Machine learning aplicado al modelamiento geológico en una mina de cobre a tajo abierto y propuesta de integración futura con sensores XRF

Abstract

En el presente trabajo se desarrolló un modelo de Machine Learning orientado a la predicción de variables geoquímicas relevantes en la operación minera de la experiencia profesional, específicamente cobre (Cu), arsénico (As), zinc (Zn), óxido de magnesio (MgO) y CUOX. Como datos de entrada principal se utilizaron bases de datos provenientes de taladros de mediano y largo plazo, a partir de los cuales se entrenaron y validaron los algoritmos implementados. Este modelo buscó aprovechar la capacidad de los métodos de aprendizaje automático para identificar patrones ocultos en los datos y generar estimaciones. Posterior a ello, se realizó la comparación del modelo desarrollado con el modelo propuesto por un proveedor externo, aplicado en la misma unidad minera donde se realizó la experiencia profesional. Para ello, se evaluaron las diferencias en los resultados obtenidos por ambos enfoques, analizando la precisión de las estimaciones de ambos y comparándolos con el modelo de bloques de corto plazo, el cual fue usado como referencia para calcular dicha precisión. Finalmente, en el presente trabajo se plantea como propuesta la integración de tecnologías de medición en tiempo real mediante sensores de fluorescencia de rayos X (XRF), capaces de estimar leyes directamente en el balde de los equipos de carguío. Esta información, combinada con el modelo de Machine Learning, permitirá alimentar la base de datos de manera continua y en tiempo real, incrementando la cantidad y calidad de información disponible. De este modo, se abre la posibilidad de contar con un sistema predictivo más dinámico y preciso, que aporte directamente a la optimización de la planificación y operación minera.