Palavras-chave: Geoquímica de solo, Integração de Dados, Sondagem, Exploração de Ouro

Transcrição

1 ALVOS EXPLORATÓRIOS PARA PESQUISA MINERAL DE OURO: UMA APLICAÇÃO COM GEOQUÍMICA DE SOLO Rodrigo R. Salles 1, Diogo A. Costa 1, Bruno A. Santos 1, Hardy Jost 2 1 AngloGold Ashanti, Unidade Serra Grande, Gerência de Geologia e Exploração, Crixás, Goiás 2-Professor aposentado do Instituto de Geociências da Universidade de Brasília Resumo: A área de estudo, situa-se em Crixás, Goiás e é considerada um goldfield. Pela ocorrência do depósito de ouro de classe mundial, Crixás goldfield é uma área que possui importância especial para o estado de Goiás. Está inserida no Bloco Arqueano de Goiás, em terrenos do tipo greenstone belt. As zonas mineralizadas são caracterizadas como um depósito do tipo Au-orogenético, onde os maiores teores de ouro são associados a prata e ao arsênio, zonas deformadas, encaixadas em um sistema de veios sulfetados e com ouro livre. A associação entre os sulfetos arsenopirita, pirrotita, calcopirita, subordinadamente galena e esfarelita, são os principais metalotectos da área. Logo, o objetivo deste artigo compreendeu a investigação de métodos estatísticos e de análise e modelagem espacial guiada pelo conhecimento knowledge-driven, visando o mapeamento de áreas com favorabilidade mineral para ouro e suporte à tomada de decisão na alocação de furos de sondagem diamantada. Palavras-chave: Geoquímica de solo, Integração de Dados, Sondagem, Exploração de Ouro Target generation for gold exploration: an application with soil sampling Abstract: This article documented and demonstrated some GIS-aided and/or GIS-based techniques for mapping of soil anomalies and prospective areas during the target generation phase of gold exploration. Keywords: Soil geochemistry, Data integration, Drilling, Gold exploration Introdução A geoquímica de solo é uma das primeiras etapas do programa de exploração mineral para investigar a ocorrência de footprint de depósitos minerais. O objetivo é definir na área amostrada valores distintos do background, que pode ser apresentado em forma de gráficos e/ou mapas. Amostragem, integração e interpretação desses dados, além do follow-up das anomalias são etapas críticas que envolvem esse método prospectivo (Moon, 2006). O presente trabalho aborda de forma resumida as técnicas usadas para dar suporte à tomada de decisão na pesquisa de Au. Com o Sistema Informação Geográfica (SIG), mapas geoquímicos serão interpolados pelo algoritmo krigagem. As associações multielementares serão quantificadas pela Análise da Principal Componente (APC) e posteriormente integrados por Lógica Fuzzy (Zadeh, 1965). A área de estudo está localizada em Crixás, Goiás (Fig. 1). Crixás goldfield (Jost e Fortes, 2001) é formado por diversas minas do tipo underground e open pit. Esse depósito do tipo Au-orogênico, localiza-se no Bloco Arqueano de Goiás em terrenos do tipo greenstone belt. Alguns dos principais elementos geoquímicos associados ao tipo de depósito Au-orogênico são As, Ag, W, Sb, S e K. Na exploração mineral esses elementos são denominados de farejadores (pathfinder). No entanto, existe a necessidade de realizar o estudo de todo pacote multielementar. As coordenadas geográficas e a localização da área explorada serão suprimidas por questões confidenciais.

2 Fig. 1. Localização regional do greenstonte belt de Crixás e o Bloco Arqueano de Goiás. Métodos A análise química foi realizada pelo laboratório ALS Chemex e a bateria multielementar é formada por 35 elementos. O material amostrado passou por um processo de digestão a quatro ácidos (four acid digestion) para abertura da rede cristalina dos silicatos. A leitura do Au foi realizada pelo método fire assy e ICP-AES. Os limites inferior e superior dessa análise foram 0,001 e 10 ppm (parte por milhão), respectivamente. A leitura dos demais elementos foi realizada por ICP-MS. Mapas geoquímicos com resolução espacial de 25 metros foram interpolados por krigagem. A APC é uma técnica de redução de dimensionalidade linear, que identifica direções ortogonais de variação máxima nos dados geoquímicos e projeta os dados em um espaço de menor dimensionalidade formado de um subconjunto de componentes de maior variação. Essa combinação linear pode ser usada para identificar e mapear associações sem informação, a priori, de controles das variações geoquímicas ou quais amostras foram coletadas perto de zonas mineralizadas (Carranza, 2009). O output desse método é o conjunto de dados denominados de Componentes Principais. Essa análise foi realizada pelo programa Statistica. O mapa de favorabilidade mineral, compilado no programa ArcMap, foi definido pela função matemática (Equação 1) denominada Lógica Fuzzy (Zadeh, 1965; Boham-Carter, 1994). Essa função expressa o grau de pertinência (Fig. 2) de um dado e necessita do conhecimento de um especialista para definir as relações entre as evidências e as funções Fuzzy. Diferente da lógica booleana, ou Álgebra de Boole, que considera apenas os valores 0 ou 1, a Lógica Fuzzy analisa a série contínua dos valores de 0 até 1. Esses valores são definidos como grau de pertinência onde 0 é não-pertinente até 1 pertinência total, ou não-favorável e alta favorabilidade

