Caracterización de yacimientos minerales mediante análisis de datos geofísicos
INTRODUCCIÓN
La caracterización de yacimientos es el campo más importante de la vida de una mina, puesto que la mina vive de los recursos y de acabarse estos, sería su fin. Hoy en día los especialistas deben ser capaces de proveer de más recursos a la minería, y ser los más eficientes posibles. El estar actualizado en tecnología permitirá tener soluciones ágiles en la exploración de recursos como es el caso de utilizar Machine Learning (ML), y la aplicación de un algoritmo de datos geofísicos que incluyen mediciones magnéticas, electromagnéticas de frecuencia (FEM) y radiométricas, junto con mediciones gravimétricas terrestres que son grupos bien marcados de características.
Figura 1. Cómo los científicos analizan los datos: la lente convencional frente a la de ML para el análisis científico.
ML es similar a mirar los datos a través de una nueva lente. Los enfoques convencionales aplicados por expertos en el campo (por ejemplo, análisis de Fourier) se preseleccionan y prueban una hipótesis o simplemente muestran los datos de manera diferente. ML explora un espacio funcional más grande que puede conectar datos a algún objetivo o etiqueta. Al hacerlo, proporciona los medios para descubrir relaciones entre variables en un espacio de alta dimensión. Mientras que algunos enfoques de ML son transparentes en cuanto a cómo encuentran la función y el mapeo, otros son opacos. Por lo tanto, es extremadamente importante adaptar un enfoque de ML adecuado al problema.
Buscando esta eficiencia se determina que el uso de un mapa de conglomerados aplicado a la geofísica nos ayudará en la representación gráfica que muestra la distribución espacial de agrupaciones o conglomerados de datos geofísicos en una determinada área o región, ya que este tipo de mapa se utiliza para identificar patrones, tendencias o áreas de interés en conjuntos de datos geofísicos, lo que puede ser útil en la exploración y el estudio de la Tierra y sus subsuelos.
En geofísica de exploración, se han aplicado modelos gráficos jerárquicos para determinar la conectividad de yacimientos subterráneos a partir de mediciones de series de tiempo utilizando antecedentes derivados de ecuaciones de convección-difusión.
TIPOS DE APRENDIZAJE
A continuación, un ejemplo y los 3 tipos de aprendizaje donde se entrenan el algoritmo, con simulaciones dando recompensa cada vez que se hace una acción deseada.
• Variable Objetivo (target): Será el deslizamiento del Talud
• Conjunto de Características (“n” variables): Tipo de pendiente, tipo de suelo, tipo de roca, condiciones estructurales, humedad, presencia de aguas subterráneas, entre otros.
Aprendizaje Supervisado: Se asigna la variable objetivo y tiene dependencia de otras variables. Utilizan una colección de ejemplos (datos de entrenamiento) para aprender relaciones y construir modelos que sean predictivos para datos nunca antes vistos. El aprendizaje supervisado es un poderoso conjunto de herramientas que se han utilizado con éxito en aplicaciones que abarcan los temas de automatización, modelado e inversión y descubrimiento.
Donde: Y=f(x1, x2, x3, x4, … , xn)
Aprendizaje No Supervisado: No se asigna variable objetivo, pero sí se tiene el conjunto de características. Se hace un agrupamiento o clusterización en base a características geológicas similares. Cada agrupamiento o dominio representa un comportamiento distinto bien marcado. Un grupo representa algo muy específico.
Aprendizaje por reforzamiento: Utilizado en la robótica. Entrenados mediante prueba y error.
MÉTODOS Y TENDENCIAS PARA EL APRENDIZAJE NO SUPERVISADO
MAPAS AGRUPADOS Y AUTOORGANIZADOS
Existen muchos algoritmos de agrupación diferentes, incluidos k-medias, agrupación jerárquica y mapas autoorganizados (SOM). Un SOM es un tipo de red neuronal no supervisada que se puede utilizar para reducción de dimensionalidad o agrupación. Los SOM se utilizan a menudo para identificar facies sísmicas(capacidad de reconocer y caracterizar distintos tipos de estructuras geológicas y estratos de roca utilizando información sísmica), pero los SOM estándar no tienen en cuenta las relaciones espaciales entre los puntos de datos. Los SOM también se han aplicado a datos de formas de onda sísmicas para la selección de características y a agrupaciones de señales para identificar múltiples tipos de eventos.
