Modelado de depósitos minerales y estimación de recursos mediante simulación por computadora

• Hugo Solis Sarmiento
• Ago. 28, 2023

Introducción

La industria minera ha experimentado una transformación significativa en las últimas décadas gracias al avance de la tecnología y la informática. Una de las áreas que ha experimentado un desarrollo revolucionario es el modelado de depósitos minerales y la estimación de recursos mediante simulación por computadora.. . En este contexto, el uso de tecnologías de simulación por computadora ha revolucionado la manera en que los profesionales abordan el modelado y la estimación de depósitos minerales. Dos enfoques notables, la interpretación tradicional y el modelado implícito, han surgido como enfoques principales para comprender la distribución y las características de los recursos.

 

1. Geoestadística en la Estimacion de Leyes y Modelamiento Implicito

La aplicacion de la geostadística  más difundida estan en el modelado tridimensional  geológico y la estimación de  leyes de los recursos.  Esta ciencia, basa en la aplicación de métodos estadísticos avanzados para modelar la variabilidad espacial de los depósitos minerales, siendo una de las técnicas más conocidas es el kriging, que es un método de interpolación espacial que utiliza datos conocidos para predecir valores en ubicaciones no muestreadas. El kriging toma en cuenta la correlación espacial entre los datos para generar estimaciones más precisas y realistas.

 

La interpretación geológica tradicional y el modelado implícito representan dos enfoques fundamentales en la industria minera para comprender la distribución y características de los depósitos. La interpretación tradicional implica la revisión manual de datos geológicos, mientras que el modelado implícito aprovecha algoritmos computacionales y técnicas de aprendizaje automático para generar modelos geológicos eficientes y precisos.  Al considerar la heterogeneidad del depósito,el modelado implicito proporciona una representación más realista y detallada de la distribución de minerales que los métodos tradicionales.

 

1.1 Interpretación Tradicional:

La interpretación geológica tradicional ha sido durante mucho tiempo el método preferido para comprender los depósitos minerales. Este enfoque implica la revisión meticulosa de mapas, cortes geológicos y datos de muestreo por parte de geólogos expertos. Aunque es un enfoque sólido, presenta limitaciones notables:

 

a. Consumo de Tiempo: La interpretación tradicional es un proceso manual que consume tiempo, ya que cada detalle debe ser analizado y registrado.

b. Desafíos de Complejidad: Para depósitos con geometrías complejas y relaciones geológicas intricadas, la interpretación manual puede tener dificultades para capturar la verdadera complejidad tridimensional.

c. Subjetividad: La interpretación tradicional puede variar según la experiencia y el conocimiento del geólogo, lo que a veces conduce a resultados subjetivos.

 

1.2 Modelado Implícito: Explorando Nuevas Fronteras

El modelado implícito es una técnica que ha ganado popularidad en la industria minera. En lugar de trabajar directamente con muestreos y datos geológicos, el modelado implícito se basa en la interpretación de información geológica subyacente para crear modelos tridimensionales. Esta técnica utiliza algoritmos que buscan patrones en datos geofísicos, litológicos y estructurales para generar automáticamente modelos geológicos detallados. El modelado implícito combina la experiencia de geólogos con el poder del análisis computacional para producir modelos más precisos y complejos.

 

.Aprovechando algoritmos computacionales y técnicas de aprendizaje automático, el modelado implícito ofrece ventajas notables:

a. Eficiencia en el Tiempo: Los algoritmos de modelado implícito pueden procesar grandes volúmenes de datos en tiempo reducido, permitiendo la generación rápida de modelos geológicos.

b. Captura de Complejidad: La capacidad de los algoritmos para detectar patrones complejos en los datos geológicos permite una representación más precisa de la geometría tridimensional del depósito.

c. Objetividad Mejorada: Al basarse en algoritmos objetivos, el modelado implícito minimiza la subjetividad inherente a la interpretación tradicional.

1. Generación Iterativa: Los modelos implícitos son iterativos, lo que significa que se pueden ajustar y mejorar a medida que se recopilan y se integran más datos.

 

1.3 La Función de Base Radial: Una Nueva Dimensión en la Simulación

Un enfoque que ha cobrado impulso en la simulación de depósitos minerales es la función de base radial (RBF, por sus siglas en inglés). Esta técnica utiliza funciones matemáticas que se expanden desde un punto central para representar las variaciones de los minerales en el depósito. La ventaja clave de las RBF es su capacidad para capturar patrones complejos y variaciones sutiles en la distribución de los recursos. Esta metodología no solo mejora la precisión, sino que también permite una interpolación más suave y realista entre los puntos de datos.

 

1.3.1  FUncionamiento de la Función de Base Radial

Las funciones de base radial (RBF) son una serie de técnicas de interpolación exacta; es decir, la superficie debe pasar por cada valor de muestra medido. Hay cinco funciones de base diferentes:

• Spline de lámina delgada
• Spline con tensión
• Spline completamente regularizada
• Función multicuádrica
• Función multicuadrática inversa

Cada función de base tiene una forma diferente y da como resultado una superficie de interpolación diferente. Los métodos de RBF son un caso especial de splines.