3 mineral (Guimarães, 2008; Carranza, 2009). A pertinência Fuzzy foi definida pelos operadores Fuzzy Small e Fuzzy Large. O mapa final foi definido por meio do operador Fuzzy-Gamma. µoutput = (µ min.)/(máx. - min.) Equação 1 onde µ = valor do pixel e min. e máx. = valores mínimo e máximo do mapa de entrada. Fig. 2. Gráfico de Pertinência Fuzzy hipotético. (A) Função Fuzzy Small, significa que, os menores valores de Mg apresentam alta correlação com anomalias conhecidas de Au. (B) Função Fuzzy Large para os dados de Au. Resultados e Discussão A Fig. 3 é autoexplicativa. Os mapas geoquímicos interpolados por krigagem permitiu visualizar de forma eficaz os elementos ruidosos, descartados na etapa de integração de dados. Fig. 3. Cartograma geoquímico dos elementos e razões entre elementos usados como input para integração de dados. Dos 35 elementos interpolados, selecionamos apenas 16 para compor a figura. Na área de estudo ocorrem metakomatiitos com textura spinifex fortemente alterados por processo de talsificação. É comum nesses litotipos a ocorrência de valores anômalos de Cr, Ni, Mg e Cu. Portanto, os grupos individualizados pela APC apresentaram alta correlação com esses litotipos. A APC2, com a adição do Cu, foi mais consistente na clusterização desses elementos. Para os elementos associados ao Au, a APC1 se mostrou mais eficaz. Os elementos Zn e Pb apresentam alta correlação com zonas mineralizadas pois o Au ocorre associado a esfarelita (ZnS) e galena (PbS).

4 Fig. 4. (A) A primeira Principal Componente capturou 25.03% de variabilidade dos dados. A tendência diminui à medida que adicionamos mais componentes ao modelo. APC1 e APC2 são gráficos de duas dimensões, do tipo scatterplot, para a primeira e segunda componente. O mapa de favorabilidade mineral (Fig. 5) indicou dois domínios para follow-up com sondagem diamantada. No domínio sul ocorre alta correlação entre o mapa de favorabilidade e garimpos de Au. No domínio norte o mapa de favorabilidade apresentou alta correlação com zonas anômalas em arsênio (Fig. 3 As ppm). No greenstone belt de Crixás há diversas ocorrências de Au e zonas mineralizadas associadas à arsenopirita (FeAsS). Fig. 5. Mapas de favorabilidade mineral, testemunhos de sondagem com Au livre e zonas mineralizadas com abundância de arsenopirita e venulações de quartzo.

5 Conclusões A krigagem, antes de qualquer análise por estatística básica, permitiu identificar e eliminar de forma consistente e rápida os elementos ruidosos. Os gráficos de output da ferramenta APC identificou com acurácia os elementos associados com o Au no ambiente geológico natural. O método multidisciplinar de modelagem espacial aplicado para dados geoquímicos na prospecção de Au requer algumas condições necessárias, como: i) base de dados de qualidade e ii) entendimento do modelo metalogenético do depósito que ocorre na área ou as características metalogenéticas referentes ao ambiente geológico do tipo greenstone belt. Por meio desse trabalho foi possível alocar furos de sondagem com notável sucesso. Também possibilitou uma gestão mais assertiva dos recursos financeiros e alocação de pessoal nos trabalhos de campo. Agradecimentos A AngloGold Ashanti, Unidade Serra Grande - GGE, Goiás, por fornecer dos dados para confecção do artigo. Ao estimado amigo Dr. Eduardo Marques (CPRM-SUREG/Belo Horizonte) pelo convite pessoal e incentivo. Referências Bibliográficas Bonham-Carter, G.F Geographic Information Systems for Geoscientists Modeling with GIS. Pergamon, 398p. Carranza, E.J.M Geochemical anomaly and mineral prospectivity mapping in GIS. Handbook of exploration and environmental geochemistry, vol. 11. Amsterdam, 347 p. Magalhães, L.A Integração e análise espacial de dados para a geração de modelos prospectivos de mineralizações auríferas na região de Amapari (Amapá). Dissertação de Mestrado, UNICAMP, Campinas, 132 p. Moon, C.J, Whateley, M.K.G, Evans, A.M Introduction to Mineral Exploration. 2ed, Blackwell, Australia, pp Jost, H., Forte, P.T.F.O Gold deposits and occurrences of Crixas goldfield, central Brazil. Mineralium Deposita, 36, Zadeh, L.A., Fuzzy sets. IEEE Information and Control, 8,