plano ............................................... 59
2.3.3 Outliers ................................................................................. 60
2.3.4 Mudança de base .................................................................. 61
2.3.5 Triangulação......................................................................... 61
2.3.5.1 Divisão de pontos ........................................................... 62
2.3.6 Análise visual de resultados ................................................ 63
3 Perfuração ....................................................................................... 64
3.1 Representação gráfica ............................................................ 64
3.2 Furos baseados em desviómetros .......................................... 68
3.3 Projeção de ponto em reta...................................................... 70
3.4 Intersecção entre dois vetores ............................................... 70
3.5 Posicionamento de furos (malha) .......................................... 71
3.5.1 Malha de perfuração básica ................................................. 71
3.5.2 Malha de perfuração baseada na crista .............................. 72
3.6 Interseção entre reta e plano ................................................. 76
3.7 Deteção de ponto interno ao triângulo .................................. 77
3.8 Detecção de coordenada de emboquilhamento de furos ....... 77
3.9 Perfil crítico ............................................................................ 78
3.10 Carga do furo.......................................................................... 82
4 Sequenciamento .............................................................................. 83
4.1 Grafos ..................................................................................... 84
4.1.1 Algoritmo de Dijkstra........................................................... 85
4.2 Sistema de iniciação não-elétrico .......................................... 87
4.3 Sistema de iniciação eletrónico ............................................. 90
4.3.1 Ferramenta vetorial ............................................................. 90
4.3.2 Ferramenta circular ............................................................. 92
4.4 Janela temporal de 8 milissegundos ..................................... 93
4.5 Isolinhas de tempo ................................................................. 96
5 Otimização .................................................................................... 100
5.1 Previsão de fragmentação.................................................... 100
5.2 Heurística ............................................................................. 101
vi
Introdução
5.3 Gradiente descendente ........................................................ 102

5.4 Modelo .................................................................................. 103
6 Aplicação dos algoritmos: O-Pitblast ........................................... 108
6.1 Início ..................................................................................... 108
6.2 Software desenvolvido ......................................................... 109
6.2.1 Terreno ............................................................................... 110
6.2.2 Perfuração .......................................................................... 111
6.2.3 Sequenciamento ................................................................. 114
6.3 Presença global da O-Pitblast ............................................. 116
6.4 Utilizadores .......................................................................... 119
6.4.1 Estimativa .......................................................................... 120
6.5 Universidades ...................................................................... 121
6.6 Suporte a Teses de Mestrado e Doutoramento ................... 125
6.6.1 Seism-O: desenvolvimento de uma aplicação para análise de
vibrações em desmonte de rocha. .......................................................... 125
6.6.2 Otimização de Parâmetros Geométricos em Diagramas de
Fogo para Desmonte a Céu Aberto. ...................................................... 126
6.6.3 Proposta de algoritmo de otimização da inclinação de furos
em desmonte a céu aberto. .................................................................... 126
6.6.4 Análise e controlo de interações entre operações unitárias
mineiras. 126
6.6.5 Modelação Integrada e Simulação de Operações de Desmonte
e Processamento de Recursos Minerais. ............................................... 127
6.6.6 Desenvolvimento de Equipamento para Avaliação de Desvios
de Furos de Produção em Desmonte de Rochas não Magnéticas. ....... 128
6.7 Valoração da Empresa ......................................................... 129
6.8 Opinião do Utilizador........................................................... 130
7 Conclusões e trabalhos futuros .................................................... 132
7.1 Reconstrução de terreno ...................................................... 134
7.2 Lavra Subterrânea ............................................................... 136
8 Bibliografía ................................................................................... 137
vii
Introdução
Lista de Tabelas1
Tabela 1: Quantidade de pontos x tempo de processamento em cada método
(autoria própria). ..................................................................................................... 40
Tabela 2: Combinação de n pontos tomados 2 a 2 (autoria própria). .......... 48
Tabela 3: Passo a passo do cálculo das posições que formam o furo. .......... 70
Tabela 4: Resumo estatístico dos dados analisados. .................................... 95
Tabela 5: Passo a passo do algoritmo da janela temporal. .......................... 96
Tabela 6: Resumo dos passos do algoritmo de otimização. ........................ 107
Tabela 7: Crescimento do número de licenças ativas da empresa. ........... 120
Tabela 8: Instituições acadêmicas relacionadas com a O-Pitblast. ........... 124
Tabela 9: Resultados projetados. ................................................................ 129
Tabela 10: Fluxos de caixa projetados. ....................................................... 129
Tabela 11: Computação do valora da empresa........................................... 129
Tabela 12: Valor do negócio. ....................................................................... 130
Tabela 13: Lista de artigos publicados durante o doutoramento. ............. 133
Tabela 14: Capítulo de livro sobre assunto de interesse da ciência. ......... 133
1 Todas as tabelas não referenciadas são de autoria própria.
8
Introdução
Lista de Figuras2
Figura 1: Capas da International Mining e do newsletter EFEE4.............. 17
Figura 2: Uso de simulador de desmontes em aula. FEUP, 2019. .............. 18
Figura 3: Avaliação geral dos alunos sobre tema aplicado no desenvolvimento
de simuladores. ....................................................................................................... 18
Figura 4: Processo de tradução: Realidade para modelo (adaptado de
Goldbarg, 2000). ...................................................................................................... 19
Figura 5: Afastamento crítico real (adaptado de Kuovonen, 2019)............. 21
Figura 6: Resumo do capítulo “Terreno”. ..................................................... 24
Figura 7: Resumo do capítulo “Perfuração”. ................................................ 25
Figura 8: Resumo do capítulo “Sequenciamento”. ....................................... 26
Figura 9: Resumo do capítulo “Otimização”. ................................................ 27
Figura 10: Sistema de Laser utilizado para definir perfil da bancada
(adaptação de autoria própria). .............................................................................. 29
Figura 11: BlastMetrix 3D (BlastMetrix, 2019). ......................................... 30
Figura 12: Drone (UAV: Unmanned Aerial Vehicle). .................................. 30
Figura 13: Pontos que representam a topografia de uma frente de bancada.
................................................................................................................................. 31
Figura 14: Exemplo com dois hiperplanos. .................................................. 32
Figura 15: Hiperplano ajustado à nuvem de pontos. ................................... 32
Figura 16: Exemplo do resíduo. .................................................................... 33
Figura 17: Dados reais e modelo (transladado). .......................................... 34
Figura 18: Distribuição hipotética das estaturas dos filhos (imagem do artigo
original de Karl Pearson). ....................................................................................... 35
Figura 19: MMQ soma das áreas dos quadrados dos resíduos mínima. ..... 37
Figura 20: Configuração do computador utilizado na simulação. ............... 40
Figura 21: Comparação entre métodos. ....................................................... 40
Figura 22: Projeção de ponto em plano. ....................................................... 42
Figura 23: Dados topográficos com presença de outliers. ............................ 43
Figura 24: Identificação visual de outliers no histograma e no variograma
(Czaplicki, 2014). ..................................................................................................... 43
Figura 25: MMQ influenciado pelo outlier e MMR inalterado. ................... 44
Figura 26: Planos transladados encontrados por técnicas diferentes de
regressão. ................................................................................................................. 44
2 Todas as figuras não referenciadas são de autoria própria.
9
Introdução
Figura 27: Projeção dos pontos no plano encontrado. .................................. 45

Figura 28:Posicionamento de equipamento. ................................................ 46
Figura 29: Falha na tomada de pontos da crista de uma frente livre de
bancada. ................................................................................................................... 46
Figura 30: Convex Hull (De Berg, Cheong, Kreveld, & Overmars, 2008) .. 47
Figura 31: Posição relativa entre reta e ponto. ............................................ 48
Figura 32: Representação gráfica da combinação dos pontos. .................... 48
Figura 33: Detalhe da nuvem de pontos que forma a topografia da mina e do
polígono de Hull. ..................................................................................................... 48
Figura 34: Mudança de base para cálculo de perfil crítico. ......................... 49
Figura 35: diferentes maneiras de aplicar análise de clusters ao mesmo
conjunto de pontos (Tan, Steinbach, & Kumar, 2005, pág. 491). .......................... 50
Figura 36: Fluxo do algoritmo K-means. ..................................................... 50
Figura 37: Agrupamento de pontos por K-means, com K assumindo
diferentes valores. ................................................................................................... 51
Figura 38: Diagrama de Voronoi e triangulação de Delaunay (Miranda V. ,
Leite, Jesus, & Sobral, 2017). ................................................................................. 51
Figura 39: Etapas do algoritmo de triangulação (Hjelle & Daehlen). ........ 52
Figura 40: Mudança de aresta (adaptado de De Berg et al, 2008). ............. 53
Figura 41: Triangulação que não obedece ao critério do círculo. ................ 53
Figura 42: Triangulação de Delaunay. ......................................................... 53
Figura 43: Resumo do algoritmo de Delaunay. ............................................ 55
Figura 44: Tempo gasto para triangular diferentes quantidade de pontos. 55
Figura 45: Subdivisões para uma máxima triangulação de 50 mil pontos. 56
Figura 46: Comparação de triangulação de 127 mil pontos subdividindo
malha. ...................................................................................................................... 56
Figura 47: Triangulação completa dos 127 mil pontos, sem subdivisões. .. 56
Figura 48: Triangulação com subdivisões de no máximo 50 mil pontos com o
terreno a) Sem costura e b) com costura. ............................................................... 57
Figura 49: Detalhes do complicado algoritmo "dividir para conquistar" (Lee
& Schachter, 1980). ................................................................................................. 57
Figura 50: Fluxo do algoritmo de costura. ................................................... 57
Figura 51: Etapas do algoritmo para costurar as subdivisões. ................... 58
Figura 52: Conjunto de pontos tomados pelo laser 3D. ............................... 58
Figura 53: Regressão por mínimos quadrados e mínimos resíduos. ........... 59
Figura 54: Projeção dos pontos no plano encontrado. .................................. 59
10
Introdução
Figura 55: Pontos projetados. ....................................................................... 60

Figura 56: Histograma das distâncias e respetivo intervalo de confiança. 60
Figura 57: Procedimento para encontrar nova base. ................................... 61
Figura 58: Pontos originais e no novo sistema de coordenadas. ................. 61
Figura 59: Triangulação sobre pontos projetados. ....................................... 61
Figura 60: Triangulação sobre os pontos originais. ..................................... 62
Figura 61: Aplicação do algoritmo "Dividir para Conquistar" adaptado. ... 62
Figura 62: Comparação entre bancada e o seu modelo. .............................. 63
Figura 63: Formas geométricas disponíveis pelo AB4D. ............................. 64
Figura 64: Representação gráfica de um furo (Miranda et al, 2017). ......... 65
Figura 65: Discretização da circunferência. ................................................. 65
Figura 66: Pontos que formam o cilindro. .................................................... 66
Figura 67: Cálculo vetorial do novo sistema de coordenadas. ..................... 67
Figura 68: Mudança de base dos pontos do cilindro e translação. .............. 67
Figura 69: Fluxo para a triangulação dos pontos que formam o cilindro. .. 68
Figura 70: Detalhe de grupo de furos sobre o modelo de um terreno. ........ 68
Figura 71: Uso de equipamento de medição de desvio de furos (Miranda V.
et al, 2019). .............................................................................................................. 69
Figura 72: Esquema geral do uso do desviómetro e o resltado da leitura de
seus sensores. .......................................................................................................... 69
Figura 73: Detalhamento da projeção de ponto em reta. ............................ 70
Figura 74: Bancada com referências para criação de malha simples. ........ 71
Figura 75: Fluxo para a criação de malha simples. ..................................... 72
Figura 76: Resultado do algoritmo de posicionamento de furos básico. ..... 72
Figura 77: Representação da crista da bancada. ......................................... 72
Figura 78: Regressão sobre os pontos que formam a crista. ....................... 73
Figura 79: Linhas paralelas à regressão que representa a crista. .............. 74
Figura 80: Furos teóricos da primeira linha baseada na crista. ................. 74
Figura 81: Projeções das posições dos furos e vetores formados. ................ 75
Figura 82: Reposicionamento de furos para adequação à frente livre. ....... 75
Figura 83: Resultado do algoritmo para posicionamento dos furos. ........... 76
Figura 84: Intersecção entre reta e plano. ................................................... 76
Figura 85: Ponto interno e ponto externo à triângulo. ................................ 77
Figura 86: Detecção da coordenada verical de emboquilhamento de um furo
(intersecção entre triângulo e vetor que representa o furo). ................................. 78
11
Introdução
Figura 87: Perfil crítico (Miranda & Leite, 2018). ....................................... 78

Figura 88: Perfil crítico com vista frontal (esquerda), vista lateral (centro) e
vista de topo (direita). ............................................................................................. 79
Figura 89: Tempo de processamento para variações no raio de busca
(esquerda) e no ângulo de abertura. ....................................................................... 79
Figura 90: Pontos candidatos ao perfil crítico. ............................................ 80
Figura 91: Fluxo para cálculo da discretização do furo. .............................. 80
Figura 92: Identificação do ponto candidato mais próximo ao ponto P
(adaptado de Almeida, 2018). ................................................................................. 81
Figura 93: Detalhes do cálculo do afastamento crítico. ............................... 82
Figura 94: Exemplo de aplicação de carga explosiva (O-Pitblast). ............. 82
Figura 95: Gráfico de John Floyd com sugestão de tempos entre filas para
diferentes finalidades (Buffham, 2012). ................................................................. 83
Figura 96: As pontes de Konigsberg e seu respetivo grafo (Bondy & Murty,
Graph Theory: An Advanced Course, 2008). .......................................................... 84
Figura 97: Aplicações de teoria de grafos (adaptado de Goldbarg & Goldbarg,
2012). ....................................................................................................................... 84
Figura 98: Distância entre 5 cidades portuguesas e possíveis rotas entre elas.
................................................................................................................................. 85
Figura 99: Possíveis rotas entre Porto e Resende. ....................................... 85
Figura 100: Sequência de passos do algoritmo de Dijkstra......................... 87
Figura 101: Componentes do detonador não-elétrico (Manual de Empleo de
Explosivos, 2004). .................................................................................................... 87
Figura 102: Esquema de ligação típica (Manual de Empleo de Explosivos,
2004, pág. 107). ....................................................................................................... 88
Figura 103: Exemplo de ligação não-elétrica e detalhe da ligação entre
ligador de superfície e detonador de fundo. ........................................................... 88
Figura 104: Exemplo de detonadores disponíveis no mercado (adaptado de
RIONEL DDX thecnical data sheet). ..................................................................... 88
Figura 105: Esquema de iniciação representado por um grafo dirigido. .... 89
Figura 106: Parte do algoritmo de Dijkstra aplicado para na determinação
de tempos. ................................................................................................................ 89
Figura 107: Iniciação em “V”, com abertura de 90 graus e BRB=3ms/m. .. 90
Figura 108: Iniciação em “V”, com abertura de 140 graus e BRB=10ms/m.
................................................................................................................................. 91
Figura 109: Primeiros passos do algoritmo da ferramenta vetorial. .......... 91
Figura 110: Últimos passos do algoritmo da ferramenta vetorial. ............. 92
Figura 111: Abertura circular de bancada na ausência de frentes livre. ... 93
12
Introdução
Figura 112: Uso de ferramenta circular para simular um arranque central

do material do maciço rochoso. ............................................................................... 93
Figura 113: Probabilidade de sobreposição de ondas (adaptado de Li et al,
2015). ....................................................................................................................... 94
Figura 114: Fluxo do cálculo das janelas temporais. ................................... 95
Figura 115: Exemplo de histograma com janela temporal. ......................... 96
Figura 116: Isolinhas e direção de saída dos furos. ..................................... 97
Figura 117: Detalhe do afastamento teórico e do afastamento efetivo. ...... 97
Figura 118: Triangulação feita sobre a posição dos furos. .......................... 98
Figura 119: Isolinha referente a 31 milissegundos. .................................... 98
Figura 120: Exemplo de isolinhas (O-Pitblast). ........................................... 99
Figura 121: Diferença entre problema unimodal (esquerda) e multimodal.
............................................................................................................................... 102
Figura 122: Campo vetorial e movimento do algoritmo do gradiente....... 103
Figura 123: Gráfico com o custo total com parâmetros fixos. ................... 104
Figura 124: Limite de fragmentação. ......................................................... 104
Figura 125: Comportamento da curva de fragmentação para diferentes
parâmetros. ........................................................................................................... 105
Figura 126: Interceção entre custo e limite de fragmentação. .................. 105
Figura 127: Heurística de gradiente adaptada. ......................................... 106
Figura 128: Detalhe do movimento do algoritmo. ..................................... 107
Figura 129: Vinicius Miranda (esquerda) e Francisco Leite no lançamento
público da empresa, em julho de 2016.................................................................. 108
Figura 130: Apresentação pública da empresa O-Pitblast em julho de 2016.
............................................................................................................................... 109
Figura 131: Tela de abertura (Splash screen) do software. ...................... 109
Figura 132: Pontos do espaço, triangulação e representação 3D. ............. 110
Figura 133: Processamento de cavas de maiores dimensões dentro do O-
Pitblast. ................................................................................................................. 110
Figura 134: Isolinhas de altitude. .............................................................. 111
Figura 135: Tratamento de outliers. .......................................................... 111
Figura 136: Posicionamento manual de furos. .......................................... 112
Figura 137: Aplicação de malha baseada na crista da bancada. .............. 112
Figura 138: Formulários para cálculo de valores geométricos ótimos para o
desmonte mediante processo de otimização. ........................................................ 113
Figura 139: Tela para edição de parâmetros geométricos de furos. ......... 113
13
Introdução
Figura 140: Aplicação vetorial de sequenciamento com BRB = 3 ms/m, BRS

= 0 ms/m e ângulo = 90º. ....................................................................................... 114
Figura 141: Aplicação vetorial de sequenciamento com BRB = 5 ms/m, BRS
= 2 ms/m e ângulo = 122º. ..................................................................................... 114
Figura 142: Uso da ferramenta circular para cálculo de tempos com uso de
detonadores eletrônicos e presença de isolinhas de tempo.................................. 115
Figura 143: Conexão utilizando detonadores de 700 ms e conectores de
superfície de 17 ms e 42 ms. ................................................................................. 115
Figura 144: Histograma com janela temporal e identificação de furos
sobrepostos. ........................................................................................................... 116
Figura 145: Histograma de tempos. ........................................................... 116
Figura 146: Todas as localizações (agrupadas) desde onde se acessou o
software. ................................................................................................................ 117
Figura 147: Evolução da utilização do software nos países Nórdicos. ...... 117
Figura 148: Países onde algum acesso ao software foi efetivado. ............. 118
Figura 149: Países onde o software foi utilizado (escalados em função do
número de acessos). ............................................................................................... 118
Figura 150: Evolução do número total de licenças. ................................... 119
Figura 151: Evolução do número total de licenças em 2016. .................... 119
Figura 152: Evolução das licenças ativas................................................... 120
Figura 153: Equação logística representando o crescimento do número de
licenças. ................................................................................................................. 121
Figura 154: Professor Alexandre Leite. ..................................................... 122
Figura 155: Formação no software O-Pitblast para estudantes universitários
(Ulbra, 2016).......................................................................................................... 123
Figura 156: Formação em análise de fragmentação para estudantes
universitários (Ulbra, 2017). ................................................................................ 123
Figura 157: Programa O-Pitblast University (O-Pitblast). ....................... 124
Figura 158: Raquel Carvalhinha, estudante coorientada em 2017. ......... 125
Figura 159: Pedro Reis, estudante coorientado em 2016. ......................... 126
Figura 160: Francisco Eduardo Almeida da Silva, estudante coorientado em
2018. ...................................................................................................................... 126
Figura 161: Diogo Queiroz, estudante coorientado em 2019..................... 127
Figura 162: Auã Kiahla, estudante coorientado em 2020. ........................ 127
Figura 163: Gean Frank, estudante coorientado entre 2019 e 2021 (O-
Pitblast). ................................................................................................................ 128
Figura 164: Protótipo do desviômetro e resultados obtidos. ..................... 128
Figura 165: Nuvem de pontos de uma pedreira e isolinhas (direita). ...... 134
14
Introdução
Figura 166: Equipamento de carga presente na bancado no momento da

coleta de dados. ..................................................................................................... 135
Figura 167: Pontos tratados pela reconstrução de Poisson (esquerda), por
Delaunay (centro) e terreno após remoção de outliers (não automática). .......... 135
Figura 168: Imagem do software O-Pitblast UG, em desenvolvimento e com
previsão de lançamento para o final de 2021. ...................................................... 136
15
Introdução
1 Introdução
A perfuração e desmonte de rochas são métodos controlados de fragmentação
com uso de explosivos, normalmente utilizados na indústria extrativa,
nomeadamente em minas e pedreiras, bem como em construções civis como túneis
e outros (Verma, 2014). Embora o desmonte recorrendo ao uso de explosivos seja a
mais eficiente técnica para a fragmentação de rochas, ele ainda envolve um alto
nível de periculosidade devido aos passivos gerados como ultra-lançamentos,
vibrações, danos ao maciço remanescente entre outros (Murthy et al, 2003). A
atenção e cuidado colocados nas atividades de desmonte de rochas com explosivos
justifica-se não apenas pelo potencial risco que estas podem envolver mas também
pelo impacto, positivo e negativo sobre todos os processos subsequentes, como a
carga e transporte dos materiais até unidades de processamento e operações de
britagem e moagem (Tamir & Everett, 2018). São cada vez mais evidentes as suas
implicações ao nível dos custos operacionais globais. O desmonte de rochas pode
impactar diretamente até 80% dos custos totais do processo mineiro (Gleeson,
2019, pág. 32).
Essa capacidade de interferir com a eficiência de uma operação mineira tem
feito cada vez mais empresas investirem em investigação e tecnologia para a
redução de custos e o aumento da segurança. Por exemplo, são já reais as
experimentações relacionadas com a expansão das malhas de perfuração sem o
comprometimento dos resultados da fragmentação (Landey & Gerst, 2018). Essa
procura de novas técnicas e tecnologias fica evidenciada em inumeros artigos
publicados em importantes revistas especializadas, como por exemplo a
International Mining, o que vem corroborar a ideia aqui exposta. A edição de
janeiro de 2017 desta revista (Figura 1) apresenta um relevante artigo relacionado
com o desenvolvimento de simuladores e a sua utilização para treinos técnicos em
empresas da África do Sul, nomeadamente para o aumento da produtividade
associado ao aumento da segurança no trabalho. A mesma revista traz em agosto
de 2019 o relato de importantes empresas de explosivos, com implantação
internacional, sobre o uso de tecnologias avançadas e simuladores para resolver
problemas de performance no uso de carga de explosivos (entre outros). Comenta
VH3 (Gleeson, 2019, pág. 35):
“…our software can be applied to specific blasting problems by performing
design and predictive simulations on charging, timing, ground vibration and
fragmentation before the blast…”.
Podemos ver também na newsletter da EFEE4 (Figura 1) a preocupação do
CEO da importante empresa nórdica de explosivos Forcit® Intenational, Tomi
Kuovonen, com o uso de novas tecnologias para a otimização das operações de
perfuração em e processo de desmonte (Kuovonen, 2019, pág. 6):
3 Diretor de Serviços técnicos de uma importante empresa de explosivos.

4 European Federation of Explosives Engineers.
16
Introdução
“...new features on drill rigs as well as utilizing satellite based positioning sys-
tems, 3D-visualization and blast design applications can substantially improve
safety and profitability in rock processing…”.
Figura 1: Capas da International Mining e do newsletter EFEE4.
Essas novas tecnologias, tão relevantes para a indústria extrativa, têm vindo
a tomar parte nos cenários reias das empresas, quer através de novos
equipamentos com claras capacidades de automação5 (Scania, 2019), quer através
de novos algoritmos tendo em vista otimizar processos ou prever efeitos nocivos no
meio ambiental, o que claramente é já uma realidade em muitas empresas
responsáveis e que para tal recorrem a algoritmos de última geração (Zhao et al,
2019). Ditos algoritmos são fundamentais para o desenvolvimento de simuladores
e aplicativos que podem melhorar substancialmente o processamento da operação
mineira como um todo (Kuovonen, 2019) e, ainda, ajudar no processo de
digitalização dos dados para inovar no desenho de malhas e geometrias de
perfuração e potencializar o controle de KPI’s6 (Rosario, González, & Viejo, 2019).
A importância do uso de simuladores na indústria mineira, mais especificamente
no setor de desmonte com recurso a explosivos, fica também evidenciado nas
palavras de Dale Preece7, que afirma que os simuladores 3D permitiram um avanço
na aplicação e configuração de detonadores, que por sua vez têm contribuído
significativamente para a qualidade e eficácia do desmonte de rochas (Preece &
Lownds, 3D Computer Simulation of Bench Blasting with Precise Delay Timing,
2009).
Um outro aspeto, extremamente relevante, relaciona-se com a utilização
dessas ferramentas como recursos didáticos para o ensino de matérias da área da
Lavra de Minas. Muitos cursos de variadíssimas escolas de engenharia têm optado
pela criação de laboratórios de simulação devido ao seu baixo custo, flexibilidade,
interface amigável para os utilizadores, “trazendo” para a sala de aula muitos
aspetos que de outro modo só poderias ser observados no ambiente real (Ertugrul,
2000). Além disso, os estudantes que aprendem através da simulação por
5 Scania® AXL concept truck (Moore P. , 2019).

6 Indicador chave de rendimento (do inglês key performance indicator).
7 General Manager | Blast Modeling Technology: Dyno Nobel.
17
Introdução
computadores retém mais informação do que aqueles estudantes que aprenderam

através de leitura ou de ensino baseado em páginas web estáticas (Akkoyun &
Careddu, 2015, pág. 287). Cabe também mencionar a experiência realizada em
2019 com discentes das unidades curriculares da área da Lavra de Minas do
Departamento de Engenharia de Minas da Faculdade de Engenharia da
Universidade do Porto (doravante denominada FEUP). Ficou claro para os
docentes envolvidos na lecionação que os estudantes demonstraram maior
interesse nas aulas quando nestas se utilizavam simuladores de desmonte de
rochas, criando-se cenários diversos muito próximos da realidade e permitindo
propor e resolver problemas num ambiente propício à conceptualização de
inúmeros pormenores das operações mineiras8 (Figura 2).
Figura 2: Uso de simulador de desmontes em aula. FEUP, 2019.
No referido ano letivo de 2019, os estudantes da FEUP também

demonstraram um evidente interesse nas aulas9 de cálculo numérico quando as
técnicas apresentadas (nesse caso específico fatoração LU10) eram associadas à sua
aplicabilidade no desenvolvimento de simuladores. Um resumo do inquérito de
satisfação geral da aula (numa escala de zero a dez) é exibido na Figura 3:
Figura 3: Avaliação geral dos alunos sobre tema aplicado no desenvolvimento de simuladores.
Fica deste modo demonstrada a importância dos simuladores, e como eles

podem impactar positivamente a indústria como um todo e em processos de
formação específicos. Rex Tillerson, chairman e CEO do ExxonMobil Corp, acredita
que a simulação é fundamental para o desenvolvimento tecnológico e justifica essa
afirmação pelos quase 50 anos de prática de implementação de modelos
matemáticos em simuladores por parte dos engenheiros da Exxon (Gilman &
Ozgen, 2013).
8 Nota do autor.
9 Inquérito realizado sobre a aula de 23/10/2018.
10 Para maiores detalhes consultar Meyer, 2000, pág. 141.
18
Introdução
Seguindo a mesma linha de raciocínio, acreditando nessa tendência, esta tese

descreverá/desenvolverá os principais algoritmos necessários para poder construir
uma ferramenta de simulação moderna e eficaz para ser utilizada no planeamento
e otimização de desmontes de rochas a céu-aberto com recursos a explosivos.
1.1 Simulação
O processo de simulação passa pela tentativa de reproduzir, sob a forma de

modelos, a realidade de processos concretos criados para determinados fins. Essa
tentativa faz-se sempre através da construção de pontos de vista sobre as
fenomenologias presentes no mundo real, procurando que os modelos criados
contenham, de alguma forma, algoritmizadas essas fenomenologias, aproximando-
os o mais possível da realidade, sabendo-se que esta nunca será totalmente
reproduzível. Trata-se de assumir a complexidade do real, conceito muito presente
na Metodologia do Processo Sistémico de Carlos Madureira (Madureira, 1989). Na
posse de modelos, despois de um processo não menos complexo de validação destes,
podemos “manipular” o real, obtendo respostas a inputs previamente neles
introduzidos. Intuitivamente utilizamos modelos mesmo que não nos demos conta
de isso: quando explicamos algo a uma pessoa através de gráficos, ou quando
representamos sólidos através de funções matemáticas estamos a usar modelos, ou
simplesmente quando prevemos alterações do clima através de dores articulares.
A mente do homem trabalha com estruturas de substituição que tentam simplificar
o pensamento, estruturas essas que são precisamente denominadas de modelos
(Goldbarg & L. Luna, 2000).
Podemos ainda extrapolar a interpretação moderna feita por Gujarati (2019)
e entender um modelo como o estudo da dependência de uma variável (variável
dependente) com respeito a uma ou mais variáveis (variáveis explicativas) com o
objetivo de estimar ou prever o valor esperado populacional, assumindo algumas
condições.
Afinal um bom modelo exige uma correta tradução contextual, e essa pode ser
expressa através de uma correta relação entre o fenômeno e seu modelo.
Figura 4: Processo de tradução: Realidade para modelo (adaptado de Goldbarg, 2000).
19
Introdução
Parafraseando Taha (2008), a construção de uma simulação matemática pode

ser considerada como uma arte, e tal como um artista revela uma novidade com a
criação da sua obra de arte, o modelador, ao desenvolver uma solução, estará a
criar um conceito diferente, com interpretações novas sobre o mesmo problema,
mas sempre com um mesmo objetivo presente: representar matematicamente um
problema abstrato encontrado na natureza.
1.2 Simuladores de desmonte de rochas
A história da simulação pode ser escrita através de vários pontos de vista

(Goldsman, Nance, & Wilson, 2009):
• Uso de simuladores (análise, treinamento, pesquisa...);

