Análise Probabilística De Estabilidade De Pilhas: Como Traduzir Fator De Segurança Em Linguagem De Risco

Em operações de mineração com grandes pilhas, em especial em ambientes com espaço limitado, topografia acidentada e materiais heterogêneos, a pergunta relevante deixou de ser “o fator de segurança atende?” e passou a ser “qual é a probabilidade de falha associada a esta estrutura e esse nível de risco é aceitável frente às consequências envolvidas?”.

Essa mudança de paradigma não é apenas técnica, é empresarial. Ela redefine como a companhia prioriza investimentos em drenagem, monitoramento, reforços e estratégias de fechamento. Estudos probabilísticos de pilhas mostram, de forma consistente, que dois cenários com o mesmo fator de segurança médio podem apresentar ordens de grandeza muito distintas de probabilidade de falha, dependendo da variabilidade dos parâmetros, da qualidade dos dados e da forma como incertezas são tratadas.

Este artigo discute como estruturar análises probabilísticas de estabilidade para pilhas, como interpretar distribuições de fator de segurança, probabilidades de falha e índices de confiabilidade e, principalmente, como transformar esses resultados em linguagem de risco compreensível e acionável para alta gestão, reguladores e demais stakeholders.

Por que o fator de segurança determinístico é insuficiente em pilhas

O fator de segurança determinístico, calculado com um único conjunto de parâmetros de resistência, peso específico e pressões neutras, continuará sendo um indicador central de projeto, porém, isoladamente, ele não entrega a visão de risco exigida hoje por conselhos de administração, investidores e órgãos reguladores. Em pilhas altas, algumas limitações são especialmente relevantes:

• Primeiro, a heterogeneidade do material, com mistura de blocos, solos, finos, óxidos, materiais reprocessados e zonas parcialmente saturadas, torna pouco realista a adoção de um único par coesão–ângulo de atrito como representativo de todo o maciço. Em muitos casos, a superfície crítica de ruptura se desenvolve em zonas específicas, associadas a mudanças de fácies ou a interfaces com baixa resistência, que não são capturadas por parâmetros médios.
• Segundo, a incerteza hidrológica e hidrogeotécnica é elevada. Em bases inclinadas ou em encostas, a interação entre chuva extrema, recarga, escoamento superficial, fluxo preferencial e drenagem interna é complexa no espaço e no tempo. Um nível d’água “representativo” adotado no projeto pode estar sistematicamente deslocado da realidade, sobretudo em períodos de transição sazonal ou em eventos extremos, alterando a condição de equilíbrio de forma não capturada pelo cálculo determinístico.
• Terceiro, há uma falsa precisão numérica. Quando se reporta “FS = 1,52”, comunica-se implicitamente um grau de exatidão que não existe. Na prática, esse valor é resultado de hipóteses sobre parâmetros, modelo, geometrias e condições de contorno, cada uma com seus próprios intervalos de incerteza. Estruturas com o mesmo FS nominal podem, de fato, operar com níveis muito distintos de confiabilidade.

Em síntese, o fator de segurança é necessário, mas não é suficiente. Ele é um ponto, em um problema que é, por natureza, distribuído. A análise probabilística entra exatamente para revelar a estrutura dessa distribuição.

Estruturas de decisão: de parâmetros fixos a variáveis aleatórias

A lógica central da análise probabilística é tratar explicitamente a incerteza. O que antes era um número único passa a ser modelado como variável aleatória, com distribuição, dispersão e correlações. Em pilhas de estéril, isso se aplica a parâmetros de resistência ao cisalhamento, coesão efetiva, ângulo de atrito, peso específico natural e saturado, posição e variabilidade da linha d’água, sobrecargas operacionais, geometrias, sequências construtivas e até a presença de camadas fracas ou zonas de reprocessamento.

Essas variáveis são representadas por funções densidade de probabilidade, por exemplo distribuições normal, lognormal ou beta, definidas com base em ensaios, back-análises, dados de monitoramento e julgamento de especialistas. A partir daí define-se uma função de desempenho, usualmente do tipo G = R menos S, em que R representa a “resistência” e S a “solicitação” e em que a falha ocorre quando G é menor ou igual a zero, equivalente a FS menor ou igual a 1.

Para propagar as incertezas até o fator de segurança, utilizam-se métodos como simulação de Monte Carlo com milhares ou dezenas de milhares de amostras de parâmetros, métodos de confiabilidade de primeira e segunda ordem que permitem capturar respostas não lineares com menor custo computacional. Em casos de variabilidade espacial relevante, é possível empregar campos aleatórios e abordagem de “random fields”, que reconhecem que o material não é apenas variável, ele é variável no espaço.

O resultado é uma distribuição de probabilidade do fator de segurança ou do índice de desempenho G. Dessa forma, deixa-se de perguntar “qual é o FS?” e passa-se a perguntar “qual é a distribuição de FS, qual a sua média, qual o seu desvio padrão, qual a probabilidade de estar abaixo de 1,0 e como isso se compara com os objetivos de confiabilidade definidos para a estrutura?”.

