Estimación de atributos categóricos del modelo geológico con herramientas de data mining .

Abstract

El modelo geológico es esencial para la estimación de recursos como también para procesos aguas abajo, desde el diseño de mina hasta la selección de parámetros metalúrgicos. Actualmente, los modelos geológicos son construidos mediante interpretación determinística y métodos geoestadísticos. Si bien estas técnicas son utilizadas ampliamente, nuevas tecnologías entre ellas el Data Mining, no han sido introducidas a la industria minera a pesar de su capacidad para encontrar patrones en los datos y predecir observaciones futuras o no muestreadas. El objetivo del trabajo es probar la aplicabilidad de algoritmos del Data Mining, en específico árboles de decisión y redes neuronales, en la estimación de variables del modelo geológico. Para esto, a partir de un de un conjunto de datos se construyeron tres modelos geológicos, dos con cada uno de los algoritmos a probar y otro con un método utilizado en minería que es el co-kriging indicador, comparándose los modelos obtenidos. Además, se evaluó el impacto de utilizar estos modelos en la estimación de recursos, utilizando separadamente cada modelo geológico predicho como un input en la estimación de la ley mediante kriging universal, añadiendo otra estimación de ley con kriging ordinario (sin utilizar el modelo geológico) para ser comparada con los demás casos. Lo anterior es aplicado en primer lugar a un escenario simulado y posteriormente a un caso real. En el caso de estudio simulado, las redes neuronales logran un mejor desempeño en términos de precisión en comparación con el co-kriging indicador y los árboles de decisión, no obstante, los tres algoritmos son capaces de reproducir los principales patrones del modelo original, pudiendo concluir que las herramientas del Data Mining son capaces de igualar e incluso superar la capacidad predictiva de una herramienta geoestadística dentro del modelamiento geológico. En el caso de estudio real se sostiene la misma idea para el modelo geológico de texturas, pero no se pueden hacer conclusiones respecto al modelo de tipo de roca debido a diferencias significativas entre los modelos estimados y la baja precisión de validación alcanzada por los tres algoritmos, lo cual se arrastra por la alta complejidad del yacimiento y la poca información disponible. Respecto al uso del kriging universal que utiliza los modelos geológicos como inputs, en los dos casos de estudio se disminuye considerablemente la varianza de kriging, y bajo un contexto de baja correlación espacial de la ley se consigue una disminución en el error de estimación de esta. Por lo tanto, la estrategia de utilizar kriging universal junto con un modelo geológico estimado por los algoritmos estudiados resulta favorable para la estimación de recursos minerales.