Resumen:
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.