• Tipos de modelos de simulação (eventos discretos, contínuos, combinados...);
• Linguagens de programação de simuladores (GPSS, SIMSCRIPT,
SIMULA...);
• Campos de interesse (comunicações, aplicações militares, transporte...).
Na criação de simuladores para apoio ao desmonte de rochas com recurso a

explosivos também podemos assumir diferentes perspetivas. A perspetiva de
desenvolvimentos das etapas inerentes ao desmonte, tendo em conta a ordem
lógica em que essas etapas são comummente executadas, a saber: aquisição de
dados e modelação de terreno, perfuração, carregamento de explosivos, sequência
de detonação, efeitos ambientais e processos de otimização.
Na área da extração mineira, desde último terço do século passado que foram
surgindo soluções computacionais para apoio ao dimensionamento e otimização das
suas operações unitárias (Higgins M. , JK Simblast - New Software for the Design,
Simulation and Analysis of Blasting, 1997), mas o desenvolvimento deste tipo de
ferramentas pode-se considerar ainda é tímido e são poucos os utilitários que
agregam todos os passos básicos característicos inerentes ao planeamento de
desmontes, atrás descritos. Infelizmente, o desenvolvimento de ferramentas
integradas para a coleta de dados em ambientes de desmonte de rochas e posterior
análise, tendo em vista contribuir para a performance deste setor, tem sido
largamente esquecido pela indústria (Bhandari & Bhandari, Innovative Online
Technology Enabling Optimization in Blasting Operations, 2019). No entanto, o
avanço na tecnologia computacional tem contribuído de forma fundamental no
sentido de reverter esse processo, pois a cada vez maior capacidade de
processamento tem permitido que cálculos, que até então eram demasiado
complexos, possam ser executados. Lopez Jimeno, autor de inúmeras obras
referentes aos processos de desmonte que abordam precisamente estas
metodologias, acredita que a revolução dos computadores foi fundamental para o
desenvolvimento de simuladores, e comenta (Jimeno, Revuelta, Sánchez-Porro, &
Bermúdez, 2000):
“…de las diferentes revoluciones que ha sufrido la minería en el presente siglo
(implantación de máquinas más potentes, desarrollo de la economía en escala etc.),
una de las más importantes y de mayor trascendencia ha sido, sin lugar a dudas,
la transformación, a primeros de los años ochenta, llevada a cabo como
20
Introdução
consecuencia del desarrollo de los programas informáticos mineros con la llegada

de los ordenadores personales…”.
É possível deduzir, interpretando as palavras de Jimeno, que a indústria

naturalmente terá de se adaptar e aproveitar as maiores capacidades de
processamento dos computadores, desenvolvendo simuladores mais potentes. Os
principais interessados nesse desenvolvimento, as empresas de explosivos, tem
apostado em investigações internas, como é o caso da empresa Orica ® que
desenvolve e distribui seu próprio simulador ShotPus® (Orica Blast IQ ShotPlus,
2019) e da empresa espanhola Maxam. De maneira independente, poucas
empresas desenvolvem esse tipo de solução, e se destaca entre essas a jovem
empresa O-Pitblast11, que tem um produto que resulta de algoritmos que serão
apresentados no corpo desta tese e que agrega além de todas as funcionalidades
básicas, ferramentas avançadas de otimização para o aumento da performance das
atividades do desmonte.
Algumas importantes empresas de explosivos já acreditam no
desenvolvimento externo de suas soluções e encontram-se na atualidade a dar um
passo à frente nesse sentido. É o caso da empresa líder nos Países Nórdicos, a Forcit
International, que agregou O-Pitblast ao seu conjunto de soluções pelas
capacidades de simulação e pela sua interface amigável (Forcit O-Pitblast, 2019).
Entre outras características que caracterizam o simulador O-Pitblast, quando
comparado com outras soluções do mercado, Kuovonen (2019) cita sua capacidade
de análise do afastamento crítico ao longo de todo o comprimento de furos, bem
como outros aspetos relacionados com a segurança e qualidade, conforme se
explicita na Figura 5:
Figura 5: Afastamento crítico real (adaptado de Kuovonen, 2019).
11A O-Pitblast® foi fundada em março de 2016.
21
Introdução
1.3 Motivação
Hoje podemos afirmar que cada vez mais minas, pedreiras e obras de
construção são dependentes da correta representação do perfil do terreno onde se
pretende trabalhar (Shapiro & Worsey, 2019), e a falta (já justificada acima) de
opções de ferramentas direcionadas para objetivos específicos, como pode ser o
desmonte de rochas, por si só já justifica o interesse nesse desenvolvimento. Além
disso, podemos também citar que a combinação destes simuladores com os
equipamentos industriais, diminuem riscos operacionais importantes, como por
exemplo os ultra-lançamentos e a geração incontrolada de vibrações. Podemos
afirmar também que os processos de planeamento e otimização das operações de
desmonte, que infelizmente costumam permanecer no estágio teórico do plano de
lavra, devem ser considerados e tratados como processos cruciais para um bom
desempenho de toda a cadeia produtiva mineira (Chavez, Farnfield, & Lachamp,
2019).
Na realidade o caminho a percorrer para a criação de simuladores de
desmonte de rochas não é um caminho fácil. Não existe12 bibliografia específica
para o desenvolvimento de simuladores com esse objetivo (desmonte de rochas). Os
primeiros artigos científicos publicados remetem para o final dos anos 90. Pode-se
considerar esse período como importante nesta área dado terem nele surgido
importantes simuladores de desmonte de rochas que se perpetuam até aos dias de
hoje. Dessa década de 90 do século passado, destacam-se dois artigos publicados
pela Sociedade Internacional dos Engenheiros de Explosivos (ISEE):
• Higgins, JK Simblast - New Software for the design, simulation and analy-
sis of blasting, 1997;
• Higgins, JK Simblast - Blast Simulation and Management, 1998.
Estes artigos abordam a importância da simulação, dando enfase a um novo
produto que chegava naquele momento ao mercado, mas, infelizmente, não exibem
as estruturas dos algoritmos necessários para o seu desenvolvimento.
Podemos citar aqui também um trabalho mais recente. Em 2014, o renomado
consultor Thierry Bernard publicou o excelente trabalho intitulado “blasting 1
million tons, 205 meters from a town” no qual evidencia, durante todo o artigo, a
inestimável importância da simulação em cada etapa do planeamento de um
importante e cuidadoso desmonte realizado no Quebec, mas sem citar informações
técnicas sobre os modelos matemáticos utilizados.
No campo pessoal, não podemos deixar de referir a importância da atividade
académica como motivadora para a investigação aqui apresentada. Nas escolas de
engenharia, os processos de ensino/aprendizagem de sistemas de simulação é
muito eficiente uma vez que os estudantes tem a chance de testar de maneira muito
efetiva e recorrendo a casos práticos, diversas metodologias conducentes à
construção de modelos e o contacto com os vários parâmetros envolvidos na
problemática (Brenner, Shacham, & Cutlip, 2005).
Insistimos na referenciação da revista International Mining enquanto
recursos para nós fundamental, ao justificarmos o presente trabalho devido à
relevância dos artigos publicados pela mesma e dos seus contributos para a
12 Ao menos não de conhecimento do autor desse trabalho.
22
Introdução
investigação realizada e de sua ajuda ao entendimento do que iremos tratar. Nessa

revista podemos ler a opinião de autoridades em simulação, entre elas, Torsten
Hellmuth, responsável na Siemens® pelos sistemas usados em mineração a céu
aberto. Torsten defende os benefícios da modelação e da simulação13.
Todo este crescimento da importância dos simuladores na industria extrativa,
a falta de produtos robustos e acessíveis14 e o nosso interesse e gosto pelo mundo
da programação e da simulação, pela matemática discreta bem como pela pesquisa
operacional15, entre outros, despertou a motivação pela criação de um simulador
dedicado à extração mineira a céu-aberto, e muito mais que isso: à construção de
novos algoritmos e respetivas aplicações para ajudar na resolução de problemas de
desmontes de rochas de maneira prática e intuitiva. É esse o núcleo duro
motivacional da presente tese.
1.3.1 Tese Industrial
Para o melhor entendimento das razões para o desenvolvimento dessa tese

dentro de parâmetros e objetivos industriais citaremos Akay (2008, p. 404):
“Indiscutivelmente, o ensino de engenharia em programas de doutoramento

é uma instituição que precisa inovar e se adaptar às mudanças tecnológicas e
econômicas. Para manter nossa vantagem como inovadores em um ambiente cada
vez mais competitivo e para preparar adequadamente os engenheiros deste século
devemos reexaminar como educamos nossos alunos de doutoramento em
engenharia e fazer o que é necessário para garantir sua relevância no mundo de
hoje.”
O autor acima citado defende a necessidade de fugir aos métodos tradicionais

para poder manter os programas atualizados e condizentes com os problemas da
realidade. Uma eficiente modernização nesse sentido se encontra nas propostas de
teses industriais, uma vez que os pesquisadores dessa linha de tese adquirem
melhor capacidade para compreensão e resolução de problemas reais e seus déficits
em termos de empregabilidade são menores (Grimm, 2018).
Em concordância e simpatia com os pesquisadores acima citados, o autor
dessa tese acredita que o direcionamento de uma linha de pesquisa aplicada à
indústria pode gerar resultados diretos para o campo da Engenharia de Minas que
(ao menos a curto prazo) impactem (positivamente) mais necessidades do mercado.
Essa possibilidade de poder gerar um produto que pudesse ajudar as
problemáticas do mercado sem dúvida serviu também como motivação para a
produção dessa tese.
13 Edição de março de 2017.

14 Nota do autor.
15 Aqui o autor destaca a importância de seu professor de pesquisa operacional na Licencia-
tura em Engenharia de Minas da Universidade Federal de Pernambuco em passar aos estudantes

um pouco da sua paixão pela matemática e aplicações lineares, como ponto chave para o interesse
do autor pelo tema. Longa vida à Dorival de Carvalho Pinto, que seu nome viva para sempre.
23
Introdução
1.4 Estrutura da tese
A presente tese está subdividida em 4 capítulos principais em que se

apresentam os mais importantes algoritmos desenvolvidos e técnicas intrínsecas
ao simulador O-Pitblast. Após esses capítulos surgirá um capítulo no qual se
exemplifica a aplicação das metodologías desenvolvidas. Na parte final do
documento retiram-se algumas conclusões do processo de investigação e formulam-
se alguns trabalhos futuros. Em cada um dos 4 principais capítulos (Terreno,
Perfuração, Sequenciamento e Otimização) será apresentada uma problemática
inerente ao bom planeamento e otimização do desmonte de rochas a céu aberto.
Conforme seja necessário, dar-se-á destaque a pormenores do núcelo duro dos
algorítmos desenvolvidos e técnicas implementadas tendo em vista superar os
problemas formulados. Para entender melhor a abordagem realizada, passamos a
apresentar um resumo de cada um desses 4 capítulos principais.
1.4.1 Terreno
Figura 6: Resumo do capítulo “Terreno”.
No capítulo intitulado Terreno procura-se obter uma resposta eficaz para a

seguinte questão: como representar um terreno a partir de uma nuvem de pontos
obtida por uma determinada metodologia de aquisição de dados num dado contexto
morfológico?
Nesse capítulo abordamos diferentes possibilidades para o tratamento desses
dados e os pontos necessários para poder reconstruir uma superfície resultado de
uma triangulação que represente de maneira satisfatória uma superfície de
terreno e, a partir dessa representação conseguir planear o posicionamento de
furos para um eventual desmonte.
Nesse capítulo desenvover-se-ão os seguintes algoritmos e/ou ferramentas

matemáticas:
• Regressão linear múltipla por mínimos quadrados;
• Regressão linear múltipla por mínimos resíduos absolutos;
• Projeção de ponto em plano;
24
Introdução
• Detecção de pontos anómalos;

• Envolvente convexa (convex Hull);
• Posição relativa entre reta e ponto;
• Mudanças de base;
• Análise de clusters;
• Triangulação de Delaunay.
1.4.2 Perfuração
Figura 7: Resumo do capítulo “Perfuração”.
Nesse capítulo que denominamos Perfuração, procura-se responder às seguin-

tes perguntas: como representar os furos que irão ser realizados sobre o terreno a
ser desmontado, como criar um padrão de perfuração e como identificar parâmetros
gemétricos de relações entre os furos em planeamento e elementos singulares do
modelo do terreno em causa (por exemplo, valores de afastamentos críticos à frente
livre para diferentes posições ao longo dos furos)?
Esse capítulo começa por introduzir alguns mecanismos vetoriais para a re-
presentação de furos através de cilindros visando tanto furos teóricos como aqueles
que provém da leitura de equipamentos que medem a inclinação reais dos furos em
campo. Com essa representação, aborda-se também a criação de malhas de perfu-
ração simples (baseadas apenas em valores teóricos de afastamento e espaça-
mento) e malhas mais complexas e realistas como podem ser as malhas que se
baseam no posicionamento da crista da bancada. Uma vez representada a perfura-
ção sobre o terreno, procura-se identificar os afastamentos reais (críticos) ao longo
de toda a longitude dos furos, com a finalidade de detetar possíveis pontos que se
diferenciam, muito do afastamento teórico desejado.
Esse capítulo desenvolverá os seguintes algoritmos e/ou ferramentas

matemáticas:
25
Introdução
• Rotação vetorial tridimensional;

• Tratamento de dados oriundos de equipamentos de aferimento de
desvio de furos;
• Projeção de ponto em reta;
• Intersecção de vetores;
• Intersecção entre reta e plano;
• Deteção de pontos internos a triângulos;
• Intersecção entre vetor e malha16;
1.4.3 Sequenciamento
Figura 8: Resumo do capítulo “Sequenciamento”.
Nesse capítulo há o desiderato de responder às seguintes questões técnicas

hoje em dia fundamentais para um bom planeamento de pegas de fogo: como cal-
cular o tempo de detonação dos furos de uma malha uma vez que se aplicam conec-
tores de superfícies e detonadores de fundo aos mesmos? Se há a eleição de deto-
nadores eletrônicos, como calcular os tempos de saída (disparo) de cada furo utili-
zando ferramentas vetoriais? O que significa janela temporal e como utilizar este
conceito tendo como padrão a análise da janela dos oito milissegundos? Como cal-
cular isolinhas de tempo?
Esse capítulo contempla a modelação da conexão não-eletrônica através de
grafos e utiliza algoritmos de busca dentro de grafos para poder calcular tempos de
detonação. Além disso, aborda-se a modelação vetorial necessária para cálculos de
tempos para detonadores eletrónicos. É realizada também uma análise estatística
da regra dos 8 milissegundos e testa-se a sua validade. Ainda nesse capítulo refe-
rem-se pormenores da contrução de histogramas de tempo e o desenvolvimento de
respetivas isolinhas.
16 Comumente definido pelo termo em inglês “mesh”, faz referência ao conjunto de triângulos
que foram a superfície do terreno utilizado.
26
Introdução

matemáticas:
• Grafos;
• Algoritmo de Dijkastra;
• Rotação vetoria bidimensional;
• Probabilidades17;
1.4.4 Otimização
Figura 9: Resumo do capítulo “Otimização”.
Esse capítulo trará resposta à pergunta: baseado nos níveis de fragmentação

mínimos exigidos para o material desmontado, será possível encontrar os parâme-
tros geométricos para o planeamento do desmonte que minimizam o custo da ope-
ração sem romper restrições de proporção entre as variáveis de decisão?
Esse capítulo dedica-se à busca/desenvolvimento de um modelo matemático
que encontre os melhores valores para as variáveis de decisão (afastamento, espa-
çamento, subperfuração e tampão) que minimizam o custo total do desmonte (con-
siderando unicamente essa operação unitária) mas que tenha por resultado final
valores de fragmentação adequados. O problema passa pela definição das variáveis
de decisão adequadas, definição de uma função objetivo a ser minimizada e formu-
lação de restrições adequadas ao modelo. Uma vez que se encontrem esses elemen-
tos, dada a natureza não linear do problema e com solução não trivial, desenvolve-
se uma heurística que encontre, rapidamente, a solução pseudo-ótima para o pro-
blema.

matemáticas:
17 Noções básicas necessárias para o entendimento da dispersão dos detonadores.
27
Introdução
• Previsão de fragmentação;
• Heurísticas;
• Gradiente descendente;
28
Modelação de Terreno
2 Modelação de Terreno
A adequada análise do terreno que se pretende desmontar é fundamental,
principalmente, quando se trata de detonações mais complexas ou de potencial
risco para o meio ambiente. A topografia poderá influenciar vários fatores meio
ambientais, como pode ser, por exemplo, a sobrepressão de ar (Bermingham &
Birch, 2013), as vibrações terrestres e principalemente o desmonte de rochas.
Não apenas aspectos ambientais como também aspectos de produção são afe-
tados pela topografia. A análise correta do terreno poderá identificar informações
sobre a estrutura do maciço rochoso a ser desmontado (Kuckartz et al, 2013) e essa
informação poderá ser utilizada para o melhor planejamento do tipo adequado de
explosivo a ser utilizado em campo.
Ter a possibilidade de construir uma correta representação, sob a forma de
um modelo digital do terreno a ser desmontado, apresenta-se como um fator muito
importante para permitir a construção de um processo de otimização do desmonte
de rochas, afigurando-se este como decisivo para o sucesso de um projeto (Platt,
2016).
Neste capítulo, abordam-se sucintamente diversas metodologias de aquisição
de dados e apresenta-se uma metodologia, fundamentada, para seu tratamento
tendo em vista a construção de uma adequada representação do terreno.
2.1 Origem dos dados
2.1.1 Laser 3D
É indiscutível que o equipamento de aquisição de

dados Laser 3D é ainda um dos mais versáteis, em
parte pela sua capacidade de poder mapear frentes de
pedreiras e minas como um todo. O seu uso é bastante
vulgarizado dada a facilidade com que é operado,
apresentando-se como uma ferramenta chave para a
modelação de topografias (Renishaw, 2014) e
consequentemente para a representação digital de
frentes livres de bancadas. Da sua utilização, resulta
sempre uma nuvem de pontos 3D, mais ou menos
densa, representativa das superfícies topográficas
sobre as quais o equipamento realizou varrimentos
observacionais.
Shushil Bhandari refere ainda as potencialidades

do uso deste equipamento no capítulo que dedica à
Figura 10: Sistema de Laser utili-
zado para definir perfil da bancada
avaliação de resultados do desmonte (Bhandari,
(adaptação de autoria própria). Engineering Rock Blasting Operations, 1997, cap. 10).
Importantes eventos, como o ISEE, têm vindo a
29
destacar as aplicações à modelação topográfica do Laser 3D em diversas das suas

edições. A precisão desse equipamento em relação ao seu antecessor, o Laser 2D,
fica evidenciada na procura de realce do parâmetro afastamento crítico, tema
abordado também no ISEE (Miranda et al, 2017) que, por diversas razões, algumas
já referidas e outras que serão abordadas posteriormente nesta tese, se apresenta
como sendo um parâmetro crítico.
2.1.2 Fotogrametria
A fotogrametria é uma metodologia

aplicada à construção de modelos digitais
de terrenos a partir de fotografias,
quando estas são tratadas em sistemas
baseados em tecnologia estéreo-
fotogramétrica. Esta tem a capacidade de
ler com muita precisão informação
pormenorizada, por exemplo, de pisos e
frentes rochosas livres de bancadas
(Platt, 2016). Podemos citar aqui, para
Figura 11: BlastMetrix 3D (BlastMetrix, 2019).
aplicação em mineração, o sistema
BlastMetrix 3D, que se apresenta como um inovador sistema para a topografia de
frente livre de bancadas (BlastMetrix, 2019).
2.1.3 Drones
A tecnologia drone (ou VANT – veículo

aéreo não tripulado) de aquisição de
fotografias aéreas, embora recorra também
à fotogrametria, merece uma atenção
especial devido ao seu crescente uso na
mineração. Empresas como as portuguesas
Eye 2 Map18 (Eye 2 Map, 2017) e O-
Pitblast19 oferecem o serviço de recolha e
Figura 12: Drone (UAV: Unmanned Aerial Ve- tratamento de dados com este tipo de
hicle).
equipamentos, e a respetiva construção de
muito fiéis modelos digitais de terreno. O uso dessa tecnologia é também
amplamente explorado pela chilena Rock Blast (Rock Blast, 2017).
Existem outras fontes para a coleta de dados, como o uso, por exemplo, de
estações totais, sendo que, neste trabalho, é dada especial ênfases aos sistemas que
são amplamente difundidos na atividade mineira ou aqueles que apontam
tendência para uma maior utilização20.
18 www.eye2map.com
19 www.o-pitblast.com
20 Em acordo com a argumentação explanada na introdução dessa tese.
30
2.2 Redução dimensional
Um modelo matemático pode ser abordado desde várias perspectivas, con-

forme vimos na secção 1.1, mas aproveitamos para acrescentar o entendimento
econométrico (Silveira Ferreira, 2013), que de maneira simplificada, define o mo-
delo como uma função que relaciona um grupo de variáveis independentes para
explicar o comportamento de uma variável dependente (a natureza dessa relação
vai definir o tipo de função abordada).
Vamos modelar um conjunto de dados no R3 (pontos no espaço tridimensional)
por um hiperplano 21.
Inicialmente apresentamos um conjunto de pontos 3D referentes a uma pe-
dreira genérica e que representam uma frente livre de bancada (Figura 13):
Figura 13: Pontos que representam a topografia de uma frente de bancada.
Para encontrar o hiperplano desejado é necessário definir quais são, em cada

caso, as variáveis de decisão presentes. Para um plano indefinido, temos a equação
geral (Boulos, 2005):
𝑎𝑋 + 𝑏𝑌 + 𝑐𝑍 + 𝑑 = 0 Equação 1
Um modelo matemático, embora possa ser definido de maneiras diferentes

por diferentes autores, terá que compreender principalmente 3 elementos (Tormos
& Lova, 2003):
1. Variáveis de decisão: o primeiro passo na formulação de um modelo
matemático é identificar as variáveis sobre as quais queremos decidir (por exem-
plo, quando queremos que uma regressão linear nos produza um modelo , as
variáveis de decisão serão a constante que representa a interseção da reta com
o eixo vertical e o coeficiente angular). Essas são as variáveis que terão os seus
valores decididos pelo modelo22;
21 Define-se um hiperplano H em 𝑅𝑛 como o conjunto de pontos (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) que verificam

uma equação linear não degenerada 𝑎1 𝑥1 + 𝑎2 𝑥2 + . . . + 𝑎𝑛 𝑥𝑛 = 𝑏 (Lipschutz, 1994, pág. 65). Em ou-
tras palavras, um plano de dimensão n-1 em 𝑅𝑛 é um hiperplano (Santana & Queiró, 2010, pág.
186).
22 Modelo bidimensional.
31
2. Parâmetros de decisão e restrições: os parâmetros podem ser determi-

nísticos ou estocásticos e que são os valores conhecidos que se relacionam com
as variáveis;
3. Função objetivo: define a medida de efetividade que obtêm o sistema
quando se alteram os valores das variáveis de decisão.
Assim, temos como variáveis de decisão as constantes: a, b, c e d.

Evidentemente que existem infinitas soluções para essa equação, e uma infi-
nita quantidade de hiperplanos. Aqui exemplificamos dois deles na Figura 14:
Figura 14: Exemplo com dois hiperplanos.
Para o nosso problema, que é representar uma nuvem de pontos através do

modelo linear “plano”, não nos interessa um hiperplano que não se aproxime bem
desses pontos, pelo que precisaremos de encontrar um que seja tão representativo
quanto necessitemos (Figura 15).
Figura 15: Hiperplano ajustado à nuvem de pontos.
32
Para alcançar esse objetivo, determinamos o segundo elemento necessário à

construção de um modelo, ou seja, os parâmetros de decisão.
No presente exemplo, sabe-se que o modelo contém erros, pois existem pontos
(na grande maioria do seu domínio) que não coincidem com os pontos amostrados,
gerando assim, para cada um deles, um valor residual23 𝑢𝑖 .
Figura 16: Exemplo do resíduo.
Os parâmetros podem ser assim definidos:
−𝑎⁄ 𝑋 −𝑏⁄ 𝑌 −𝑑⁄ = 𝐴𝑋 + 𝐵𝑌 + 𝐶 Equação 2

𝑐 𝑖 𝑐 𝑖 𝑐 𝑖 𝑖
𝐴𝑋𝑖 + 𝐵𝑌𝑖 + 𝐶 − 𝑍𝑖 = 𝑢𝑖 Equação 3
Na Equação 2 define-se a relação determinística entre as variáveis dependen-

tes e a variável independente (Z). Na Equação 3 define-se o resíduo como a dife-
rença entre o valor estimado (valor encontrado pelo modelo) e o valor real inferido.
Agora como terceira etapa é necessário definir a função objetivo, e como que-
remos que o modelo a construir seja o mais próximo possível da realidade, há ne-
cessidade de minimizar os erros detetados, ou seja, minimizar a soma total dos
resíduos. Assim, a função objetivo (que deverá ser minimizada) será:
Equação 4
∑ 𝑢𝑖2
𝑖
Ou então:
Equação 5
∑|𝑢𝑖 |
𝑖
23 Perturbação estocástica ou termo de erro estocástico (Gujarati, 2019, pág. 40).
33
Assim, poderíamos definir o modelo matemático de um hiperplano que repre-

senta um conjunto de pontos em R3 como:
• Variáveis de decisão: A, B e C.
• Função objetivo: Min ∑𝑖|𝑢𝑖 |.
S.a:
• 𝐴𝑋𝑖 + 𝐵𝑌𝑖 + 𝐶 − 𝑍𝑖 ≤ 𝑢𝑖
• 𝐴𝑋𝑖 + 𝐵𝑌𝑖 + 𝐶 − 𝑍𝑖 ≥ −𝑢𝑖
• 𝑢𝑖 ≥ 0
Assim ficamos na posse de um modelo (um espaço vetorial de dimensão

inferior) para representar dados reais (Figura 17):
Figura 17: Dados reais e modelo (transladado).
A técnica acima descrita, pode ser denominada como método de regressão por
mínimos resíduos absolutos24. Em alternativa podemos utilizar o conhecido método
dos mínimos quadrados. De seguida, procura-se descrever melhor estes métodos,
realizando uma comparação entre ambos.
2.2.1 Regressão linear
Francis Galton, estatístico Inglês do século XIX “batizou” o termo regressão

no seu famoso estudo sobre estaturas, onde ele defendia que apesar da tendência
de pais altos procriarem filhos altos e pais baixos procriarem filhos baixos, a esta-
tura média dos filhos tendiam a transladar-se, ou “regressar” à estatura média da
população total (Galton & Hamilton Dickson, 1886, págs. 42-73). Os seus estudos
foram confirmados pelo seu colega Karl Pearson, que investigou estaturas em
24 Embora a minimização do resíduo absoluto (abordada mais adiante) minimize a soma total
dos resíduos, é raramente utilizada devido a sua complexidade matemática (Hamming R. , 1971,
pág. 249).
34
grupos de famílias (“Family Record Series”) e publicou seus resultados em 1903.

Curiosamente, Galton referiu-se a esse “regresso” à altura média como “regresso à
mediocridade” (Galton em Gujarati, pág. 15).
A interpretação moderna é diferente, e trata a dependência de uma variável
(variável independente) com respeito a uma ou mais variáveis (variáveis explicati-
vas), com o objetivo de estimar o valor médio populacional como bem explica o autor
português Paulo Jorge Silveira Ferreira no seu pedagógico livro “Princípios de Eco-
nometria” (Editora Rei dos Livros, 2013).
Figura 18: Distribuição hipotética das estaturas dos filhos (imagem do artigo original de Karl Pearson).
2.2.2 Definição
Matematicamente definimos um modelo linear com n variáveis como uma

função:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑛 𝑋𝑛 + 𝑢𝑖 Equação 6
Onde as 𝛽𝑖 ′𝑠 desse modelo são coeficientes lineares, e por linearidade enten-

demos que três premissas básicas devem ser tidas em conta 25:
1. Proporcionalidade: significa que a contribuição individual de cada va-

riável é diretamente proporcional ao valor da variável;
2. Aditividade: define que a contribuição total das variáveis é igual à
soma direta das contribuições individuais de cada variável;
3. Certeza: todas as 𝛽𝑖 ′𝑠 são constantes conhecidas e determinísticas26
(aqui não trabalharemos com variáveis estocásticas).
25 Taha, 2008, pág. 7; Hillier & Lieberman, 2010, pág. 33; Tormos & Lova, 2003, pág. 47;
Goldbarg & L. Luna, 2000, p. 47; além do próprio pai programação linear moderna: Dantzig no seu
clássico “Linear Programming and Extensions” (1963) entre outros.
26 Existem modelos de regressão, chamados modelos neoclássicos de regressão linear (MNRL)
que tratam as variáveis como estocásticas (Goldberger, 1991, pág. 264).
35
Definido um modelo linear, necessitamos encontrar os valores para os parâ-

metros adequados para ele.
Tendo em vista encontrar os parâmetros que melhor se ajustam à nuvem de
pontos, é necessário lançar mão de alguma técnica para esse fim. Assim, surgem o
método dos mínimos quadrados (MMQ) e o método dos mínimos resíduos absolutos
(MMR), que adiante será descrito, dado que não é muito explorados pela literatura
econométrica/matemática (rodapé 24). O MMR será amplamente utilizado nessa
tese por razões que serão explicitadas em breve.
2.2.3 Método dos mínimos quadrados (MMQ)
2.2.3.1 Caso bidimensional
Como já exposto anteriormente, um modelo explica parte da realidade e à

parte que não é explicada é dado o nome de resíduo (a partir de agora chamado de
“u”).
A ideia subjacente ao método dos mínimos quadrados é encontrar os parâme-
tros que minimizam a soma do quadrado dos resíduos, ou seja, nosso objetivo será:
Min Z = ∑𝑖 𝑢𝑖2 Equação 7
Exemplificando numa realidade bidimensional com uma nuvem de pontos,

observa-se que infinitas retas podem ser escolhidas para lhe servir de modelo, mas
apenas uma fará com que a soma dos quadrados dos resíduos (Figura 19) seja a
mínima possível27.
Os parâmetros são encontrados da seguinte maneira:
𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝑢 Equação 8
Onde:
• 𝛽0 : parâmetro chamado de constante;
• 𝛽1 : coeficiente técnico ;
• 𝑢: Resíduo.
O objetivo é minimizar o quadrado dos resíduos:
𝑚𝑖𝑛 ∑ 𝑢𝑖 2 = 𝑚𝑖𝑛 ∑𝑛𝑖=1(𝑦𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 )2 = S (𝛽0, 𝛽1 ) Equação 9
A minimização se dá ao derivar a Equação 9 com relação a 𝛽0 e a 𝛽1 e igualando

a zero:
𝑛
∂S
= −2 ∑(𝑦𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 ) = 0 Equação 10
∂𝛽0
𝑖=1
27 Realça-se aqui que a técnica não (e aqui fazemos especial destaque) resulta na reta que
melhor aproxima os pontos, pois esta não minimiza a distância dos pontos até a reta (ou modelo), e
sim a distância elevada ao quadrado.
36
𝑛
∂S
= −2 ∑ 𝑋𝑖 (𝑦𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 ) = 0 Equação 11
∂𝛽1
𝑖=1
Distribuindo corretamente e dividindo a Equação 10 por 2n chegamos a:
𝛽0 = 𝑦̅ − 𝛽1 𝑋̅ Equação 12
Onde 𝑦̅ é a média dos valores da variável dependente, e 𝑋̅ é a média da

variável independente.
Substituindo a Equação 12 na equação Equação 11 chegamos a:
-2∑𝑛𝑖=1 𝑋𝑖 (𝑦𝑖 − 𝑦̅ + 𝛽1 𝑋̅ − 𝛽1 𝑋𝑖 ) = 0 Equação 13
∑𝑛𝑖=1[𝑋𝑖 (𝑦𝑖 − 𝑦̅) + 𝑋𝑖 𝛽1 (𝑋̅ − 𝑋𝑖 )] = 0 Equação 14
∑𝑛𝑖=1[𝑋𝑖 (𝑦𝑖 − 𝑦̅) + 𝛽1 ∑𝑛𝑖=1 𝑋𝑖 (𝑋̅ − 𝑋𝑖 )] = 0 Equação 15
∑𝑛𝑖=1 𝑋𝑖 (𝑦𝑖 − 𝑦̅) Equação 16

