Estudo da resistência não drenada obtida por ensaios de campo

em rejeitos de mineração de bauxita com a aplicação de

ferramentas estatísticas
Helena Paula Nierwinski,
Professora Adjunta, UFSC/CTJ, Joinville, Brasil, helena.paula@ufsc.br

Ricardo José Pfitscher

Professor Adjunto, UFSC/CTC, Florianópolis, Brasil, ricardo.pfitscher@ufsc.br

Ygor de Oliveira Pereira

Estudante, UFSC/CTJ, Joinville, Brasil, ygoro2014@gmail.com

Marcelo Heidemann
Professor Adjunto, UFSC/CTJ, Joinville, Brasil, marcelo.heidemann@ufsc.br

RESUMO: A resistência não drenada (Su) de rejeitos de mineração é um parâmetro de relevância em projetos
de barragens para armazenamentos destes materiais. Uma das formas de obtenção de Su, sem necessidade de
coleta de amostras ao longo da profundidade, consiste na realização de ensaios de campo como o CPTu. Tendo
em vista algumas incertezas relacionadas à estimativa de Su a partir do ensaio CPTu, este trabalho tem como
objetivo avaliar estatisticamente a variação deste parâmetro, comparando resultados obtidos por ensaios CPTu
e de palheta, buscando compreender as principais variáveis envolvidas na correta obtenção do parâmetro em
rejeitos de mineração de bauxita. O banco de dados é formado por ensaios CPTu e ensaios de palheta realizados
em profundidades específicas, em dois depósitos brasileiros. Os resultados demonstram que é possível
estabelecer um modelo estatístico para estimativa de Su em função de dados obtidos pelo ensaio CPTu (qt e
fs), o qual conduziu a resultados similares aos fornecidos pelo modelo empírico, baseado em valores de Nkt,
calibrados pelos ensaios de palheta. Ainda, com o auxílio de ferramentas estatísticas foi possível verificar a
existência de um agrupamento em três níveis distintos, diferenciados por qt e Su nos rejeitos de bauxita
avaliados no presente estudo.

PALAVRAS-CHAVE: Resistência não drenada, Rejeitos de mineração, Ensaio de Palheta, Ensaio CPTu,
Análise estatística.

ABSTRACT: The undrained strength (Su) of mining tailings is a relevant design parameter for tailings
storage dams. One way to obtain Su, independent of samples extraction, and along the depth, is to carry out
field tests, such as the CPTu test. In view of some uncertainties related to the estimation of Su from the
CPTU test, this paper aims to statistically evaluate the variation of this parameter, comparing it with vane
test results, and understanding the main variables involved in the correct obtaining of the parameter in
bauxite mining tailings. The database includes results of CPTu tests and vane tests carried out at specific
depths, in two Brazilian bauxite tailings deposits. The results demonstrate that it is possible to establish a
statistical model to estimate Su, as a function of data obtained by the CPTu test (qt and fs), which showed to
provide similar results to those obtained by the empirical model, based on Nkt values, which were calibrated
by the vane tests results. Still, with the help of statistical tools, it was possible to verify the existence of
clustering in three different levels, differentiated by qt and Su in the bauxite tailings evaluated in the present
study.

KEYWORDS: Undrained strength, Mining tailings, Vane test, CPTu test, Statistical analysis.

1 Introdução

A resistência não drenada dos solos (Su), conforme postulado pela Mecânica dos Solos Clássica
(Terzaghi et al., 1996), diz respeito à resistência operacional do material em condições de carregamento nos
quais não haja dissipação dos excessos de poropressão. No caso específico dos rejeitos de mineração, os quais
encontram-se majoritariamente dispostos em depósitos sob condições de total saturação, o valor de Su ganha
importância na avaliação de estabilidade destas estruturas quando submetidas a carregamentos rápidos, sem
199
tempo para a dissipação dos excessos de poropressões gerados. Morgenstern et al. (2016) e Robertson et al.
(2019) avaliaram mecanismos de ruptura em depósitos de rejeitos de mineração brasileiros que teriam
mobilizado a resistência do material em condições não drenadas.
Os valores de Su podem ser determinados através de ensaios de campo e laboratório. De acordo com
Nierwinski (2019) há dificuldades relacionadas à obtenção de uma amostra representativa e de boa qualidade
para ensaios de laboratório nestes rejeitos. Desta forma, os ensaios de campo tornam-se atrativos para avaliação
de parâmetros de projeto em rejeitos de mineração. Schnaid e Odebrecht (2012) destacam que o ensaio
tradicionalmente empregado em campo para a obtenção de Su é o ensaio de palheta, também conhecido como
vane test. Este ensaio permite uma interpretação analítica, baseando-se na hipótese de uma superfície cilíndrica
de ruptura do solo, obtida pela rotação de um elemento cruciforme inserido a uma certa profundidade. Apesar
desta atratividade, o ensaio de palheta é executado pontualmente, sendo que a caracterização completa de um
perfil pode se tornar onerosa e inviável economicamente. De forma alternativa, apresenta-se a possibilidade
de obtenção do Su a partir de ensaios de piezocone (CPTu), de forma semiempírica, conforme apresentado
pela Equação 1.
𝑆𝑢 = (1)

