“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE INGENIERÍA DE MINAS
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS

 CURSO: MODELOS Y SIMULACIÓN DE MINAS

 TEMA: TRABAJO ENCARGADO

 DOCENTE: ING. GRIMALDO EDMUNDO SAAVEDRA

FRIAS

 ALUMNO: NIZAMA IPANAQUE ROLLY JOSE

 CICLO: 2020-1

PIURA-PERÚ

14/10/2020
 Machine learning en la geología de minas
Como futuros profesionales, ingenieros de minas es obligatorio tener conocimientos
claros con respecto a la geología y todo lo que conlleva, esto concierne a conceptos tales
como procesos endógenos, exógenos, magmatismo, los cuales son procesos geológicos
que dan paso a las mineralizaciones en zonas determinadas las cuales a gran escala se
denominaran yacimientos, así mismo podrán ser explotados con los debidos estudios
teniendo en cuenta la rentabilidad y sostenibilidad que pueda brindar el yacimiento.
Cuando hablamos de machine learning, hablaremos de cuantificar las variables que
estarán involucradas en cualquier tipo de sistema.

Función de costo de una red neuronal

Cuando tenemos una red neuronal tenemos que reducir el error para poder tener mayor
exactitud en la predicción que en lo que en la realidad sucede; es decir, que los
procesos geológicos u otro tipo de procesos es necesario cuantificarlos por medio de las
ecuaciones matemáticas para predecir dichos comportamientos.

Una de las muchas aplicaciones del machine learnig es la detección de rostros, asistente
de voz, reconocimiento de caracteres, sistemas de recomendación como es netflix, o
programas de inteligencia artificial que han superado intelectualmente a las personas en
algunas disciplinas, cabe recalcar que ello es un gran avance en la tecnología
contemporánea.
Por otro lado también se aplica también en la medicina, para determinar si una persona
tiene cáncer a través de las imágenes de los rayos x
En lo que respecta al sector minero, lo más palpable del machine learnig es el Gawler
Challenge cuyo fin es encontrar zonas minerales a partir del uso de técnicas de análisis
de datos, que en ese caso se refiere a la geología de exploraciones para poder encontrar
zonas de interés económico
Predicción en rocas ígneas
Ejemplo:

Filas: 1677
Objetivo: predecir la columna litología, el cual esta codificado en cada tipo de roca con
un valor numérico
Se usan algoritmos de machine learnig para hallar la predicción de los valores previo
tratamiento y transformación de datos.
Esto se realizara utilizando distintos algoritmos de machine learning y vamos hacer un
modelamiento, también aplicaremos un re muestreo y técnicas para poder generar una
predicción como los valores indicados en el recuadro anterior
Predicción de facies sedimentarias

Por ejemplo en este caso vamos a ver un ejemplo de predicción de facies sedimentarias
y obtenemos que cuando se hacen los trabajos de exploración petroleras se hacen
perforaciones y se tiene que usar sensores para determinar la respuesta geofísica y
asociar a una facie sedimentaria; entonces nosotros podemos reconocer que tipo de facie
presentamos en base a la formación litológica
Si esto bien es entendido desde un punto de vista geológico también podemos aplicar un
programa de machine learling que nos permita predecir las facies a partir netamente de
los datos que se han obtenido previamente; es decir, con esta base de datos podemos
tener un programa que me prediga facies solamente teniendo los datos de entrada como
lo son el nombre de la formación y los datos de los sensores; en consecuencia
obtendremos algo similar al siguiente recuadro:
Predicción de configuración tectónica
Si tenemos la configuración tectónica de una margen convergente o de una intraplaca
volcánico como bien es conocido, esto está asociado a un tipo de magma que tiene
ciertos componentes y elementos que definen justamente a ese tipo de margen
convergente o configuración tectónica.
Por lo tanto nosotros podremos en base a los componentes que están asociados a hacer
un aprendizaje automático que nos prediga bajo que configuración nos encontramos.
Generando posteriormente una precisión de 90% para intraplaca volcánico y 78 % para
margen convergente como se ve en el siguiente recuadro:
Estos valores, predicciones que estamos haciendo a largo plazo nos van a servir para
tener interpretaciones y tomar decisiones al momento de hacer nuestros estudios en
búsqueda de un valor económico para nuestro trabajo en nuestro beneficio.
Estamos percibiendo que a partir de la base de datos estamos generando predicciones
pero el problema es cómo es que esto está sucediendo, existe justamente el proceso del
análisis matemático, el análisis de datos, etc, el cual concierne “la caja negra” que es
mas que nada el proceso de lo antes mencionado

¿QUÉ ES EL MACHINE LEARNING?