𝛽1 =
∑𝑛𝑖=1 𝑋𝑖 (𝑋𝑖 − 𝑋̅)
Figura 19: MMQ soma das áreas dos quadrados dos resíduos mínima.
2.2.3.2 Caso multidimensional
Para o caso multidimensional vamos resolver o mesmo problema para:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑛 𝑋𝑛 + 𝑢𝑖 Equação 17
O objetivo de minimizar a soma do quadrado dos resíduos obriga a escrever a

Equação 17 na forma matricial:
𝑦1 1 𝑋11 𝑋21 … 𝑋𝑘1 𝛽0 𝑒1

𝑦2 1 𝑋12 𝑋22 … 𝑋𝑘2 𝛽1 𝑒2
𝑦3 1 𝑋13 𝑋23 … 𝑋𝑘3 𝛽2 𝑒3
= x + 𝑒 Equação 18
𝑦4 1 𝑋14 𝑋24 … 𝑋𝑘4 𝛽3 4
… … … … … … … …
(𝑦𝑛) ( 1 𝑋1𝑛 𝑋2𝑛 … 𝑋𝑘𝑛 ) (𝛽k ) (𝑒n )
Podemos simplificar essa fórmula:
37
y = Xb + e Equação 19
Substituindo “e” por y – Xb e considerando que queremos minimizar a soma

do quadrado dos resíduos:
∑𝑖 𝑒𝑖 2 = ∑𝑖(𝑒′𝑒)2 Equação 20
∂S
= -2X′y + 2X′Xb = 0 Equação 21
∂𝑏
′
X Xb = X′y Equação 22
b = (X’X)−1 𝑋′𝑦 Equação 23
2.2.4 Método dos mínimos resíduos (MMR)
A técnica MMR consiste em minimizar a soma do valor absoluto do erro

(resíduo) cometido.
A resolução deste problema (minimização da função objetivo definida pela
equação ∑𝑖|𝑢𝑖 |) é de natureza matemática complexa como Hamming referiu em
1979 e, embora o próprio Hamming tente abordar esse problema (Hamming R. W.,
1973, pág. 431), a sua solução não é apresentada. Para superar esse problema
utilizaremos a programação linear28.
Assim, o grande objetivo é minimizar a soma do valor absoluto dos resíduos.
Para isso torna-se necessário encontrar as variáveis de decisão A, B e 𝑢𝑖 resolvendo
o modelo (para o caso bidimensional):
min 𝑍 = ∑ 𝑢𝑖 Equação 24
𝑖
S.a.29
𝑦𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 ≤ 𝑢𝑖 Equação 25
𝑦𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 ≥ −𝑢𝑖 Equação 26
𝑢𝑖 ≥ 0 Equação 27
No processo de busca de uma solução, é fundamental ter em conta a

quantidade de variáveis presentes, pois um problema muito grande pode-nos levar
à decisão de não procurar encontrar a melhor solução e sim uma solução possível e
razoavelmente próxima da solução ótima (Hillier & Lieberman, 2010, pág. 563).
Esse tipo de solução exige o uso de solver, como pode ser o caso do MS Solver
Foundation30, que funciona como uma API31 e pode ser utilizada, por exemplo,
dentro de uma solução desenvolvida com .net e C#. Abaixo podemos ver um
exemplo de código de como fazer uma regressão para encontrar um plano que
aproxima por MMR um conjunto de pontos:
28 Básicamente são problemas cuja função objetivo e restrições são compostas apenas por
equações lineares (Venkataraman, 2009, pág. 130).
29 Sujeito ás constrições e restrições.
30 Microsoft®
31 Interface de programação de aplicações, do inglês “Application programming interface”.
38
/// <summary>
/// Entrada uma lista do tipo vector3 e saída com plano ajustado por mínimos resíduos
/// Desenvolvido em 23/03/16
/// </summary>
/// <param name="ListVector3">List de pontos XYZ</param>
/// <returns>Parametros A, B e C</returns>
public static Vector3 RegresionByMinRes3D(List<Vector3> ListVector3)

{
//Criação de instâncias
SolverContext context = SolverContext.GetContext();
context.ClearModel();
Model model = context.CreateModel();
//A equacao sera: Z=A + BX + CY

//se criam as variáveis de decisão
Decision A = new Decision(Domain.Real, "A");
Decision B = new Decision(Domain.Real, "B");
Decision C = new Decision(Domain.Real, "C");
//se adicionam as variáveis ao modelo

model.AddDecisions(A, B, C);
//se cria uma lista com as variáveis de decisão

List<Decision> decision1 = new List<Decision>();
//popular a lista das variáveis de decisão

for (int i = 0; i < ListVector3.Count; i++)
{
Decision Alpha = new Decision(Domain.RealNonnegative, "Alpha_" +
i.ToString());
decision1.Add(Alpha);
}
model.AddDecisions(decision1.ToArray());
//se instancia a variável que será a função objetivo

var objective = new SumTermBuilder(ListVector3.Count());
for (int i = 0; i < ListVector3.Count; i++)

{
model.AddConstraints("alpha" + i.ToString(), A + B * ListVector3[i].X + C *
ListVector3[i].Z - ListVector3[i].Y <= decision1[i],
A + B * ListVector3[i].X + C * ListVector3[i].Z - ListVector3[i].Y >= -deci-
sion1[i]);
objective.Add(decision1[i]);
}
//se resolve o modelo

model.AddGoal("cost", GoalKind.Minimize, objective.ToTerm());
Solution solution = context.Solve(new SimplexDirective());
return new Vector3((float)A.ToDouble(), (float)B.ToDouble(), (float)C.ToDouble());

}
2.2.5 Comparação entre MMQ e MMR
Para se construir uma ideia da capacidade de cada método apresentado e

respetivos tempos de simulação em problemas bidimensionais, recorreu-se a um
computador com as características mostradas na Figura 20:
39
Figura 20: Configuração do computador utilizado na simulação.
# Points MMQ MMR Para o método dos mínimos resíduos

200 - 21 ms (MMR) utilizaram-se valores que variavam
300 - 42 ms entre 200 e 2000 pontos. Já para o método dos
400 - 70 ms mínimos quadrados (MMQ) utilizaram-se en-
500 - 128 ms tre 200 e 100,000 pontos segundo a Figura
750 - 231 ms 21.
1000 - 431 ms Como veremos mais adiante, o MMR é
1500 - 886 ms menos afetado pela presença de pontos atípi-
2000 - 1557 ms cos, o que faz esse método apresentar melho-
3000 - - res resultados. Todavia o custo computacional
4000 1 ms - elevado faz com que, no caso de se pretender
5000 1 ms - modelar, por exemplo, terrenos com uma
7500 1 ms - grande quantidade de pontos (uma nuvem
10000 1 ms - densa gerada por fotogrametria pode ter facil-
15000 1 ms - mente32 milhões de pontos) não possa obter
20000 3 ms - um plano de regressão calculado em tempo
50000 5 ms - útil. Podemos analisar na Figura 21 uma
100000 12 ms - comparação entre os tempos de processa-
mento de ambos os métodos para várias quan-
tidades diferentes de pontos (escala logarít-
Tabela 1: Quantidade de pontos x
tempo de processamento em cada
mica em ambos os eixos):
método (autoria própria).
Figura 21: Comparação entre métodos.
32 Lon & Dale, 2016.
40
Como se pode concluir da análise da Figura 21, embora o método de mínimos

resíduos não seja severamente afetado pelos pontos atípicos33, o tempo de
processamento é radicalmente maior nesse método (observar que, se os gráficos
não estivessem em escala log-log, não seria possível interpretar a informação
devido à diferença de ordem de grandeza). Observa-se maior velocidade no
processamento de 100 mil pontos com MMQ que 200 pontos com MMR.
Podemos concluir que para problemas de modelação de terrenos,
nomeadamente conjuntos de bancadas em explorações de rocha a céu aberto, onde
podemos ter quantidades muito superiores às experimentadas nos exemplos
descritos, o método adequado é o dos mínimos quadrados (embora o método dos
mínimos resíduos possa ser feito sobre uma amostra).
2.2.6 Projeção de ponto em plano
Primeiramente vamos descrever a projeção de um ponto do espaço 𝑅 𝑛 num

hiperplano de dimensão n-1, de maneira genérica, para depois exemplificar para a
projeção de um ponto em 𝑅 3 num plano do 𝑅 2 .
Seja P um ponto do espaço 𝑅 𝑛 < 𝑃1 , 𝑃2 , … , 𝑃𝑛 > e esse espaço construído sobre
uma base E < 𝑒̂1 , 𝑒̂2 , … , 𝑒̂𝑛 >, temos a equação do plano encontrado 𝜋: 𝛽0 + 𝛽1 𝑒̂1 +
𝛽2 𝑒̂2 + ⋯ + 𝛽𝑛 𝑒̂.
𝑛
Seja o vetor 𝑁
⃗ =<𝛽1 , 𝛽2 … , 𝛽𝑛 > um vetor ortogonal ao hiperplano encontrado (o
produto vetorial entre um vetor diretor do hiperplano e 𝑁 ⃗ tem como resultado um
outro vetor diretor do hiperplano 𝜋).
Temos também n-1 vetores diretores de 𝜋: 𝑢1 , 𝑢2 , … , 𝑢𝑛−1.
Temos um ponto qualquer pertencente a 𝜋: < 𝜋1 , 𝜋2 , … , 𝜋𝑛 >.
Agora montamos o seguinte sistema de equações:
𝑃1 + 𝛽1 𝜆1 = 𝜋1 + 𝑢11 𝜆2 + 𝑢12 𝜆3 + ⋯ + 𝑢1𝑛−1 𝜆𝑛 Equação 28
𝑃2 + 𝛽2 𝜆1 = 𝜋2 + 𝑢12 𝜆2 + 𝑢22 𝜆3 + ⋯ + 𝑢2𝑛−1 𝜆𝑛 Equação 29
...
𝑃𝑛 + 𝛽𝑛 𝜆1 = 𝜋𝑛 + 𝑢1𝑛 𝜆2 + 𝑢𝑛2 𝜆3 + ⋯ + 𝑢𝑛𝑛−1 𝜆𝑛 Equação 30
Estamos em condições para construir o sistema de forma matricial para poder

melhor visualizar e resolver o sistema de equações:
𝛽1 −𝑢11 −𝑢12 ⋯ −𝑢1𝑛−1 𝜆1 𝜋1 − 𝑃1
−𝑢12 −𝑢22 𝑛−1 2 𝜋 − 𝑃2
𝛽2 ⋯ −𝑢2 (𝜆 ) = ( 2 ) Equação 31
⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
(𝛽𝑛 −𝑢1𝑛 −𝑢𝑛2 ⋯ −𝑢𝑛𝑛−1 ) 𝜆𝑛 𝜋𝑛 − 𝑃𝑛
Podemos simplificar a equação acima como: Xa=Y. Então, a solução do

sistema acima será:
a = 𝑋 −1 𝑌 Equação 32
33 Poderemos verificar isso na Figura 25.
41
Substituindo o o primeiro elemento do vetor da Equação 32 no lado esquerdo

da Equação 30, encontraremos a projeção do ponto P no hiperplano 𝜋.
Uma vez que conhecemos o conceito geral, interessa-nos especificamente a
projeção de pontos 3D (XYZ) em planos, como se pode ver na Figura 22:
Figura 22: Projeção de ponto em plano.
Para isso precisamos definir os vetores 𝑢

⃗ e 𝑣:
𝑢
⃗ =𝐵−𝐴 Equação 33
𝑣 =𝐶−𝐴 Equação 34
Sabemos que o produto vetorial entre ambos os vetores (assumindo a inde-

pendência linear entre eles) é um vetor 𝑁
⃗ normal ao plano. Encontramos as matri-
zes:
𝑁𝑥 −𝑢𝑥 −𝑣𝑥 𝐴𝑥 − 𝑃𝑥
𝑁
𝑋=| 𝑦 −𝑢𝑦 −𝑣𝑦 | Equação 35 Y = | 𝑦 − 𝑃𝑦 |
𝐴 Equação 36
𝑁𝑧 −𝑢𝑧 −𝑣𝑧 𝐴𝑧 − 𝑃𝑧
Resolvemos a equação:
𝑏 = 𝑋 −1 × 𝑌 Equação 37
Então a projeção será:

𝑃𝑟𝑜𝑗𝑒çã𝑜𝑝 = 𝑃 + 𝑏(0) × 𝑁 Equação 38
2.2.7 Outliers (pontos atípicos)
Quando um pesquisador experiente tem claro que uma das amostras tomadas
para sua pesquisa tem um considerável desvio em relação a população (estatística),
ele sabe que essa observação tem que ser descartada (Grubbs, 1969), mas quando
esse desvio não é evidente, é possível recorrer a alguns critérios estatísticos para a
identificação de pontos atípicos. Czaplicki, 2014 (pág. 58), observa que na aquisição
de uma amostra, alguns valores claramente diferem dos outros (da grande maio-
ria). Em matemática ou estatística esses valores são comumente chamados de pon-
tos atípicos ou “outliers”.
As definições de outliers e a matemática subjacente à sua identificação são
inúmeras, desde as mais simples como a exemplificada por Bruce Simmons
(Simmons, 2016) baseada nos quartis, como algumas mais elaboradas que passam
por normalização de dados (ainda em acordo com Grubbs, pág. 3).
42
2.2.7.1 Identificação visual
Alguns pontos são visivelmente erros de medições, ou resultados de situações

atípicas que podem mascarar os resultados.
No exemplo abaixo (Figura 23) podemos identificar claramente um grupo de
possíveis outliers:
Figura 23: Dados topográficos com presença de outliers.
É evidente que esses pontos concorrem para distorcer o modelo, pois tendem
a dominar o resultado, facto esse evidenciado no método dos mínimos quadrados
(Hamming R. , 1971, pág. 248 e Hamming R. W., 1973, pág. 431).
Podemos realçar ainda a importância do histograma (Czaplicki, 2014, pág.
58) para poder identificar visualmente possíveis outliers (Figura 24, onde h(x) re-
presenta a frequência de um determinado intervalo):
Figura 24: Identificação visual de outliers no histograma e no variograma (adaptado de Czaplicki, 2014).
2.2.7.2 Deteção de outliers
A primeira etapa do processo de deteção dos outliers é determinar um hiper-

plano que aproxime os pontos do espaço linear em questão. Sabemos que um hiper-
plano para o espaço bidimensional 𝑅 2 é uma reta, e que para o espaço tridimensio-
nal 𝑅 3 é um plano (Lipschutz, 1994), e podemos também generalizar que, para
qualquer problema n-dimensional, iremos encontrar um hiperplano (n-1)-dimensi-
onal.
Uma das tarefas importantes aqui é entender que para tal o método dos mí-
nimos quadrados não é o mais apropriado, pois ele é fortemente influenciado pelos
outliers. Como podemos observar na Figura 25, quando deslocamos o ponto negro
43
e o afastamos da nuvem original, vemos que o comportamento do hiperplano,

quando calculado por mínimos quadrados, se altera muito enquanto com mínimos
resíduos não.
Figura 25: MMQ influenciado pelo outlier e MMR inalterado.
Para o presente caso, no espaço tridimensional o hiperplano34 será um plano. Para

encontrar esse plano deve-se utilizar mínimos resíduos uma vez que queremos um
plano que não seja alterado pela presença de outliers (Figura 26). Como já vimos
que essa é uma tarefa muito árdua, a regressão deverá ser feita sobre uma amostra
de pontos, e a dimensão da amostra dependerá do tempo que se tolera para a espera
do processamento. Os testes feitos no âmbito dessa tese demonstraram resultados
satisfatórios com testes de 500 elementos por amostras (escolhidos aleatoriamente
e uniformimente).
Figura 26: Planos transladados encontrados por técnicas diferentes de regressão.
34Insistimos em fazer referência ao modelo como hiperplano e não como plano para não gerar
confusão entre o espaço de dimensão inferior e o espaço bidimensional.
44
O próximo passo será projetar todos os pontos no plano encontrado, como mos-
tra a Figura 27:
Figura 27: Projeção dos pontos no plano encontrado.
Uma vez projetados os pontos no hiperplano, deve-se encontrar a longitude do

vetor (distância euclidiana) entre o ponto projetado e o ponto original (aqui o sinal
do vetor deverá ser respeitado, dependendo do lado com relação ao plano). Assu-
mimos aqui a normalidade35 das longitudes dos vetores formados pelos pontos e
suas projeções (resíduos).
Assume-se também que os dados são normais truncados (estritamente positi-
vos), uma vez que tratamos com longitudes de vetores.
Estamos em condições de calcular a média 𝜇 e a variância 𝜎 2 da amostra.
Seguindo a regra dos 3 sigmas36 (Pukelsheim, 1994), sabemos que os valores,
com um nível de significância de x% e um P-valor 𝛼 = 1 − x% deve estar compre-
endido dentro do intervalo:
[𝜇 + 𝜉𝛼−1 −1 Equação 39
⁄ 𝜎 ; 𝜇 − 𝜉𝛼⁄ 𝜎]
2 2
Onde 𝜉𝛼−1
⁄ é a distribuição normal inversa.
2
Para o caso de se realizar o cálculo da variância sobre uma amostra grande37,
a Equação 39 deverá ser substituída por:
35 Aqui encontramos uma discordância sobre a natureza normal dos resíduos entre Hamming
(1973, pág. 432) e os econometristas (Gujarati & Porter, 2010, pág. 97), mas assumimos (pela ex-
tensão dos trabalhos) a visão econometrista como a mais adequada. Novales Cinca (1993) e Pearson
& Lee (1903) entre outros podem ser interpretados defendendo a normalidade dos dados em ques-
tão.
36 Embora o modelo se refira a 3 sigmas (99,73% do intervalo compreendido) e exista na lite-
ratura específica da engenharia de minas referência aos 3 desvios (Czaplicki, 2014, pág. 67) se faz
necessário uma calibração. Para terrenos, o melhor ajuste calibrado pelo autor dessa tese encontra-
se com 2.32 desvios (98% do intervalo compreendido).
37 Tipicamente maior que 30 (Pedrosa & Gama, 2016, pág. 409).
45
[𝜇 + 𝜉𝛼−1 𝑠 −1 𝑠 Equação 40
⁄2 ⁄ 𝑛 ; 𝜇 − 𝜉𝛼⁄2 ⁄ 𝑛 ]
√ √
Onde “s” é o desvio padrão amostral e “n” o tamanho da amostra.
Os valores que estiverem fora desse intervalo serão considerados outliers e
serão excluídos do modelo.
2.2.7.3 Exemplo de geração de outliers
Apresentamos um exemplo para um melhor entendimento deste processo:

Considere um Engenheiro de Minas que precisa avaliar as condições de uma ban-
cada numa pedreira a céu aberto antes de um desmonte recorrendo a um equipa-
mento de perfilometría laser (Bhandari, Engineering Rock Blasting Operations,
1997, pág. 169). O engenheiro posicionará o laser em frente a bancada e programa-
o para iniciar a recolha de dados de medidas, conforme a Figura 28.
Figura 28:Posicionamento de equipamento.
Nessa situação é comum que o engenheiro, ao referenciar pontos da crista da

frente livre, realize uma medição a uma cota mais alta do que a devida e capte
informação de um ponto errôneo, muito para além da frente livre (Figura 29):
Figura 29: Falha na tomada de pontos da crista de uma frente livre de bancada.
O resultado desse erro operacional, muito comum, resultará num modelo do

terreno que não corresponde à realidade e aos propósitos e necessidades do Enge-
nheiro de Minas em questão.
46
2.2.8 Envolvente convexa (Convex Hull)
Um dos algoritmos que certamente é fundamental38 ser citado e explorado no

desenvolvimento de simuladores é a envolvente convexa, ou mais comumente co-
nhecida por sua designação inglesa, Convex Hull39.
Na nossa opinião, a melhor definição imediata (e simples) para explicar esse
algoritmo, é a dada por De Berg et al (Computational Geometry - Algorithms and
Applications, 2008, pág. 3):
“…imagine um conjunto de pontos sobre um plano, e ao redor desses pontos

você estica um elástico e o solta, permitindo que ele se encaixe sobre os pontos, a
área envolvida pelo elástico é o Convex Hull…” (adaptado do primeiro parágrafo).
Figura 30: Convex Hull (De Berg, Cheong, Kreveld, & Overmars, 2008).
Muitos algoritmos podem ser utilizados para obter esse resultado, uns mais
robustos que outros, e o próprio capítulo 11 do livro Computational Geometry - Al-
gorithms and Applications (2008) dedica-se a esse tema. Vamos abordar aqui a
solução apresentada pelo capítulo 1 do mesmo livro, que apesar de simples (e pouco
robusta) é fácil de implementar e entender.
O primeiro passo é saber se um ponto P(𝑃𝑥 , 𝑃𝑦 ) se encontra do lado direito,
esquerdo ou sobre a reta formada pelos pontos Q e S. Uma vez conhecidas as coor-
denadas Q(𝑄𝑥 , 𝑄𝑦 ) e S(𝑆𝑥 , 𝑆𝑦 ), devemos analisar o sinal do determinante D da se-
guinte matriz:
𝑄𝑥 𝑄𝑦 1
Equação 41
| 𝑆𝑥 𝑆𝑦 1|
𝑃𝑥 𝑃𝑦 1
Como podemos ver na Figura 31, se o determinante for positivo teremos o

ponto de um lado da reta, se negativo o ponto estará do outro lado, e se for igual a
zero significa que o ponto estará sobre a reta.
38 De Berg, Cheong, Kreveld, & Overmars, 2008, pág. 244.

39 Define-se como Convex Hull de S o conjunto de todas as combinações convexas de um nú-
mero finito de elementos de S. Poderíamos, de forma equivalente, ter definido o Convex Hull de S
como a interseção de todos os convexos que contém S.
47
Figura 31: Posição relativa entre reta e ponto.
Agora temos que tomar um conjunto de pontos dois a dois, o que nos dá uma
quantidade de 𝐶2𝑛 combinações. Essa quantidade de combinações é umas das prin-
cipais razões do algoritmo não ser o mais indicado para grandes operações. A com-
binação 2 a 2 de n pontos gera uma grande quantidade de possibilidades, como
podemos observar na Tabela 2 e na Figura 32:
Tabela 2: Combinação de n pontos to- Figura 32: Representação gráfica da combinação

mados 2 a 2 (autoria própria). dos pontos.
Agora teremos que para cada par de pontos, analisar se todos os outros pontos
estão posicionados em apenas de um dos seus lados, se sim esse par de pontos for-
mará um segmento de reta que pertence ao polígono de Hull40.
Apresenta-se uma ilustração do algoritmo com a nuvem de pontos da corta de
uma mina real na Figura 33:
Figura 33: Detalhe da nuvem de pontos que forma a topografia da mina e do polígono de Hull.
40 O algoritmo também é conhecido como Gift Wrap.
48
2.2.9 Mudança de base
A escolha de uma base conveniente pode ser útil para ajudar a resolver um
problema, simplificando-o. Um exemplo prático disso pode ser encontrado num ar-
tigo sobre questões de diluição apresentado na Fragblast41 11 (Domingo, Leite,
Miranda, & Carrasco, 2015), onde os movimentos internos que seguiam uma equa-
ção de membrana não poderiam ser calculados sem a adequada escolha de uma
nova base.
Também para os cálculos de perfis críticos desenvolvidos dentro de softwares
de simulação de desmontes, como pode ser o O-Pitblast (O-Pitblast, 2017), é imple-
mentada uma correta mudança de base para se poder efetuar cálculos de maneira
mais fáceis, como ilustrado na Figura 34:
Figura 34: Mudança de base para cálculo de perfil crítico.
Para se poder fazer uma mudança de base, para o caso bidimensional, por
exemplo, afigura-se necessário implementar os seguintes passos42:
1. Encontrar os dois vetores (u e v) bidimensionais (que deverão ser nor-

malizados e ortogonais43) que servirão como nova base;
2. A partir das coordenadas dos vetores montar a matriz:

𝑢𝑥 𝑣𝑥
|𝑢 |;
𝑦 𝑣𝑦
3. Calcular o inverso dessa matriz;
4. Qualquer ponto P (𝑃𝑥 , 𝑃𝑦 ) terá como coordenadas no novo sistema o pro-

duto da matriz resultante da etapa 3 pelo vetor P.
2.2.10 Classificação
A classificação é, nas palavras de Elizabeth Reis (Estatística Multivariada

Aplicada, 2001), uma atividade conceptual básica dos seres humanos.
Basicamente, tentamos agrupar objetos através de alguma característica
semelhante ou comum. O conceito pode gerar alguma confusão, como é ilustrado
na Figura 23:
41 Symposium on Rock Fragmentation by Blasting.

42 Boulos, 2005.
43 Essa premissa se faz necessária para o caso concreto de modelização de frente livre para
evitar distorções.
49
Figura 35: diferentes maneiras de aplicar análise de clusters ao mesmo conjunto de pontos (Tan, Steinbach,
& Kumar, 2005, pág. 491).
Existem alguns algoritmos para ajudar a resolver o problema acima eviden-

ciado. Vamos focar-nos no K-means e recomendar Introduction to Data Mining
(2005), capítulo 8, para o caso de o leitor dessa tese querer aprofundar mais no
tema. Escolhemos K-means pelo fato de ser o mais popular algoritmo de clusters
(Batra, 2011).
No K-means cada cluster é associado a um centroide, e temos K centroides
que o utilizador do algoritmo pode determinar. O algoritmo é muito simples44 como
é possível ver na Figura 36:
Figura 36: Fluxo do algoritmo K-means.
Para ilustrar, vamos dividir um terreno em clusters e avaliar visualmente o

resultado apresentado na Figura 37:
44 Tan, Steinbach, & Kumar, 2005, pág. 491.
50
Figura 37: Agrupamento de pontos por K-means, com K assumindo diferentes valores.
2.2.11 Triangulação de Delaunay e diagrama de Voronoi
Os diagramas de Voronoi e a triangulação de Delaunay são metodologias de

análise de conjunto de pontos que estão correlacionadas entre si (Hjelle & Daehlen,
2006). Se temos um ponto em uma superfície planar, o diagrama de Voronoi desse
ponto é definido como o local geométrico dos pontos que estão mais próximos a esse
que a qualquer outro ponto (Aurenhammer, Klein, & Lee, 2013). A triangulação de
Delaunay é o dual do diagrama de Voronoi45, e pode ser gerada conectando os pon-
tos que compartem vértices comuns de Voronoi (entre várias outras maneiras pos-
síveis46).
Aqui é importante citar que a triangulação de Delaunay contém o polígono
gerado pelo algoritmo de Hull.
Figura 38: Diagrama de Voronoi e triangulação de Delaunay (Miranda V. , Leite, Jesus, & Sobral, 2017).
45 Hjelle & Daehlen, 2006, pág. 54.

46 Hjelle & Daehlen, 2006, cap. 4.
51
Existem muitas maneiras diferentes de calcular as triangulações de Delau-

nay, e nessa abordagem construiremos uma “quase triangulação de Delaunay”
(Hjelle & Daehlen, 2006, pág. 75), por ser de fácil compreensão e o seu resultado
aproxima-se muito do resultado da triangulação de Delaunay, sendo a sua imple-
mentação razoavelmente fácil (Figura 39):
a) Escolhermos o ponto mais próximo ao centro geométrico de todos os

pontos e conectamos todos os pontos a este ponto selecionado.
b) Ordenamos as duplas de pontos (ponto e centroide) pelo ângulo for-

mado, por exemplo, com o eixo “Y” (respeitando sempre um sentido, que
poderá ser horário ou não). Conectamos os pontos nessa ordem (exclu-
indo o ponto do centroide e aceitando, caso existam, os triângulos dege-
nerados.
c) Adicionamos o polígono resultante de Hull.
d) Aplicamos o LOP47 : para as arestas que formam uma diagonal perten-

cente a um quadrilátero, faz-se uma troca de diagonal e opta-se pela
que gera um menor ângulo interno entre os dois triângulos resultantes.
Figura 39: Etapas do algoritmo de triangulação (Hjelle & Daehlen).
O procedimento de otimização local consiste em (Figura 40):
• Tomar os pares de triângulo que compartem uma mesma aresta;

• Verificar se os quatro pontos que formam esses dois triângulos formam
um quadrilátero convexo48;
• Sendo convexo, deveremos ordenar os seis ângulos internos (três de
cada triângulo) por ordem crescente;
• Devemos trocar a aresta de diagonal e ordenar os ângulos internos ou-
tra vez por ordem crescente;
47 Local Optimization Procedure (procedimento de otimização local).

48 Para essa verificação basta aplicar o algoritmo de Hull ao conjunto com 4 pontos: se o
resultado do algoritmo tiver 4 pontos temos um polígono convexo, se não, côncavo.
52
• A lista de ângulos internos que apresentar um valor maior primeiro,

será considerada adequada. Se for a segundo lista a escolhida, modi-
fica-se a aresta.
Figura 40: Mudança de aresta (adaptado de De Berg et al, 2008).
Essa técnica de triangulação pode ter o inconveniente de não necessariamente

gerar uma triangulação de Delaunay. Numa triangulação de Delaunay, os círculos
que passam pelos 3 pontos de cada triângulo não possuem nenhum outro ponto em
seu interior49. Podemos observar na Figura 41 um exemplo de triangulação que
não se enquadra como triangulação de Delaunay e na Figura 42 uma triangulação
que se enquadra:
Figura 41: Triangulação que não obedece ao critério do círculo.
Figura 42: Triangulação de Delaunay.
49 Critério do círculo (Hjelle & Daehlen, 2006, pág. 57).
53
2.2.11.1 Algoritmo para geração de triangulação de Delaunay
Como já citado, existem muitas maneiras de se calcular a triangulação de De-

launay. Propomo-nos aqui desenvolver um algoritmo incremental (De Berg,
Cheong, Kreveld, & Overmars, 2008, pág. 199) devido à sua facilidade de imple-
mentação e ao fato de ser um algoritmo eficaz50 (no pior dos casos de ordem O(N2)).
As etapas deste algoritmo (Figura 43) são as seguintes (uma vez que temos como
input um conjunto de pontos com coordenadas no plano):
a) Definir uma estrutura chamada triângulo51 que terá os seguintes pa-
râmetros:
a. Índice A: inteiro com a posição da aresta A na lista de pontos;
b. Índice B: inteiro com a posição da aresta B na lista de pontos;
c. Índice C: inteiro com a posição da aresta C na lista de pontos;
d. Triângulo pai;
e. Lista de triângulos filhos.
b) Criar um triângulo inicial que deve conter todos os pontos da lista in-
seridos dentro dele. Inserir esse triângulo numa lista. Esse triângulo
servirá como raiz e não terá pai;
c) Selecionar um ponto da lista;
d) Verificar na lista de triângulos os triângulos que não têm filhos e des-
ses qual contêm52 esse ponto. Definir esse triângulo como triângulo pai.
e) Se o ponto não é colinear com alguma das arestas do triângulo pai:
a. Se deve criar 3 novos triângulos formados pelos pares de pontos
pertencentes a cada uma das 3 arestas do triângulo pai e pelo
ponto selecionado.
b. Adicionar ao triângulo pai esses 3 triângulos como filhos.
f) Se o ponto é colinear:
a. Encontrar o par de triângulos que compartilha essa aresta.
b. Criar 4 novos triângulos utilizando as arestas dos dois triângu-
los encontrados (com exceção da aresta comum) e o ponto inse-
rido.
c. Adicionar ao triângulo pai esses 4 triângulos como filhos;
g) Selecionar todos os triângulos da lista que não possuem filhos.
h) Aplicar o procedimento de otimização local.
i) Repetir a partir do ponto c até todos os pontos sejam selecionados.
j) Eliminar os triângulos formados com pontos do triângulo raiz.
Será de realçar que esta sequência está construída para facilitar os procedi-
mentos a quem a desejar implementar, sendo que outros elementos podem a ela
ser adicionados para promover a otimização do algoritmo. O procedimento de oti-
mização local não deveria (caso se procure otimizar mais esse código) ser aplicado
a todos os pares de triângulos, mas apenas aos triângulos gerados depois da
50Lee & Schachter, 1980.

