Estimación polimetálica empleando técnicas de inteligencia computacional.

Abstract

La estimación de recursos minerales es esencial para las etapas posteriores de un proyecto minero, tales como el diseño y planificación, pues una mala ejecución de esta conlleva a pérdidas monetarias significativas. Técnicas geoestadísticas tradicionales de estimación, como Kriging y sus variantes, son las populares para ser usadas en la industria minera, sin embargo, cuando el yacimiento presenta un comportamiento geológico complejo, los resultados obtenidos de la estimación geoestadística no son los mejores. Los recientes avances que han presentado las técnicas de Inteligencia Computacional, han hecho de este un foco de atención, lo que ha provocado una serie de investigaciones para la estimación de leyes minerales. Es debido a esto que se propone utilizar los algoritmos Redes Neuronales Artificiales, Árboles de Regresión y Support Vector Regression para ser comparados con el método tradicional Cokriging Ordinario en situaciones donde se tenga baja correlación espacial, poca información de los datos y una alta correlación entre variables. La metodología propuesta consta en dos casos de estudio: uno simulado y uno real. El caso simulado consiste en realizar cien simulaciones gaussianas de tres variables continuas pertenecientes a un yacimiento, donde cada base generada es particionada en una base para entrenar los algoritmos y otra para realizar la validación de estos. El segundo caso corresponde a un yacimiento real, que contiene dos variables continuas, oro y cobre, además de cuatro dominios geometalúrgicos, donde estos se extienden en un modelo de bloques para realizar la estimación de manera independiente. Una vez obtenido los resultados en los dos casos, se realiza la comparación de los métodos en cada caso individualmente y luego entre uno y otro. Para ambos casos se realiza un plan de categorización y se mide la calidad de esta, finalizando con una evaluación económica. Los resultados obtenidos, tanto en el caso simulado como en el real, indican que el método Support Vector Regression obtiene mejores resultados en cuanto a la disminución del error de estimación en comparación con el método tradicional. Para los casos simulados, el 95% de las veces Support Vector Regression obtiene mejores resultados que Cokriging Ordinario, disminuyendo el error de estimación en aproximadamente un 7%, mientras que, para el caso real, en el dominio en que se replican las condiciones señaladas en un inicio, se logra una disminución del 8%. Además, este método junto a Árboles de Regresión, parecen ser los más conservadores a la hora de estimar.