Onde qt é a resistência do cone, v0 é a tensão vertical total e Nkt é um fator de capacidade de carga, cujo
valor geralmente é calibrado a partir de resultados de ensaios de palheta, executados no mesmo local, ou
estimado com base em resultados fornecidos pela literatura. Embora a estimativa de Su a partir do CPTu
permita a obtenção do parâmetro ao longo do perfil, a mesma é norteada pelo empiricismo relacionado à correta
definição do valor de Nkt (Schnaid e Odebrecht, 2012).
Por outro lado, o uso de ferramentas estatísticas vem abrangendo cada vez mais áreas do conhecimento
e na geotecnia estas ferramentas permitem a avaliação de bancos de dados de forma determinística, com base
em conceitos de confiabilidade e probabilidade, fato que ampara o gerenciamento de riscos no
desenvolvimento de projetos (Uzielli, 2022). A análise estatística permite que seja efetuada uma regressão dos
parâmetros, considerando a variabilidade do banco de dados estudado. Mayne (2014) e Mayne et al. (2010),
por exemplo, utilizaram regressões estatísticas para definições de equacionamentos para estimativa do peso
específico do solo a partir de resultados de ensaios de cone. Mais recentemente, Collico et al. (2022a) utilizou
ferramentas estatísticas para o delineamento de diferentes camadas de solo ao longo do perfil geotécnico com
base em valores do índice de comportamento do material (Ic). Já Collico et al. (2022b) utilizou agrupamentos
estatísticos em um banco de dados para refinar as estimativas do peso específico do solo.
Neste contexto, o presente trabalho tem como objetivo aplicar ferramentas estatísticas para estudar
valores de Su obtidos através de ensaios de campo (CPTu e palheta), buscando avaliar um possível
equacionamento estatístico entre Su e resultados obtidos no ensaio de cone, como qt e fs. Também pretende-se
avaliar comparativamente os valores de Su obtidos pelo modelo estatístico e aqueles determinados com o uso
do Nkt, calibrado pelos ensaios de palheta e buscar por possíveis agrupamentos dentro do banco de dados
estudado.

2 Banco de dados e ferramentas estatísticas

O banco de dados estudado consiste em resultados de ensaios CPTu e ensaios de palheta realizados em
dois depósitos de rejeitos de mineração de bauxita, localizados no território brasileiro. Do primeiro depósito
dispõe-se de 6 verticais de ensaios CPTu e 19 ensaios de palheta distribuídos em profundidades distintas, nos
mesmos pontos dos ensaios CPTu. Já para o segundo depósito dispõe-se de 15 verticais de CPTu e 36 ensaios
de palheta, distribuídos em diferentes profundidades, nos mesmos pontos dos ensaios CPTu. Com o intuito de
analisar também os valores de Su estimados apenas a partir dos resultados dos ensaios CPTu, com base no Nkt,
foram selecionados mais alguns dados aleatórios ao longo das profundidades dos ensaios CPTu. Desta forma,
o banco de dados final do primeiro depósito contém 29 observações, das quais, 19 com correspondência de
valores de Su definidos pelo ensaio de palheta. O segundo depósito contém 77 observações, sendo destas, 36
com correspondência com valores de Su obtidos pelo ensaio de palheta.
As análises estatísticas realizadas neste trabalho foram executadas a partir de ferramentas disponíveis
ao software R®. Para o desenvolvimento do modelo de regressão linear múltiplo apresentado na Seção 3.1
utilizou-se as seguintes ferramentas: ggpairs do pacote Ggally, para confrontar as variáveis e identificar
suas correlações; aov para execução da análise de variância (ANOVA); e lm para realizar as regressões
lineares. Para as análises de agrupamento apresentadas na Seção 3.2 foram utilizadas as seguintes ferramentas:
fviz_nbclust do pacote factoextra para determinar o número de clusters; e kmeans do pacote stats
para geração dos clusters.
200
 Análise estatística
3.1 Modelo de regressão linear