51Durante a demonstração do algoritmo, o termo triângulo fará referência à estrutura (classe)
desenvolvida na etapa a.
52 O ponto colinear com a aresta de um triângulo será considerado contido nesse triângulo.
54
inserção dos pontos e de maneira recursiva às arestas dos novos triângulos gerados
pela mudança na aresta do polígono inicial.
Figura 43: Resumo do algoritmo de Delaunay.
2.2.11.2 Dividir para conquistar (Divider and Conquer)
É importante aqui fazer uma especial consideração sobre a eficiência do pro-

cesso. Embora a sua demonstração matemática não seja simples e a sua implemen-
tação seja complexa53, a subdivisão do terreno em terrenos menores ajuda o pro-
cesso e na prática tal facto pode ser intuído (Wiegand & Valentim afirmam54, sem
demonstrar, que faces livres quando individualmente analisadas otimizam o pro-
jeto do desmonte). Formalmente nas suas publicações, todos os atuais (ou os mais
importantes) autores que abordam este assunto, seguem nessa linha: Hjelle &
Daehlen, 2006, pág. 89, Aurenhammer, Klein, & Lee, 2013, pág. 24 entre outros.
Outras referências menos atuais também defendem a mesma ideia (Lee &
Schachter, 1980).
A Figura 44 mos-
tra o tempo gasto para
triangular diferentes
quantidades de pontos
(utilizando o mesmo
computador da Figura
20):
Figura 44: Tempo gasto para trian-

gular diferentes quantidade de pon-
tos.
53 Hjelle & Daehlen, 2006, pág. 89.

54 Wiegand & Valentim, 2016.
55
Constata-se que para triangular 127000 pontos, a máquina gastou aproxima-

damente 7 segundos.
O próximo passo é estudar o com-
portamento com subdivisões: colocando-
se restrições na máquina para que ela
não triangule mais que uma determi-
nada quantidade de pontos. Sendo as-
sim, para um limite máximo de, por
exemplo, 50 mil pontos, teríamos a má-
quina subdividindo os 127000 pontos em
duas malhas distintas, e logo dividindo
outra vez até que os subconjuntos de Figura 45: Subdivisões para uma máxima triangu-
malhas não ultrapassem, por exemplo, lação de 50 mil pontos.
50 mil pontos, como sugerido na Figura
45.
Aqui consideramos que o algo-
ritmo necessitará triangular
malhas separadas e de seguidas
“costurar” as malhas (o que adi-
ciona um custo extra de progra-
mação da ordem de n log n, que
compensa o custo da triangula-
ção de Delaunay que pode che-
gar a um custo de N2. Reco-
menda-se a leitura de Lee &
Schachter, 1980). A análise dos
Figura 46: Comparação de triangulação de 127 mil pontos
resultados experimentais pode
subdividindo malha. ser vista na Figura 45.
É possível verificar, por exemplo, que a subdivisão em partes de 5000 pontos gasta
menos de 4 segundos a ser processada, mas claro, quando adicionamos o tempo do
algoritmo de “costura” (exemplificado mais abaixo) gasta-se pouco mais de 6 se-
gundo e meio, e a situação tem melhor comportamento com subdivisões de 50 mil
pontos, onde a máquina teve que fazer aproximadamente (ver Figura 45) 4 trian-
gulações de 37500 pontos e aplicar 3 vezes o algoritmo de “costura”. Visualmente
podemos ver o terreno triangulado sem subdivisões na Figura 47:
Figura 47: Triangulação completa dos 127 mil pontos, sem subdivisões.
56
Agora podemos visualizar o resultado do terreno com subdivisões na Figura 48:
Figura 48: Triangulação com subdivisões de no máximo 50 mil pontos com o terreno a) Sem costura e
b) com costura.
Como já foi referido, o algoritmo de “costura” é seguramente o mais difícil de

implementar (Figura 49), sendo aconselhado o desenvolvimento de um algoritmo
alternativo, que tenha como resultado suavizar o efeito das cicatrizes, mas não as
eliminando totalmente (fato esse compensado pela facilidade de implementação).
Figura 49: Detalhes do complicado algoritmo "dividir para conquistar" (Lee & Schachter, 1980).
A opção menos eficaz, mas de mais fácil implementação, segue a sequência

apresentada no diagrama da Figura 50 cujas etapas são ilustradas na Figura 51:
Figura 50: Fluxo do algoritmo de costura.
57
Figura 51: Etapas do algoritmo para costurar as subdivisões.
2.3 Exemplo de aplicação
Propomo-nos exemplificar as técnicas até agora aclaradas para solidificar o

entendimento das mesmas. Apresentam-se na Figura 52 visualizações de uma nu-
vem de pontos obtidos tomadas com o auxílio de um equipamento laser 3D (as iso-
linhas de altitude, na imagem da direita, servem para melhorar a perseção espacial
da disposição dos pontos):
Figura 52: Conjunto de pontos tomados pelo laser 3D.
2.3.1 Plano de regressão
O seguinte passo é encontrar o hiperplano (no nosso caso um plano, já que

estamos lidando com pontos tridimensionais) e embora já tenha ficado claro que
devemos utilizar o método dos mínimos quadrados vamos mostrar aqui (Figura
53) o resultado das duas regressões para se realçar as diferenças entre elas (caso
ainda não tenha ficado clara a razão da seleção do método dos mínimos quadrados
58
e exista alguma dúvida sobre qual regressão utilizar, recorremos aqui ao princípio
de Occam55).
Figura 53: Regressão por mínimos quadrados e mínimos resíduos.
2.3.2 Projeção dos pontos no plano
O próximo passo é projetar os pontos sobre o plano encontrado (Figura 54 e

Figura 55):
Figura 54: Projeção dos pontos no plano encontrado.
55 Devemos utilizar a solução mais simples até que ela se demonstre inadequada (Newman,
1956, pág. 1247).
59
Figura 55: Pontos projetados.
2.3.3 Outliers
Para a deteção dos outliers, devemos encontrar a distância dos pontos até suas
respetivas projeções (respeitando o sinal com relação ao lado que se encontra o
ponto relativamente ao plano). Calculamos os parâmetros dessa lista:
a) Média populacional μ: -8.88;
b) Limite inferior μ – 2.32σ = -20.04;
c) Limite superior μ + 2.32σ = 2.28.
Podemos ver em mais detalhes na Figura 56 a distribuição de frequências,
sendo de notar uma quantidade (nas laterais) de pontos que deverão ser removidos:
Figura 56: Histograma das distâncias e respetivo intervalo de confiança.
O algoritmo prossegue após a remoção desses pontos considerados outliers.
60
2.3.4 Mudança de base
No passo seguinte ocorre a necessidade de encontrar uma nova base. O pro-

cedimento é simples (Figura 57):
Figura 57: Procedimento para encontrar nova base.
Podemos observar no novo sistema que a componente Z é nula, pois os pontos

formam um hiperplano. Na figura seguinte, apresenta-se a nuvem de pontos origi-
nais (à esquerda) e depois representados no novo sistema de coordenadas (à di-
reita):
Figura 58: Pontos originais e no novo sistema de coordenadas.
2.3.5 Triangulação
Com os pontos projetados e já no novo sistema de coordenadas, passa-se ao

passo da triangulação. O resultado é conferido a seguir na Figura 59:
Figura 59: Triangulação sobre pontos projetados.
61
Na etapa seguinte, aplicam-se os mesmos índices de triangulação (i.e., cada 3

pontos projetados que formam um triângulo também formarão um triângulo no
sistema original) e o resultado pode ser observado na Figura 60:
Figura 60: Triangulação sobre os pontos originais.
2.3.5.1 Divisão de pontos
Na representação anterior é possível observar que não foi feita uma divisão
do terreno, dado que ela é construída por apenas 1585 pontos (longe dos 50 mil que
projetamos). O procedimento seguinte é fazer subdivisões para que tenhamos no
máximo 500 pontos por triangulação. Esta opção é aqui apresentada somente com
o intuito de ilustrar a técnica. A diminuta quantidade de pontos elimina a necessi-
dade de triangular por partes. Embora a triangulação possa ser mais eficiente56,
esse procedimento exige uma “costura” que visualmente pode trazer algum efeito
de fronteira entre as partes devido à (ainda que suavizada) cicatriz.
Figura 61: Aplicação do algoritmo "Dividir para Conquistar" adaptado.
56 Ver Figura 46.
62
2.3.6 Análise visual de resultados
Para efeitos de comparação, apresenta-se na Figura 62 uma bancada de pe-

dreira real e o seu modelo gerado a partir dos pontos tomados com laser 3D se-
guindo as técnicas até agora descritas:
Figura 62: Comparação entre bancada e o seu modelo.
63
Perfuração
3 Perfuração
Como é definido por Giraudi, Cardu, & Kecojevic (2009), o principal objetivo
do processo de desmonte é a fragmentação do maciço rochoso, e a uma das
operações mais importante desse processo é a perfuração, uma vez que, quando
esta é devidamente realizada, pode gerar importantes economias para a operação
global mineira (Martin, 2004). Um correto planeamento da perfuração também
pode evitar riscos importantes como por exemplo os ultra-lançamentos e a geração
de vibrações indesejadas (Giles & Roller, 2012). Muitos esforços, como o proposto
por Orive, Laredo, Domingo, & Sadek (2017), tem sido feitos no sentido de
modernizar a tecnologia envolvida no processo de perfuração e auditoria. Algumas
dessas propostas utilizam tecnologias disponíveis em alicações de telemóvel
modernos para possibilitar um mapeamento dos furos das pegas de fogo
(Carvalhinha Alves Sobral, 2017) e representar seus dados em simuladores
existentes (Miranda & Leite, 2018). A correta simulação e representação dos furos,
quando sobreposta a modelos digitais de terreno fiáveis, também ajudará ao
planeamento de uma distribuição adequada da energia dos explosivos no terreno
(López Jimeno, 2017), fator fundamental na prevenção dos referidos riscos.
3.1 Representação gráfica
Em qualquer API gráfica de baixo nível, como por exemplo OpenGL ou Di-
rect3D, os cenários que o utilizador visualiza são constituídos por primitivas57 grá-
ficas e por fontes de luz (Pereira, Gomes, Ferreira, Coelho, & Brisson, 2018). As
ferramentas gráficas modernas apresentam, além das primitivas, formas geomé-
tricas diversas, como podem ser as apresentadas pelo framework58 AB4D59 (Figura
63):
Figura 63: Formas geométricas disponíveis pelo AB4D.
57 Pontos, linhas e triângulos e algumas combinações (Gordon & Clevenger, 2017).

58 Em desenvolvimento de software, framework é uma abstração que une códigos comuns
entre vários projetos de software provendo uma funcionalidade genérica (Stauffer, 2019).
59 https://www.ab4d.com.
64
Perfuração
Refletindo sobre o modelo de representações que perseguimos para a geome-

tria de uma pega de fogo em ambiente 3D, podemos observar que um furo nada
mais é que um conjunto de cilindros, dentro dos quais é possível representar a co-
luna de carga de material explosivo, o tampão e eventualmente conjuntos de decks.
Um exemplo deste tipo de representação de furos de um diagrama de fogo, pode ser
visto na Figura 64:
Figura 64: Representação gráfica de um furo (Miranda et al, 2017).
A construção60 de um cilindro começa pela execução de um círculo. Para tal

elaboração, tem todo o sentido adotar um sistema de coordenadas polares. Como
exemplo da metodologia escolhida para este processo de desenho, assumimos a
existência de um cilindro de raio e altura unitários. Ao círculo corresponderá um
conjunto de pontos cujas posições corresponderão à variação do ângulo θ entre 0 e
360 graus. Quanto menor o passo adotado nesse processo, mais suave ficará o cír-
culo (Figura 65):
Figura 65: Discretização da circunferência.
60 É possível optar pela utilização de um cilindro pronto disponibilizado pela API.
65
Perfuração
Para poder representar um furo, é necessário saber a posição P do furo, o raio

R, o seu comprimento L do furo, o ângulo do eixo do furo com a vertical An e o
azimute Az da projeção horizontal desse eixo.
Uma vez que decidimos o passo a ser utilizado, iniciamos o ângulo θ com o
valor zero, e calculamos as coordenadas X e Y de cada ponto com as Equações:
𝑋 = 𝑅 × 𝑐𝑜𝑠 (𝜃) Equação 4261
𝑌 = 𝑅 × 𝑠𝑒𝑛 (𝜃) Equação 4361
Calculadas as coordenadas, somamos o valor do passo ao ângulo θ e recalcula-

mos as coordenadas enquanto o ângulo seja menor que 360 graus. A coordenada Z de cada
ponto deve ser zero.
O próximo passo será replicar esses pontos, e a cada uma dessas novas coor-
denadas somamos o ponto (0,0,-L).
O resultado destes procedimentos resultará num conjunto de pontos no plano XY e ou-
tro transladado segundo o eixo -Z, conforme a Figura 66:
Figura 66: Pontos que formam o cilindro.
Na posse dos pontos que formarão o cilindro, será necessário fazer uma mu-
dança de base62 para poder inclinar o furo na direção do azimute (essa operação
apenas será necessária no caso de o furo não ser vertical). Será necessário encon-
trar a matriz de rotação R1 do eixo X:
1 0 0
R1 = (0 cos 𝐴𝑛 − sin 𝐴𝑛) Equação 44
0 sin 𝐴𝑛 cos 𝐴𝑛
Depois da primeira rotação, uma nova rotação R2 deverá ser feita no eixo Z:
cos 𝐴𝑧 sin 𝐴𝑧 0
R2 = (−sin 𝐴𝑧 cos 𝐴𝑧 0) Equação 45
0 0 1
Definimos como nova base Z’ como o produto –(R2 × R1 × (0,0,-1)t).
61 O ângulo 𝜃 deve estar em radianos.

62 Ver o tópico 2.2.9 (Mudança de base).
66
Perfuração
Calcularemos o produto vetorial entre Z’ e o vetor (0,0,1). Normalizamos o

resultado e essa será a nova base Y’. O produto vetorial entre Y’ e Z’, após norma-
lizada, será a nova base X’. Exemplificamos este processo com as 3 seguintes equa-
ções e com a Figura 67:
cos 𝐴𝑧 sin 𝐴𝑧 0 1 0 0
𝑍 ′ = − ((−sin 𝐴𝑧 cos 𝐴𝑧 0 ) × (0 cos 𝐴𝑛 − sin 𝐴𝑛) × (0,0,1)𝑡 ) Equação 46
0 0 1 0 sin 𝐴𝑛 cos 𝐴𝑛
𝑌 ′ = (Z ′ ∧ (0,0,1))⁄|Z′ ∧ (0,0,1)| Equação 47
𝑋 ′ = (Y′ ∧ Z′)⁄|Y′ ∧ Z′| Equação 48
Figura 67: Cálculo vetorial do novo sistema de coordenadas.
O próximo passo é fazer uma mudança de base em todos os pontos previa-

mente calculados, mudando da base canônica para a nova base. Após essa opera-
ção, somasse a cada ponto a posição P do furo (Figura 68):
Figura 68: Mudança de base dos pontos do cilindro e translação.
Agora faltaria apenas encontrar a triangulação para poder fechar o polígono.

O fluxograma e o código abaixo descritos resumem o processo para encontrar os
índices que devem, tomados 3 a 3, formar o cilindro:
67
Perfuração
Figura 69: Fluxo para a triangulação dos pontos que formam o cilindro.
Construído o cilindro, podemos repetir o algoritmo as vezes necessárias para

contemplar a existência de cilindros para representar os furos com os respetivos
tampões ou mesmo a presença de decks (e inclusos furos não retilíneos). A Figura
70 mostra com um pouco mais de detalhes o resultado deste procedimento:
Figura 70: Detalhe de grupo de furos sobre o modelo de um terreno.
3.2 Furos baseados em desviómetros
Existem diversos equipamentos no mercado com o objetivo de: medir o desvio

da perfuração (Miranda et al, 2019), fenómenos muito vulgares nessas atividades.
Como exemplo, podemos citar o Boretrak® da empresa Carlson®, o Probe® da Pul-
sar® e o protótipo atualmente em desenvolvimento na O-Pitblast (Miranda & Leite,
2018).
Qualquer um dos equipamentos acima listados fornecerá dados necessários63
para a caracterização real da geometria de cada furo, nomeadamente:
63 Aqui nos referimos aos equipamentos de cabo. Para os equipamentos com barras o proce-
dimento é similar, diferindo pelo fato de os azimutes tomados serem relativos a uma referência
escolhida pelo usuário, e precisam ser corrigidas para o norte geográfico.
68
Perfuração
• O passo adotado: a distância utilizada como intervalo de comprimento

entre medidas consecutivas, geralmente podendo assumir valores in-
teiros entre um e três metros;
• Offset: Valor excedente do cabo inserido até a marca k × (passo adotado)

fora do furo (com menor k possível);
• Lista de medições com ângulos e azimutes.
O procedimento pode ter lugar fazendo-se medições ascendentes ou descen-

dentes. Nas duas figuras seguintes ilustra-se o procedimento descrito:
Figura 71: Uso de equipamento de medição de desvio de furos (Miranda V. et al, 2019).
Figura 72: Esquema geral do uso do desviómetro e o resltado da leitura de seus sensores.
Na posse dos dados recolhidos, o primeiro passo é inverter a lista que contém
os ângulos obtidos e os azimutes. Utilizaremos as matrizes R1 e R2 (Equação 44 e
Equação 45) para transformar o vetor (0,0,-passo). No caso da última medição, de-
veremos utilizar o vetor (0,0, -(passo – offset)). Cada vetor deverá ser somado ao
vetor imediatamente anterior para encontrar as posições XYZ dos pontos que per-
tencem ao furo. É possível acompanhar o passo a passo do cálculo observando a
Tabela 3:
69
Perfuração
# Inclination º Azimuth º R2 x R1 x Z Position

1 2 23 (0.014,-0.032,-0.999) (0.014,-0.032,-0.999)
2 2 24 (0.014,-0.032,-0.999) (0.028,-0.064,-1.999)
3 3 24 (0.021,-0.048,-0.999) (0.049,-0.112,-2.997)
4 4 23 (0.027,-0.064,-0.998) (0.076,-0.176,-3.995)
5 4 24 (0.028,-0.064,-0.998) (0.105,-0.240,-4.993)
6 3.5 22 (0.023,-0.057,-0.998) (0.128,-0.296,-5.991)
7 7 19 (0.040,-0.115,-0.993) (0.167,-0.412,-6.983)
8 5 23 (0.034,-0.080,-0.996) (0.201,-0.492,-7.979)
9 8 24 (0.057,-0.127,-0.990) (0.258,-0.619,-8.970)
10 6 24 (0.043,-0.095,-0.995) (0.300,-0.714,-9.964)
11 6 23 (0.020,-0.048,-0.497) (0.341,-0.811,-10.959)
Tabela 3: Passo a passo do cálculo das posições que formam o furo.
O último passo corresponde a criar cilindros entre cada par de pontos utili-
zando as ferramentas já desenvolvidas.
3.3 Projeção de ponto em reta
Para projetar o ponto P sobre a reta formada por dois pontos A e B precisare-
mos Figura 73:
• Definir os vetores 𝑢
⃗ e 𝑣 formados por P – A e B – A;
• Encontrar o modulo da projeção de 𝑢 ⃗ em 𝑣:
|𝑃𝑟𝑜𝑗 𝑢 ⃗ . 𝑣 |⁄|𝑣 |
⃗ 𝑣⃗ | = |𝑢 Equação 49
• Somar ao ponto A o vetor 𝑣 normalizado multiplicado pelo modulo da

projeção encontrada.
Figura 73: Detalhamento da projeção de ponto em reta.
3.4 Intersecção entre dois vetores
Definidos dois vetores, 𝑢 ⃗ , o primeiro passo para encontrar a intersecção

⃗ 𝑒v
entre eles é saber se eles são paralelos, pois se assim for não teremos uma solução
para a intersecção (pois a mesma não existirá ou os dois vetores serão coinciden-
tes). Para isso bastará verifica que o determinante abaixo não é nulo:
𝑢⃗𝑥 𝑢
⃗𝑦
[ ] Equação 50
𝑣𝑥 𝑣𝑦
70
Perfuração
Uma vez verificada a existência do ponto comum, conhecendo um ponto A

pertencente ao vetor 𝑢
⃗ e um ponto B pertencente ao vetor 𝑣, a intersecção P será:
−1
𝑢
⃗𝑥 −𝑣𝑥 𝐵𝑥 − 𝐴𝑥 Equação 51
𝐴 + ([ ] × [𝐵 − 𝐴 ]) (1) × 𝑢
⃗
𝑢⃗𝑦 −𝑣𝑦 𝑦 𝑦
O índice 1 representa o primeiro elemento do vetor.
3.5 Posicionamento de furos (malha)
O procedimento até agora descrito já é suficiente para o caso de se desejar

criar furos em posições conhecidas. Abordaremos em seguida os casos em que se
deseja criar uma malha ou adaptar linhas de furos ajustadas à crista de uma ban-
cada.
3.5.1 Malha de perfuração básica
A criação de uma malha de perfuração básica pode ser considerada a situação

mais simples. Neste caso, será necessário ter uma posição inicial como referência,
a partir da qual se definirão alinhamentos correspondentes às direções de espaça-
mento e do afastamento64, conforme o esquema da Figura 74:
Figura 74: Bancada com referências para criação de malha simples.
Uma vez conhecida a referência P, o afastamento A, o espaçamento E, o vetor

unitário com a direção do afastamento 𝑢⃗ e o vetor unitário com a direção do espa-
çamento 𝑣, a quantidade de furos por linha Q, o número de linhas L que desejamos
criar e o tipo de malha (quadrada/rectangular ou triangular), estarão reunidos os
dados e informações para criar a malha. Na Figura 75 apresenta-se o fluxograma
deste procedimento para geometrias de malhas quadrada e triangular:
64Aqui temos como referência uma bancada com a frente livre reta, regular, apontando para
um azimute de 180º.
71
Perfuração
Figura 75: Fluxo para a criação de malha simples.
O resultado do algoritmo é apresentado na Figura 76 sendo visualizados os

valores de afastamento65 entre furos e dos furos da primeira linha à frente livre:
Figura 76: Resultado do algoritmo de posicionamento de furos básico.
3.5.2 Malha de perfuração baseada na crista
A crista de uma bancada pode ser definida como a local geométrico onde se
intersectam a frente livre e a berma superior da bancada (Figura 77):
Figura 77: Representação da crista da bancada.
65 Para os furos da primeira fila, definimos afastamento como a menor distância entre a po-
sição do furo e a crista.
72
Perfuração
Como podemos observar na Figura 76, os furos da primeira linha não têm o
afastamento (distância até a crista) constante, o que pode ocasionar distribuição
não uniforme da energia do explosivo no maciço rochoso no momento da detonação.
A procura de garantir uma distribuição correta da energia do explosivo gerada, é
uma das tarefas mais difíceis para o projetista de um desmonte (Miranda et al,
2014). Como as irregularidades das frentes livres, e das respetivas cristas é uma
realidade, a criação de uma malha que se ajuste melhor à forma da linha definidora
da crista, ajudará a planear uma malha que garante uma melhor distribuição da
referida energia.
Para obtenção dessa desejada malha de furos, o primeiro passo corresponderá
à definição de uma linha que represente a crista, sendo que para tal podemos re-
correr a uma regressão66 utilizando MMR (Figura 78):
Figura 78: Regressão sobre os pontos que formam a crista.
O próximo passo será, utilizando essa linha como referência, criar linhas até
ao total de número de linhas desejadas para a malha de furação da pega de fogo. A
distância entre linhas deverá ser igual ao afastamento.
De notar que o vetor deverá ser multiplicado por -1 (um negativo) caso a dire-
ção não seja oposta à frente livre. Vamos selecionar os dois pontos mais extremos
na crista e calcular as respetivas projeções (bidimensionais) dos pontos na nova
reta de projeção. Para isso, são necessários 2 pontos, A e B, pertencentes à regres-
são. Selecionamos C1 e C2 dois pontos da crista:
𝐴 = 𝑎 + 𝑏 × 𝐶1 Equação 52
𝐵 = 𝑎 + 𝑏 × 𝐶2 Equação 53
Onde a e b são os parâmetros resultantes da regressão.

O procedimento seguinte será encontrar um vetor diretor 𝑢 ⃗ dessa reta. Esse
vetor diretor pode ser definido como sendo 𝑢
⃗ = B – A, o qual deverá ser normalizado.
O vetor 𝑣 que indica a direção do afastamento pode ser definido do seguinte modo:
⃗ ∧ (0,0,1))⁄|𝑢
𝑣=𝑢 ⃗ ∧ (0,0,1)| Equação 54
Na sequência dos procedimentos surge a necessidade de encontrar as linhas

paralelas à reta de regressão, e para isso basta encontrar os pontos Ai e Bi (pontos
A e B pertencentes à linha i):
𝐴𝑖 = 𝐴 + 𝑣 × 𝑎𝑓𝑎𝑠𝑡𝑎𝑚𝑒𝑛𝑡𝑜 × 𝑖 Equação 55
66 Nesta regressão trabalha-se com a projeção dos pontos no plano XY, e para tal basta con-
siderar as coordenadas Z dos pontos da crista iguais a zero.
73
Perfuração
𝐵𝑖 = 𝐵 + 𝑣 × 𝑎𝑓𝑎𝑠𝑡𝑎𝑚𝑒𝑛𝑡𝑜 × 𝑖 Equação 56
Nesta sequência do algoritmo, encontramo-nos na situação que pode ser con-

ferida na Figura 79:
Figura 79: Linhas paralelas à regressão que representa a crista.
O próximo passo será povoar as linhas com furos teóricos, começando por pre-
encher a primeira linha. Para isso será necessário encontrar a posição dos furos
utilizando a equação abaixo:
𝐹𝑖 = 𝑃𝑟 + 𝑢
⃗ × 𝐸 × (𝑖 − 1) Equação 57
Onde:
• 𝐹𝑖 é o furo i, onde i varia entre 1 e o número total de furos;
• 𝑃𝑟 é a referência (A1, A2, ..., An);
• 𝑢 ⃗ é um vetor diretor da primeira linha, que aponta no sentido que segue
da referência para o outro extremo da reta;
• 𝐸 é o espaçamento.
Figura 80: Furos teóricos da primeira linha baseada na crista.
74
Perfuração
Devemos encontrar agora o ponto P definido como a projeção de um furo já

encontrado e a reta de regressão e de seguida encontrar as intersecções entre o
vetor afastamento 𝑣 e os pares de pontos contínuos que formam a crista. Selecio-
namos a intersecção K mais próxima ao furo. Nesse momento está-se em condições
de formar o vetor 𝑤
⃗⃗ = P – K. Repetimos o procedimento para cada furo como exem-
plifica na Figura 81:
Figura 81: Projeções das posições dos furos e vetores formados.
Agora, para cada ponto encontrado como posição de um furo, deveremos cal-
cular o seu respetivo vetor67 𝑤
⃗⃗ (Figura 82):
Figura 82: Reposicionamento de furos para adequação à frente livre.
Após o posicionamento dos furos, podemos ver que cada linha se molda para
manter o afastamento constante, conforme é realçado na Figura 83:
67 Aqui podemos ver outro problema, que é a continuidade de uma parede irregular. A corre-
ção pode ser feita com uma atenuação do vetor 𝑤
⃗⃗ .
75
Perfuração
Figura 83: Resultado do algoritmo para posicionamento dos furos.
3.6 Interseção entre reta e plano
A interseção entre reta e plano será importante para poder detectar a inter-
seção entre furos e o terreno.
Para fazer a intersecção, devemos conhecer dois pontos da reta, 𝐴𝑟 e 𝐵𝑟 , e três
pontos do plano, 𝐴𝑝 , 𝐵𝑝 e 𝐶𝑝 . Então devemos calcular 𝑢
⃗,𝑣e𝑤
⃗⃗ :
𝑤
⃗⃗ = 𝐵𝑟 − 𝐴𝑟 Equação 58
𝑢
⃗ = 𝐵𝑝 − 𝐴𝑝 Equação 59
𝑣 = 𝐶𝑝 − 𝐴𝑝 Equação 60
O seguinte passo será encontrar a matriz M:

−1
𝑤
⃗⃗ 𝑥 −𝑣𝑥 −𝑢
⃗𝑥 𝐴𝑟 − 𝐴𝑝
𝑀 = (𝑤
⃗⃗ 𝑦 −𝑣𝑦 −𝑢
⃗ 𝑦) × ( 𝐵𝑟 − 𝐵𝑝 ) Equação 61
𝑤
⃗⃗ 𝑧 −𝑣𝑧 −𝑢
⃗𝑧 𝐶𝑟 − 𝐶𝑝
Para encontrar o ponto P, intersecção entre a reta e o plano bastará calcular:
⃗⃗ + 𝐴𝑟
𝑃 = 𝑀1 × 𝑤 Equação 62
Figura 84: Intersecção entre reta e plano.
76
Perfuração
3.7 Deteção de ponto interno ao triângulo
Para o caso bidimensional, para saber se um ponto P está localizado dentro

de um triângulo de lados A, B e C, bastará calcular os vetores 𝑢⃗, 𝑣 e 𝑤
⃗⃗ formados
pelas diferenças entre as coordenadas dos pontos do triângulo e do ponto P. Feito
isso bastará somar os ângulos entre cada par de vetores. Se o ponto for interno ao
triângulo, a soma deverá contabilizar68 em 360 graus (Figura 85):
Figura 85: Ponto interno e ponto externo à triângulo.
O ângulo 𝜃 entre dois vetores 𝑢

