Modelado de procesos tectónicos y evolución geológica utilizando simulaciones y Machine Learning
INTRODUCCIÓN
El machine learning es una rama de la inteligencia artificial que emplea algoritmos informáticos para la predicción de ciertos resultados. En el campo de las ciencias de la tierra, implementarlo se vuelve un desafío debido a la complejidad de múltiples variables que son difíciles de predecir y monitorear. Sin embargo, investigadores de la Universidad de Valencia en colaboración con la Universidad de Oxford y el Instituto Max Planck de Biogeoquímica ha desarrollado modelos altamente adaptables y eficaces para estimar variables de interés a partir de datos y observaciones.
En el siglo XIX, la geología carecía de un método detallado para la creación de mapas geológicos. Sin embargo, en la época actual el mapeo geológico se enfrenta a requisitos más rigurosos, incluyendo la necesidad de utilizar nuevas herramientas, realizar análisis de laboratorio y aprovechar los avances tecnológicos. Un ejemplo notable de estos avances es la aplicación del Machine Learning en diversas disciplinas de la geología, como exploración de cuerpos minerales, riesgos geotécnicos, sismos, terremotos, etc. La clave para lograr un Machine Learning efectivo es tener clara la relación entre los parámetros geológicos y así aplicarlos a las áreas de interés como la tectónica o exploración de yacimientos.
Dentro de América Latina, Perú se destaca por ser uno de los países que ha aprovechado ampliamente el Machine Learning en el ámbito de las Ciencias de la Tierra. Han implementado algoritmos e inteligencia artificial para construir una base de datos extensa, lo que se conoce como "Big Data," con el objetivo de realizar predicciones estadísticas sobre la posible existencia de nuevos yacimientos minerales, la cual atraería inversión internacional, principalmente en el campo de la minería a corto, mediano y largo plazo.
MACHINE LEARNING EN EL ANÁLISIS SÍSMICO
En las últimas dos décadas, se ha expandido rápidamente la aplicación de ML en la predicción de geociencias, las cuales abarcan la detección de ondas sísmicas, identificación de formaciones geológicas, alerta temprana de terremotos, estimar la ubicación de la fuente y las dimensiones del epicentro de un terremoto, con ANN y GA respectivamente. A continuación, se analizan algunas investigaciones que exploran la aplicación de métodos de aprendizaje automático en la tarea de predecir terremotos en diferentes intervalos de tiempo y ubicaciones geográficas. Dado que los procesos detrás de la ocurrencia de terremotos se consideran estocásticos y no lineales, los estudios más recientes en este campo se centran en la utilidad de las redes neuronales para abordar este desafío.
En 2006, E. I. Alves utilizó redes neuronales (ANN), para la previsión de terremotos. El autor se inspiró en la aplicación exitosa de esta inteligencia en el sector financiero, el pensaba que la previsión financiera es similar a la actividad de sísmica en términos de naturaleza caótica de ambos sistemas. El pronóstico proporcionaba información sobre la ubicación geográfica, el momento esperado y el rango de magnitud de un terremoto, dentro de ciertos espacios y marcos temporales. Sin embargo, no se realizaron cálculos estadísticos, lo que impide una evaluación objetiva del rendimiento de este enfoque. A pesar de que las ventanas temporales eran bastante amplias (se pronosticaba el mes del evento sísmico dentro de un rango de ± 5 meses), los resultados se consideraron "prometedores", lo cual demostraba un potencial del uso de redes neuronales para la predicción de terremotos.
