Controle de danos em paredes finais resultantes de desmontes de rochas

Abstract

Resumo Colapso de taludes representa um dos principais riscos geotécnicos em minas a céu aberto, especialmente em paredes finais, podendo manifestar-se em diferentes escalas - desde pequenas rupturas até instabilidades de grande magnitude - com impactos diretos sobre a seguranca de pessoas, equipamentos e a continuidade operacional. Este estudo realiza uma revisão dos principais modelos de previsão de danos em paredes finais decorrentes de desmontes de rocha, com o objetivo de avaliar a aplicabilidade e a eficiência de diferentes abordagens utilizadas para estimar a estabilidade de taludes finais em operacóes a céu aberto. A metodologia adotada baseou-se em uma revisão bibliográfica sistemática e na análise comparativa de modelos numéricos, analíticos e baseados em inteligência artificial, com ênfase nas Redes Neurais Artificiais (RNA), além da consideracao de técnicas convencionais de controle de desmonte, como o pré-corte. Os resultados indicam que as abordagens fundamentadas em inteligência artificial, particularmente as Redes Neurais Artificiais, apresentaram desempenho superior na previsão de danos em paredes finais quando comparadas aos modelos numéricos e analíticos tradicionais. Ademais, ressalta-se a relevancia da integracao entre técnicas inovadoras e métodos convencionais, como o pré-corte, visando aprimorar o planej amento e a execucáo de desmontes controlados em cavas finais.Slope failures represent one of the major geotechnical risks in open-pit mining, particularly in final pit walls, and may occur at multiple scales-from minor sloughing to large-scale instabilities-directly affecting personnel safety, equipment integrity, and operational continuity. This study reviews the main damage-prediction models for final walls resulting from rock blasting, with the objective of assessing the applicability and effectiveness of different approaches used to estimate the stability of final slopes in open-pit operations. The adopted methodology was based on a systematic literature review and a comparative analysis of numerical, analytical, and artificial-intelligence-based models, with emphasis on Artificial Neural Networks (ANNs), in addition to considering conventional blast-control techniques such as pre-splitting. Results indicate that artificial-intelligence-based approaches, particularly Artificial Neural Networks, showed superior performance in predicting blast-induced damage in final pit walls when compared to traditional numerical and analytical models. Furthermore, the study highlights the importance of integrating innovative techniques with conventional methods such as pre-splitting to improve the planning and execution of controlled blasting in final pit slopes.