⃗ e 𝑣 pode ser calculado, em radianos, como:
⃗ ∙𝑣
|𝑢 ⃗|
𝜃 = acos (⃗⃗⃗⃗⃗ ) Equação 63
⃗|
|𝑢| e |𝑣
3.8 Detecção de coordenada de emboquilhamento de furos
Uma vez que conhecida a posição dos furos no plano XY, será necessário en-
contrar sua interseção com o modelo digital do terreno a fim de determinar sua
respetiva coordenada Z. Como é explicito na Figura 86, para isso bastará:
• Encontrar o vetor 𝑢⃗ formado pela diferença entre a coordenada da base
do furo e a coordenada da posição de emboquilhamento do furo;
• Percorrer os triângulos encontrados na triangulação:
o Verificar que o vetor 𝑢 ⃗ não é paralelo ao plano formados pelos
dois vetores resultantes da diferença entre as coordenadas dos
pontos que formam o triângulo;
o Verificar a interseção entre o plano e o vetor se encontra dentro
do triângulo (operação no plano XY);
o A coordenada Z da interseção será a coordenada Z do furo.
o Finalizar algoritmo.
68 Para evitar problemas com pontos flutuantes, recomenda-se observar que |soma - 360|<
𝛿, onde 𝛿 poderia ser um valor suficientemente pequeno (10-2, por exemplo).
77
Perfuração
Figura 86: Detecção da coordenada verical de emboquilhamento de um furo (intersecção entre triângulo e
vetor que representa o furo).
3.9 Perfil crítico
O perfil crítico69 define-se como a menor dis-

tância entre o furo (longitude de carga) e a frente
livre (Figura 87). Esse parâmetro é extremamente
importante, pois pode influenciar diretamente, en-
tre outros fatores, os fenómenos de ultra-lança-
mento e de produção de boulders (blocos de dimen-
são superior indesejada) (Ogata, Wada, &
Katsuyama, 1997). A correta análise do perfil crí-
tico também pode aumentar a segurança e reduzir
potenciais problemas do desmonte, como pode ser a
geração de onda aérea (Wiseman & Rorke, 2015).
Para que o simulador considere este fator, o
seu cálculo exigirá duas etapas:
• Cálculo do perfil crítico;
Figura 87: Perfil crítico (Miranda &
• Cálculo dos afastamentos ao longo do furo.
Leite, 2018). Os sucessivos valores do afastamento ao longo
dos furos serão necessários para identificar possíveis posições geométricas que pos-
sam, no momento da detonação, propiciar risco de geração de ultra-lançamento ou
influenciar a formação de blocos (para o caso de um afastamento superior ao dese-
jado). É importante destacar também que o perfil crítico não é calculado como a
intersecção entre um plano e o terreno e terá seu formato definido pela topografia
do terreno, como podemos observar na Figura 88:
69 Ou perfil mínimo (Martin Schrier, 2018).
78
Perfuração
Figura 88: Perfil crítico com vista frontal (esquerda), vista lateral (centro) e vista de topo (direita).
A primeira etapa deste processo passa por encontrar os pontos do terreno pró-
ximos (distância Euclidiana no plano XY) à posição de emboquilhamento do furo.
Algumas técnicas poderão ser utilizadas para minimizar o tempo do algoritmo.
Uma vez que se procura entre os pontos existentes no terreno aqueles que perten-
cem ao perfil crítico, devemos diminuir o intervalo de busca para que se possa ter
uma maior agilidade de processamento. Em primeiro lugar define-se um raio de
busca em torno do furo. No exemplo que estamos a usar, para o cálculo do perfil
crítico70 foi usado um tempo médio de cálculo de 5613 milissegundos (para encon-
trar os pontos críticos de todos os furos). É possível constatar na Figura 89 que
ao utilizar para um determinado furo apenas os pontos do terreno próximos ao
próprio furo, temos uma diminuição no tempo de processamento gasto pelo algo-
ritmo, e que esse tempo cresce conforme aumenta o raio de busca:
Figura 89: Tempo de processamento para variações no raio de busca (esquerda) e no ângulo de abertura.
70 Terreno com 100 mil pontos e 30 furos.
79
Perfuração
Também é razoável admitir que os pontos que formam o perfil crítico estão
minimamente alinhados com a direção do afastamento. Se restringirmos a busca
aos pontos que estão a uma determinada distância angular do vetor afastamento,
pode reduzir-se também o tempo de processamento (procedimento ilustrado na Fi-
gura 89 , lado direito). Assim, tem lógica, por razões de otimização do processo,
definir-se um raio máximo de busca dos pontos em torno dos furos. Será coerente
utilizar um raio, por exemplo, de 15 metros, uma vez que essa distância é mais que
suficiente para os desmontes de produção habituais (que utilizam afastamentos
dos furos da primeira linha bastante inferiores a 15 metros). Também limitaremos
a distância angular (vetor formado entre o ponto e a posição do furo) em relação ao
vetor afastamento máxima. Na prática, recorremos ao valor de 60 graus. Podemos
ver mais detalhes desse processo na Figura 90:
Figura 90: Pontos candidatos ao perfil crítico.
Identificado o conjunto de pontos que poderão pertencer ao perfil crítico, o

processo avança para a discretização do furo. Para isso, deve ser determinado um
passo θ (quanto menor θ, maior a quantidade de iterações). Para tal, define-se um
vetor diretor 𝑢
⃗ como a diferença entre a posição do pé do furo e a sua posição de
emboquilhamento. Após este procedimento, o vetor diretor deverá ser normalizado.
A ação seguinte será procurar todos os pontos pertencentes ao furo conforme a Fi-
gura 91:
Figura 91: Fluxo para cálculo da discretização do furo.
Construída a lista com todos os pontos P pertencentes ao furo, passa-se à

identificação, para cada um deles, do ponto mais próximo na lista de candidatos a
pertencerem ao perfil crítico. Para otimizar esse processo de identificação, devemos
limitar os pontos candidatos àqueles cuja cota Z está a uma distância máxima β71
71 Recomenda-se começar com um valor β pequeno, por exemplo 1, e aumentar esse valor para
o caso de nenhum candidato ter uma cota Z dentro do intervalo 𝑃𝑍 ± 𝛽.
80
Perfuração
da cota Z do ponto P (Almeida da Silva, 2018, pág. 36) como se mostra na Figura
92:
Figura 92: Identificação do ponto candidato mais próximo ao ponto P (adaptado de Almeida, 2018).
Uma vez encontrados todos os pontos que pertencem ao perfil crítico, basta
conectá-los para se obter o perfil crítico (Figura 87).
O próximo passo, construído o perfil crítico, será encontrar os afastamentos
críticos relativos às várias posições em profundidade definidas ao longo do compri-
mento do furo. Para isso devem ser implementados os passos abaixo descritos(Fi-
gura 93):
a) Definir o vetor diretor 𝑢 ⃗ como a diferença normalizada entre o pé do
furo e a posição de emboquilhamento do furo;
b) Selecionar o ponto i da lista de pontos que representam o furo;
c) Verificar se o vetor 𝑢⃗ é (0,0,-1):
a. Em caso afirmativo, determinar o ponto A como o ponto i, o ponto
B como o ponto A + (1,0,0) e o ponto C como A + (0,1,0);
b. Se tal condição não se verificar, determinar o ponto A como o
ponto i, o ponto B como o ponto A + Produto vetorial entre 𝑢 ⃗ e
(0,0,1) e o ponto C como o produto vetorial entre 𝑢
⃗ e o vetor for-
mado pela diferença entre o ponto B o ponto A.
d) Na posse dos pontos A, B e C, define-se o plano formado por esses 3
pontos.
e) Percorremos a lista de pontos do perfil crítico.
f) Toma-se a linha formada pelos pontos j e j+1 da lista de pontos do perfil
crítico.
g) Verifica-se se a linha não pertence ao plano encontrado (caso pertença,
passamos ao próximo par de pontos da lista de pontos do perfil crítico).
h) Determina-se a interseção entre o plano e a linha.
i) Afere-se a cota Z da interseção é menor que a cota Z do ponto j e maior
que a cota Z do ponto j+1.
j) Em caso afirmativo, adiciona-se o vetor formado entre a interseção e o
ponto i à lista de afastamentos críticos e interrompe-se a busca na lista
de pontos do perfil crítico.
k) Repetimos esta ação desde b até que todos os pontos da discretização
do furo tenham sidos analisados.
81
Perfuração
Figura 93: Detalhes do cálculo do afastamento crítico.
3.10 Carga do furo
O cálculo da carga explosiva a incorporar

em cada furo não segue uma formulação única,
pois vários fatores, como por exemplo a resis-
tência à compressão do explosivo, podem inter-
ferir na quantidade deste material presente no
furo. De maneira geral, para explosivos bom-
beados, pode-se determinar essa quantidade
multiplicando o volume do furo (descontando o
tampão na longitude do furo) pela sua densi-
dade média72. No caso de se usarem explosivos
encartuchados, deve-se multiplicar o peso de
cada cartucho pela quantidade total destes (le-
vando em consideração o fator de empacota-
mento para o cálculo da quantidade total de
cartuchos que cabem no furo). Quando se jun-
tam nos mesmos furos explosivos bombeados e
cartuchos, passa-se a somar o peso de cartu-
chos ao peso do granel. Para calcular o peso do
explosivo a granel, deve-se subtrair ao volume
do furo (sem considerar o tampão) o volume dos
cartuchos e multiplicar o resultado pela densi-
dade média do explosivo aplicado. É possível
ver uma janela de interface, representando es-
ses elementos na Figura 94.
Figura 94: Exemplo de aplicação de carga

explosiva (O-Pitblast).
72A densidade de copo é uma boa aproximação para a densidade média do furo (Cavanough,
Torrance, Rock, & Olsson, 2015).
82
Sequenciamento
4 Sequenciamento
Durante muito tempo a tarefa do sequenciamento, também muitas vezes de-
nominada de temporização, foi considerado como a “arte negra” do processo de des-
monte (Buffham, 2012). Foi somente com a chegada dos computadores à atividade
mineira e a construção de simuladores que veio permitir um melhor planeamento
do desenho de tempos de acionamento dos detonadores. O correto sequenciamento
da detonação dos explosivos presentes no desmonte é crucial para o controle do uso
da energia do explosivo durante a ação de fragmentação dos maciços rochosos, per-
mitindo gerir o confinamento desses explosivos (Floyd, Efficient Blasting
Techniques for Surface Mining Operations, 2010).
O correto planeamento e
uso do sistema de iniciação de
pegas de fogo, seja ele pirotéc-
nico ou eletrônico, tem um papel
crucial no resultado que o des-
monte terá, tanto de um ponto
de vista operacional como em
termos de segurança, uma vez
que permite o maior controle da
distribuição da energia do explo-
sivo no terreno73. John Floyd74,
em muitos dos seus trabalhos,
realça de forma especial a in-
fluência dos tempos de retardo
escolhidos entre linhas de furos
nos resultados globais do des-
monte. Tanto a performance
(fragmentação, vibrações, ultra-
lançamentos etc.) pode ser influ-
enciada pela sequência de deto-
nação, bem como outros fatores,
dos quais se destaca a forma e
posição final da pilha de mate-
Figura 95: Gráfico de John Floyd com sugestão de tempos en- rial desmontado (Figura 95).
tre filas para diferentes finalidades (Buffham, 2012). Uma vez justificada a relevância
de um correto sequenciamento
da detonação de um desmonte, realça-se a importância da simulação para um cor-
reto planeamento e eficaz uso dos detonadores. É evidente a ajuda que os
73 Para maiores detalhes consultar o capítulo 5 de Blasting Principles for Open Pit Mine
(Hustrulid, 1999).
74 Diretor da empresa Blast Dynamics, que fornece solução no uso eficiente da energia de
explosivos (Floyd, Blast Dynamics, 2019).
83
Sequenciamento
simuladores podem dar em tarefas como por exemplo, o cálculo da sobreposição de

detonações de furos recorrendo à denominada regra dos 8 milissegundos (Duvall,
Johnson, Meyer, & Devine, 1963). Os simuladores têm também papel indispensá-
vel quando se opta pela utilização de detonadores eletrônicos (Higgins & Riihioja,
2004). Muitas publicações ainda demonstram a importância da simulação para
testes com os detonadores, e aqui citamos o artigo Blasting Topologies for
Electronic Initiation Systems (Teowee & Lansburg, 2011) como exemplo.
4.1 Grafos
A origem da teoria de grafos remete ao problema das pontes de Konigsberg75

(González Manteiga, 2003, pág. 53). No século XVIII procurava-se resolver o pro-
blema de encontrar um caminho que percorresse as sete pontes daquela localidade
(pontes criadas sobre o rio Pregel) utilizando apenas uma vez cada ponte e reto-
mando ao ponto original. Um esquema e respetivo grafo podem ser vistos na Fi-
gura 96:
Figura 96: As pontes de Konigsberg e seu respetivo grafo (Bondy & Murty, Graph Theory: An Advanced
Course, 2008).
Podemos definir um grafo G como uma tripla ordenada (V(G), E(G), ψ𝐺 ) cons-
tituída por um conjunto V(G) de vértices, um conjunto E(G) de arestas e uma fun-
ção de incidência ψ𝐺 que associa cada aresta de G a um par (não necessariamente
diferente) de vértices de G (Bondy & Murty, 1976). As aplicações da teoria de grafos
são inúmeras, e vão desde a representação de circuitos elétricos até a representação
de estradas conforme podemos ver na Figura 97:
Figura 97: Aplicações de teoria de grafos (adaptado de Goldbarg & Goldbarg, 2012).
75Leonhard Euler demonstrou em 1736 que o problema não tinha solução, pois o grafo apre-
sentado não constituía um grafo euleriano, isso é, não existe nenhum caminho saindo de um vértice
que passe apenas uma vez por todos os outros vértices e retorne ao original (Goldbarg & Goldbarg,
2012).
84
Sequenciamento
4.1.1 Algoritmo de Dijkstra
Um grafo ponderado é aquele cujas arestas têm um peso associado (Bondy &
Murty, 1976, pág. 15). Podemos exemplificar um grafo ponderado por uma rede de
cidades que se comunicam por estradas (como a última imagem da Figura 97),
onde o peso de cada aresta (estrada que conecta duas cidades) pode ser a distância
entre essas cidades. Podemos observar na Figura 98 5 cidades/vilas portuguesas76
e algumas possíveis rotas conectando essas cidades:
Figura 98: Distância entre 5 cidades portuguesas e possíveis rotas entre elas.
Uma pessoa que tenha interesse em sair do Porto e chegar a Resende poderá
optar por várias rotas alternativas, como podemos ver na Figura 99:
Figura 99: Possíveis rotas entre Porto e Resende.
O algoritmo de Dijkstra77 encontrará, uma vez escolhido um vértice, o menor

caminho até os outros vértices dentro do grafo. O algoritmo é detalhado de seguida
e pode ser observado na Figura 100:
a) Numeram-se os n vértices: 1,2,3...n;
b) Define-se o vértice j como vértice de partida para a procura de distân-
cias até os outros;
c) Criam-se 2 conjuntos de vértices, P = {j} e T = {1,2,...,j-1,j+1,...,n} (T
possui todos os índices dos vértices com exceção de j);
d) Determina-se, para todo vértice i ≠ j seu predecessor como j;
e) Calcula-se 𝑢1 , 𝑢2 , 𝑢3 … 𝑢𝑛 como sendo as distâncias entre os vértices do
grafo e o vértice j (definimos 𝑢𝑗 = 0 e 𝑢𝑖 = ∞ quando não exista aresta
ligando o vértice i ao vértice j);
f) Determina-se k ϵ T tal que 𝑢𝑘 = 𝑚𝑖𝑛𝑗𝜖𝑇 (𝑢𝑗 );
76 Porto, Amarante, Resende, Panafiel e Castelo de Paiva.

77 O algoritmo apenas pode ser aplicado para grafos ponderados com pesos não negativos
(Vitoriano, 2011).
85
Sequenciamento
g) Estabelece-se P = P ∪{k} e T = T – {k};

h) Se T = ∅, terminar a procura;
i) Revisar os predecessores:
a. ∀ 𝑗 𝜖 𝑇, calcular 𝑢𝑗 = min {𝑢𝑗 , 𝑢𝑘 + 𝑑𝑘𝑗 }. Caso se modifica, colocar
o predecessor de j = k;
b. Voltar ao passo f.
Podemos observar que a entrada de um vértice no conjunto P fixa o seu pre-
decessor, e o conjunto de predecessores definem as menores rotas.
86
Sequenciamento
Figura 100: Sequência de passos do algoritmo de Dijkstra.
4.2 Sistema de iniciação não-elétrico
O sistema não-elétrico de iniciação surgiu como uma opção mais segura e prá-
tica para a iniciação da coluna explosiva (Bhandari, 1997, pág. 94).
No sistema de iniciação não-elétrico, a onda de

choque viaja através de um tubo plástico que contém
uma capa fina de material reativo78 (Manual de
Empleo de Explosivos, 2004). A transmissão dessa
onda de detonação de baixa energia ocorre normal-
mente a uma velocidade aproximada de 2000 m/s.
Podem observa-se na Figura 101 os principais
componentes de um detonador não-elétrico:
1. Tampa de borracha: serve para selar o deto-
nador e condutor elétrico;
2. Amortizador da onda de detonação: distri-
bui a energia da onda de detonação;
3. Porta retardo de alumínio: contêm a pasta
pirotécnica responsável pelo retardo do detonador;
4. Carga primaria: explosivo à base de nitreto
de chumbo que recebe a energia de iniciação do porta
retardo e a transmite para a carga base.
5. Carga base: carga explosiva que tem por ob-
jetivo iniciar com suficiente energia a coluna de ex-
plosivo.
Figura 101: Componentes do de-

tonador não-elétrico (Manual de
Empleo de Explosivos, 2004).
Os detonadores de fundo serão utilizados no fundo dos furos para iniciar a

coluna de explosivos e os ligadores de superfície serão utilizados para estabelecer
78 HMX (do inglês high melting point explosive) e alumínio.
87
Sequenciamento
a ligação entre furos permitindo aplicar assim um intervalo entre os tempos de

detonação de cada furo79, como podemos ver na Figura 102 e na Figura 103:
Figura 102: Esquema de ligação típica (Manual de Empleo de Explosivos, 2004, pág. 107).
Figura 103: Exemplo de ligação não-elétrica e detalhe da ligação entre ligador de superfície e detonador de
fundo.
A sequência de detonação de cada furo vai depender, naturalmente, dos deto-

nadores escolhidos. Cada fabricante tem seus produtos padronizados, e várias com-
binações diferentes de tempos podem ser utilizadas como se explicita na Figura
104:
Figura 104: Exemplo de detonadores disponíveis no mercado (adaptado de RIONEL DDX thecnical data
sheet).
79 Detonadores Dual possuem, simultaneamente, o conector de superfície e o detonador de

fundo.
88
Sequenciamento
Uma vez adicionado a cada furo um detonador de fundo com seu respetivo
tempo de retardo, e estabelecidas as ligações entre todos os furos, é possível deter-
minar o instante de detonação de cada furo na linha temporal do desmonte. Para
tal, recorre-se ao algoritmo de Dijkstra para estabelecer este cálculo. Neste pro-
cesso, cada furo deve ser considerado como um vértice de um grafo dirigido e os
ligadores de superfície como as arestas desse grafo. O peso de cada aresta será
justamente o tempo de espera estabelecido por esse ligador. Ao selecionar um furo
como furo inicial, o cálculo avança no sentido de determinar a menor distância en-
tre esse vértice (furo) até os demais. No final da determinação desta sequência,
soma-se a cada furo seu respetivo tempo associado ao detonador de fundo inserido
no mesmo. Um esquema deste processo pode ser visualizado na Figura 105:
Figura 105: Esquema de iniciação representado por um grafo dirigido.
O algoritmo demorará80 mais em função da quantidade de vértices do grafo,

mas é o mais eficiente quando se trata de grafos dirigidos com pesos não negativos.
O primeiro e último passos deste algoritmo, do qual resulta a solução para o exem-
plo acima descrito, são apresentados na Figura 106:
Figura 106: Parte do algoritmo de Dijkstra aplicado para na determinação de tempos.
80O algoritmo de Dijkstra tem custo computacional de ordem O(𝑛2 ), sendo esse o mais efici-
ente algoritmo para grafos dirigidos com pesos não negativos (Goldbarg & Goldbarg, 2012).
89
Sequenciamento
Para finalizar a determinação dos tempos de detonação de cada furo, será ne-
cessário somar a cada tempo encontrado na etapa anterior o tempo associado ao
detonador de fundo.
Este algoritmo de cálculo também pode ser usado quando se recorre ao uso do
cordão detonante como meio transmissor da onda de choque (que na ausência de
elementos de retardo deverá utilizar peso zero) e para sistema com iniciação elé-
trica.
4.3 Sistema de iniciação eletrónico
Os detonadores eletrónicos são usados há mais de 30 anos (Migairou, 2009) e

são considerados pelo mercado como um produto superior. A superioridade do
detonador eletrónico, quando comparado com um não-elétrico, fica evidente ao
analisar a dispersão dos tempos reais dos instantes de detonação (que no caso do
detonador não-elétrico pode chegar81 a ± 8 milissegundos) e a versatilidade de
combinação de tempos, uma vez que podemos atribuir a cada detonador,
individualmente, um tempo qualquer82 de detonação. A utilização dos simuladores,
quando se recorre ao uso dos detonadores eletrónicos permite ainda a melhoria do
controle do lançamento de material desmontado (formação da pilha final), da
geração de vibrações e do grau de fragmentação (Preece & Ching, 2005).
Como é possível verificar na Figura 95, as diferentes necessidades do
desmonte exigem que se adotem diferentes valores de retardo, em milissegundos
por metro, e algumas ferramentas básicas são indispensáveis para a aplicação dos
eletrónicos de maneira eficiente, uma vez que são só eles que permitem tal
variabilidade de tempos de retardo.
4.3.1 Ferramenta vetorial
A idéia da ferramenta vetorial é encontrar os tempos que deverão ser

associados a cada furo para que a saída do material ocorra no formato
comummente denomiado de “V”, com um determinado ângulo de abertura e um
determinado BRB83. Essa metodologia de arranque é representada na Figura 107:
81 Para o caso de detonadores de fundo precisos e retardo de 400 milissegundos (Migairou,

2009).
Os tempos podem variar de acordo com o fabricante. Em geral, o intervalo disponível se
82
encontra desde zero até uma cota superior, que pode ser 14 segundos no caso do detonador Da-
veyTronic® SP (Bickford, 2019), que pode ser programado em intervalos múltiplos de 1 milisse-
gundo.
83 Do inglês burden relief burden, que indica os milissegundos por metro na direção principal.
90
Sequenciamento
Podemos observar na figura acima que uma vez escolhida uma direção (um
vetor), um ângulo de abertura e o BRB, terão de ser determinados os tempos asso-
ciados a cada furo de maneira a ter as isolinhas (aqui as isolinhas auxiliam a visu-
alizar a direção de saída do material, e, neste exemplo, as isolinhas correspondem
a intervalos de 10 milissegundos) de tempo de saída desses furos coincidentes com
as linhas que partem do vetor e formam com esse um ângulo igual a 𝜃⁄2.
Um aumento do BRB deixará o desmonte mais longo enquanto um aumento
no ângulo de saída fará com que o material forme uma pilha menor e saia de ma-
neira mais paralela à frente livre. É observável esta situação na Figura 108:
Evidencia-se claramente na Figura 108 um acréscimo de isolinhas (que in-

dica um desmonte mais longo) comparado à Figura 107. Também podemos ver um
padrão de isolinhas mais “horizontais”.
Para reproduzir o processo acima, deveremos primeiro identificar os pontos
P2 e P1, que formarão o vetor 𝑢 ⃗ (P1-P2). Em seguida, há necessidade de rodar o
⃗ em − ⁄2 graus para encontrar o vetor 𝑣 e em 𝜃⁄2 graus para encontrar o
vetor 𝑢 𝜃
vetor 𝑤
⃗⃗ , como representado na Figura 109:
Figura 109: Primeiros passos do algoritmo da ferramenta vetorial.
Estando a trabalhar no espaço bidimensional (aqui não vamos considerar o

eixo Z), a rotação de θ⁄2 graus pode ser feita conforme a Equação 64:
91
Sequenciamento
Cos(θ⁄2) −Seno(θ⁄2) ⃗x
u
( )×( ) Equação 64
Seno(θ⁄2) Cos(θ⁄2) ⃗y
u
Para calcular agora o instante temporal de detonação de cada furo, torna-se

necessário averiguar de que lado do vetor o furo se encontra. Conhecendo as coor-
denadas P1 e P2 do vetor, e também as coordenadas X e Y do furo, basta utilizar a
Equação 4184 para determinar esse lado. Caso esteja ao lado direito do vetor 𝑢
⃗ , deve
ser utilizado para o próximo passo o vetor 𝑣, caso contrário será utilizado, no pró-
ximo, passo o vetor 𝑤
⃗⃗ .
A ação seguinte deste processo, será, utilizando a posição do furo, o vetor 𝑣
(ou 𝑤
⃗⃗ , dependendo do lado em que se encontra o furo), o vetor 𝑢⃗ e um dos pontos
P1 ou P2, encontrar a interseção dos vetores conforme a Equação 5185. Calcula-se,
deste modo, a distância86 entre esse ponto e o ponto P2. O tempo de detonação será
o produto da distância calculada pelo BRB, como se mostra na Figura 110:
Figura 110: Últimos passos do algoritmo da ferramenta vetorial.
Ao repetir o algoritmo para cada furo da malha, o processo fica finalizado. Há

aqui lugar para algumas considerações serem tidas em conta:
• Para o caso de o tempo ser negativo, o mesmo deverá ser igualado à
zero;
• Poderá ser usado um segundo parâmetro, chamado BRS87, que adicio-
nará ao tempo de detonação do furo uma nova quantidade de tempo
igual ao produto do próprio BRS pela distância entre o furo e a inter-
seção;
• Esta técnica poderá ser utilizada apenas para uma seleção de furos;
• Embora se tenha recorrido ao uso da bissetriz, seria possível utilizar
diferentes ângulos para ambos os lados do vetor principal.
4.3.2 Ferramenta circular
A denominada ferramenta circular tem implementação mais simples que a

ferramenta vetorial. Esta assenta na seleção de um ponto como centro e determinar
84 Envolvente convexa (Convex Hull, página 35.

85 Intersecção entre dois vetores, página 58.
86 Observar a nota de pé da página 66.
87 Do inglês burden relief spacing.
92
Sequenciamento
a distância euclideana88 de todos os furos até esse ponto. Uma vez encontradas
essas distâncias, multiplicam-se esses valores pelo BRB, obtendo-se assim o tempo
de detonação de cada furo. Entre outras aplicações, este esquema de cálculo pode
ser útil no planeamento da abertura de bancadas (ausência de frentes livres) ou no
desmonte em galeria, como pode ser observado na Figura 111:
Figura 111: Abertura circular de bancada na ausência de frentes livre.
Este procedimento pode ainda ser utilizado com o centro posicionado entre os
furos e a frente livre, no intuito de gerar um arranque do material do maciço ro-
choso que terá um comportamento similar ao da saída em “V”, como exemplificado
na Figura 112:
Figura 112: Uso de ferramenta circular para simular um arranque central do material do maciço rochoso.
4.4 Janela temporal de 8 milissegundos
Em 1963, Duvall et al (1963) observaram um claro incremento da sobreposi-

ção de ondas sísmica quando o intervalo de tempo de detonação entre detonadores
era inferior a 8 milissegundos, e durante muitos anos a indústria adotou essa regra
para planificação e desenho de tempos de detonação (Wheeler, 1988). Hoje sabemos
88 Bidimensional.
93
Sequenciamento
que a simples análise da janela temporal, por sí só, não é uma ferramenta
eficiente/suficiente para o desenho adequado dos tempos de retardo e muitos
trabalhos foram publicados89 nesse sentido. Embora alguns investigadores
considerem a regra dos 8 milissegundos um mito (Moore & Richards, 2003), a regra
tem uma componente prática e também legal, pois em algums países, como os
Estados Unidos, a regra deve ser adotada quando são tidas em conta algumas
condições90. Podemos afirmar, baseado nos estudos de Li et al (2015) e Lusk et al
(2012), que a regra é eficiente no sentido conservador, uma vez que, para um
determinado conjunto91 de detonador mais ligador de superfície, é respeitada a
regra dos 8 milissegundos, a probabilidade de sobreposição92 de onda seria inferior
a 1.24%, como mostra o gráfico da Figura 113:
Figura 113: Probabilidade de sobreposição de ondas (adaptado de Li et al, 2015).
São mostradas também na Figura 113 as linhas de 24.461 ms e 25.539 ms

que representam o tempo aceitável93 de detonação.
Ainda analisando os dados utilizados no estudos acima citados, foi possível
recolher as informações estatísticas94 básicas sobre o conjunto de detonadores aqui
apresentados na Tabela 4:
89Reisz, McClure, & Bartley, 2006 e Anderson, 2000, são bons exemplos.
90Na ausência de registros sismográficos, por exemplo (CFR , 2018).
91 Para esse estudo foram utilizados os dados publicados por Lusk et al (2012).
92 Aqui tratamos apenas a sobreposição de ondas, não levando em consideração o reforço de
ondas ou incremento da mesma (Li, Silva-Castro, & Hoffman, 2015).

93 Para Li et al (2015), o desvio aceitável deve ser o desvio gerado pelos detonadores eletrôni-
cos.
94 O desvio do conjunto, 𝜎
725 , se calcula como: 𝜎725 = √𝜎25 + 𝜎700 .
2 2
94
Sequenciamento
Pyrotechnic Pyro sum

Tempo Nominal 25 700 725
Total de detonadores 59 59 -
Média amostral 27.75 715.71 743.46
Desvio padrão amostral 0.77 6.20 6.24
Tabela 4: Resumo estatístico dos dados analisados.
É possível concluir que, um determinado detonador com as características dos

acima referidos, caso seja utilizada a regra dos 8 milissegundos, teria como aceitá-
vel um tempo de detonação 8 milissegundos após o tempo de detonação do furo
anterior. Sendo a diferença de tempos de detonação esperada entre furos igual a
25 milissegundos, pode-se aceitar como limite o intervalo contido entre 25 ± 17
milissegundos para a não sobreposição de ondas. O desvio padrão da diferença de
tempo entre dois furos seguidos pode se calcular como a raiz quadrada da soma das
variâncias do momento 700 e do momento 25 milissegundos (6.24 milissegundos).
Sabendo que 17 milissegundos são 2.72 vezes o desvio padrão amostral e utilizando
aqui a desigualdade de Tchebychef95, podemos determinar a probabilidade máxima
de um evento fora do intervalo desejado igual a 13.47% (assumindo a simetria da
distribuição). Esse cálculo aponta para a probabilidade máxima de sobreposição de
ondas inferior a 14% (para detonadores semelhantes aos analisados acima).
Com a análise acima exposta, pode-se concluir que, o cálculo da janela tempo-
ral, embora conservador, aporta aspetos de segurança ao desenho do desmonte
desde um ponto de vista das vibrações geradas. O cálculo da janela temporal pode
ser feito conforme o algoritmo da Figura 114:
Figura 114: Fluxo do cálculo das janelas temporais.
O algoritmo acima tem custo computacional da ordem O(n), sendo assim efi-
ciente e rápido para grandes números de detonadores. Supondo 4 detonadores com
tempos programados: 10, 12, 14 e 25, o algoritmo reproduz os passos descritos na
Tabela 5:
95 𝑃[|𝑋 − 𝜇| ≥ 𝑘𝜎] ≤ 𝑘 −2 , independente da distribuição (Meyer P. , 1983, pág. 165).
95
Sequenciamento
# i j p q temp p=∅? temp = p? Janela

INICIO 10 18 {10, 12, 14, 25} {∅} {∅} NÃO - -
1 11 19 {12, 14, 25} {10, 12, 14} {10, 12, 14, 25} NÃO NÃO 10 e 18: 3
2 12 20 {12, 14, 25} {12, 14} {12, 14, 25} NÃO SIM 11 e 19: 2
3 13 21 {14, 25} {12, 14} {12, 14, 25} NÃO NÃO 12 e 20: 2
4 14 22 {14, 25} {14} {14, 25} NÃO SIM 13 e 21: 1
5 15 23 {25} {∅} {14, 25} NÃO NÃO 14 e 22: 1
6 18 26 {25} {25} {25} NÃO SIM 15 e 23: 0
7 19 27 {25} {25} {25} NÃO SIM 18 e 26: 1
8 20 28 {25} {25} {25} NÃO SIM 19 e 27: 1
9 21 29 {25} {25} {25} NÃO SIM 20 e 28: 1
10 22 30 {25} {25} {25} NÃO SIM 21 e 29: 1
11 23 31 {25} {25} {25} NÃO SIM 22 e 30: 1
12 24 32 {25} {25} {25} NÃO SIM 23 e 31: 1
13 25 33 {25} {25} {25} NÃO SIM 24 e 32: 1
14 26 34 {∅} {∅} {25} SIM NÃO 25 e 33: 1
15 27 35 - - - - - -
Tabela 5: Passo a passo do algoritmo da janela temporal.
Usualmente, essa informação é mais bem interpretada com um histograma.