APRENDIZAJE DE FUNCIONES
El aprendizaje de características no supervisado se puede utilizar para aprender una representación de características dispersas o de baja dimensión para un conjunto de datos. La agrupación de K-medias se aplica a estas características para identificar patrones temporales entre 46.000 terremotos de baja magnitud en el campo geotérmico Geysers.
APRENDIZAJE DE DICCIONARIO
El aprendizaje de diccionario disperso es un método de aprendizaje de representaciones que construye una representación dispersa en forma de una combinación lineal de elementos básicos, o átomos, así como esos elementos básicos mismos. El diccionario de átomos se aprende a partir de un conjunto de datos de entrada mientras se encuentran las representaciones dispersas.
MODELOS GENERATIVOS PROFUNDOS
Los modelos generativos son una clase de métodos de aprendizaje automático que aprenden distribuciones de probabilidad conjuntas sobre el conjunto de datos. Los modelos generativos se pueden aplicar a tareas de aprendizaje supervisadas y no supervisadas. Trabajos recientes han explorado aplicaciones de modelos generativos profundos, en particular redes generativas adversarias (GAN). Una GAN es un sistema de dos redes neuronales con objetivos opuestos: una red generadora que utiliza datos de entrenamiento para aprender un modelo para generar datos sintéticos realistas y una red discriminadora que aprende a distinguir los datos sintéticos de los datos de entrenamiento reales para una explicación clara.
LA GEOFÍSICA
Los estudios geofísicos proporcionan observaciones de las propiedades físicas de la Tierra, como el campo magnético, el campo gravitacional, la resistividad, conductividad eléctrica y la espectrometría de rayos gamma.
La adquisición multigeofísica aérea es muy eficiente y proporciona grandes cantidades de observaciones geofísicas con una densidad y cobertura superiores en un tiempo bastante corto. Hoy en día, los geocientíficos se enfrentan al desafío de extraer la mayor cantidad de información útil posible a partir de estos datos cada vez más complejos. El campo del aprendizaje automático en rápida evolución proporciona una potente caja de herramientas para facilitar la tarea (Bergen et al.2019).
INTEGRACIÓN DE DATOS MULTIGEOFÍSICOS
La tecnología moderna de adquisición de datos geofísicos permite medir múltiples propiedades geofísicas con alta densidad espacial en grandes áreas con gran eficiencia. En lugar de presentar estos conjuntos de datos multigeofísicos coubicados en mapas separados, aprovechemos el análisis de conglomerados y su poder de exploración de patrones para generar un mapa de conglomerados con información objetivamente integrada. Cada grupo en el mapa resultante se caracteriza por tener propiedades multigeofísicas y puede asociarse con ciertos atributos geológicos o tipos de rocas según mapas geológicos existentes, datos de campo y análisis de muestras de rocas.
El proceso para preparar conjuntos de datos disponibles en características de entrada adecuadas que puedan ayudar a facilitar el algoritmo de aprendizaje automático en uso se conoce como ingeniería de características. En otras palabras, la ingeniería de características es un problema de representación que consiste en convertir los datos sin procesar en cosas con las que el algoritmo pueda trabajar mejor. Las técnicas más comunes para datos numéricos de ingeniería de características incluyen filtrado, agrupamiento, escalado, transformaciones logarítmicas, etc. En nuestro caso, el método difusoC, el algoritmo de agrupamiento de medios adoptado para este estudio se basa en la distancia euclidiana y, por lo tanto, tiende a producir grupos de forma esférica. Esto requiere que todas las características de entrada tengan una distribución gaussiana más o menos en forma de campana en el dominio de datos sin colas largas ni distribuciones sesgadas.
A continuación, el diagrama de flujo de trabajo de integración de datos multigeofísicos mediante análisis de conglomerados. Se tiene 4 variables (inputs) y se generó una clusterización.
Figura 2. Diagrama de flujo de trabajo de integración de datos multigeofísicos mediante análisis de conglomerados.
En este artículo el flujo de trabajo y detalles técnicos de la aplicación del difusoC significa algoritmo sobre datos multigeofísicos de un área de estudio dado. Los datos multigeofísicos incluyen mediciones magnéticas, electromagnéticas de frecuencia (FEM) y radiométricas transportadas por helicópteros, junto con mediciones gravimétricas terrestres. Se aborda la importancia de procedimientos de ingeniería de características cuidadosamente diseñados con respecto a los datos de entrada para garantizar una integración de datos imparcial.