Probabilidade de falha e índice de confiabilidade

O passo decisivo para falar em risco é converter a distribuição de FS em probabilidade de falha. Essa probabilidade, usualmente representada por Pf, é a área da distribuição de FS à esquerda de 1. Em termos práticos, é a fração de cenários possíveis em que o sistema falha, dado o conjunto de incertezas considerado.

Essa probabilidade pode ser expressa em base anual, por exemplo Pf igual a 10⁻⁴ por ano, em horizonte de vida útil, por exemplo Pf acumulada de aproximadamente 10⁻³ em 20 anos, ou em termos de portfólio, por exemplo “em um universo hipotético de 10.000 pilhas com esse nível de confiabilidade, espera-se aproximadamente uma falha ao longo da vida útil”.

Associado a Pf, define-se o índice de confiabilidade β, que mede, em unidades de desvio padrão, a distância entre o estado médio do sistema e a superfície de falha. Quanto maior β, menor Pf. Para a gestão corporativa, o detalhe matemático é menos relevante do que os padrões de interpretação que se constroem sobre esses números. Alguns pontos são centrais.

Dois projetos com o mesmo FS médio podem ter β e Pf completamente distintos se, por exemplo, um se baseia em parâmetros pouco investigados, com alta dispersão, e outro em uma base de dados densa e consistente. Investimentos em investigação geotécnica, ensaios avançados e monitoramento podem aumentar β sem necessariamente alterar o FS médio, apenas reduzindo a incerteza. Em muitos casos, uma estrutura com FS “modesto”, porém com incertezas bem controladas, é mais segura em termos probabilísticos do que outra com FS nominalmente elevado, mas sustentado por suposições otimistas.

Essa lógica abre espaço para decisões mais refinadas. Em vez de simplesmente buscar “FS maiores”, a empresa passa a avaliar onde cada real investido gera maior redução de Pf, seja em reforços físicos, em drenagem, em monitoramento ou em conhecimento.

Níveis de risco aceitáveis: conectando probabilidade, consequência e governança

Estabelecer níveis de risco aceitáveis para pilhas é, essencialmente, uma decisão de governança. A engenharia fornece quantificação, cenários e trade-offs, mas a definição do que é aceitável depende de apetite de risco, contexto regulatório, expectativas sociais e compromissos ESG.

Na prática, a aceitabilidade resulta da combinação de probabilidade de falha, consequência e capacidade de controle. Uma mesma probabilidade pode ser considerada aceitável em uma estrutura com consequência predominantemente operacional, porém inaceitável em estrutura cuja falha possa atingir comunidades, recursos hídricos estratégicos ou infraestruturas críticas.

Para pilhas com consequências potenciais severas, é consistente trabalhar com probabilidades de falha alvo em ordens de 10⁻⁵ a 10⁻⁴ por ano, dependendo do referencial adotado, sempre conectando esses valores a planos robustos de monitoramento, preparação para emergências e redundância de sistemas. Para estruturas com consequências menos graves, podem-se admitir probabilidades um pouco mais elevadas, desde que a decisão seja documentada, comunicada e revisada periodicamente, à luz de novos dados.

Sem essa discussão estruturada, a companhia tende a operar em um regime de adjetivos, com termos como “seguro”, “adequado” ou “conservador” que não são comparáveis entre ativos nem sustentam decisões consistentes de priorização de investimentos. A análise probabilística é a ponte entre o discurso qualitativo e a governança quantitativa de risco.

Da análise técnica à linguagem de risco: comunicar para decidir

A incorporação da análise probabilística à governança de risco só se concretiza quando os resultados podem ser comunicados de forma clara, honesta e orientada à decisão. Isso exige traduzir conceitos técnicos em linguagem de risco.

Uma boa prática é começar pela implicação prática, e não pela fórmula. Em vez de abrir com “Pf igual a 5 vezes 10⁻⁴ por ano”, é mais efetivo dizer que “nas condições atuais, a probabilidade de ruptura desta pilha ao longo de 50 anos é da ordem de X por cento”, explicando em seguida como esse número foi obtido.

Outra dimensão crítica é a adoção de faixas de probabilidade associadas a categorias qualitativas bem definidas. A companhia pode, por exemplo, padronizar que eventos com Pf anual entre 10⁻⁴ e 10⁻³ sejam classificados como “improváveis”, entre 10⁻³ e 10⁻² como “raros”, entre 10⁻² e 10⁻¹ como “possíveis”, sempre com definições claras, consistentes e documentadas. Isso impede que diferentes áreas interpretem a mesma palavra de formas divergentes.

A visualização também importa. Curvas de distribuição do FS, com destaque da região abaixo de 1, diagramas que decomponham a contribuição relativa de incertezas como nível d’água, resistência e geometria, matrizes de risco combinando probabilidade e consequência, são ferramentas que ajudam a ancorar a discussão. O objetivo não é impressionar, é permitir que um diretor, um gerente ou um regulador compreendam rapidamente onde está o risco, o que o impulsiona e que ações são possíveis.