En el año siguiente, en 2007, A. Panakkat y H. Adeli llevaron a cabo un estudio, y posteriormente en 2009 otro, en los cuales abordaron el problema de la predicción sísmica. En el primer estudio, plantearon la tarea de predicción como una clasificación, con el objetivo de anticipar la magnitud (dentro de un rango de 0.5) del mayor evento sísmico en una ventana de tiempo y una región predefinida en el próximo mes. Para lograr esto, propusieron la utilización de ocho indicadores de sismicidad. Estos indicadores son características matemáticas que se calculan y que se emplean para evaluar el potencial sísmico de una región determinada. En su segundo estudio posterior, los mismos autores presentaron una solución al mismo problema, donde propusieron la arquitectura de una red neuronal probabilística (PNN). En este enfoque, emplearon el mismo conjunto de indicadores de sismicidad como datos de entrada para entrenar la red neuronal. Sin embargo, PNN no funcionó satisfactoriamente para terremotos de magnitudes superiores a 6.0, lo que arrojó puntuaciones R en el rango de 0.0 a 0.5 5, pero los autores propusieron el uso de otro modelo para abarcar este problema. Estas investigaciones han sentado las bases de un enfoque científico para evaluar el riesgo sísmico potencial para diferentes regiones.
Figura 01: Los 8 parámetros de Panakkat y H. Adeli
Como se mencionó que las redes neuronales son uno de los modelos predictivos más usados en este campo, la definiremos . Las redes neuronales, que también se conocen como redes neuronales artificiales (ANN) o redes neuronales simuladas (SNN), forman parte del campo del aprendizaje automático. Toman su nombre y estructura de inspiración en el cerebro humano, imitando el modo en que las neuronas biológicas se comunican entre sí.
Las redes neuronales artificiales se estructuran en capas que incluyen una capa de entrada, una o varias capas ocultas y una capa de salida. Cada nodo, o neurona artificial, está interconectado con otros nodos y tiene asociados pesos y umbrales. Si la salida de un nodo en particular supera el umbral establecido, ese nodo se activa y envía información a la siguiente capa de la red. En caso contrario, no se transmiten datos a la siguiente capa. Puede representarse visualmente mediante un diagrama que muestra sus capas de entrada, capas ocultas y capas de salida, como se ilustra en la siguiente figura.
Figura 02: Diagrama de redes neuronales
MACHINE LEARNING EN DEPÓSITO DE MINERALES
Los recursos minerales son indispensables para el sustento de la civilización moderna. Desempeñan roles esenciales en el desarrollo socioeconómico, los procesos industriales, la fabricación de tecnologías modernas y la construcción de sistemas de transporte modernos. La estimación de recursos minerales se realiza para determinar la cantidad y calidad de un depósito mineral y establecer la confianza en su interpretación geológica, y requiere una consideración cuidadosa y detallada de la alta variabilidad espacial y la incertidumbre asociada con las formaciones geológicas. Por lo tanto, una estimación de recursos minerales confiable es fundamental para el éxito de cada proyecto minero.
Los recursos minerales se dividen en categorías de inferidos, indicados y medidos según la confianza geológica y el conocimiento. Después de estimar los recursos minerales, se realiza una estimación de las reservas minerales para determinar qué parte del recurso es económicamente viable de extraer. La precisión en la estimación de reservas es crucial para la calidad de la interpretación geológica, la planificación minera y las decisiones relacionadas con la asignación de capital y la política operativa. Estas estimaciones también se conocen como estimación de reservas de mineral y estimación de grado. Además, otras consideraciones, como factores económicos, ambientales, climáticos y sociales, influyen en la viabilidad de la extracción de un recurso mineral. Las reservas minerales se clasifican en reservas probables y reservas probadas, según el nivel de confianza en el conocimiento geológico y las consideraciones técnicas y económicas, según el Código JORC.
Figura 03: Relación general entre recursos y reservas
Los métodos utilizados para la estimación de reservas son relevantes, ya que pueden influir en la confiabilidad y precisión de la estimación. Los métodos usados los podemos clasificar en dos: Geométricos y geoestadísticos. Las técnicas geométricas son simples y requieren pocos parámetros de entrada, y a menudo se aplican en las primeras etapas de un proyecto minero. Las técnicas geoestadísticas (por ejemplo, kriging, ponderación por distancia inversa y simulación condicional) son más sofisticadas. Sin embargo, estas técnicas convencionales tienden a tener un rendimiento deficiente con conjuntos de datos altamente heterogéneos, sobreestimar o subestimar los recursos y requieren un procesamiento manual significativo. Debido a estas deficiencias, actualmente se están implementando métodos de aprendizaje automático (Machine Learning, ML) en la estimación de recursos minerales.