El Machine Learning es el aprendizaje automático del resultado de la interacción de

los datos de entrada y salida a partir de la caja negra, después de esto los resultados
obtenidos se testean con nueva data y vemos si nuestro programa está funcionando, cual
es la tasa de producción y que utilidad tiene. El Machine Learning funciona diferente a
la programación tradicional, es decir en esta programación se introduce los datos
obtenidos (variable independiente) y el resultado que deseo predecir (variable objetivo)

MACHINE LEARNING Y SU TESTEO.

TIPOS DE APRENDIZAJE DEL MACHINE LEARNING

En Machine Learning tiene tres tipos de aprendizaje, pero 2 son los más utilizados
en la geología:

 Supervised Learning (aprendizaje supervisado)

 Unsupervised Learning (aprendizaje no supervisado)
 Reinforcement Learning (aprendizaje de refuerzo)

Supervised Learning (aprendizaje supervisado)

Consiste en el aprendizaje del vínculo entre dos conjuntos de datos: los datos
observados (X) y una variable externa (Y) que estamos tratando de predecir,
generalmente llamados “objetivos” o “etiquetas”; es decir nosotros indicamos cual es
nuestra variable de interés y cuáles van a ser nuestros datos de entrada independientes
para generar el programa de Machine Learning, con esto podemos desarrollar problemas
de regresión y clasificación.

Unsupervised Learning (aprendizaje no supervisado)

Es el entrenamiento de un algoritmo de inteligencia artificial (IA) que utiliza
información que no está clasificada ni etiquetada y que permite que el algoritmo actué
sobre esta información sin orientación. Esta IA puede agrupar información no ordenada
de acuerdo con similitudes y diferencias; es decir asocia valores numéricos en búsqueda
de patrones e interpreta para así poder predecir los posibles lugares donde se encontraría
el material de interés.
El Deep Learning

El Deep Learning permite que los modelos computacionales que se componen de

múltiples capas de procesamiento aprendan representaciones de datos con múltiples
datos de extracción.

TIPOS DE ALGORITMOS

Algoritmos de Supervised Learning

 Algoritmos lineales para problemas de regresión:

 Regresión lineal
 Ridge Regression
 Lasso
 Elastic Net

Estos son diferentes por las variaciones de función de costos y función de

error, donde cambiamos la norma que es un término matemático donde medimos que
tan certero es la predicción de acuerdo al valor real

Lo que nosotros buscamos es minimizar el espacio de los puntos azules que son los
datos y las predicciones que están dadas por la línea roja.

 Algoritmos lineales para problemas de clasificación

Logistic Regression: es modelo ayuda a determinar si la entrada
pertenece a un sector específico. Utiliza la función sigmoide que
tiene un rango de salida entre 0 y 1.
 Linear discriminant analysis: también supone una distribución
gaussiana para las variables de entrada numérica.
 Algoritmos no lineales
 Naive Bayes: calcula las clases según la probabilidad bayesiana.
Se aplca para problemas de clasificación.
 K-Nearest Neighbors: clasifica la entrada basándose en una
medida de similitud, que menudo es la distancia en el espacio de
los puntos de datos. Se hace una predicción eligiendo la clase más
frecuente entre los k vecinos más cercanos. Se aplica en
problemas de regresión y clasificación.

 Support Vector Machine: Dados los datos en el espacio, SVM

construye hiperplanos en un espacio de alta dimensión con una
brecha máxima entre ellos. Con la ayuda de las funciones de
kernel, puede realizar la clasificación de datos de alta dimensión.
Se aplica en clasificación y regresión.
  Classification and Regression Trees: Para problemas de
clasificacion y regresión.

