Influencia de la geología en la estimación de ley de cobre mediante técnicas de aprendizaje automático en un yacimiento tipo pórfido cuprífero

Abstract

En este trabajo de memoria se realiza una comparación entre métodos convencionales de estimación de recursos, particularmente el kriging ordinario, y diferentes algoritmos de aprendizaje automático, incluyendo bosques aleatorios, redes neuronales artificiales y máquinas de vectores de soporte. El objetivo corresponde a evaluar las predicciones de los modelos en comparación con el kriging para la estimación de ley de cobre en un caso de estudio correspondiente a un pórfido cuprífero iraní, además de analizar el impacto que tiene en los modelos la incorporación de variables geológicas como variables categóricas. El caso de estudio revisado corresponde al pórfido cuprífero Sarcheshmeh ubicado en el sudeste de Irán, 160 km al suroeste de Kerman, un yacimiento de forma ovalada con 2 km en su eje mayor y 900 m en su eje menor. Las principales rocas cajas que se observan son traquibasaltos, traquiandesitas y en menor medida andesitas, las que están cortadas por diques que permiten la mineralización secundaria, pero que tienen leyes bajas en si mismos. La base de datos utilizada presenta información espacial y de leyes de cobre, además de dos variables categóricas correspondientes a las zonas de mineralización (lixiviada , supérgena e hipógena), además del tipo de roca que se separa en 2, las pertenecientes a pórfidos y las categorizadas como diques. Se observan diferencias entre los modelos al incluir las variables geológicas, principalmente en la definición de las fronteras entre zonas de mineralización (correspondientes a los dominios de estimación) y la correcta distribución de las leyes. Para medir la influencia de la incorporación de variables geológicas se utilizan las métricas de error cuadrático medio y coeficiente de determinación, en este caso se observa que el método con mayor sensibilidad a la incorporación de nueva información es el algoritmo de máquinas de vectores de soporte, donde las métricas mejoraron considerablemente. Las redes neuronales artificiales muestran mejoría pero en menor proporción y finalmente los bosques aleatorios se comportan de manera similar incluyendo o no las variables geológicas. Son dos los inconvenientes principales mostrados en los algoritmos de aprendizaje de máquinas. El primero corresponde al suavizamiento de las leyes estimadas perdiendo la información a detalle, mientras que el segundo se refiere al alto gasto computacional que requiere la búsqueda de parámetros apropiados. El estudio muestra que los métodos de aprendizaje automático utilizados, especialmente cuando se incorporan variables geológicas, constituyen una alternativa válida a los métodos convencionales. Además, se concluye que a mayor cantidad de información geológica disponible mejores serán los resultados obtenidos pues se podrá describir de forma más detallada los yacimientos