Desarrollo de métodos basados en redes neuronales en la estimación de recursos minerales

Resumen

Debido a limitaciones económicas y físicas, nuestra comprensión  de los recursos minerales en un área de interés específica es limitada y fragmentada. Tradicionalmente, este problema se ha resuelto  utilizando el método geoestadístico de Kriging, donde la ley del mineral se estima en ubicaciones sin mediciones utilizando valores conocidos de la ley en puntos circundantes. La ventaja de este método  radica en el cálculo de pesos a través de un modelo de variabilidad  espacial conocido como variograma. Sin embargo, su desventaja es  que se basa en el supuesto de estacionariedad, aditividad, linealidad  y de cierta forma el modelado variográfico es subjetivo. Este estudio  propone abordar el problema de estimación de recursos minerales  como un problema de regresión utilizando redes neuronales, que  no están sujetas a las restricciones de estacionariedad, aditividad,  linealidad y modelado espacial de los métodos geoestadísticos. Se  han comparado el Kriging y una red neuronal de función de base  radial y un perceptrón multicapa utilizando distintas métricas de  validación. Los resultados muestran que un modelo de red neuronal  adecuadamente entrenado, con un etiquetado apropiado de la ley  mineral y sus características de entrada, logra resultados similares  al enfoque geoestadístico con una reducción de tiempo significativo, evitando a su vez todos los supuestos antes señalados. Sin embargo, las redes neuronales no consideran la correlación espacial de  la ley del mineral ni la reproducen en los lugares donde se midió, características que han marcado desconfianza en su implementación  industrial y que se discuten en este artículo proponiendo finalmente  un ajuste entre ambos enfoques a un mínimo sacrificio del coste temporal y de mano de obra.