Detección de anomalías y calidad de datos en la exploración minera con Machine Learning y geoestadística

• Andrés Mauricio Rivadeneira Gallardo
• Sept. 18, 2023

 

La detección de anomalías y la mejora de la calidad de los datos son aspectos críticos en la exploración minera, ya que pueden ayudar a identificar problemas en la producción, optimizar los procesos y reducir los costos. El uso de técnicas de Machine Learning puede ser muy beneficioso en este contexto. A continuación, se presentan algunas formas en las que el Machine Learning se puede aplicar en la detección de anomalías y la mejora de la calidad de datos en la exploración minera.

 

Detección de anomalías geológicas:

Utilización de algoritmos de Machine Learning, como Isolation Forest o One-Class SVM, para identificar anomalías en los datos geológicos. Estos algoritmos pueden ayudar a detectar cambios inusuales en la composición del suelo, la mineralogía o la geofísica.

Análisis de Datos Geológicos:

• Clasificación de tipos de roca: Utilizando algoritmos de clasificación, el ML puede analizar datos geológicos para identificar y categorizar diferentes tipos de roca y minerales en función de sus características geológicas.

• Detección de patrones geológicos: Los modelos de ML pueden identificar patrones y estructuras geológicas en datos de exploración, lo que ayuda a definir áreas de interés para futuras investigaciones.

 

Predicción de Depósitos Minerales:

• Modelos de regresión: El ML puede desarrollar modelos de regresión para predecir la presencia de depósitos minerales en función de datos geológicos, geofísicos y geoquímicos. Estos modelos pueden ayudar a dirigir la exploración hacia áreas más prometedoras.

• Análisis de imágenes satelitales y drones: Los algoritmos de ML pueden procesar imágenes satelitales y de drones para identificar características geológicas y anomalías en la superficie de la tierra que podrían indicar la presencia de minerales.

 

 

Optimización de la Perforación y Muestreo:

• Algoritmos de planificación: El ML puede ayudar a optimizar la ubicación y la profundidad de los pozos de perforación y el muestreo, reduciendo los costos y aumentando la probabilidad de descubrir depósitos minerales.

• Análisis de datos de perforación: Los datos de perforación pueden ser analizados por algoritmos de ML para identificar patrones en la distribución de minerales y evaluar la calidad del mineral en diferentes ubicaciones.

 

Análisis de datos geoquímicos:

El ML puede analizar datos de muestras geoquímicas recopilados en el terreno, como concentraciones de minerales y elementos químicos. Puede identificar patrones inusuales o concentraciones atípicas de minerales que pueden indicar la presencia de un depósito mineral.

 

Datos geofísicos:

Los datos geofísicos, como los levantamientos magnéticos, gravimétricos o electromagnéticos, pueden proporcionar información sobre la estructura subterránea. El ML puede detectar anomalías en estos datos que sugieran la presencia de minerales valiosos o cambios significativos en la geología.

 

Imágenes satelitales y de drones:

El ML puede procesar imágenes satelitales y de drones para identificar características geológicas y patrones de vegetación que pueden estar relacionados con la mineralización. Por ejemplo, cambios en la vegetación pueden indicar la presencia de minerales en la superficie.

 

Geoestadística:

Aplica técnicas geoestadísticas, como el kriging, para modelar la variabilidad espacial de las características geológicas y geoquímicas. Esto proporciona un mapa continuo de las propiedades del subsuelo y la distribución de minerales.

• Creación de Mapas de Tendencia: Utiliza los modelos geoestadísticos para generar mapas de tendencia que muestren las características geológicas y geoquímicas esperadas en la zona de interés.

• Definición de Umbrales de Anomalía: Colaboración entre geólogos y expertos en minería para definir umbrales de anomalía específicos para cada tipo de mineral o característica geológica de interés. Estos umbrales se utilizan para determinar cuándo un punto en los datos se considera una anomalía.

Identificación de patrones anómalos:

El ML puede analizar grandes conjuntos de datos geológicos, geofísicos y de perforación para identificar patrones inusuales o anómalos que podrían indicar la presencia de minerales valiosos o problemas potenciales. Los algoritmos de detección de anomalías, como Isolation Forest, One-Class SVM, o Local Outlier Factor, son especialmente útiles para este propósito. Estos algoritmos pueden resaltar las áreas que se desvían significativamente de la norma y que merecen una inspección más detenida.