Exemplifica-se isso mesmo na Figura 115:
Figura 115: Exemplo de histograma com janela temporal.
Deve ser realçado que, de acordo com o interesse de quem está a planear a
construção de simuladores, que algumas alternativas podem ser consideradas:
1. Poderiam ser somadas não a quantidade de furos que detonam dentro
de uma janela específica, mas sim as suas respetivas cargas;
2. A janela temporal poderia ser diferente de 8 milissegundos.
4.5 Isolinhas de tempo
A análise das isolinhas dos tempos de detonação trazem informações impor-

tantes para a análise do esquema de iniciação e a sua relevância pode ser destacada
tanto no processo de otimização económica do desmonte (López Jimeno, 2017, pág.
1103) quanto nos estudos de diluição (Domingo, Leite, Miranda, & Carrasco, 2015,
96
Sequenciamento
pág. 74). É possível ver, por exemplo, na Figura 107 e na Figura 111, que as
referidas isolinhas podem nos apontar também a direção de saída do material.
Como se evidencia na Figura 116, os furos têm um movimento superficial ortogo-
nal quando comparados às isolinhas:
Figura 116: Isolinhas e direção de saída dos furos.
O cálculo das isolinhas também se apresentam muito importantes para o cál-

culo do afastamento efetivo96, como é explicito na Figura 117:
Figura 117: Detalhe do afastamento teórico e do afastamento efetivo.
Uma vez acentuada a relevância das isolinhas, passa-se a expor o procedi-

mento para o cálculo das mesmas:
a) O primeiro passo será triangular a posição dos furos utilizando a trian-

gulação de Delaunay97. Pode-se ver um exemplo deste passo sobre os
furos da Figura 112 na Figura 118:
96 Hustrulid, 1999, pág. 128.

97 Triangulação de Delaunay e diagrama de Voronoi, p. 40.
97
Sequenciamento
Figura 118: Triangulação feita sobre a posição dos furos.
Vale a pena salientar que nem sempre a triangulação tradicional de

Delaunay deverá ser utilizada, pois dependendo do tipo de terreno ou
até mesmo da disposição dos furos sobre o terreno, algumas alterações
no processo de triangulação deveriam ser levadas em conta, como por
exemplo considerar um distância não euclidiana para o cálculo dos
critérios de inversão de diagonal98 (Hjelle & Daehlen, 2006, págs. 109-
110);
b) Deve definir-se o intervalo de tempo para o qual se quer exibir as isoli-
nhas. No presente exemplo, assumem-se 31 milissegundos;
c) Para cada triângulo encontrado no processo de triangulação, devem ser
analisadas cada uma das três arestas.
d) Ao analisar os dois vértices que são ligados por uma aresta, deve ser
verificado se o tempo assumido (31 milissegundos neste exemplo) per-
tence ao intervalo definido pelos tempos dos dois vértices. Se sim, o
ponto procurado pode ser encontrado através da seguinte pela fórmula:
(𝑉1 − 𝑉2 ) (𝑡 − 𝑡1 )
P = 𝑉1 + × Equação 65
|(𝑉1 − 𝑉2 )| (𝑡2 − 𝑡1 )
Onde:
• P = posição procurada;
• 𝑉𝑛 = posição do vértice n;
• 𝑡𝑛 = tempo de detonação no vértice n;
• 𝑡 = tempo da isolinha.
e) Caso o ponto tenha sido encontrado em dois dos três vértices analisa-
dos, esses dois pontos deverão ser ligados, como é exemplificado na Fi-
gura 119:
Figura 119: Isolinha referente a 31 milissegundos.
98 Figura 40.
98
Sequenciamento
f) O procedimento deve ser repetido a partir de b) até que todas as isoli-

nhas sejam encontradas.
O resultado da aplicação do algoritmo pode ser visto na Figura 120:
Figura 120: Exemplo de isolinhas (O-Pitblast).
99
Otimização
5 Otimização
Numerosos estudos e modelos independentes de Mine To Mill99 foram
desenvolvidos recentemente e na sua maioria apresentam potencial para uma
melhoria significativa dos processos de fragmentação de rochas (Chadwick, 2016).
É fácil entender essa “febre” por promover rotinas de por otimização uma vez que
(para citar apenas uma entre várias razões), utilizadas essas metodologias, a
produtividade global do processo de mineração pode atingir um incremento entre
10% a 20% e os custos operacionais podem ser diminuídos substancialmente
(McKee, 2013). A primeira importante parte desse processo de otimização é
precisamente o desmonte de rochas uma vez que o modo como ele é implementado,
terá influência direta sobre a eficiência da produção como um todo e no consumo
posterior de energia na carga, transporte, britagem e moagem (Li, Xu, Zhang, &
Guo, 2018). Otimizar o processo de desmonte, respeitando os níveis de
fragmentação desejados para os elos seguintes da cadeia produtiva, não é uma
tarefa fácil, mas foi mencionado em vários artigos científicos e, em particular, o
pedagógico artigo “Blast Pattern Expansion” (Miranda, Leite, & Frank, 2017), é um
bom exemplo disso. Porém, a maioria dos artigos sobre essa temática, normalmente
não apresentam a maneira formal de construção desses tipos de modelo e por essa
razão foi desenvolvido, no âmbito da presente pesquisa, uma heurística inspirada
nos métodos de gradientes. Serão explorados os passos necessários para encontrar
valores geométricos do plano de fogo que minimizem os custos totais de perfuração
e desmonte, mas que preservem o nível de fragmentação desejado.
5.1 Previsão de fragmentação
Um dos principais objetivos do desmonte é gerar fragmentos de rocha dentro

de um determinado intervalo de calibres (Cunningham, 2005). Esse objetivo estará
relacionado com os passos seguintes da cadeia produtiva e tem como principal de-
safio obter um resultado efetivo (tamanho de partícula, formato etc.) que responda
positivamente às necessidades da mina/pedreira (Brunton, 2003). A necessidade
de prever essa fragmentação é importante e muitas equações (modelos preditivos)
foram desenvolvidas por diversos autores com esse mesmo objetivo.
Um desses modelos de previsão é o modelo de Kuz-Ram que se baseia em 3
principais equações:
A equação de Kuznetsov (Equação 66), apresentada por Kuznetsov, determina
o tamanho médio do fragmento de rocha baseado nas caracerísticas e quantidade
de explosivos usada, volume arrancado e o denominado fator de rocha:
99 Do inglês “da mina para o moinho”.
100
Otimização
19/30
115
𝑥𝑚 = 𝐴𝐾 −0,8
𝑄 1/6
( ) Equação 66
𝑅𝑊𝑆𝐴𝑁𝐹𝑂
Onde:
• 𝑋𝑚 = tamanho médio dos fragmentos (cm);
• A = fator de rocha; K = consumo específico (𝐾𝑔⁄𝑚3 );
• Q = quantidade de explosivos por furo (Kg);
• 115 = energia relativa em peso (RWS) do TNT comparado com o
ANFO;
• 𝑅𝑊𝑆𝑎𝑛𝑓𝑜 = Energia relativa em peso do explosivo utilizado compa-
rado com o ANFO.
A equação de Rosin-Ramler (Equação 67) simula a distribuição dos tamanhos

dos fragmentos do maciço desmontado. Servirá para representar partículas entre
10 e 1000mm (Catasús, 2004, pág. 80):
𝑋 𝑛
−0,693( ) Equação 67
𝑃(𝑥) = 1 − 𝑒 𝑋𝑚
Onde:
• 𝑃(𝑥) representa a fração passante numa abertura x;
• n = índice de uniformidade.
A equação do índice de uniformidade (Equação 68) determina uma cons-
tante que representa a uniformidade dos fragmentos desmontados baseada nos pa-
râmetros geométricos do desmonte.
𝑆 0,1
14𝐵 √ 1+𝐵 𝑊 ℎ𝑓 − ℎ𝑐 𝐿 Equação 68
𝑛 = (2,2 − )× × (1 − ) × (| | + 0,1) ×
𝑑 2 𝐵 𝐿 𝐻
Onde:
• B=afastamento (m);
• S = espaçamento (m);
• d = diâmetro de perfuração (mm);
• W = desvio padrão do erro de perfuração (m);
• ℎ𝑓 = comprimento de carga de fundo (m);
• ℎ𝑐 = comprimento de carga de coluna (m);
• L = comprimento de carga (m);
• H = altura de bancada (m).
5.2 Heurística
Uma heurística é um procedimento que tenta descobrir uma boa solução para
um problema, mas não necessariamente a melhor (Hillier & Lieberman, 2010, pág.
563) e tem por objetivo (Polya, 1957) o estudo dos métodos e regras de descoberta
101
Otimização
criativa do percurso iterativo até ao ótimo mínimo (ou máximo) absoluto. Apesar
da limitação para evitar ótimos locais (Duarte Muñoz et al, 2007, pág. 3), esse tipo
de técnica é muito útil para problemas unimodais. Podemos definir um problema
como unimodal se apenas existe um máximo (ou mínimo) para um determinado
domínio (Cuevas Jiménez et al, 2017) como mostrado na Figura 121:
Figura 121: Diferença entre problema unimodal (esquerda) e multimodal.
5.3 Gradiente descendente
O método clássico do gradiente descendente, também chamado método do gra-

diente, é um dos primeiros a serem utilizados para objetivos multidimensionais e
é uma importante base para outras técnicas modernas de otimização (Golub &
Öliger in Cuevas et al, 2017). Este método parte de um ponto aleatório inicial fac-
tível e progride na direção do gradiente até que um determinado critério de saída
seja alcançado. A função é representada pela Equação 69 e também pode ser ob-
servada na Figura 122:
𝑋𝑘+1 = 𝑋𝑘 − 𝛼 ∙ 𝑔(𝑓(𝑋)) Equação 69
Onde:
• K = iteração atual;
• 𝛼 = tamanho do passo;
• 𝑔(𝑓(𝑋)) = o gradiente da função “f” no ponto “X”.
102
Otimização
Figura 122: Campo vetorial e movimento do algoritmo do gradiente.
Mais detalhes sobre este método podem ser encontrados em Bronson, 1985,
pág. 14, Campos, Oliveira, & Cruz, 2015, pág. 314 ou em Mathews & Fink, 2000,
pág. 447.
5.4 Modelo
Para a construção do modelo, algumas informações foram introduzidas como

parâmetros do problema:
• Altura da bancada, diâmetro do furo, percentagem de material abaixo
do limite da abertura do britador, fator de rocha, dados do explosivo
(RWS e densidade), volume total requerido e custos do explosivo, do
sistema de iniciação e da perfuração.
Esse modelo que é aqui desenvolvido, foi já anteriormente apresentado no 9º
EFEE100: World Conference on Explosives and Blasting (Miranda, Leite, &
Frank, Blast Pattern Expansion - A numerical Approach, 2017). Segue um
resumo do mesmo:
• Variáveis de decisão: Afastamento, espaçamento, tampão e subperfu-
ração.
• Função objetivo: Minimizar Z = custo do explosivo + custo do sistema
de iniciação + custo da perfuração.
• Restrições do problema:
o 𝑙𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 ≤ 𝑒𝑠𝑝𝑎ç𝑎𝑚𝑒𝑛𝑡𝑜⁄𝑎𝑓𝑎𝑠𝑡𝑎𝑚𝑒𝑛𝑡𝑜 ≤
𝑙𝑖𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 101 ;
o 𝑙𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 ≤ 𝑠𝑢𝑏𝑝𝑒𝑟𝑓𝑢𝑟𝑎çã𝑜⁄𝑎𝑓𝑎𝑠𝑡𝑎𝑚𝑒𝑛𝑡𝑜 ≤
𝑙𝑖𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 101 ;
o 𝑙𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 ≤ 𝑡𝑎𝑚𝑝ã𝑜⁄𝑎𝑓𝑎𝑠𝑡𝑎𝑚𝑒𝑛𝑡𝑜 ≤ 𝑙𝑖𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 101 ;
o 𝑃𝑟𝑜𝑑𝑢çã𝑜 ≥ 𝑣𝑜𝑙𝑢𝑚𝑒 𝑟𝑒𝑞𝑢𝑒𝑟𝑖𝑑𝑜 102;
100 European Federation of Explosives Engineers.

101 Restrições padrão de Ash (Hustrulid, 1999).
102 Restrições de produção.
103
Otimização
o 𝑋(%) ≤ 𝐿𝑖𝑚𝑖𝑡𝑒 𝑑𝑒 𝑎𝑏𝑒𝑟𝑡𝑢𝑟𝑎 𝑑𝑜 𝑏𝑟𝑖𝑡𝑎𝑑𝑜𝑟 103

o 𝐴𝑓𝑎𝑠𝑡𝑎𝑚𝑒𝑛𝑡𝑜, 𝑒𝑠𝑝𝑎ç𝑎𝑚𝑒𝑛𝑡𝑜, 𝑠𝑢𝑏𝑝𝑒𝑟𝑓𝑢𝑟𝑎çã𝑜, 𝑡𝑎𝑚𝑝ã𝑜 ≥ 0
Devido à natureza (não-linear) das equações utilizadas no modelo de previsão
e à relação entre as variáveis de decisão, um método clássico para resolver proble-
mas lineares como o SIMPLEX (Dantzig, 1963) não pode ser usado.
Para entender a natureza do problema foram avaliadas todas as possibilida-
des de solução para os seguintes intervalos:
• Afastamento: entre 2 e 4;
• Espaçamento⁄Afastamento: entre 1 e 2;
• Subperfuração⁄Afastamento: entre 0.3 e 0.5;
• Tampão⁄Afastamento: entre 0.7 e 1.
Foram analisadas todas possíveis soluções com uma variação de 0.1 para cada
variável. Em cada passo a solução (custo total) foi encontrada. O formato geral,
para uma relação específica de subperfuração por afastamento e de tampão por
afastamento, pode ser observada na Figura 123:
Figura 123: Gráfico com o custo total com parâmetros fixos.
Para maiores valores de afastamento e espaçamento o custo total diminui

(como esperado). Para limitar esse decaimento foi necessário introduzir o limite da
fragmentação conforme se vê na Figura 124:
Figura 124: Limite de fragmentação.
103 Restrições de fragmentação.
104
Otimização
Para identificar a sensibilidade da curva de limite de fragmentação, em rela-

ção à subperfuração por afastamento e ao tampão pelo afastamento, o seguinte
gráfico foi gerado:
Figura 125: Comportamento da curva de fragmentação para diferentes parâmetros.
Concluíu-se que quando a relação entre tampão e afastamento diminuía e a

relação entre subperfuração e afastamento aumentava, a curva se movia para a
direita diminuindo assim o custo total. Baseado nisso, o primeiro passo foi usar a
menor relação de tampão por afastamento e a maior relação de subperfuração por
afastamento, sem ultrapassar nenhuma das restrições de partida. A seguir foi ava-
liada a curva de custo que interceptava a curva limite de fragmentação -Figura
126. O comportamento da curva indica que é possível utilizar um tratamento uni-
modal para o problema.
Figura 126: Interceção entre custo e limite de fragmentação.
105
Otimização
O algoritmo necessita ser suficientemente robusto para localizar a interceção

entre a curva de custo e a curva de limite de fragmentação. Um fluxograma repre-
sentando a heurística trabalhada é mostrado na Figura 127:
Figura 127: Heurística de gradiente adaptada.
O algoritmo incrementa os valores de afastamento e espaçamento livremente

até encontrar o limite de fragmentação. Nesse momento ele assume valores próxi-
mos dos limites de fragmentação e move a solução paralelamente à curva,
106
Otimização
incrementando o espaçamento e diminuindo o afastamento (na direção do gradi-

ente) até encontrar um valor que não pode ser melhorado, como é exemplificado na
Figura 128:
Figura 128: Detalhe do movimento do algoritmo.
O exemplo numérico do comportamento do algoritmo104 pode ser visto na Ta-

bela 6, onde observamos uma convergência para um custo global na iteração 1001:
Subperfuração
Subperfuração
Candidato (m)
Candidato (m)
Candidato (m)
Candidato (m)
Espaçamento
Espaçamento
Afastamento
Afastamento
Tampão (m)
x90 (mm)
Tampão
Rand 1
Rand 2
Rand 3
Rand 4
Custo
Passo
(m)
(m)
(m)
#
1 1.00 1.00 1.00 0.30 1.00 -0.24 0.33 0.53 0.00 0.76 1.33 1.53 0.30 89 168,971 €
2 1.00 1.00 1.00 0.30 1.00 0.00 0.42 0.50 0.31 1.00 1.42 1.50 0.61 117 123,606 €
3 1.00 1.00 1.00 0.30 1.00 -0.42 0.52 -0.21 0.00 0.58 1.52 0.79 0.30 68 200,603 €
4 1.00 1.00 1.00 0.30 0.95 0.00 0.05 -0.26 -0.11 1.00 1.05 0.76 0.19 93 168,006 €
5 1.00 1.00 1.00 0.30 0.95 -0.03 -0.75 0.00 0.00 0.97 0.29 1.00 0.30 38 632,960 €
6 1.00 1.00 1.00 0.30 0.90 0.00 0.00 0.00 0.34 1.00 1.00 1.00 0.61 89 179,621 €
7 1.00 1.00 1.00 0.30 0.90 -0.20 0.01 0.00 0.00 0.82 1.01 1.00 0.30 76 211,548 €
8 1.00 1.00 1.00 0.30 0.86 -0.73 -0.70 0.36 -0.47 0.38 0.40 1.31 -0.10 21 1,105,809 €
9 1.00 1.00 1.00 0.30 0.81 0.00 -0.28 0.00 0.00 1.00 0.77 1.00 0.30 78 226,898 €
10 1.00 1.00 1.00 0.30 0.81 -0.44 0.00 0.81 0.08 0.65 1.00 1.66 0.37 63 265,131 €
987 2.53 2.87 1.93 0.76 0.00164 -0.55 -0.55 -0.05 0.00 2.53 2.87 1.93 0.76 498 24,038 €
988 2.53 2.87 1.93 0.76 0.00164 0.50 0.00 0.00 -0.29 2.53 2.87 1.93 0.76 499 24,037 €
989 2.53 2.87 1.93 0.76 0.00164 0.38 0.00 -0.44 -0.78 2.53 2.87 1.93 0.76 498 24,036 €
990 2.53 2.87 1.93 0.76 0.00164 0.00 0.00 -0.94 0.00 2.53 2.87 1.93 0.76 498 24,039 €
991 2.53 2.87 1.93 0.76 0.00156 0.76 0.94 0.00 0.00 2.53 2.87 1.93 0.76 499 24,038 €
992 2.53 2.87 1.93 0.76 0.00156 0.62 -0.84 0.00 0.00 2.53 2.87 1.93 0.76 499 24,038 €
993 2.53 2.87 1.93 0.76 0.00156 -0.81 0.00 0.84 0.00 2.53 2.87 1.94 0.76 499 24,036 €
994 2.53 2.87 1.94 0.76 0.00156 -0.49 -0.29 0.97 0.33 2.53 2.87 1.94 0.76 498 24,036 €
995 2.53 2.87 1.94 0.76 0.00156 -0.04 -0.10 0.00 0.24 2.53 2.87 1.94 0.76 498 24,036 €
996 2.53 2.87 1.94 0.76 0.00156 -0.78 0.90 -0.33 -0.02 2.52 2.87 1.94 0.76 498 24,036 €
997 2.52 2.87 1.94 0.76 0.00156 0.60 0.00 -0.14 -0.97 2.53 2.87 1.94 0.76 499 24,034 €
998 2.52 2.87 1.94 0.76 0.00156 -0.42 0.77 0.00 -0.59 2.52 2.87 1.94 0.76 498 24,035 €
999 2.52 2.87 1.94 0.76 0.00156 -0.41 0.10 0.00 -0.98 2.52 2.87 1.94 0.76 498 24,033 €
1000 2.52 2.87 1.94 0.76 0.00156 -0.17 -0.92 -0.26 0.00 2.52 2.87 1.94 0.76 498 24,034 €
1001 2.52 2.87 1.94 0.76 0.00156 0.92 0.51 0.00 0.00 2.53 2.87 1.94 0.76 499 24,033 €
Tabela 6: Resumo dos passos do algoritmo de otimização.
Parâmetros iniciais: 𝛽 = 0.99, produção desejada = 10,000m3, X90 < 500 mm, fator de rocha
104
A = 12, bancada de 12 m, explosivo com RWS = 105 e densidade = 1150 Kg/m 3, diâmetro = 102 mm,
custo do explosivo = 1.00 €/Kg, custo da perfuração = 7.00 €/m e custo do sistema de iniciação =
18.00 €/furo.
107
Aplicação dos algoritmos: O-Pitblast
6 Aplicação dos algoritmos: O-Pitblast

Com a finalidade de não apenas desenvolver os algoritmos citados nessa tese
como também poder financiar a presente investigação, em 2016 foi fundada a em-
presa O-Pitblast com a missão de transformar os resultados decorrentes da pes-
quisa num produto e de lançar esse produto no mercado, aportando um pilar co-
mercial ao software desenvolvido.
6.1 Início
A empresa foi fundada em março de 2016 tendo como sócios (e então únicos
colaboradores) o autor dessa tese e o Engenheiro Mestre Francisco Sena Leite105,
que viria a carrear para o projeto todo background no tocante à aplicação de campo
do produto a ser desenvolvido. A sociedade estratégica com um Engenheiro que
também gozasse de experiência no uso de simuladores e aplicações na indústria de
explosivos, demonstrou ser fundamental para o desenvolvimento da empresa e pos-
terior alcance do seu posicionamento como uma das organizações lider global no
setor.
Figura 129: Vinicius Miranda (esquerda) e Francisco Leite no lançamento público da empresa, em julho de
2016.
105 https://www.linkedin.com/in/franciscosenaleite/
108
A apresentação da empresa e seu lançamento público teve lugar em julho de

2016, nas dependências da Faculdade de Engenharia da Universidade do Porto
(FEUP) e foi prestigiada com a presença de alunos, professores, empresários e re-
presentantes de empresas ligadas ao setor mineiro. Antes da demonstração pública
dos resultados da tese aplicados ao simulador que já se encontrava em fase de tes-
tes, foi possível ouvir as apresentações e primeiras impressões (positivas) dos im-
portantes docentes António Fiuza106, Alexandre Leite107 e José Soeiro108 (sendo So-
eiro e Alexandre orientador e coorientador da presente Tese, respectivamente). Po-
demos conferir na Figura 130 alguns detalhes desse dia:
Figura 130: Apresentação pública da empresa O-Pitblast em julho de 2016.
6.2 Software desenvolvido
Com a utilização dos algoritmos desenvolvidos no âmbito do presente projeto

de investigação, foi possível desenvolver a plataforma109 que mais tarde viria a re-
presentar um precioso recurso para grandes grupos mineiros ao redor do globo.
Passamos a apresentar, de seguida, algumas aplicações e seus resultados que a
plataforma disponibiliza. Pretendemos demonstrar a importância dos algoritmos
desenvolvidos e como eles podem ser usados de maneiras “amigável” no ambiente
de simulação criado. Na Figura 131, é possível observar o splash screen do sof-
tware.
Figura 131: Tela de abertura (Splash screen) do software.
106 https://sigarra.up.pt/feup/pt/func_geral.formview?p_codigo=210110
109 Software, aplicação iOS e serviços web.
109
6.2.1 Terreno
Foram utilizados os conceitos desenvolvidos no capítulo ¡Error! No se en-

cuentra el origen de la referencia. para implementar a representação de ter-
renos a partir de dados oriundos de diferentes fontes (como imagens de drones ou
leituras de lasers). Pode-se observar abaixo o processo de geração de modelos digi-
tais de terrenos na plataforma:
Figura 132: Pontos do espaço, triangulação e representação 3D.
A seguinte imagem exemplifica o facto dos algoritmos poderem também ser

utilizados para representar grandes superfícies110:
Figura 133: Processamento de cavas de maiores dimensões dentro do O-Pitblast.
Como é exemplificado na imagem seguinte, os algoritmos desenvolvidos no

subcapítulo 4.5 foram adaptados também para poderem representar as linhas de
contorno do terreno (curvas de nível), uma vez que essa opção de visualização é
amplamente utilizada111 por projetistas de desmontes.
110 O Software tem a capacidade de trabalhar com até 500 mil pontos (nota do autor).
111 Baseado na experiência profissional do autor dessa tese.
110
Figura 134: Isolinhas de altitude.
Como discutido no tópico 2.2.7.2, a capacidade de detectar e eliminar pontos

indesejados também foi implementada na ferramenta.
Figura 135: Tratamento de outliers.
6.2.2 Perfuração
Como explorado no capítulo 3, a representação da perfuração e os cálculos de

malhas foram também amplamente incorporados nesta plataforma.
Foi dada ao utilizador do software a possibilidade de importar informação de
furos (utilizando a coordenada de sua posição para localizá-los dentro do espaço
geográfico de trabalho), de implementar furos de maneira manual e individual e a
possibilidade de desenhar vários tipos de malhas de perfuração. Os algoritmos tra-
balhados e desenvolvidos na tese mostram-se suficientes e de grande utilidade para
as abordagens exigidas pelo mercado de desmonte de rochas, seja esse o mercado
de pedreiras, minas a céu-aberto, obras públicas e privadas de escavação ou até
mesmo os grandes fabricantes de explosivos112.
Entre as várias empresas que adotaram o sistema O-Pitblast podemos desta-
car, por exemplo, o grupo ENAEX (Enaex, 2021).
112 Os produtos desenvolvidos pela empresa O-Pitblast, utilizando os algoritmos aqui

desenvolvidos, foram adotados por importantes empresas do setor de explosivos, como a finlandesa
FORCIT (https://forcitexplosives.fi/en/o-pitblast/) e a chilena ENAEX.
111
A implantação manual de furos, utilizando a metodologia explicada no subca-

pítulo 3.7 é um dos recursos disponibilizados na plataforma, como é ilustrado na
Figura seguinte:
Figura 136: Posicionamento manual de furos.
Também foram criadas ferramentas para permitir ao utilizador usar padrões

de perfuração, tendo ou não em consideração os detalhes de informação do posicio-
namento da linha de crista da bancada (apartado 3.5.2):
Figura 137: Aplicação de malha baseada na crista da bancada.
112
Implementou-se uma interface de iteração para que os utilizadores possam

obter valores ótimos para o desenho da malha utilizando os algoritmos descritos no
capítulo 5, nomedamente respeitando as conhecidas equações de Ash (Hustrulid,
1999), como podemos ver na Figura 138:
Figura 138: Formulários para cálculo de valores geométricos ótimos para o desmonte mediante processo de
otimização.
A ferramenta também permite a edição dos parâmetros geométricos definidos

para cada um dos furos de toda a malha, conforme a Figura 139:
Figura 139: Tela para edição de parâmetros geométricos de furos.
113
6.2.3 Sequenciamento
Os algoritmos explorados no capítulo 4 foram extensamente utilizados nos

módulos de iniciação e sequenciamento eletrónico e não-elétrico do software.
As aplicações vetoriais foram implementadas no software, podendo observar-
se nas figuras abaixo dois exemplos da sua aplicação, nomedamente para o plane-
amento do ângulo de saída do maciço do material desmontado:
Figura 140: Aplicação vetorial de sequenciamento com BRB = 3 ms/m, BRS = 0 ms/m e ângulo = 90º.
Figura 141: Aplicação vetorial de sequenciamento com BRB = 5 ms/m, BRS = 2 ms/m e ângulo = 122º.
Salientamos que para a aplicação dos algoritmos são necessários não apenas
as posições dos furos, mas também um raio113 de referência. Esse raio é definido
pelo utilizador de maneira interativa.
113A estrutura raio possui como parâmetros um ponto e um vetor que representa uma direção,
largamente utilizado em cálculos de iluminação, colisão de objetos entre outros (Lengyel, 2012).
114
Os detonadores eletrónicos também podem ter seus tempos de iniciação cal-

culados através de uma ferramenta circular (subcapítulo 4.3.2). A Figura 142 mos-
tra a aplicação dessa ferramenta e a isolinha de tempos (apartado 4.5) resultante:
Figura 142: Uso da ferramenta circular para cálculo de tempos com uso de detonadores eletrônicos e pre-
sença de isolinhas de tempo.
A plataforma também teve o desenvolvimento necessário o uso de detonado-

res pirotécnicos não-eletrônicos nos desmontes. Para essa aplicação poder calcular
os tempos resultantes é necessário definir um (ou mais) ponto de iniciação. A Fi-
gura 143 representa uma sequência de detonação com detonadores pirotécnicos:
Figura 143: Conexão utilizando detonadores de 700 ms e conectores de superfície de 17 ms e 42 ms.
Uma vez calculado os tempos de detonação de cada furo o software disponibi-

liza essa informação em tela.
Como já discutido no subcapítulo 4.4, o cálculo da sobreposição de tempos de
detonação de diferentes furos, e sua posterior apresentação em formato de histo-
grama, apresenta-se como um recurso de relevante importância para a correção de
eventuais problemas de temporização e para minimizar problemas como por exem-
plo, o das vibrações em campo longínquo114. O software também exibe um histo-
grama com esse resultado o que permite ao utilizador identificar os furos que estão
114 Zona elástica (nota do autor).
115
a gerar essa sobreposição. Podemos conferir detalhes da aplicação dos algoritmos

utilizados para construção do histograma na Figura 144 e na Figura 145:
Figura 144: Histograma com janela temporal e identificação de furos sobrepostos.
Figura 145: Histograma de tempos.
6.3 Presença global da O-Pitblast
Embora a empresa tenha sido fundada em 2016, apenas em 2017 começou a

comercializar de maneira efetiva a plataforma simuladora desenvolvida. O simu-
lador necessita ser validado através de um serviço web pelo menos uma vez a cada
determinado número de acessos pré-definido, bastando para isso que o utilizador
se encontre online ao usar o software. Com esse tipo de acesso é possível rastrear
a localização do IP115 que solicitou esse serviço e assim fazer um acompanhamento
115 Do inglês “internet protocol”.
116
geográfico permanente da utilização do software. Podemos ver na Figura 146 os

acessos ao software (de 2017 até março de 2021) e ter uma ideia da presença global
do produto:
Figura 146: Todas as localizações (agrupadas) desde onde se acessou o software.
É mais fácil entender a evolução do sistema quando observamos uma zona em

concreto. Por exemplo, é possível ver a região dos países nórdicos com uma clara
evolução do número de utilizadores da plataforma:
Figura 147: Evolução da utilização do software nos países Nórdicos.
Ao analisar os mesmos dados, agrupando-os por países, fica ainda mais evi-
dente a presença global da empresa:
117
Figura 148: Países onde algum acesso ao software foi efetivado.
Podemos ainda agrupar uma escala de cores para poder identificar os países
com maior número de acessos:
Figura 149: Países onde o software foi utilizado (escalados em função do número de acessos).
É fácil entender esse posicionamento global, pois existe nesse momento