A primeira etapa necessária à construção de um modelo estatístico baseado em regressão linear envolve
a verificação das relações entre os possíveis parâmetros do modelo e os comportamentos dos dados quando
cruzados entre si (Johnson e Dean, 2014). O gráfico da Figura 1 exibe as relações entre fs, u, qt e Su. A análise
destes resultados permite extrair duas conclusões importantes: primeiro, existe forte correlação entre Su e qt;
segundo, o comportamento de fs frente a Su exibe um comportamento não linear, conforme pode ser observado
pela linha azul em destaque, indicando que fs pode ser transformado por uma função logarítmica para
representar o comportamento de Su. Ressalta-se, ainda, que as relações heterocedásticas entre as variáveis fs e
U, fs e qt, e U e qt não são relevantes para o contexto deste trabalho, que objetiva estimar Su em função das
demais variáveis.

Figura 1. Relações estatísticas entre fs, u, q t e Su

Uma vez entendidas as relações entre as variáveis e a transformação realizada para os valores de fs, o
segundo passo para construção de um modelo de regressão envolve a análise do impacto de cada variável
dependente e as relações entre elas sobre as variações de Su. Neste artigo, esta análise foi realizada através da
técnica ANOVA (Chambers, et al., 1992), avaliando o impacto dos fatores qt, log (fs) e u individualmente e,
quando combinados entre si. A Tabela 1 mostra os resultados da análise de variância (ANOVA) para seleção
dos fatores relevantes para a construção do modelo linear.

Tabela 1. Análise de variância (ANOVA)

FATOR SOMA SQ F-VALUE PR(>F) SIGNIFICÂNCIA
qt 123648 1048685,00 <2e-16
log(fs) 666 5645,00 0,0215
u 389 3297,00 0,0757
qt x log(fs) 69 0,58 0,4496
qt x u 311 2638,00 0,1109
log(fs) x u 21 0,18 0,6769
qt x log(fs) x u 34 0,29 0,5917
201
 Tendo em vista os resultados da análise de variância, foram selecionados para o modelo de regressão
linear as variáveis, cujo o fator de significância e consequente impacto na variância de Su, fosse superior a
95%. Portanto, o modelo de regressão linear para estimativa da resistência não drenada para rejeitos de bauxita
é definido de acordo com a Equação 2.
𝑆𝑢 = 𝑤 ∙ 𝑞 + 𝑤 ∙ 𝑙𝑜𝑔 (𝑓 ) (2)
Onde, w1 e w2 são pesos estimados através de regressão linear. Uma vez definida a equação do modelo
estatístico para Su, é possível realizar regressões lineares para estabelecer os pesos de cada fator. Para uma
primeira estimativa de pesos da Equação 2, foi realizada uma regressão tendo como referência as 55 observações
que contém valores de Su obtidos através da palheta (junção dos dados referentes aos dois depósitos avaliados).
Os resultados desta primeira estimativa podem ser visualizados na Figura 2, que exibe um gráfico de dispersão
entre o valor de Su medido pelo ensaio de palheta (eixo y) e o valor de Su estimado pelo modelo estatístico, com
w1 = 0,0789 e w2 = - 5,1. Como pode ser observado, este modelo estima valores com um coeficiente de
determinação (r²) igual a 0,95.

Figura 2. Gráfico de dispersão entre valores de Su medidos no ensaio de palheta e estimados pelo
modelo estatístico

Para fins de validação do modelo, o mesmo foi utilizado para estimar o total das 106 observações
disponíveis (ambos os depósitos), sendo 55 com medição de Su por palheta e 51 observações que não os
incluem. Para os casos em que não se tem o valor de Su, este parâmetro foi calculado tendo em vista a proposta
empírica discutida na Equação 1.
Para a determinação de Su a partir dos resultados dos ensaios CPTu, o valor de Nkt foi definido e
calibrado com base nos valores das 55 observações disponíveis de Su, obtidas por meio dos ensaios de palheta.
Tal avaliação resultou em um valor médio de 14,74. Assim, também foi possível comparar as estimativas do
modelo estatístico linear, com o valor de Su calculado a partir dos resultados de CPTu, com base em valores
de Nkt. Os resultados desta comparação podem ser observados no gráfico de dispersão exibido pela Figura 3.
Os resultados exibidos pela Figura 3(a) mostram que, apesar de exibir resultados promissores, há uma
redução na precisão do modelo (definido na Figura 2) quando as estimativas de valores de Su são comparadas
aos valores de Su calculados através da formulação que envolve o Nkt, resultando em um coeficiente de
determinação (r²) de 0,84. Por outro lado, vale ressaltar que a formulação de referência da Equação 1 utiliza
um valor de Nkt médio e, portanto, o valor de Su calculado pode não representar efetivamente um valor de Su
medido através da palheta.
Em uma terceira etapa de validação do modelo, os pesos w1 e w2 (Equação 2) foram estimados tendo em
vista os valores de Su calculados através da formulação com uso do Nkt. Os resultados desta nova estimativa
de pesos e comparação entre os valores estimados pelo modelo (Equação 2) e os calculados pela Equação 1,
estão dispostos no gráfico de dispersão exibido pela Figura 3(b). A regressão realizada resultou em w1=0,0683

