Na indústria da mineração a principal forma de investigação geológica é através da sondagem exploratória, e das etapas subsequentes de descrição geológica de testemunhos de sondagem, preparação de amostras e análises químicas. Essas são atividades de mineração que possuem processos bem estabelecidos e elevado grau de confiabilidade. Entretanto os prazos envolvidos nessas etapas, no melhor dos cenários, variam na escala de semanas a meses. Nesse trabalho foi utilizado um conjunto de dados integrando as bases de dados de perfilagem geofísica convencional e de descrição geológica, na jazida de S11D, Província Mineral de Carajás, com o objetivo de desenvolver um modelo de classificação automatizada de litotipos a partir dos dados de perfilagem geofísica, sob a abordagem de aprendizado supervisionado, acelerando o processo de descrição e modelagem geológica a escala de dias. Os procedimentos para a classificação de dados visaram a individualização de diferentes litotipos no contexto da exploração de minério de ferro em S11D, e também de acordo com seu valor econômico (Minério de Ferro e Não-minério). Os dados obtidos pela perfilagem geofísica convencional refletem, nessa jazida, diferenças geológicas que permitiram, a classificação e predição bem sucedidas dos litotipos (F1 = 0.6079), pelo modelo Decision Tree, e a identificação dos intervalos contendo minério de ferro pelo modelo Naïve Bayes (F1 = 0.8246).

In the mining industry, the main subsurface investigation method is exploratory drilling, and the subsequent stages of geological logging, sample preparation and chemical assay that supports geological interpretations. These are exploratory activities that have well-established processes and a high degree of reliability. However, the deadlines involved in these steps, at best, vary from weeks to months. In this work, a dataset integrating geophysical well logging and of the geological logging from S11D deposit, in the Mineral Province of Carajás, was used with the objective of developing a model for automated lithotypes and iron ore classification from geophysical well logging data, under the supervised learning approach, decreasing the time expended in comparison with geological interpretations. The procedures aimed at the individualization of different lithotypes in the context of S11D, and also according to its economic value (Iron Ore and Non-ore). The data obtained by conventional geophysical logging reflect, in this deposit, geological differences that allowed the successful classification and prediction of lithotypes (F1 = 0.6079), by the Decision Tree model, and the identification of the intervals containing iron ore by Naïve Bayes model (F1 = 0.8246).