(março de 2021) contratos de parceria assinados entre a empresa O-Pitblast, o
grupo sul-americano ENAEX e o grupo Nórdico FORCIT, o que explica a forte uti-
lização no Chile, Brasil e Finlândia (além do país sede da empresa, Portugal). A
118
Austrália aparece entre os países com maior número de acesso, embora a empresa
não possua, até ao momento, parceria com alguma empresa sedeada naquele con-
tinente (salientando a presença australiana de vários clientes).
6.4 Utilizadores
Para entender melhor o número de utilizadores que foram beneficiando do

uso dos algorítmos desenvolvidos a partir dos trabalhos de investigação da pre-
sente tese, passamos a analisar a evolução do número total de utilizadores ao longo
da ainda curta vida da empresa conforme a Figura 150:
Figura 150: Evolução do número total de licenças.
As licenças referidas no gráfico, incluem as que são consideradas ativas (cli-

entes pagantes, parceiros comerciais e licenças universitárias) e as não ativas (li-
cenças geradas para treino/formação, licenças de prova e de uma maneira geral
todas as licenças que estão expiradas). Podemos observar que um total de 1959
utilizadores recorreram ao software em algum momento. Observamos um compor-
tamento atípico no ano 2016, onde se pode observar um escalonamento do número
de licenças que salta de 39 (praticamente licenças alfa testers116) para 110 e em
seguida 188 licenças. Isso provém do fato de, imediatamente após a apresentação
pública da empresa (julho de 2016), foram feitas viagens para instalação e
treino/formação do software em algumas universidades no Brasil, (além da FEUP,
em Portugal).
Figura 151: Evolução do número total de licenças em 2016.
Com o intuito de entender um pouco melhor a aceitação da plataforma pelo

mercado, analisamos a forma como evoluiram apenas as licenças ativas, pois essas
influenciam diretamente o bom andamento financeiro da empresa. Podemos ver
essa evolução na Figura 152:
116 Licenças internas (naquele momento um grupo de amigos dos sócios da empresa).
119
Figura 152: Evolução das licenças ativas.
A empresa possui atualmente117 um total de 418 licenças ativas. É possível

analisar também a inserção da empresa de maneira ativa no mercado ao largo dos
últimos 5 anos, com incrementos de crescimento significativos conforme observável
na Tabela 7:
Tabela 7: Crescimento do número de licenças ativas da empresa.
A empresa projeta, para 2021, um crescimento de aproximadamente 100%

(assumindo que o comportamento dos primeiros 2 meses de 2021 permanecesse
linear, teríamos um crescimento superior a 150%).
6.4.1 Estimativa
O comportamento dinâmico do mercado dificulta uma previsão do número de

licenças ativas para os próximos anos. Mesmo assim, é possível assumir algumas
ideias de probabilidade a fim de estimar esse comportamento futuro. Assume-se
que a velocidade de crescimento do número de utilizadores será proporcional ao
número destes (é natural que, quanto mais se usa a plataforma, mais esta se di-
vulga e assim surgirão mais pessoas nela interessadas) sendo que, no entanto, é
sabido que esse o crescimento não é ilimitado, pois existe um patamar máximo de
potenciais novos usuários.
Tendo essas premissas em mente, podemos tentar utilizar os dados existentes
para encontrar uma equação logística (Larson, Hostetler, & Edwards, 2006, pág.
422) que encaixe em nossos dados e que possua parâmetros dentro do esperado
para esse tipo de situação. A equação logística é:
𝑑𝑦⁄ 𝑦 Equação 70
𝑑𝑡 = 𝑘𝑦(1 − ⁄𝐿)
Onde:
• y é o número de usuários em um determinado instante de tempo t;
117 Março de 2021
120
• k é uma constante de proporcionalidade;

• L é a capacidade sustentável (população máxima).
A solução para essa equação é:
𝐿 Equação 71118
𝑦=
1 + 𝑏𝑒 −𝑘𝑡
A estimação dos parâmetros L, b e k não são elementares, uma vez que pre-
cisaríamos definir, entre outras coisas, qual seria a população inicial. Assim, co-
loca-se a seguinte pergunta: Deveríamos determinar a população inicial no ano
2016, quando praticamente não existiam clientes e o produto não estava em pleno
funcionamento ou em 2017? Essa é uma das razões que impede uma resposta di-
reta para o problema. A fim de contornar essa questão, estimaram-se os parâme-
tros que fariam a curva da equação aproximar-se dos dados reais. Com esse pro-
cesso, encontramos os seguintes valores para os parâmetros: k=0.0031, b = 500 e L
= 1200.
Os valores encontrados são condizentes com esse tipo de problema e a popu-
lação máxima encaixa com o previsto no plano de negócios da empresa. Sendo as-
sim, podemos observar o comportamento da estimativa de evolução do número de
licenças na Figura 153:
Figura 153: Equação logística representando o crescimento do número de licenças.
De acordo com essa análise podemos estimar que em 2025 a empresa entraria
em velocidade de cruzeiro (estabilizaria o número de licenças ativas) com aproxi-
madamente 1200 licenças ativas a serem usadas em todo o mundo.
6.5 Universidades
Com o objetivo de incentivar as aulas de desmonte de rochas e de popularizar

a plataforma junto das universidades e centros académicos, a empresa criou ainda
em 2016 o programa O-Pitblast University, que tem por objetivos proporcionar li-
cenças e formação/treino gratuito para estudantes e colaborar na realização de
118 𝑏 = 𝑒 −𝐶 , onde C é uma constante.
121
dissertações de mestrado, teses de doutoramento e trabalhos de investigação, en-

sino e aprendizagem em geral.
O departamento de Engenharia de Minas da FEUP possui desde a criação da
empresa o simulador instalado em seus laboratórios e os professores das áreas da
lavra de minas utilizam regularmente a ferramenta em ambiente de sala de aula.
Nas palavras do professor coordenador das unidades curriculares da área da lavra
de minas, Alexandre Leite:
“...a construção de modelos e simuladores em Engenharia de

Minas, segundo a metodologia sistémica, apresenta-se como
processo de investigação fundamental para a inovação téc-
nica e mesmo como meio de ensino e aprendizagem em meio
académico. É muito difícil recorrer à indústria para testar so-
luções de propostas de melhoria dos processos produtivos,
sem um minímo de garantia da eficácia das mesmas. Daí a
importância da modelação e simulação na prespetiva do pla-
neamento e construção de soluções otimizadas para os “obje-
tos” que a engenharia constrói. Assim, plataformas como a
Figura 154: Professor que aqui é agora discutida, são o caminho para a garantia de
Alexandre Leite.
êxito nos processos industriais. Tecnicamente não tenho dúvi-
das que este é o caminho a ser seguido. Ao nível da formação dos futuros engenhei-
ros de minas, a simulação dá-nos a possibilidade de “transportar” uma pe-
dreira/mina para dentro da sala de aula. Na minha opinião, ocorre um salto quali-
tativo no processo de ensino/aprendizagem para a conceptualização dos imensos
pormenores que se encontram incorporados nos elos produtivos dos empreendi-
mentos, quando há a possibilidade do uso deste tipo de ferramentas ... e que, para
além do mais, são extremamente apelativas, porque gráfica e esteticamente muito
bem concebidas …”
Uma vez que a recepção da FEUP foi positiva e que o trabalho desenvolvido
ajudou os estudantes a melhorar a compreensão de matérias lecionadas nas uni-
dades curriculares da lavra de minas, decidiu-se estender este tipo de colaboração
a outras universidades. Uma das primeiras universidades fora de Portugal a rece-
ber a equipe da O-Pitblast para a instalação gratuita das licenças nos laboratórios
da instituição e para um programa de formação/treino dos seus estudantes, foi a
ULBRA119. A visita da O-Pitblast permitiu não apenas a formação dos estudantes
e professores da instituição como também a participação de elementos de outras
empresas parceiras da O-Pitblast nesse treinamento, como é ilustrado na Figura
155 e na Figura 156:
119 Tocantins, Brasil, 2016.
122
Figura 155: Formação no software O-Pitblast para estudantes universitários (Ulbra, 2016).
Figura 156: Formação em análise de fragmentação para estudantes universitários (Ulbra, 2017).
123
A boa receptividade por parte não apenas da ULBRA como também de diver-
sas outras universidades, fez com que o programa fosse ampliado, passando não
apenas a fornecer licenças e formação como também abrindo as portas da empresa
para receber estudantes interessados na realização de trabalhos práticos. Recebeu-
se desde então e até ao momento, 19 estudantes nas instalações da O-Pitblast.
Figura 157: Programa O-Pitblast University (O-Pitblast).
Na Tabela 8 podemos ver uma lista de universidades e instituições de ensino

que possuem, já possuíram ou estão em processo de adquirir contratos de parceria
com a O-Pitblast para utilizar seus simuladores ou possibilitar a prática empresa-
rial de seus estudantes:
Faculdades País Faculdades País
CSIRO Australia Aalto University Finlândia
Mining3 Australia L'Institut Universitaire Catholique Saint Jérôme Gana
The University of Queensland Australia University of Mines and Technology Gana
The University of Western Australia Australia University of Miskolc Hungria
Montanuniversität Leoben Austria Indian Institute of Techonology (Indian School of Mines) India
Botswana International University of Science and Technology Botsuana Malla Reddy Engineering College India
Instituto Federal de Educação, Ciência e Tecnologia da Bahia Brasil University of Petroleum and Energy Studies India
Universidade Federal da Bahia Brasil Ecole Mohammadia d'Ingénieurs Marrocos
Instituto Federal Espirito Santo Brasil University of Engineering and Technology Paquistão
Universidade Federal de Goiás Brasil Universidad Católica de Santa María Peru
Faculdade do Noroeste de Minas Brasil Universidad Nacional de San Agustin Arequipa Peru
Universidade Federal de Minas Gerais Brasil Universidad Nacional de San Antonio Abad del Cusco Peru
Escola de Minas - UFOP Brasil Universidad Nacional Mayor de San Marcos Peru
Universidade Federal de Alfenas Brasil Universidade Tecnologica del Peru Peru
Universidade Federal do Para Brasil Faculdade de Ciências e Tecnologia da Universidade de Coimbra Portugal
Universidade Federal de Campina Grande Brasil Faculdade de Engenharia da Universidade do Porto Portugal
Universidade Federal de Pernambuco Brasil Universidade da Beira Interior Portugal
Universidade Federal do Rio Grande do Sul Brasil Universidade de Coimbra Portugal
ULBRA Brasil Faculty of Mining and Geology - University of Belgrade Servia
Universidad Adolfo Ibáñez Chile University of Mitrovica "Isa Boletini" Servia
Universidad Técnica Federico Santa María Chile Ecole nationale d'ingenieur de gafsa - campus universitaire Sidi Ahmed Zarroug Tunisia
Escuela de Ingenieros Militares Colombia Faculty of Sciences of Gabes Tunisia
Universidad Militar Nueva Granada Colombia Hacettepe University Turquia
Colorado School of Mines EUA Middle East Technical University Turquia
Missouri University of Science and Technology EUA Dokuz Eylul University Turquia
Department of Mining Engineering and Management at South Dakota Mines EUA Zimbabwe School of Mines Zimbabue
Tabela 8: Instituições acadêmicas relacionadas com a O-Pitblast.
Entre os trabalhos suportados pela O-Pitblast, destaca-se a realização de tra-

balhos de dissertações de mestrado da FEUP onde a O-Pitblast forneceu bolsa para
os estudantes e coorientação académica. Alguns desses estudantes, pela sua exce-
lente prestação foram chamados a colaborar com a empresa mais ativamente e fa-
zem hoje parte dos seus quadros. Destaca-se também uma bolsa de
124
doutoramento120 que teve o projeto integralmente financiado pela O-Pitblast (in-

cluindo uma bolsa para o pesquisador).
6.6 Suporte a Teses de Mestrado e Doutoramento
Ao longo dos anos em que os trabalhos da presente investigação foram desen-

volvidos, os seus resultados serviram de suporte na coorientação de diversas teses
de mestrado e doutoramento atrás já referidas. A empresa O-Pitblast forneceu o
suporte econômico necessário ao desenvolvimento dessas pesquisas.
Listamos abaixo algumas dessas dissertações e teses121 e citamos parte do
contributo oriundo de dados gerados pelos algoritmos desenvolvidos.
6.6.1 Seism-O: desenvolvimento de uma aplicação para análise de vibra-

ções em desmonte de rocha.
Dissertação de mestrado defendida na

FEUP em novembro de 2017 pela estu-
dante Raquel Carvalhinha Alves Sobral e
orientada pelo Professor José Soeiro de
Carvalho.
Na dissertação, a estudante explorou
os sensores de um dispositivo móvel iPhone
(iOS) para captar vibrações terrestres gera-
das por desmontes e o envio dessa informa-
ção a uma nuvem para posterior trata-
mento. O trabalho não apenas foi supor-
tado pela O-Pitblast como também teve
seus testes de campo financiados pela em-
presa. Em julho de 2017 o sistema desen-
volvido foi testado numa mina de ouro na
Mauritânia com resultados muito satisfató-
rios122. Os ensaios realizados e algoritmos
desenvolvidos que foram utilizados (adap-
tados e em alguns aspectos melhorados)
pela estudante foram publicados no ISEE Figura 158: Raquel Carvalhinha, estudante coo-
rientada em 2017.
(International Society of Explosives Engi-
neers) em janeiro de 2018 (Vibration Control Using a Smartphone- Accuracy, Vali-
dation and Potentialities) como um dos artigos publicados pelo autor da presente
tese no desenvolvimento da sua pesquisa para doutoramento. A estudante em
questão foi contratada como Engenheira na empresa O-Pitblast e na data de hoje
é gerente de vendas e produtos.
120 Desenvolvimento de um desviômetro para medição de desvio de furos. Tese de doutora-

meno já depositada e a ser defendida em 2021.
121 Todas as dissertações e teses citadas foram desenvolvidas em ambiente empresarial, den-
tro das instalações da empresa O-Pitblast e com a coorientação de Vinicius Gouveia de Miranda.
122 Nota do autor.
125
6.6.2 Otimização de Parâmetros Geométricos em Diagramas de Fogo

para Desmonte a Céu Aberto.
Dissertação de mestrado defendida na FEUP em ou-

tubro de 2016 pelo estudante Pedro Alcides Santos Reis e
orientada pelo Professor Alexandre Leite.
Nessa dissertaçao foram exploradas modelações ma-
temáticas para otimização de parâmetros geométricos da
pega de fogo com a finalidade de minimizar o custo geral
do desmonte de rochas, sem levar em consideração os as-
pectos pós-desmonte, como por exemplo a carga, trans-
porte e britagem. O estudante identificou as variáveis de
Figura 159: Pedro Reis, estu- decisão necessárias ao problema, as restrições e formulou
dante coorientado em 2016. a função objetivo que deveria ser minimizada (custo geral
do desmonte). A base para a pesquisa do estudante foi de-
senvolvida pelo autor da presente tese e teve seus resultados publicados na EFEE
(European Federation of Explosives Engineers) em setembro de 2017 (Blast Pat-
tern Expansion – A Numerical Approach).
6.6.3 Proposta de algoritmo de otimização da inclinação de furos em des-

monte a céu aberto.
Dissertação de mestrado defendida na FEUP em ou-

tubro de 2018 pelo estudante Francisco Eduardo Almeida
da Silva e orientada pelo Professor Alexandre Leite.
Nessa dissertação, o estudante investigou como mo-
delar a decisão automática de escolha de afastamento e in-
clinação ótimos para um furo baseando-se na informação
topográfica disponível. Para alcançar esse objetivo foi ne-
cessário desenvolver tratamentos específicos sobre a nu-
vem de pontos (a fim de otimizar o tempo computacional),
encontrar novas bases para representação dos dados e pos-
teriormente utilizar a modelação matemática para, apli-
cando técnicas de resolução de problemas lineares, encon-
trar os afastamentos e inclinações que melhor posicionaria
os furos em uma bancada. A base para a pesquisa deste
Figura 160: Francisco Edu- estudante foram os cálculos desenvolvidos pelo autor da
ardo Almeida da Silva, estu-
dante coorientado em 2018. presente tese para a análise de perfil crítico de furos.
6.6.4 Análise e controlo de interações entre operações unitárias minei-

ras.
Dissertação de mestrado defendida na FEUP em agosto de 2019 pelo estu-

dante Diogo Filipe Pereira Queiroz e orientada pelo Professor Alexandre Leite.
Nessa dissertação, o estudante realizou uma pesquisa apurada sobre a in-
fluência do processo de desmonte de rochas no ciclo posterior de carga de equipa-
mentos de transporte e o posterior impacto no custo da operação.
126
Nesse trabalho, a empresa O-Pitblast desenvolveu um

aplicativo móvel para a coleta de dados de tempos no ciclo de
carregamento e forneceu ao estudante que, de posse dessa fer-
ramenta, teve a possibilidade de estar durante 2 meses numa
pedreira123 do Norte de Portugal, coletando dados para poste-
rior análise. Uma vez de posse de dados, foram necessárias
aplicações de tratamento de dados, como análise de clusters e
posterior medições econométricas (como, por exemplo, regres-
sões). Finalmente, o estudante utilizou técnicas de Monte
Carlo para simular situações futuras e sugerir melhorias para
a performance deste elo da cadeia produtiva da pedreira em
Figura 161: Diogo questão. As aplicações e algoritmos desenvolvidos que servi-
Queiroz, estudante coo-
rientado em 2019. ram de base para os estudos desse estudante formam parte de
um artigo que seria publicado no ISEE 2021. Como, entre-
tanto, esse evento foi cancelado devido à crise do CORONA vírus, o artigo em
questão será reenviado para apreciação no próximo evento do ISEE.
6.6.5 Modelação Integrada e Simulação de Operações de Desmonte e Pro-

cessamento de Recursos Minerais.
Dissertação de mestrado defendida na FEUP em julho de 2020 pelo estudante

Auã Kiahla Palmares Araújo Oliveira e ori-
entada pelo Professor Alexandre Leite.
Nessa dissertação, o estudante abor-
dou a modelagem da fragmentação oriunda
do desmonte (utilizando como base os arti-
gos124 publicados pelo autor desta tese) e
como a respetiva curva de fragmentação inte-
rage com a britagem primária, tendo para
tanto que modelar o comportamento interno
ao britador e sua respectiva curva resultante
(assim como o custo associado ao mesmo). A
investigação iniciada pelo estudante faz parte
de uma das linhas de pesquisas atuais do de-
partamento de pesquisa e desenvolvimento
da O-Pitblast e encontra-se em fase de plane-
amento para o desenvolvimento de um novo
produto a ser disponibilizado pela empresa. O
estudante foi contratado pela empresa O-
Pitblast após a conclusão de seu mestrado e
hoje faz parte da equipa de Engenharia da
empresa, participando ativamente de proje- Figura 162: Auã Kiahla, estudante coorien-
tado em 2020.
tos especiais, entre eles a modelação de dados
de perfuradoras.
123Uma pedreira da empresa TAgregados, parceira da O-Pitblast, que aqui presto meus agra-
decimentos por sempre atender nossas demandas acadêmicas e científicas.
124 Blast Pattern Expansion: A Heuristic Approach (ISEE 2019) foi um dos artigos consultado.
127
6.6.6 Desenvolvimento de Equipamento para Avaliação de Desvios de Fu-

ros de Produção em Desmonte de Rochas não Magnéticas.
Tese de doutoramento, cuja

prova final já foi requerida pelo
aluno Gean Frank Faustino no
programa de doutoramento em
Engenharia de minas de FEUP,
com previsão de defesa ainda em
2021 e orientada pelo Professor
José Soeiro de Carvalho.
Esse projeto de investigação
pode ser considerado um dos gran-
des êxitos alcançados como resul-
tado direto, tanto dos algoritmos
desenvolvidos pelo autor da pre-
sente tese, como também pelo fi-
nanciamento direto da empresa O-
Pitblast. O tema da referida tese
Figura 163: Gean Frank, estudante coorientado entre 2019 e
2021 (O-Pitblast).
apareceu após a publicação de um
artigo125 do qual somos co-aouto-
res onde se desenvolveu uma aplicação para utilizar os sensores de um telemóvel
para aferir a forma de um furo. Com o resultado positivo da aplicação dessa pes-
quisa, o estudante de doutoramento Gean Frank foi convidado a desenvolver, par-
tindo da pesquisa já iniciada, um equipamento robusto para a medição de desvio
de furos. O projeto teve um custo aproximado de 120.000,00 € (cento e vinte mil
euros) e foi totalmente custeado pela empresa O-Pitblast. Como resultado da in-
vestigação da tese de doutoramento já em fase de defesa, e um produto foi desen-
volvido um produto novo que já se encontra no catálogo de recursos disponibiliza-
dos pela empresa O-Pitblast. Um pedido de patente está em análise e o produto
superou as perspectivas de vendas. Um artigo126 científico foi gerado com alguns
resultados dos primeiros protótipos desenvolvidos e dos quais uns detalhes podem
ser observados na Figura 164:
Figura 164: Protótipo do desviômetro e resultados obtidos.
125 Miranda & Leite, Hole Deviation Monitoring and Control Using a Smartphone - Accuracy,
Validation and Potentialities, 2018.
126 Miranda V. , Leite, Frank, Carvalho, & Brito, 2019.
128
6.7 Valoração da Empresa
Com a finalidade de entender o atual valor da empresa do mercado, a consul-

tora independente Imperial Age127 foi contratada em agosto de 2020 para a reali-
zação desse tipo de aferição.
Foi feita uma previsão de lucros e perdas, fluxos de caixa e posterior análise
do valor da empresa.
Nas tabelas utilizadas pela Imperial Age que se seguem para o cálculo solici-
tado, embora muitos valores estejam ilegíveis (por questões de confidencialidade),
é possivel perceber muitos dos parâmetros utilizados na respetiva valoração.
Ressaltamos a metodologia conservadora utilizada na previsão de vendas da
empresa, uma vez que o ano de 2020 teve um resultado aproximadamente 20%
superior ao previsto naquele momento, fazendo com que a metodologia utilizada
subestimasse o valor real da empresa.
Tabela 9: Resultados projetados.
Tabela 10: Fluxos de caixa projetados.
Tabela 11: Computação do valora da empresa.
127 https://imperialage.pt/.
129
Tabela 12: Valor do negócio.
Como é possível concluir, a empresa O-Pitblast foi avaliada em um pouco mais

de 7 (sete) milhões de euros, após 5 anos da sua criação.
6.8 Opinião do Utilizador
Uma das maneiras empíricas que temos para avaliar a qualidade dos algorit-
mos desenvolvidos e o grau de receptividade dos produtos gerados por tal ferra-
menta (como é o caso do O-Pitblast) é ouvir a opinião de pessoas que estão a usar
tais plataformas. Tão importante quanto a opinião é também o grau de inserção e
conhecimento128 da pessoa que opina sobre as aplicações de simuladores de des-
monte de rochas.
Algumas opiniões129 de importantes profissionais de relevantes empresas glo-
bais correlatas ao desmonte de rochas foram compiladas e apresentadas abaixo:
“Cada integrande del equipo O-Pitblast está siempre dispuesto

a ayudar y brindar soluciones rápidas y eficaces. El software es una
potente herramienta la cual ha demonstrado estar al nivel de las
necesidades que el proceso minero exige”.
Diego Zenteno
Project Engineer, Customer Experience and Digital Transformation
Enaex
“From my experience with the various O-Pitblast’s team mem-

bers, I was impressed mostly by their personal attitudes. It would
be great to have the same experience when contacting other such
firms! They provided me with the essential information required in
order for me to reach a conclusive decision”.
Avraham Ayalon
Safety Inspector
WSP
“O-Pitblast es mas que un software de diseño de la perforación

y voladura, es una herramienta que permite generar valor a través
de la optimización de costos y la mejora de la productividad en el
area de perforación y voladura”.
Marco Arellano
Business Sales Manager
BlastMine Consultores
128 Nota do autor.

129 Esses relatos são públicos e podem ser encontrados nas redes sociais da empresa O-
Pitblast. Uma dessas redes pode ser acessada através de https://www.facebook.com/OPitblast/.
130
“O-Pitblast has enabled us to get a head start into drill and

blast as the company is getting on its feet. O-Pitblast software is
easy to use, and easy enough to learn with the wide range of tu-
torials, videos and manuals. With the support online and from the
O-Pitblast team we are now generating high quality drill and
blast packages”.
Matt Kison
Drill and Blast Supervisor
Agile Mining Services
“O-Pitblast software is easy to learn, simple to use and has a

field-based App that allows for the capture of actual field data in
real time. These features provide real benefits to any drill & blast
operation and if the data is used correctly, provides information for
‘on the go’ adjustments to be made in the field before blasting,
thereby allowing for good, solid drill & blast outcomes”.
Barry McCreadie
Drill & Blast Operational Consulting Engineer
MinBlast
“The O-Pitblast team has a goal of providing you with a solu-

tion. If you have a project in mind, they will go above and beyond to
help. I choose to do business with O-Pitblast because of their prod-
ucts and the people who stand behind them. Not only am I happy to
be a costumer but I am happy to be a frind of O-Pitblast”.
Evan Thibaud
CEO
Pneu Wave Consulting Inc.
“O-Pitblast and Wipfrag are invaluable tools in the continuos

improvement cycle of open pit blasting”.
Thomas Palangio
CEP
WipWare Photoanalysis Systems
“O-Pitblast has been a key component to our success, thanks

to their on-going software development, support team and pro-
gressive thinking, we are able to provide cost effective solutions
for our clients with 100% confidence in the outcomes”.
Forrester Dobson
Founder
Photinus xyz
131
Conclusões e trabalhos futuros
7 Conclusões e trabalhos futuros

A pesquisa e investigação que culminou com a presente tese remete não ape-
nas ao início dos estudos no Programa Doutoral em Engenharia de Minas e Geo-
Recursos, da Universidade do Porto mas aos tempos de licenciatura na Universi-
dade Federal de Pernambuco, onde o presente autor já desenvolvia seus primeiros
estudos direcionados para a criação de simuladores dirigidos ao desmonte de ro-
chas. Em todos esses anos dedicados à indústria do desmonte de rochas e aplicações
de explosivos civis, foi possível identificar a carência do mercado em soluções tec-
nológicas acessíveis que, efetivamente, pudesse aportar valor técnico e económico
ao processo do desmonte assim como gerar níveis de segurança e confiança deste
tipo de atividade.
Uma vez que os resultados desta linha de investigação foram direcionados
para o desenvolvimento de um simulador, foi possível identificar uma série de be-
nefícios para dois grandes grupos:
• Empresas do setor mineiro;
• Universidades com unidades curriculares direcionadas ao desmonte de
rochas.
É indiscutível a receptividade positiva dos resultados da investigação (inseri-
dos no simulador O-Pitblast) por parte da indústria, bem patentes nos acordos já
estabelecidos com empresas gigantes do setor, como a FORCIT e a ENAEX, como
também nos inúmeros artigos frutos dessa pesquisa que foram apresentados nos
congressos mais importantes do setor a nível mundial. Podemos observar um re-
sumo na Tabela 13:
Título Data Local Resumo
Vibration Monitoring Using In-house Uso da série de Taylor para transformar dados de aceleração em velocidade e
Developed Devices: A Taylor’s Jan/2020 ISEE desenvovimento de equipamento para captação de aceleração gerada por
Approach desmonte de rochas.
Controlo do desvio de furos através do

Boletim Informativo
uso de sensores eletrónicos: uma Dez/2019 Desenvolvimento de equipamento para a medição de desvio de furos.
DETÓNICA
aproximação de Euler
Borehole deviation control using DCE 19: 3rd Doctoral Determinação do formato dos furos utilizando acelerômetros e o método
Jun/2019
electronics: An Euler’s approach Congress in Engineering de Euler.
Use of accelerometers for the Desenvolvimento de um sismógrafo utilizando acelerômetros e aplicação

DCE 19: 3rd Doctoral
measurement of vibrations from rock Jun/2019 da série de Taylor para encontrar a velocidade partindo da discretização
Congress in Engineering
blasting: a Taylor’s approach da aceleração.
Uso de Krigagem ordinária na previsão IX Fórum de Mineração, Aplicação de krigagem ordinária para previsão de níveis de vibrações
Mai/2019
de vibrações UFPE geradas por desmonte de rochas.
Borehole Deviation Control Using

Fev/2019 Newsletter EFEE Desenvolvimento de equipamento para a medição de desvio de furos.
Electronics: An Euler’s Approach
Blast Pattern Expansion: A Heuristic Desenvolvimento de um algorítmo heurístico para a otimização de

Jan/2019 ISEE
Approach parâmetros geométricos do desmonte de rochas.
132
Borehole Deviation Control Using

Jan/2019 ISEE Desenvolvimento de equipamento para a medição de desvio de furos.
Electronics: An Euler’s Approach
UAV Application for Blast Design and Aplicação de drones para planejamento de desmontes e análise de
Ago/2018 ISERME
Fragmentation Analysis fragmentação.
Vibration Monitoring using an iPhone - Desenvolvimento de uma aplicação móvel para detecção de ondas
Jan/2018 ISEE
Accuracy, validation and potentialities mecanicas geradas por desmonte e a contrução de leis de atenuação.
Pattern Expansion Optimization Model

Uso de drones para o auxílio de mapeamento de fragmentacao visando o
based on fragmentation analysis with Jan/2018 ISEE
processo de abertura de malha.
Drone Technology
Novas Tecnologías Para o Controlo e Boletim Informativo