202
e w2=-2,84 e um coeficiente de determinação (r²) igual a 0,96. Estes resultados demonstram que, com um
pequeno ajuste nos pesos, é possível obter uma estimativa de valores de Su através de uma relação entre qt e
fs, sendo o modelo estatístico proposto pela Equação 2 comparável ao modelo empírico da Equação 1. A
vantagem do modelo estatístico proposto é não depender das oscilações empíricas existentes na abordagem
que utiliza o valor de Nkt. Como pode ser observado na Figura 4, o Nkt calculado com base nos valores de qt,
σv0 e Su medido na palheta (Equação 1) não segue uma distribuição normal e, portanto, pode implicar em
estimativas imprecisas de Su.

(a) (b)
Figura 3. Gráficos de dispersão entre valores de Su calculados pelo Nkt e estimados pelo modelo
estatístico (a) e estimados por modelo com pesos w1 e w2 redefinidos para Su calculado por Nkt (b)

Figura 4. Distribuição dos valores de Nkt definidos com base nos ensaios de palheta
3.2 Análise estatística de agrupamentos

O objetivo da análise estatística de clusters, ou agrupamentos, é agrupar as observações em grupos de

tal forma que dentro de cada grupo as observações apresentem comportamentos semelhantes e que sejam
distintas entre os grupos. Dentre as diferentes ferramentas estatísticas existentes para agrupamento de
observações, a técnica k-means se destaca por tentar otimizar as distâncias entre o conjunto de k centróides,
que definem os grupos. Por outro lado, ele necessita que seja estabelecido o número k de centróides almejados.
203
 Assim, no presente trabalho, após a seleção das variáveis relevantes (qt, log(f s) e Su) foi iniciada a análise
de clusters. A análise do número de grupos pela técnica da silhueta (Figura 5(a)) (Rousseeuw, 1987) sugere
que existem dois clusters entre as amostras de solos, enquanto a análise pela técnica do cotovelo (Figura 5(b))
(Fávero e Belfiore, 2017) indica a existência de três clusters. Considerando a análise com base nas variações
de Su e qt em cada cluster, conforme disposto na Figura 6, é possível realizar o agrupamento dos dados com
três clusters, com clara distinção dos comportamentos dos solos em cada um.

(a) (b)
Figura 5. Avaliação de número de agrupamentos (clusters) pela técnica da silhueta (a) e pela técnica
do cotovelo (b)

(a) (b)
Figura 6. Agrupamentos dos dados em três clusters com base nas variações de Su (a) e qt (b)

A identificação da separação das amostras de rejeitos de bauxita em três agrupamentos estatisticamente

diferentes, permite concluir que a forma como estes solos são dispostos nas barragens pode implicar em
comportamentos geotécnicos distintos de cada camada de alteamento, por exemplo. Tal conclusão é relevante
para a estimativa de parâmetros de projeto, considerando o efeito do tempo, execução e consolidação do
material em profundidade, pelo alteamento destes depósitos. Comprovando a diferenciação de comportamento
dos rejeitos, a Figura 7 demonstra os grupos estabelecidos estatisticamente, exibindo a relação entre as
variáveis qt e Su frente às diferentes profundidades avaliadas. Observa-se que tanto qt, quando Su são maiores
em profundidades maiores, no interior dos depósitos. 204
 (a) (b)

Figura 7. Representação dos três agrupamentos em função da profundidade, Su (a) e qt (b)