 

Limpieza de datos:

Utilización de técnicas de Machine Learning para la detección y corrección de errores en los datos geológicos y de producción. Esto puede incluir la identificación de valores atípicos, datos faltantes o incoherencias en los registros. Antes de realizar análisis más avanzados, el ML puede utilizarse para limpiar los datos, identificando y corrigiendo valores atípicos, datos faltantes o incoherencias en los registros. Esto es esencial para asegurar la calidad de los datos utilizados en los análisis posteriores.

 

Predicción de Recursos Minerales:

Modelos de aprendizaje automático avanzados: Los modelos de ML, como las redes neuronales y los modelos de aprendizaje profundo, pueden ser utilizados para predecir los recursos minerales con mayor precisión, incorporando datos multidisciplinarios y considerando relaciones complejas en los datos.

 

Visualización de Datos:

Técnicas de visualización: El ML puede ayudar a crear visualizaciones interactivas de datos geológicos y de exploración, lo que facilita la comprensión de los patrones y la toma de decisiones informadas.

 

Gestión de Datos:

Bases de datos y sistemas de gestión: El ML puede ser utilizado para mejorar la gestión de bases de datos y sistemas de información geoespacial, facilitando el acceso y la búsqueda de datos relevantes.

 

Para el análisis de anomalías con Machine Learning, se toma en cuenta los siguiente parámetros:

 

1. Selección de Datos Relevantes: Seleccionar y recopilar datos relevantes para el problema de detección de anomalías. Esto puede incluir datos geológicos, geoquímicos, geofísicos, de perforación, de sensores en equipos, imágenes satelitales, entre otros.

2. Preprocesamiento de Datos: Realizar un preprocesamiento de los datos para limpiarlos y prepararlos para su análisis. Esto puede incluir la eliminación de datos faltantes, la normalización de escalas, la codificación de características categóricas, y la detección y corrección de valores atípicos.

3. Selección de Algoritmos de Detección de Anomalías: Elegir algoritmos de detección de anomalías adecuados para el tipo de datos y el problema en cuestión. Algunos algoritmos comunes incluyen Isolation Forest, One-Class SVM, Local Outlier Factor y métodos basados en redes neuronales.

4. Ingeniería de Características: Realizar la ingeniería de características para identificar variables relevantes y crear nuevas características que puedan ayudar en la detección de anomalías. Esto implica transformar y combinar características de manera efectiva.

5. Definición de Etiquetas de Anomalías: Establecer criterios claros para definir lo que se considera una anomalía en el contexto minero. Esto puede implicar la colaboración con geólogos y expertos en minería para definir umbrales o criterios específicos.

6. Selección de Métricas de Evaluación: Elegir métricas de evaluación adecuadas para medir el rendimiento del modelo de detección de anomalías. Esto puede incluir la precisión, el recall, la F1-score y el área bajo la curva ROC (AUC-ROC).

7. Entrenamiento del Modelo: Entrenar el modelo de ML utilizando datos etiquetados (si están disponibles) o datos no etiquetados si se utiliza un enfoque de detección de anomalías no supervisado. Ajustar los hiperparámetros del modelo de manera adecuada.

8. Validación y Evaluación: Evaluar el modelo utilizando datos de prueba o validación para medir su capacidad para detectar anomalías con precisión y minimizar falsos positivos.

9. Ajuste y Optimización: Realizar ajustes y optimizaciones en el modelo, como la selección de umbrales de decisión, para lograr un equilibrio adecuado entre la detección de anomalías y la minimización de falsas alarmas.

10. Implementación en Producción: Implementar el modelo de detección de anomalías en un entorno de producción para monitorear continuamente los datos en tiempo real, si es necesario.

11. Actualización Continua: Mantener y actualizar el modelo de detección de anomalías a medida que se recopilan nuevos datos o cambian las condiciones en el sitio minero.

12. Interpretación de Resultados: Interpretar los resultados de la detección de anomalías para tomar decisiones informadas en la exploración minera, como dirigir la perforación o investigar áreas de interés

 

 

 

 

BIBLIOGRAFIA

Estévez Pereira, J. J. (2020). Detección de anomalías en la red empleando técnicas de machine learning.

Liberato, C., & Adanver, O. (2022). Desarrollo de modelos predictivos de regresión en la industria minera mediante el uso de algoritmo de machine learning. Universidad Nacional Mayor de San Marcos.

Poma Cruz, H. J. (2023). MODELOS MACHINE LEARNING EN GEOMECÁNICA MINERA PARA EL CONTROL EFICAZ DE PERFORACIÓN. Revista de investigaciones, 12(1), 30–42.

Villar Freire, F. J. (2019). Detección de anomalías de red mediante técnicas de machine learning.