Resumen:
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.