Modelos de regresión en evaluación de yacimientos.

Abstract

La estimación de recursos minerales (ERM) es un proceso indispensable para el desarrollo de un proyecto minero, esto producto que en esta etapa se puede determinar la continuidad o no continuidad del proyecto, basados en si el depósito es capaz de proporcionar un beneficio económico. En consecuencia, es necesario que la ERM sea lo más precisa posible, pero en la realidad producto de la baja cantidad de información que se disponen provenientes de sondajes de exploración se hace imposible que el proceso de la adquisición, procesamiento e interpretación de estos datos este lleno de subjetividades por parte del personal que maneja la información lo que puede conllevar a tener una errónea o pobre interpretación de la distribución real del mineral del depósito estudiado. La problemática que se aborda en esta Memoria de Título se relaciona directamente con los modelos de regresión lineal utilizados en la actualidad para la realización de la ERM analizando las principales limitaciones y complicaciones de estos modelos a la hora de realizar la ERM. La metodología consiste en la construcción de dos escenarios, el posterior análisis de los resultados y una categorización de recursos; el primero de estos escenarios se basa en la construcción de un conjunto de datos simulado con el que se obtendrá un modelo de bloques, de este se selecciona un porcentaje datos y se aplican los modelos de regresión: Regresión Beta, Regresión Geográficamente Ponderada, Kriging Bayesiano, Inverso de la distancia y Kriging ordinario generando nuevos modelos de bloques, finalmente se comparan ambos modelos de bloques a través de la raíz del error cuadrático medio (RMSE); en el segundo escenario se realiza una ERM a un conjunto de datos reales de campo repitiendo el procedimiento anterior. Para el caso simulado se destaca la gran eficacia de los cinco métodos para la estimación, presentado los menores resultados de RMSE el método Kriging Bayesiano, seguido de Kriging Ordinario utilizando un menor costo computacional, y por el caso contrario presentando los mayores resultados de RMSE se encuentra el método Regresión beta. En cuanto al caso real fue necesario optimizar los parámetros de los algoritmos a través de validación cruzada teniendo el menor resultado de RMSE el método Inverso de la distancia y el mayor valor de RMSE el método Regresión Beta.