Desde 1993, muchos autores han estado explorando el potencial del ML en la estimación de recursos, lo que ha resultado en varias publicaciones de investigación. Aunque la implementación de la inteligencia artificial y las tecnologías autónomas en la industria minera comenzó hace décadas, no fue hasta 1993 que las aplicaciones de ML en la estimación de recursos minerales despertaron un gran interés de investigación. Zhang et al. señalaron que el ML mejora la estimación de recursos de la siguiente manera: (i) las muestras que son rechazadas en estimaciones de recursos convencionales debido a que no cumplen con todos los requisitos de control de calidad pueden ser utilizadas, siempre que las descripciones geológicas y las mediciones sean confiables; y (ii) los modelos de bloques de estimación de recursos pueden construirse utilizando menos ensayos y más información geológica, lo que conduce a una reducción de los costos operativos. Además, el enfoque de estimación de recursos basado en ML es significativamente más económico y rápido que la estimación de recursos convencional.
La Figura 4 presenta un resumen de las diversas técnicas de aprendizaje automático aplicadas en la estimación de recursos minerales basándonos en artículos de investigación (ML aplicado a estimación de recursos) desde el 1993 al 2021. Es interesante destacar que la red neuronal artificial (ANN) es la técnica más utilizada, seguida de las máquinas de soporte vectorial (SVM). Las técnicas restantes incluyen el super aprendizaje por conjuntos (Ensemble), la ponderación inversa de distancia y red neuronal artificial (IDW-ANN), algoritmos genéticos (GA), el algoritmo de los k-vecinos más cercanos (kNN), máquinas de soporte vectorial (SVM), etc.
Figura 04: Distribución de técnicas de aprendizaje automático para la estimación de recursos minerales
Figura 05: Resumen de las diversas técnicas de aprendizaje automático aplicadas para estimar recursos minerales
El primer paso en el ciclo de desarrollo del modelo de ML consiste en comprender el problema, caracterizarlo y obtener el conocimiento necesario para adquirir los datos relevantes. El segundo paso implica la recopilación de todos los datos relevantes basados en las características especificadas en el primer paso, seguido de la preparación de datos, preprocesamiento y transformación. La selección de características se refiere a la selección automática o manual de variables que contribuyen más a la variable de predicción. Luego, los datos se dividen en conjuntos de entrenamiento, validación y prueba en función de una proporción predefinida. Típicamente, se utiliza el 60% de los datos para entrenamiento, el 20% para validación y el 20% para pruebas. Después de eso, se entrena, valida y prueba un modelo de ML utilizando los conjuntos de datos particionados. La evaluación del modelo implica el uso de nuevos datos de muestra para volver a verificar el rendimiento del modelo.
Figura 06: Etapas de implementación de Machine Learning
Entre los métodos más destacados de ML (ver Figura 8) que se han empleado para estimar los recursos minerales se encuentra la red neuronal artificial (ANN), la máquina de soporte vectorial (SVM), el bosque aleatorio (RF), los procesos gaussianos (GP) y la teoría de conjuntos difusos. Estos modelos se han aplicado con éxito en la evaluación de diferentes yacimientos minerales, incluyendo caliza, oro y cobre.
Figura 07: Técnicas de Machine Learning y sus correspondientes algoritmos
REFERENCIAS:
1. Machine Learning for Mineral Exploration: Prediction and Quantified Uncertainty at Multiple Exploration Stages (Stephen Kuhn, 2021).
2. Machine Learning - A review of Applications in Mineral Resource Estimation (Nelson Dumakor, 2021).
3. Perspectivas Sísmicas en México Usando Machine Learning (Adolfo Bustillos, 2022).
4. Reducing The Risks In Geotechnical Engineering Using Artificial Intelligence Techniques (Yeruva Ramana, 2014).
5. Aplicaciones de Machine Learning en la Geología (Andrés Alvarez, 2021).
Comentarios
Registrate o Inicia Sesión para comentar y obtener Cursos de pago gratis