A mineração subterrânea de ouro exige que o minerador enfrente condições geomecânicas complexas em função dos teores cada vez mais baixos das jazidas, o que obriga à escavação de grandes quantidades de rocha em profundidades progressivamente maiores. Em minas subterrâneas estão associadas inúmeras variáveis que têm influência direta nos problemas de estabilidade, sendo necessário realizar análises e monitoramento constante para o acompanhamento da resposta do maciço em relação à lavra do minério. A pesquisa assumiu como objetivo utilizar técnicas de reconhecimento de padrões provenientes da análise estatística multivariada e da teoria do aprendizado automatizado para analisar os parâmetros condicionantes dos problemas de estabilidade: o capelamento e a quebra mecânica, nas rampas de acesso às galerias de uma mina subterrânea de ouro brasileira, mina Cuiabá da AngloGold Ashanti. Considerando os dados referentes aos parâmetros das rampas de acesso realizou-se a análise estatística multivariada considerando a aplicação de intervalos de confiança para a média dos parâmetros e teste de hipóteses para a diferença entre as médias, ambos com 95% de confiança, identificando assim quais parâmetros são disjuntos e quais são sobrepostos. Identificou-se as variáveis mais significativas por meio da análise de componentes principais (PCA) e do algoritmo Relief. O método Relief apresentou melhor desempenho sendo, portanto, o método incorporado na pesquisa para a diminuição da quantidade de variáveis analisadas. Através da aplicação do algoritmo Relief foram determinadas as variáveis que mais influenciam no problema de estabilidade: Estado de tensão in situ (SRF), Tipo de Rocha (TR), Tensões Totais (TT), Quantidade de Fraturas Esparsas (QFE) e grau de rugosidade das descontinuidades (Jr). A aplicação da teoria do aprendizado automatizado foi realizada utilizando os classificadores Redes Bayesianas, Redes Neurais e Máquina de Vetores de Suporte (utilizando os kernel linear, sigmoide, radial e polinomial). A técnica utilizada para analisar a eficiência dos classificadores foi a curva característica de operação do receptor (ROC). O classificador identificado como mais eficiente foi o de Redes Bayesianas. A partir do classificador selecionado construiu-se um nomograma que pode ser aplicado para analisar a condição de estabilidade das escavações na mina de ouro.

Underground gold mining requires the miner to face complex geomechanical conditions due to the increasingly low levels in the deposits, which requires excavation of large amounts of rock at progressively greater depths. In underground mines are associated numerous variables that have a direct influence on stability problems, so it is necessary to perform constant analysis and monitoring the response of the massif to the ore mining. The objective of the research is to use pattern recognition techniques from multivariate statistical analysis and the theory of automated learning to analyze the conditioning parameters of stability problems: buckling and breakout, in the galleries access ramps of a Brazilian underground gold mine, Cuiabá mine of AngloGold Ashanti. Considering the data regarding the parameters of the access ramps, a multivariate statistical analysis was performed considering the application of confidence intervals for the average of the parameters and hypothesis testing for the difference between means, both with 95% confidence, identifying which parameters are disjoint and which are overlapping. The most significant variables were identified through principal component analysis (PCA) and the Relief algorithm. The Relief method presented better performance and, therefore, the method was incorporated in the research to reduce the number of variables analyzed. Through the application of the Relief algorithm, the variables that most influence the stability problem were determined: In Situ Stress State (SRF), Rock Type (TR), Total Stress (TT), Sparse Fracture Quantity (QFE) and degree of discontinuities stress roughness (Jr). The application of the automated learning theory was performed using the Bayesian Networks, Neural Networks and Support Vector Machine classifiers (using linear, sigmoid, radial and polynomial kernel). The technique used to analyze the efficiency of the classifiers was the receiver operating characteristic curve (ROC). The most efficient classifier identified was Bayesian Networks. From the selected classifier a nomogram was constructed which can be applied to analyze the stability condition of the gold mine excavations.