El mapa de conglomerados puede verse como un mapa de pseudolitología que muestra potencial para ser un complemento de valor agregado para guiar el mapeo geológico actual y futuro.
Figura 3. Los conjuntos de datos geofísicos después del procesamiento de datos de rutina presentados como cuadrículas regularizadas con un tamaño de celda de 200 m.
Con el fin de integrar los cuatro tipos de datos geofísicos disponibles, se debe incluir al menos una característica de cada tipo. Por lo tanto, nuestra selección final de características de entrada para el análisis de conglomerados son las características magnéticas diseñadas, la resistividad en la frecuencia A (7 kHz), el potasio y la gravedad (como se muestra en la Fig.3), después de la normalización.
Figura 4. Los conjuntos de datos geofísicos después del procesamiento de datos de rutina (Ofstad et al.2019) presentados como cuadrículas.
Teniendo esto en cuenta, superponemos el mapa de conglomerados con un mapa de lecho de roca simplificado en la Fig.5 busca asociaciones entre grupos y unidades geológicas o litologías específicas.
Figura 5. Mapa de conglomerados superpuesto con un mapa de lecho de roca geológico simplificado basado en el mapa de lecho de roca armonizado 1:250 000.
A primera vista, el mapa de conglomerados y el mapa de lecho rocoso comparten un grado similar de complejidad y el área de estudio se puede dividir aproximadamente en cuatro regiones.
También se observa que hay muchos grupos individuales que cruzan fronteras geológicas y comprenden rocas de varias unidades geológicas, así como diferentes tipos de rocas. Estos podrán investigarse durante los próximos años mediante observaciones de campo adicionales.
Tabla 1. Asociación geológica del mapa de clusters con atributos multigeofísicos.
En un determinado sector se tiene una alta respuesta de magnética y gravimétrica. Por ejemplo, el color azul y celeste tiene un bajo resistivo,pero estos resultados van después, lo que el algoritmo hace es agrupar, ya que esta tabla es el resultado de la clusterizacion que no tiene la variable “Y”, no se conoce el significado de cada uno de estos grupos (azul, celeste, verde, amarillo, naranja, rojo, magenta).
Se observa que el grupo de color amarillo es un intermedio magnético y de gravedad, esto se interpreta con las inspecciones cruzadas que ayudan a guiar los ajustes necesarios en los procedimientos de ingeniería de características y se ahorra semanas de trabajo, lo que permite analizar cualquier punto dentro de estos grupos, posteriormente a esta análisis se debería estuadiar bajo una mirada de condiciones geológicas como el tipo de roca que reflejan cada grupo en el mapa de análisis conglomerado.
CONCLUSIONES
En las técnicas de ML se han aplicado a una amplia gama de problemas en el SEG; sin embargo, su impacto es limitado. Los desafíos de los datos pueden obstaculizar el progreso y la adopción de las nuevas herramientas de aprendizaje automático; sin embargo, la adopción de estos métodos se ha quedado rezagada en otros dominios científicos con problemas similares de calidad de los datos.
Se genera valor cuando se procesa la información basada en la información geofísica de un cluster con características bien marcado, el trabajo del profesional es lograr interpretar en base a la información obtenida.
El mapa de conglomerados resultante muestra en términos generales una buena correlación con el mapa ya existente, pero en un nivel más detallado, una serie de desajustes entre los conglomerados y las unidades geológicas invitan a una mayor investigación. Abordar específicamente estos desajustes puede conducir a un mapeo de campos geológicos más específico y eficiente en el futuro.
El análisis de conglomerados y el flujo de trabajo establecido podrían personalizarse para una gran cantidad de escenarios de aplicación, como la exploración de minerales y la identificación de peligros geográficos. Aunque los diferentes escenarios y la experiencia humana afectan la selección de conjuntos de datos, técnicas de ingeniería de características, etc.
Este artículo proporciona una guía general para utilizar criterios matemáticos para ayudar en la toma de decisiones al aplicar el análisis de conglomerados para la integración de datos multigeofísicos.
REFERENCIAS
Bergen, K, Johnson, P, de Hoop, M y Beroza, G(2019) Máquina aprendizaje para el descubrimiento basado en datos en geociencia de la Tierra sólida.
Eberle, D.(1993) Mapeo geológico basado en análisis estadístico multivariado. análisis de datos geofísicos aéreos.
Wang, Y.(2020) Multigeophysical data integration using cluster análisis.
Comentarios
Registrate o Inicia Sesión para comentar y obtener Cursos de pago gratis