Necesitamos Tu apoyo!!! Haz Click AQUÍ
| Tiempo de lectura 3 minutos |
| Un nuevo estudio liderado por Alberto Fernández Osorio, académico del Departamento de Ingeniería en Minas de la Universidad de Santiago de Chile (USACH) y doctorando de la Universidad Politécnica de Madrid, explora el uso de Machine Learning en la exploración minera para mejorar la identificación de minerales en la minería subterránea. Esta investigación científica, publicada en la revista científica "Ore Geology Reviews", se centra en la calibración de datos de perforación para minería con información geológica, información geotécnica e información geoquímica para crear modelos predictivos para la exploración de recursos. Este enfoque, basado en técnicas de Inteligencia Artificial, busca optimizar el diseño de tronadura con IA, lo que permite una mejor caracterización de los recursos durante la exploración y una optimización de la producción. Este trabajo subraya los beneficios del Machine Learning en la industria minera y, particularmente, en las aplicaciones de la IA en la ingeniería de minas. |
IA revoluciona la predicción minera
La investigación del académico Alberto Fernández se centra en el uso de técnicas de Inteligencia Artificial (IA) para procesar datos generados desde la operación de perforación, con el fin de construir modelos ingenieriles de predicción de propiedades del macizo rocoso, ajustado a las características del yacimiento y tecnología de perforación disponible en las operaciones mineras.
El académico manifestó que: "Tener la oportunidad de crear conocimiento y difundirlo, tanto hacia el área minera como geológica, me han entregado una visión más avanzada de la investigación científica, potenciada con el trabajo efectuado en proyectos de investigación aplicada con equipos de múltiples áreas y operacionales".
Optimización minera con IA y ML
La integración de modelos de Machine Learning en la exploración minera presenta una oportunidad significativa para optimizar las operaciones mineras, particularmente en la identificación de minerales con Machine Learning. Este modelos predictivos para la exploración de recursos, a través del análisis de datos de perforación calibrados con información geológica, geotécnica y geoquímica, permite una mejor caracterización de los recursos estudiados durante la fase de exploración. Además, la investigación subraya el valor de estos modelos en la etapa de producción, ya que la información obtenida facilita la adaptación del diseño de tronadura con IA, mejorando su eficiencia y precisión.
La presente investigación científica explora las aplicaciones de la IA en la ingeniería de minas con un enfoque en la calibración de datos de perforación para minería. El estudio se centra en el uso de técnicas de Machine Learning en la exploración minera, específicamente para la identificación de minerales con Machine Learning. Fernández Osorio propone la construcción de modelos predictivos para la exploración de recursos, a partir del análisis de datos de perforación enriquecidos con información geológica, geotécnica y geoquímica. Esta metodología facilita una mejor caracterización de los recursos estudiados en etapas tempranas de exploración. Además, la investigación destaca el potencial de la optimización del diseño de tronadura con IA durante la fase de producción, lo que permite ajustes más precisos y eficientes. En definitiva, la investigación de Alberto Fernández Osorio evidencia los beneficios del Machine Learning en la industria minera. El desarrollo de modelos predictivos basados en IA ofrece una oportunidad para optimizar la toma de decisiones, tanto en la exploración como en la producción, mejorando la eficiencia y el uso de los recursos en la industria.
Tres ideas principales sobre IA y Machine Learning en Minería Subterránea
- Idea 1: La aplicación de la Inteligencia Artificial (IA) y el Machine Learning (ML) en la minería subterránea transforma la identificación de mena/estéril mediante el procesamiento avanzado de datos de perforación. Esta metodología permite una clasificación de rocas más eficiente basada en sus propiedades fisicoquímicas, utilizando algoritmos de Machine Learning y técnicas de calibración geoquímica.
La Inteligencia Artificial en minería subterránea, especialmente el uso de Machine Learning para la identificación de mena/estéril, representa un avance significativo en la eficiencia operativa y en la toma de decisiones en el sector minero. - Idea 2: La integración de datos de perforación (MWD) con análisis químicos (XRF) y técnicas de Machine Learning permite construir modelos predictivos robustos para la optimización de la exploración y producción minera. Esta calibración geoquímica de datos de perforación, junto con el uso de modelos predictivos en minería con IA, facilita la predicción de propiedades del macizo rocoso y la optimización del diseño de tronadura.
El uso de modelos predictivos con IA mejora la exploración minera al permitir una mejor caracterización de los recursos, lo que a su vez lleva a una optimización de tronadura con Machine Learning en la fase de producción. - Idea 3: Las metodologías basadas en Machine Learning, como el clustering (k-means) y los modelos de clasificación supervisada (bagging y boosting), son fundamentales para manejar datos desequilibrados y mejorar la precisión en la clasificación de mena/estéril. Estas técnicas de Machine Learning en geología son esenciales para una metodología para la clasificación de mena y estéril. más eficiente y precisa, utilizando también técnicas de remuestreo como SMOTE y RUS.
La aplicación de estas técnicas de Machine Learning en geología y la metodología para la clasificación de mena y estéril no solo mejoran la precisión, sino que también permiten manejar eficazmente la complejidad de los datos mineros..
EQUIPO DE INVESTIGADORES
| AUTORES | INSTITUCION |
| Alberto Fernández Osorio |
|
| Pablo Segarra | Universidad Politécnica de Madrid |
| José A. Sanchidrián | Universidad Politécnica de Madrid |
| Rafael Navarro |
|
Texto Completo
Fuente
Fuente 1