Conclusões

O presente trabalho buscou realizar um estudo estatístico de Su, a partir de um banco de dados composto
por resultados de ensaios CPTu e palheta, executados em dois depósitos de rejeitos de mineração de bauxita.
Por meio de uma regressão linear foi possível definir um modelo estatístico para determinação de valores de
Su a partir de qt e log(fs), atribuindo-se pesos (w1 e w2) para cada uma das variáveis. Os valores de Su calculados
pelo modelo foram comparados aos valores de Su estimados a partir de resultados do ensaio CPTu, com o uso
do fator Nkt, calibrado pelos ensaios de palheta. Observou-se uma coerência razoável entre os valores de Su,
no entanto, com um pequeno ajuste nos pesos (w1 e w2) do equacionamento estatístico, observou-se uma
aderência ainda melhor. Esta pequena correção necessária nos pesos do equacionamento estatístico em relação
aos valores de Su calculados pelo Nkt possivelmente esteja relacionada à adoção de um fator Nkt médio para
todo o depósito (procedimento rotineiro) e enfatiza a vantagem do modelo estatístico, ao não depender do
empiricismo envolvido na definição de Nkt, ainda mais para rejeitos de mineração, cujos dados de literatura
ainda são escassos.
O trabalho também avaliou a existência de diferentes agrupamentos dentro do banco de dados avaliado.
Concluiu-se que os dados podem ser agrupados em três clusters distintos, com variação de Su e qt claramente
relacionados ao aumento da profundidade no interior dos depósitos. Esta análise destaca a importância de
considerar a influência do processo de alteamento, consolidação dos rejeitos e ação do tempo sobre estes
depósitos e desenvolvimento de projetos seguros.

AGRADECIMENTOS

Os autores agradecem ao CNPq pelo apoio financeiro.

REFERÊNCIAS BIBLIOGRÁFICAS

Chambers, J. M., Freeny, A and Heiberger, R. M. (1992). Analysis of variance; designed experiments. Chapter
5 of Statistical Models in S eds J. M. Chambers and T. J. Hastie, Wadsworth & Brooks/Cole.
Collico, S., Arroyo, M., DeVincenzi, M., Rodriguez, A., Deu, A. (2022a) Probabilistic delineation of soil
layers using Soil Behaviour Type Index. Cone Penetration Testing 2022 – Gottardi & Tonni (eds) © 2022
Copyright the Author(s), ISBN 978-1-032-31259-0, p. 332-338.
Collico, S., Arroyo, M., DeVincenzi, M., Rodriguez, A., Deu, A. (2022a) Clustering analysis to improve total
unit weight prediction from CPTu. Cone Penetration Testing 2022 – Gottardi & Tonni (eds) © 2022
Copyright the Author(s), ISBN 978-1-032-31259-0, p. 339-344.
205
Fávero, L. P. , Belfiore, P. (2017). Manual de análise de dados: estatística e modelagem multivariada com
Excel®, SPSS® e Stata®. Elsevier Brasil.
Johnson, R. A., Dean W. W. (2014). Applied multivariate statistical analysis. Vol. 6. London, UK: Pearson,
2014.
Mayne, P.W. (2014). Interpretation of geotechnical parameters from seismic piezocone tests. Proceedings, 3rd
International Symposium on Cone Penetration Testing: 47–73.
Mayne, P. W.; Peuchen, J.; Bowmeester, D. (2010). Unit weight trends with cone resistance in soft to firm
clays. Geotechnical and Geophysical Site Characterization: Proceedings of the 4th International Conference
on Site Characterization ISC-4: 903–910.
Morgenstern, N.R., Vick, S.G., Viotti, C.B, Watts, B.D. (2016). Fundão Tailings Dam Review Panel. Report
on the Immediate Causes of the Failure of the Fundão Dam.
Nierwinski, H. P. (2019). Caracterização e Comportamento Geotécnico de Rejeitos de Mineração. Tese de
doutorado, Programa de Pós-Graduação em Engenharia Civil, Universidade Federal do Rio Grande do Sul,
Porto Alegre.
Robertson, P. K., de Melo, L., Williams, D. J., Wilson, G. W. (2019). Report of the Expert Panel on the
Technical Causes of the Failure of Feijão Dam I. Disponível em:
http://www.b1technicalinvestigation.com/
Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis.
Journal of computational and applied mathematics 20: 53-65.
Schnaid, F., Odebrecht, E. (2012). Ensaios de Campo e suas aplicações à Engenharia de Fundações. 2ª
Edição. São Paulo: Oficina de Textos.
Terzaghi, K.; Peck, R.B.; Mesri, G. (1996). Soil Mechanics in Engineering Practice. 3rd ed.,McGraw Hill,
New York, NY, USA, 549 p.
Uzielli, M. (2022). Non-deterministic interpretation and applications of CPT testing data. Cone Penetration
Testing 2022 – Gottardi & Tonni (eds) © 2022 Copyright the Author(s), ISBN 978-1-032-31259-0, p. 81-
93.

206