En el marco de la 9ª Conferencia Internacional GeoMin MinePlanning 2025, un equipo de Mineral Forecast presentó un estudio que aplicó técnicas de machine learning para identificar nuevas vetas de plata en un distrito minero chileno.
Uso de machine learning en la exploración minera
El uso de machine learning en la exploración minera fue uno de los temas destacados en la reciente GeoMin MinePlanning 2025, organizada por Gecamin. En este contexto, un equipo de Mineral Forecast presentó un estudio que aplicó estas técnicas para identificar vetas de plata en un distrito minero chileno, utilizando una base de datos masiva y heterogénea.
También te puede gustar
El trabajo se realizó sobre una superficie de 248 millones de metros cuadrados, con 308 millones de registros históricos. El objetivo fue encontrar nuevas áreas de mineralización que complementaran los resultados de la exploración convencional.
Homogeneización de datos y variables geológicas
Uno de los principales desafíos del proyecto fue homogeneizar la información disponible, que provenía de registros de distintas épocas y niveles de detalle. La variable objetivo fue la presencia de plata sobre 50 ppm, utilizando como entrada 54 variables geológicas y estructurales.
Modelo predictivo y validación en terreno
El equipo entrenó y validó múltiples modelos, evaluando más de 15 algoritmos de machine learning sobre 50 marcos geológicos distintos. El modelo final alcanzó una precisión global del 70,86% en la predicción de zonas mineralizadas.
El modelo identificó cerca de 30 áreas de interés, de las cuales 16 fueron priorizadas para la exploración. Para validar las predicciones, se realizaron 9 sondajes en terreno. Los resultados confirmaron la presencia de vetas de plata en 7 de los casos.
Desafíos estructurales y modelado complejo
Uno de los aspectos más complejos fue el modelado de controles estructurales, ya que el depósito está dividido en cinco bloques estructurales con variaciones significativas en su geometría.
El equipo destacó la importancia de disponer de datos de calidad, más que de cantidad, y de una continua retroalimentación del modelo con los resultados de nuevas perforaciones.
Integración de inteligencia artificial en la exploración minera
Este caso refuerza el valor de integrar inteligencia artificial en la exploración minera, especialmente en distritos complejos y con grandes volúmenes de datos históricos. El enfoque permite optimizar las campañas de sondajes y generar nuevas hipótesis geológicas a partir de modelos predictivos.