Nov/2017 Novas tecnologías e suas aplicações no setor mineiro.
otimização de desmonte de rocha DETÓNICA
Perfilometría 3D: Como e Porque VIII Fórum de Mineração,

Jun/2017 Tratamento de dados oriundos de equipamentos láser 3D.
Modelar os dados UFPE.
A New Approach to 3D Modulation of Proposta de metodología para modelagem de terrenos com os dados do
Jan/2017 ISEE
Blast Free Faces laser 3D e detecção de pontos extremos.
A New Blast Vibration Analysis Nova proposta para a determinação de lei de atenuação mediante
Jan/2017 ISEE
Methodology utilização de clusters.
Tabela 13: Lista de artigos publicados durante o doutoramento.
Podemos destacar também alguns capítulos de livros de interesse que foram

gerados como resultado direto das aplicações e desenvolvimentos levada cabo pela
investigação realizada. Podemos ver mais detalhes na Tabela 14:
Título Ano Local ISBN
A new tool for hole deviation control – a statistical 10th EFEE: World Conference on Explosives
2019 978 0 9550290 6 6
analysis and Blasting, Helsinki
The use of 3D accelerometer and gyro sensors in

12th International Symposium on Rock
smartphones to measure the blasthole deviation 2018 978-91-7790-134-1
Fragmentation by Blasting, Luleå
in non-magnetic rock
9th EFEE: World Conference on Explosives and

Blast Pattern Expansion – A Numerical Approach 2017 978 0 9550290 5 9
Blasting, Stockholm
Tabela 14: Capítulo de livro sobre assunto de interesse da ciência.
A produção científica por sí só é um indicativo dos resultados positivos que,

associados à aceitação do mercado dos produtos gerados na presente tese podem
permitir concluir que as hipóteses130 formuladas à partida pelo autor da tese, foram
validadas uma vez que foi possível gerar um software/plataforma que atende as
exigências do mercado a nível global. Os algoritmos desenvolvidos mostram-se ro-
bustos e a ampla gama de ferramentas matemáticas utilizadas convergiram para
a criação de soluções inovadoras para a indústria.
Será possível desenvolver algoritmos e metodologias (incluindo adaptar as existentes) que

130
visem a criação de soluções tecnológicas para o setor do desmonte de rochas com recurso à explosivos
que gerem como resultado uma ferramenta/plataforma que possa ser utilizada à escala global aten-
dendo as demandas exigentes do mercado? Se sim, seria possível desenvolver essa solução a preços
acessíveis e atraentes para esse mercado? Esses são alguns dos planteamentos que foram levanta-
dos na pré-produção da presente tese.
133
Desde o ponto de vista dos resultados aplicados à melhoria do ensino das uni-
dades curriculares ligadas à área da lavra de minas, ficou também evidenciada a
clara e importante aportação aos estudantes já descritas pelo Professor Dr. Ale-
xandre Leite131 assim como as dissertações de mestrado (e uma tese de doutora-
mento) que apenas foram possíveis ser realizadas devido à base científica fornecida
pelas pesquisas desenvolvidas no ambiente de construção desta tese.
Muita mais tecnologia foi construída ao longo desses anos de estudos e apli-
cadas ao simulador desenvolvido, mas acreditamos que as tecnologias aqui descri-
tas são as mais importantes e também a base para um futuro desenvolvimento ou
até mesmo para uma leitura inicial aos que querem vir a ser artífices de novos
simuladores. Como se espera, o trabalho é dinâmico e deve-se continuar como linha
de pesquisa e investigação a fim de aprimorar ainda mais os produtos e, com isso,
acrescentar valor ao mercado mineiro.
Como proposta de pesquisa e desenvolvimento mais imediatas, no futuro mais
próximo, alguns pontos importantes podem ser citados, sendo que aqui e destaca-
mos apenas dois: a reconstrução de terreno e a lavra subterrânea.
7.1 Reconstrução de terreno
Os algoritmos de triangulação aqui apresentados são eficientes e amplamente

utilizados, sendo esses muito importantes para o desenvolvimento de qualquer si-
mulador que pretenda usar informação topográfica, mas, para determinadas situ-
ações, a triangulação sobre um plano fixo pode aportar distorções no que diz res-
peito à realidade que precisa ser tratada. Ao utilizar técnicas como a reconstrução
de terreno de Poisson podemos superar, para determinadas situações, esse tipo de
problema.
Para exemplificar esta problemática, apresenta-se na Figura 165 um con-
junto de pontos pertencentes à morfologia de uma pedreira (e as isolinhas com o
intuito apenas de facilitar a visualização e entendimento dos dados):
Figura 165: Nuvem de pontos de uma pedreira e isolinhas (direita).
Podemos observar claramente que alguns pontos (que foram captados com a
ajuda de um drone) são referentes a um equipamento de carga que se encontrava
131 Subcapítulo 6.5 “Universidades” , p. 120.
134
no local e que possuem altitude claramente mais elevada que os pontos que real-
mente representao o terreno, como podemos obervar na Figura 166:
Figura 166: Equipamento de carga presente na bancado no momento da coleta de dados.
O algoritmo de Delaunay, ao escolher um plano quase horizontal para realizar

a triangulação (e pelas razões amplamente discutidas no capítulo 2) não consegue
tratar adequadamente os pontos anómalos, cabento ao algoritmo detector de outli-
ers eliminar esses pontos. Um resumo desta proposta de melhoria futura pode ser
visto na Figura 167:
Figura 167: Pontos tratados pela reconstrução de Poisson (esquerda), por Delaunay (centro) e terreno após
remoção de outliers (não automática).
Como se pode concluir, o desenvolvimento de um modelo não baseado em hi-

perplanos (como pode ser o de Poisson) poderá vir a ser incorporado no simulador.
As dificuldades para tal implementação residem na complexidade dos algoritmos
135
envolvidos, uma vez que, por exemplo, o cálculo dos vetores normais aos pontos132
pode ser bastante trabalhoso.
7.2 Lavra Subterrânea
Como foi possível avaliar, todas as aplicações utilizadas como resultado da

presente tese, foram direcionadas para as operações em predreira ou mina a céu
aberto. Embora o foco do presente trabalho tenha sido limitado a este tipo de me-
todo de exploração, é indiscutível a importância das operações subterrâneas no
mundo da mineração. Com esse pensamento em mente, podemos afirmar que o
desenvolvimento de algoritmos e simuladores para operações de desmonte com ex-
plosivos em ambiente subterrâneo pode e deve ter lugar. Os algoritmos apresenta-
dos nesta tese, se adaptados, podem ser utilizados para esse propósito. Um sof-
tware para essa finalidade, encontra-se em fase de desenvolvimento na empresa
O-Pitblast sendo possível partilhar desde já o aspecto de seu módulo de túnel na
Figura 168:
Figura 168: Imagem do software O-Pitblast UG, em desenvolvimento e com previsão de lançamento para o
final de 2021.
132 Etapa exigida pelo algoritmo de reconstrução de terreno de Poisson.
136
Bibliografía
8 Bibliografía
Akay, A. (2008). A renaissance in engineering PhD education. European Journal
of Engineering Education, 403-413.
Akkoyun, O., & Careddu, N. (2015). Mine Simulation for Educational Purposes: A
Case Study. Computer Applications in Engineering Education, págs. 286-
293.
Almeida da Silva, F. (2018). Proposta de Algoritmo de Otimização da Inclinação de

Furos em Desmonte a Céu Aberto. Dissertação submetida para satisfação
parcial dos requisitos do grau de Mestre em Engenharia de Minas e Geo-
Ambiente. FEUP.
Anderson, D. (2000). The 8 Millisecond "Criterion": Have We Delayed Too Long in

Questioning It? ISEE - International Society of Explosives Engineers.
Aurenhammer, F., Klein, F., & Lee, D. (2013). Voronoi Diagrams and Delaunay
Triangulation.
Batra, A. (2011). Analysis and Approach: K-Means and K-Metoids Data Mining. 5
IEEE International Conference on Advanced Computing & Communication
Technologies, (págs. 274-279).
Bermingham, L., & Birch, W. (2013). Effects of Topography on air overpressure

from quarry blasting - a case study. ISEE - International Society of
Explosives Engineers.
Bernard, T. &. (2014). Blasting 1 Million Tons, 205 Meter from a Town. ISEE-
International Society of Explosive Engineers.
Bhandari, S. (1997). Engineering Rock Blasting Operations. Rotterdam Brookfield:

A.A.Balkema.
Bhandari, S., & Bhandari, A. (2019). Innovative Online Technology Enabling

Optimization in Blasting Operations. ISEE - International Society of
Explosives Engineers, págs. 543-551.
Bickford, D. (2019). DaveyTronic®SP Datasheet.
BlastMetrix. (15 de 10 de 2019). BlastMetrix 3D. Obtenido de

http://3gsm.at/produkte/blast-metrix/
Bondy, J., & Murty, U. (1976). Graph Theory with Applications. New York:
Elseview.
Bondy, J., & Murty, U. (2008). Graph Theory: An Advanced Course. Springer.
137
Bibliografía
Boulos, P. (2005). Geometria Analítica: um tratamento vetorial. São Paulo:

MAKRON Books do Brasil.
Brenner, A., Shacham, M., & Cutlip, M. (Outubro de 2005). Applications of

Mathematical Software Packages for Modelling and Simulations in
Environmental Engineering Education. Environmental Modelling and
Software, págs. 1307-1313.
Bronson, R. (1985). Pesquisa Operacional. São Paulo: McGraw-Hillñ do Brasil.
Brunton, I. T. (2003). Impact of Blast Fragmentation aon Hdraulic Excavator Dig

Time. 5TH Large Open Pit Mining Conference, (págs. 39-48).
Buffham, B. (2012). A Few Timing Concepts. Quarry.
Campos, A., Oliveira, J., & Cruz, J. (2015). Otimização Não-Linear em Engenharia.
Lisboa.
Carvalhinha Alves Sobral, R. (2017). Seismo: Desenvolvimento de uma aplicação

para análise de vibrações em desmonte de rochas. Porto: FEUP.
Catasús, P. S. (2004). Análisis Experimental de la Fragmentación, Vibraciones y

Movimiento de la Roca en Voladuras a Cielo Abierto. Madrid: Escuela
Técnica Superior de Ingenieros de Minas.
Cavanough, G., Torrance, A., Rock, J., & Olsson, A. (2015). Measurement and
Assessment of Bulk Explosive Products. Fragblast 11.
CFR , C. (2018). Title 30: Mineral Resources. Office of the Federal Register
National Archives and Records Administration.
Chadwick, J. (2016). Better blasts. International Mining , 46-55.
Chavez, R., Farnfield, R., & Lachamp, M. (2019). Algorithms for Adaptive Solution:
Essential Tools for Operational Blast Optimization. ISEE - International
Society of Explosives Engineers, págs. 553-563.
Chun-ruia, L., Li-jun, K., Qing-xing, Q., De-bing, M., Quan-ming, L., & Gang, X.
(2009). The numerical analysis of borehole blasting and application in coal
mine roof-weaken. The 6th International Conference on Mining Science &
Technology , 451-459.
Cuevas Jiménez, E., Oliva Navarro, D., Osuna Enciso, J., & Díaz Cortés, M. (2017).
Optimización: Algoritmos programados con MATLAB.
Cunningham, C. (2005). The Kuz-Ram fragmentation model - 20 yeasrs on.

Brighton Conference Proceedings. European Federation of Explosives
Engineers.
138
Bibliografía
Czaplicki, J. (2014). Statistics for Mining Engineering. Leiden: CRC

Press/Balkema.
Dantzig, G. (1963). Linear Programming and Extensions.
De Berg, M., Cheong, O., Kreveld, M. V., & Overmars, M. (2008). Computational
Geometry - Algorithms and Applications.
Domingo, J. F., Leite, F. S., Miranda, V. G., & Carrasco, I. C. (2015). Dilution, Ore
Grade and Blast Movement Calculation Model. Fragblast 11, (págs. 71-78).
Sydney.
Duarte Muñoz, A., Pantrigo Fernández, J., & Gallego Carrillo, M. (2007).
Metaheurísticas. Madrid: Dykinson, S.L.
Duvall, W., Johnson, C., Meyer, A., & Devine, J. (1963). Vibrations from
Instantaneous and Millisecond-delayed Quarry Blasts. U. S Dept. of the
Interior, Bureau of Mines.
Enaex. (03 de 03 de 2021). Enaex news. Obtenido de http://enaex-news-

pt.501.cl/2020/07/22/news-edicao-04/
Ertugrul, N. (2000). Towards Virtual Laboratories: a Survey of LabVIEW-based

Teaching/Learning Tools and Future Trends. Int. J. Eng. Educ. 16, págs.
171-180.
Eye 2 Map. (02 de 02 de 2017). Obtenido de http://www.eye2map.com/
Floyd, J. (2010). Efficient Blasting Techniques for Surface Mining Operations.

Blast Dynamics Seminar.
Floyd, J. (30 de 11 de 2019). Blast Dynamics. Obtenido de

http://www.blastdynamics.com/
Forcit O-Pitblast. (12 de 10 de 2019). Obtenido de https://forcit.fi/en/explosives-2/o-

pitblast-3/
Galton, F., & Hamilton Dickson, J. (1886). Family Likeness in Stature. Royal
Society of London, 42-73.
Gass, S. I., & Assad, A. (2005). An Annotated Timeline of Operations Research: An

Informal History. Boston: Kluwer Academic.
Giles, E., & Roller, E. (2012). Flyrock Elimination Program Part 2: Profilers and
Boretracks. ISEE: International Society of Explosives Engineers.
Gilman, J., & Ozgen, C. (2013). Reservoir Simulation: History Matching and
Forecasting. spe.
139
Bibliografía
Giraudi, A., Cardu, M., & Kecojevic, V. (2009). An Assessment of Blasting

Vibrations: A Case Study on Quarry Operation. American Journal of
Environmental Sciences, 468-474.
Gleeson, D. (August de 2019). Explosives & Blasting. International Mining.
Goldbarg, M. C., & L. Luna, H. P. (2000). Otimização Combinatória e Programação

Linear: modelos e algoritmos. Rio de Janeiro: Campus.
Goldbarg, M., & Goldbarg, E. (2012). Grafos: Conceitos, Algoritmos e Aplicações.

Rio de Janeiro: Elsevier.
Goldberger, A. (1991). A Course in Econometrics. Cambridge: Havard University

Press.
Goldsman, D., Nance, R., & Wilson, J. (2009). A Brief History of Simulation.
Proceedings of the 2009 Winter Simulation Conference.
Golub, G., & Öliger, J. (s.f.). A brief introduction to quasi-Newton methods.

Numerical Analysis: Proceedings of Symposia in Applied Mathematics, 19-
52.
González Manteiga, M. (2003). Modelos Matemáticos Discretos en las Ciencias de

la Naturaleza. Madrid: Díaz de Santos.
Gordon, V., & Clevenger, J. (2017). Computer Graphics Programming in OpenGL

with Java. Mercury Learning and Information.
Grimm, K. (2018). Assessing the Industrial PhD: Stakeholder Insights. Journal of

Technology and Science Education, 214-230.
Grubbs, F. (1969). Procedures for Detecting Outlying Observations in Samples.

Technometrics 11, 1-21.
Gujarati, D. &. (2019). Econometría. McGraw-Hill/Interamericana Editores, S.A.

de.
Hamming, R. (1971). Introduction to Applied Numerical Analysis. New York:

Mcraw-Hill.
Hamming, R. W. (1973). Numerical Methods for Scientists and Engineers. New

York: McGraw-Hill.
Higgins, M. (1997). JK Simblast - New Software for the Design, Simulation and
Analysis of Blasting. Seventh Annual High-Tech Seminar - State.of.Art
Blasting Technology Instrumentation and Explosives Applications - Volume
2, págs. 641-657.
140
Bibliografía
Higgins, M. (1998). JK Simblast - Blast Simulation and Management. Eighth High

Tech Seminar: Blasting Technology, Instrumentation and Explosives
Applications.
Higgins, M., & Riihioja, K. (2004). Design Software for ELectronic Detonators.
ISEE - International Society of Explosives Engineers.
Hillier, F., & Lieberman, G. (2010). Introduction to Operations Research. New

York: McGraw-Hill.
Hjelle, O., & Daehlen, M. (2006). Triangulations and Applications. Lysaker.
Hustrulid, W. (1999). Blast Principles for Open Pit Mining. Rotterdam Brookfield:
A.A.Balkema.
Jimeno, C. L., Revuelta, M. B., Sánchez-Porro, J. R., & Bermúdez, P. G. (2000).

Manual de Aplicaciones Informáticas en Minería. Madrid.
Kuckartz, B., Gewher, J., Munaretti, E., McClure, R., Mendonca, C., Kloeckner, J.,
. . . Souza, L. (2013). Blasting Optimization using 3D Photogrammetry in a
South Brazilian Quarry. ISEE- International Society of Explosives
Engineers.
Kuovonen, T. (September de 2019). Optimization of Surface Drilling and Blasting

Process Applying Sattellite Based Positioning Systems and Blast Design
Applications. Newsletter EFEE.
Landey, K., & Gerst, E. (2018). Downstream Benefits of Optimized Drilling. San
Antonio: ISEE - International Society of Explosives Engineers.
Larson, R., Hostetler, R., & Edwards, B. (2006). Cálculo Volume 1. São Paulo:
McGraw-Hill.
Lee, D. T., & Schachter, B. J. (1980). Two Algorithms for Constructing a Delaunay
Triangulation. International Journal of Computer and Information
Sciences, págs. 219-242.
Lengyel, E. (2012). Mathematics for 3D Game Programming and Computer

Graphics. Boston: Course Technology.
Li, L., Silva-Castro, J., & Hoffman, J. (2015). Overlapping Timing Analysis for a
Single Blast Hole. ISEE - International Society of Explosives Engineers.
Li, X., Xu, Z., Zhang, D., & Guo, L. (2018). Blasting technique for optimizing the
comprehensive cost of mining and mineral processing. 12th International
Symposium on Rock Fragmentation by Blasting, 47-55.
Lipschutz, S. (1994). Álgebra Linear: teoria e problemas. São Paulo: Makon Books.
141
Bibliografía
Lon, S., & Dale, R. (2016). Unmanned Aircraft Systems Use in Blasting
Operations. ISEE - International Society of Explosives Engineers.
López Jimeno, C. L. (2017). Manual de Perforación, Explosivos y Voladuras.

Madrid: ETSI Minas y Energía - Universidade Politécnica de Madrid.
Lusk, B., Hoffman, J., Castro, J., & Wedding, W. (2012). Evaluation of Emergent
Electronic Detonators and Modern Non-electric Shocktube Detonators
Accuracy. Blasting and Fragmentation, 1-18.
Manual de Empleo de Explosivos. (2004). Madrid: Unión Española de Explosivos.
Martin Schrier, M. (2018). Quarry Rehabilitation and Revival: A Case Study. ISEE
- International Society of Explosives Engineers.
Martin, P. L. (2004). Drill and Blast Optimization at the Sparkhule Limestone

Quarry. ISEE: International Society of Explosives Engineers.
Mathews, J., & Fink, K. (2000). Métodos Numéricos con MATALB. Madrid:
PRENTICE HALL.
MAXAM Chemicals (Shandong) Co, L. (s.f.). RIONEL DDX. Technical Data Sheet.
España.
McKee, D. J. (2013). Understanding Mine to Mill. The Cooperative Research

Centre for Optimising Resource Extraction (CRC ORE).
Meyer, C. (2000). Matrix Analysis and Applied Linear Algebra. SIAM: Society for
Industrial and Applied Mathematics.
Meyer, P. (1983). Probabilidade: Aplicações à Estatística. Rio de Janeiro: LTC.
Migairou, P.-L. (2009). Case Studies Demonstrating Electronic Initiation

Versatility. ISEE - International Society of Explosives Engineers.
Miranda, V., & Leite, F. (2018). Hole Deviation Monitoring and Control Using a
Smartphone - Accuracy, Validation and Potentialities. Fragblast 12.
Miranda, V., & Leite, F. (2018). The use of 3D Accelerometer – And Gyro Sensors
in Smartphones to Measure the Blasthole Deviation in Non-Magnetic Rock.
12th International Symposium on Rock Fragmentation by Blasting.
Miranda, V., & Leite, F. (2018). Vibration Control using an iPhone - Accuracy,
validation and potentialities. ISEE: International Society of Explosives
Engineers.
Miranda, V., Couceiro, P., & Blazquez, J. (2014). Rioblast: Software de diseño y
simulación. Congresso de Áridos. Madrid.
142
Bibliografía
Miranda, V., Leite, F., & Frank, G. (2017). Blast Pattern Expansion - A numerical
Approach. European Federation of Explosives Engineers - 9th World
Conference - Stockholm.
Miranda, V., Leite, F., Frank, G., Carvalho, J., & Brito, P. (2019). Borehole
Deviation Control Using Electronics: An Euler's Approach. ISEE -
International Society of Explosives Engineers.
Miranda, V., Leite, F., Jesus, C., & Sobral, R. (2017). A new Approach to 3D
Modeling of Blast Free Faces. International Society of Explosives Engineers
- 43rd Annual Conference on Explosives & Blasting Technique - Orlando,
Florida, USA.
Moore, A., & Richards, A. (2003). The Eight Milissecond Time Window Myth. Fifth
Large Open Pit Mining Conference.
Moore, P. (October de 2019). Meet the AXL. International Mining, 16-18.
Murthy, V. M. (2003). Prediction of Overbreak in Underground Tunnerl Blasting:

a Case Study. Journal of Canadian Tunneling Canadien, págs. 109-115.
Newman, J. R. (1956). The World of Mathematics, vol. 2. Simon & Schuster.
Novales Cinca, A. (1993). Econometría. Madrid: McGraw-Hill/Interamericana de

España, S.A.U.
Ogata, Y., Wada, Y., & Katsuyama, K. (1997). Observation and Numerical
Simulation of Fly Rock caused in Bench Blasting. ISEE - International
Society of Explosives Engineers.
O-Pitblast. (01 de 02 de 2017). Obtenido de http://www.o-pitblast.com
Orica Blast IQ ShotPlus. (12 de 10 de 2019). Obtenido de

https://www.orica.com/Products---Services/Mining-
Services/BlastIQ/Technologies/shotplus#.XaIEkkZKgow
Orive, J., Laredo, R., Domingo, J., & Sadek, J. (2017). Innovation in up-hole
deviation measurements in sublevel stoping mines. EFEE: European
Federation of Explosives Engineers, 397-404.
Pearson, K., & Lee, A. (1903). On the Laws of Inheritance in Man. Biometrika, 357-
462.
Pedrosa, A., & Gama, S. (2016). Introdução Computacional à Probabilidade e

Estatística com Excel. Porto: Porto Editora.
Pereira, J., Gomes, M., Ferreira, A., Coelho, A., & Brisson, J. (2018). Introdução à
Computação Gráfica. FCA.
143
Bibliografía
Platt, J. &. (2016). Profile, Profile, Profile. ISEE - International Society of

Polya, G. (1957). How To Solve It: A New Aspect of Mathemetical Method. Princeton
University Press.
Preece, D., & Ching, S. (2005). The Effect of Electronic Detonators and Precise
Detonation Timing on Blasting Induced Rock Movement. ISEE -
International Society of Explosives Engineers.
Preece, D., & Lownds, C. (2009). 3D Computer Simulation of Bench Blasting with
Precise Delay Timing. Blasting and Fragmentation, págs. 227-240.
Pukelsheim, F. (1994). The Three Sigma Rule. The American Statiscian, 1-10.
Reis, E. (2001). Estatística Multivariada Aplicada. Lisboa: Sílabo.
Reisz, W., McClure, R., & Bartley, D. (2006). Why the 8MS Rule Doesn't Work.
ISEE - International Society of Explosives Engineers.
Renishaw. (2014). Brochure - Quarryman® Pro.
Rock Blast. (02 de 02 de 2017). Obtenido de http://www.rockblast.cl/
Rosario, A., González, R., & Viejo, B. (2019). Drill and Blast Digitalization. ISEE -
International Society of Explosive Engineers, págs. 221-227.
Santana, A., & Queiró, J. (2010). Introdução à Álgebra Linear. Lisboa: Gradiva.
Scania. (2019). Scania’s new cabless truck runs without a safety driver. Recuperado
el 11 de 10 de 2019, de https://www.scania.com/group/en/a-new-cabless-
concept-revealing-scania-axl/?sf219886182=1
Shapiro, G., & Worsey, P. (2019). Burden Profiling: Do You Measure What You
Think You Do? ISEE - International Society of Explosives Engineers, págs.
387-396.
Silveira Ferreira, P. J. (2013). Princípios de Econometria. Venda do Pinheiro: Rei

dos Livros.
Simmons, B. (02 de 07 de 2016). Mathwords. Obtenido de

http://www.mathwords.com/o/outlier.htm
Stauffer, M. (2019). Laravel: Up & Running: A Framework for Building Modern

PHP Apps. O’Reilly Media.
Taha, H. A. (2008). Operations Research. Brasil: Pearson Prentice Hall.
144
Bibliografía
Tamir, R., & Everett, J. E. (2018). A pit to gate multivariable cost control model.
12Th International Symposium on Rock Fragmentation by Blasting (págs.
363-372). Lulea, Sweden: Lulea University of Technology.
Tan, P.-N., Steinbach, M., & Kumar, V. (2005). Introduction to Data Mining.
Teowee, G., & Lansburg, D. (2011). Blasting Topologies for Electronic Initiation
Systems. ISEE - International Society of Explosives Engineers.
Tormos, P., & Lova, R. A. (2003). Investigación Operativa para Ingenieros.

Valencia: Universidade Politécnica de Valencia.
Venkataraman, P. (2009). Applied Optimization with MATLAB Programming.

Wiley.
Verma, H. K. (2014). Blast Induced Damage to Surrounding Rock Mass in an

Underground Excavation. Journal of Geological Resources and Engineering,
págs. 13-19.
Vitoriano, B. (2011). Modelos Deterministas em Logística: Modelos de

Programación Matemática, Optimización en Redes, Planificación de
Proyectos y Secuenciación en Máquinas. Universidad Complutense de
Madrid - Facultad de Ciencias Matemáticas.
Wheeler, R. (1988). How Millisecond Delay Periods may Enhance or Reduce Blast
Vibration Effects. Mining Engineering Vol. 40, no. 10, 969-973.
Wiegand, J. E., & Valentim, L. (2016). Using Photogrammetry Data from

Unmanned Aerial Vehicle (UAV), Small Unmanned Aircraft Systems
(sUAS) for Blast Design. ISEE - International Society of Explosives
Engineers. Las Vegas.
Wiseman, T., & Rorke, T. (2015). Using Photogrammetry and UAVs for Pattern
Optimization, Quantification, and Mapping. ISEE - International Society of
Zhao, M., Yu, H., Liu, Q., He, X., Zhang, G., & Liu, J. (2019). Intelligent design
software for open bench blasting. EFEE - European Federation of Explosive
Engineers, págs. 275-287.
145

Desenvolvimentos No Planeamento E Otimização de Desmontes de Rochas Com Explosivos

Enviado por

Direitos autorais:

Formatos disponíveis

Desenvolvimentos No Planeamento E Otimização de Desmontes de Rochas Com Explosivos

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Desenvolvimentos No Planeamento E Otimização de Desmontes de Rochas Com Explosivos

Enviado por

Direitos autorais:

Formatos disponíveis

DESENVOLVIMENTOS NO PLANEAMENTO

VINICIUS GOUVEIA DE MIRANDA

Tese realizada no âmbito do Programa Doutoral em Engenharia de

VINICIUS GOUVEIA DE MIRANDA

Tese de Doutoramento apresentada ao Pro-

Orientador: Prof. Dr. José Manuel Soutelo

Coorientador: Prof. Dr. Alexandre Júlio Ma-

Desenvolvimentos no Planeamento e Otimização de

Orientador: José Manuel Soutelo Soeiro de Carvalho

Tese (doutoramento) – Universidade do Porto – Facul-

1. Desmonte de rocha. 2. Simulação. 3. Algoritmos. 4.

A criação de simuladores para aplicações de explosivos em desmonte de

Palavras-Chave: desmonte de rocha, simulação, algoritmos,

The creation of simulators for rock blasting applications is crucial but is

Key-words: rock blasting, simulation, algorithms, modelling.

Aos meus queridos e amados sogros Manuel e Rosa.

Aos companheiros da O-Pitblast, e em especial ao meu querido Francisco

Ao companheiro de Ciências e amigo Paulo Couceiro, pelo exemplo e es-

Finalmente, agradeço a minha amada esposa Rosa, companheira de to-

Para minha Rosa e meus Sergios...

2.2.11.2 Dividir para conquistar (Divider and Conquer) ......... 55

5.3 Gradiente descendente ........................................................ 102

1 Todas as tabelas não referenciadas são de autoria própria.

2 Todas as figuras não referenciadas são de autoria própria.

Figura 27: Projeção dos pontos no plano encontrado. .................................. 45

Figura 55: Pontos projetados. ....................................................................... 60

Figura 87: Perfil crítico (Miranda & Leite, 2018). ....................................... 78

Figura 112: Uso de ferramenta circular para simular um arranque central

Figura 140: Aplicação vetorial de sequenciamento com BRB = 3 ms/m, BRS

Figura 166: Equipamento de carga presente na bancado no momento da

3 Diretor de Serviços técnicos de uma importante empresa de explosivos.

Figura 1: Capas da International Mining e do newsletter EFEE4.

5 Scania® AXL concept truck (Moore P. , 2019).

computadores retém mais informação do que aqueles estudantes que aprenderam

Figura 2: Uso de simulador de desmontes em aula. FEUP, 2019.

No referido ano letivo de 2019, os estudantes da FEUP também

Fica deste modo demonstrada a importância dos simuladores, e como eles

Seguindo a mesma linha de raciocínio, acreditando nessa tendência, esta tese

O processo de simulação passa pela tentativa de reproduzir, sob a forma de

Figura 4: Processo de tradução: Realidade para modelo (adaptado de Goldbarg, 2000).

Parafraseando Taha (2008), a construção de uma simulação matemática pode

1.2 Simuladores de desmonte de rochas

A história da simulação pode ser escrita através de vários pontos de vista

• Uso de simuladores (análise, treinamento, pesquisa...);

Na criação de simuladores para apoio ao desmonte de rochas com recurso a

consecuencia del desarrollo de los programas informáticos mineros con la llegada

É possível deduzir, interpretando as palavras de Jimeno, que a indústria

Figura 5: Afastamento crítico real (adaptado de Kuovonen, 2019).

11A O-Pitblast® foi fundada em março de 2016.

12 Ao menos não de conhecimento do autor desse trabalho.

investigação realizada e de sua ajuda ao entendimento do que iremos tratar. Nessa

1.3.1 Tese Industrial

Para o melhor entendimento das razões para o desenvolvimento dessa tese

“Indiscutivelmente, o ensino de engenharia em programas de doutoramento

O autor acima citado defende a necessidade de fugir aos métodos tradicionais

13 Edição de março de 2017.

tura em Engenharia de Minas da Universidade Federal de Pernambuco em passar aos estudantes

1.4 Estrutura da tese

A presente tese está subdividida em 4 capítulos principais em que se