Finalmente, a comunicação precisa conectar risco a decisão. Cada resultado probabilístico deve vir acompanhado de uma agenda clara de implicações, como redução de volume planejado (altura), reforço de taludes críticos, redesenho de sistemas de drenagem, ampliação de monitoramento em zonas sensíveis ou revisão de estratégias de fechamento.

Lições de estudos probabilísticos em pilhas

A experiência acumulada em pilhas altas permite extrair lições gerais, úteis para a gestão de risco:

• Em primeiro lugar, a água tende a ser o principal driver de risco. Em diversos estudos, reduções relativamente modestas na incerteza sobre posições de linha d’água e poropressões, obtidas por meio de drenagem mais eficiente, campanhas direcionadas de instrumentação e modelagem hidrogeológica mais consistente, geram quedas significativas na probabilidade de falha. Em muitos casos, os ganhos em Pf por investimento associado ao conhecimento do nível d’água superam aqueles obtidos por reforços estruturais isolados.
• Em segundo lugar, a variabilidade construtiva é determinante. Diferenças de procedimento entre turnos, frentes de lavra, fornecedores de equipamentos e condições sazonais de umidade geram heterogeneidade interna relevante na pilha, com zonas de menor densidade relativa, maior teor de finos ou pior drenagem. Ignorar essa variabilidade e trabalhar apenas com parâmetros médios pode subestimar a probabilidade de formar superfícies críticas em taludes intermediários ou bermas.
• Em terceiro lugar, eventos extremos de chuva não podem mais ser tratados como “exceções distantes”. Séries históricas atualizadas e evidências de mudança climática indicam que a frequência e intensidade de eventos extremos está se alterando. Cenários de chuva anteriormente classificados como muito remotos devem ser reavaliados, tanto em termos hidrológicos quanto probabilísticos, com impactos diretos no dimensionamento de drenagem e na definição de gatilhos operacionais em períodos críticos.

Por fim, modelos sofisticados de estabilidade, por si sós, não resolvem lacunas de dados. A robustez da análise probabilística está condicionada à qualidade da investigação geotécnica, ao entendimento do regime de águas e ao monitoramento em tempo real. Em outras palavras, o software é alavanca, mas o fundamento continua sendo dado técnico.

Integrando a análise probabilística ao sistema de gestão de risco

Para gerar valor real, análises probabilísticas não podem ficar restritas a um anexo de relatório. Elas precisam ser conectadas a processos, indicadores e decisões do sistema de gestão de risco da companhia.

Isso envolve definir diretrizes corporativas claras para níveis alvo de probabilidade de falha por classe de estrutura, em função de consequência e criticidade, incorporar Pf e β às matrizes de risco corporativas, ao lado de métricas de consequência e capacidade de detecção, estabelecer gatilhos quantitativos conectando dados de monitoramento, por exemplo níveis d’água, deformações, poropressões, ao modelo probabilístico, de modo que determinadas combinações disparem ações pré-planejadas, como redução de operação, inspeções intensivas ou intervenções de reforço, e revisar periodicamente as análises probabilísticas à luz de novos dados de campo, alterações operacionais, reformas de estruturas ou mudanças de contexto regulatório.

Quando isso acontece, o fator de segurança deixa de ser um número estático e passa a ser uma variável viva, reavaliada à medida que a operação evolui. O resultado é uma gestão de pilhas mais alinhada às melhores práticas internacionais de confiabilidade e risco.

Como a VinQ apoia a jornada de “FS” para risco quantificado

Migrar de uma cultura centrada em FS para uma cultura orientada a risco exige combinar profundidade geotécnica, domínio de métodos de confiabilidade e capacidade de traduzir conceitos quantitativos em decisões de negócio.

A VinQ atua justamente nessa interseção. Em pilhas, isso significa estruturar modelos probabilísticos de estabilidade alinhados às características específicas da operação, com integração consistente entre ensaios laboratoriais, retro analises, modelagem numérica e dados de monitoramento em tempo quase real, quantificar probabilidades de falha e índices de confiabilidade compatíveis com a criticidade da estrutura, com a exposição a terceiros e com os marcos regulatórios vigentes, identificar os principais drivers de risco e orientar o uso de capital, mostrando onde intervenções em drenagem, reforço, investigação adicional ou monitoramento reduzem de fato Pf, apoiar a definição de critérios internos de aceitabilidade de risco coerentes com a estratégia ESG e com referências internacionais, e desenvolver materiais técnicos e executivos que permitam comunicar resultados de forma transparente a diretoria, reguladores, investidores e comunidades.

Ao tratar o fator de segurança como parte de uma arquitetura mais ampla de confiabilidade, probabilidade de falha e governança, a VinQ ajuda seus clientes a sair do discurso reativo de “atendemos o FS mínimo” e avançar para uma posição proativa e sustentável: “conhecemos, quantificamos e gerimos o risco das nossas pilhas com base em dados, critérios claros e decisões alinhadas ao ciclo de vida completo dos ativos”.