 

Las RBF son conceptualmente similares a ajustar una membrana de goma a través de los valores de muestra medidos, mientras se minimiza la curvatura total de la superficie. La función de base que seleccione determina cómo se ajustará la membrana de goma entre los valores. El siguiente diagrama ilustra conceptualmente cómo se ajusta una superficie de RBF a través de una serie de valores de muestra de elevación. Observe que, en la sección transversal, la superficie pasa por los valores de datos

 

Figura 1: Sección transversal que ilustra cómo se ajusta la superficie de RBF a través de los valores de muestra

Fuente:ArcGIS Pro

 

Los métodos de Función de Base Radial (RBF) logran interpolaciones precisas que pasan exactamente por los puntos medidos, a diferencia de los interpoladores polinómicos. Comparado con el Inverse Distance Weighting (IDW), otro interpolador preciso, el IDW evita predicciones por encima del máximo medido o por debajo del mínimo, asegurando un rango realista en la estimación. Sin embargo, las RBF pueden predecir valores por encima del valor máximo medido y por debajo del valor mínimo medido, como en la sección transversal siguiente.

 

Figura: IDW vs RBF en la prediccion de un Perfil Topografico

 

 

1.4 Herramientas de Machine Learning en el Modelado Implícito y Modelado de Recursos Minerales

El modelado implícito se beneficia enormemente de las herramientas de Machine Learning para mejorar la velocidad y la precisión del proceso. Algunas de las técnicas de Machine Learning aplicadas incluyen:

 

a. Redes Neuronales Convolucionales (CNN): Estas redes son efectivas para el reconocimiento de patrones en datos geológicos, como imágenes de núcleos de perforación y registros geofísicos, permitiendo una representación más detallada de las capas geológicas.

c. Aprendizaje Profundo (Deep Learning): Algoritmos como las Redes Neuronales Recurrentes (RNN) se utilizan para analizar secuencias de datos geológicos, como datos sísmicos o perforaciones, y prever la estructura geológica subyacente.

c. Clustering y Segmentación: Algoritmos de clustering, como el K-Means, se aplican para identificar agrupaciones geológicas y segmentar automáticamente áreas con características similares.

 

Figura: Creacion de solidos geologicos integrando ML. 

 

Nota: Cada dominio puede tener, y normalmente tendrá, su propia anisotropía. La integración de la anisotropía con ML no difiere de la modelización implícita.

 

Los algoritmos de machine learning pueden analizar grandes conjuntos de datos geológicos y encontrar patrones que podrían pasar desapercibidos para los métodos tradicionales. Esto permite una comprensión más profunda de las relaciones geológicas y una estimación de recursos más precisa. Además, el machine learning permite la creación de modelos predictivos que pueden ajustarse y mejorar con el tiempo a medida que se recopilan más datos.

 

Machine Learning  al ofrecer métodos más precisos y eficientes para estimar valores en ubicaciones no muestreadas. Estas técnicas aprovechan la capacidad de los algoritmos de aprendizaje automático para capturar patrones complejos y relaciones geológicas, mejorando la calidad de las estimaciones y proporcionando una herramienta poderosa en la exploración y explotación de recursos minerales.

 

A continuación, se presentan algunas de las técnicas clave en este campo:

1. Kriging Mejorado por Machine Learning: Los métodos tradicionales de Kriging se combinan con algoritmos de Machine Learning para mejorar la precisión de la estimación. Estos algoritmos pueden capturar relaciones no lineales y complejas en los datos, lo que permite una interpolación más precisa en ubicaciones no muestreadas.

2. Redes Neuronales para Interpolación: Las redes neuronales artificiales se utilizan para modelar la relación espacial entre los puntos de datos. Estas redes pueden aprender y representar patrones geológicos complejos, lo que conduce a estimaciones más precisas y detalladas en áreas no muestreadas.

3. Métodos de Ensamble: Los métodos de ensamble, como el Random Forest o Gradient Boosting, se aplican para combinar múltiples estimaciones de manera ponderada. Esto reduce el sesgo y la varianza en las estimaciones, generando resultados más confiables.

4. Aprendizaje Profundo en Geostadística: Las técnicas de aprendizaje profundo, como las redes neuronales recurrentes, se aplican para modelar la variabilidad espacial en datos geológicos secuenciales, como registros geofísicos. Estos modelos capturan relaciones a lo largo del tiempo y del espacio, mejorando la precisión de la interpolación.

 

Desafíos y Consideraciones en el Modelado Geológico y Estimación de Recursos Minerale

Aunque la simulación por computadora ha revolucionado la estimación de recursos minerales, no está exenta de desafíos. La obtención de datos de calidad y la validación de los modelos son aspectos críticos. Además, se requiere un profundo conocimiento geológico y matemático para implementar y interpretar correctamente los resultados de la simulación.

 

Conclusión

La simulación por computadora ha revolucionado la forma en que estimamos y modelamos los depósitos minerales. A través de métodos avanzados y la incorporación de datos geológicos detallados, esta técnica proporciona una representación más precisa y realista de la distribución de minerales. Para los profesionales senior en la industria minera, comprender y dominar la simulación por computadora es esencial para mantenerse a la vanguardia en la toma de decisiones y la gestión eficiente de recursos.

 

REFERENCIAS

ArcGIS Pro. (s.f.). How Radial Basis Functions work. https://pro.arcgis.com/es/pro-app/latest/help/analysis/geostatistical-analyst/how-radial-basis-functions-work.htm

Georeka. (s.f.). Volumetric Modelling Services. https://www.georeka.com/services/volumetric-modelling/