 Algoritmos Ensamblados:
Son un complejo de diferentes procesos que son ensamblados y trabajan
como un nuevo conjunto.
La manera en que funciona es que primero ejecutamos un algoritmo de
Machine Learning y obtenemos una predicción, pero los errores son
corregidos y volvemos a ejecutar un modelo de Machine Learning igual
o diferente y así sucesivamente hasta que el error tienda a ser asintótico y
ya no poder mejorar la predicción de nuestro modelo.

Algoritmos de Unsupervised Learning

  Clustering(agrupamiento): consiste en dividir un conjunto de
elementos heterogéneos en clústers o grupos homogéneos. Se considera
un paradigma de clasificación no supervisada, ya que asigna una clase a
cada elemento, pero dichas clases no son conocidas durante el proceso
del modelo.
El objetivo del clustering es encontrar una división de los datos en la
que se dé:
 Alta similaridad intra-cluster (entre elementos de un mismo
clúster)
 Baja similaridad inter-cluster (entre los elementos de distinto
clústers)

En el clustering tenemos el k-means, este está basado en la distancia del

dato y el centroide, el programador debe elegir cuantos centroides habrá.

Por ejemplo, si programamos 2 centroides, entonces clasificaremos

deacuerdo a la distancia hasta minimizar el error que pueda generar los
agrupamientos que tenemos a partir de cada centroide

Algoritmos de Deep Learning

 Algoritmo de redes neuronales: en este algoritmo llega la información

desde los brazos hasta una neurona quien es la que recibe la información
de todos los valores de entrada, estos datos los va a ponderar usando una
función no lineal y generar una salida. De manera simplificada se
muestra así:
CICLO DEL MACHINE LEARNING
 Establecer la variable a definir o lo que queremos resolver.
DEFINICION
DEL
PROBLEMA

Se hace una serie de tratamiento de datos es decir transformamos y

ANALISIS Y resolvemos problemas que influyan en el procesamiento de la data.
PREPARACION
DE DATOS

Se realiza un modelamiento con machine learning usando

EVALUACION diferentes algoritmos deacuerdo a las varibles a resolver
DE
ALGORITMOS

Deacuerdo al resultado de los algoritmos se realiza una mejora en

un proceso o se obtiene una nueva prediccion.
MEJORA DE
RESULTADOS

RED NEURONAL PETROGRÁFICA

Podemos predecir el comportamiento macroscópico de una roca a partir de sus
características microscópicas; es decir, se puede predecir las variables macroscópicas a
partir de las características microscópicas, porque visiblemente si tenemos zona de
defoliación o potextura dentro de nuestra roca, estas zonas, son zonas de debilidad que
justamente es por donde se van a fracturar, porque son zonas débiles
Por otro lado, cuantificas que se va a facturar por un lugar determinado cuando tenemos
valores exactos, por lo tanto vamos a cuantificar este tipo de predicciones; es decir ,
vamos a predecir características Macro a partir de características microscópicas y lo
lograremos analizando las características microscópicas. por ejemplo cada grano
mineral tiene un área, un perímetro, un ángulo y una consistencia, así mismo en una
sección delgada encontramos la proporción entre los granos y la matriz; también
tenemos un largo mayor, un largo menor asociados al ancho y el largo; tenemos
distintas características que podemos extraer de cada grano del mineral dentro de una
sección delgada.

Coeficiente textural
Las características antes mencionadas nos van a permitir predecir una característica
macroscópica como por ejemplo la resistencia a la compresión uniaxial o también
llamado UCS; entonces a partir de una sección delgada yo voy a decir cuál es el UCS
de una Roca.
Este trabajo lo hicieron howarth y rowlands los cuales son antecedentes del trabajo que
se hizo en 1987 donde ellos crearon un parámetro llamado coeficiente textural que
estaba basado en la área del perímetro, los parámetros de en Sección delgada y que
justamente esos parámetros tienen una alta correlación con el UCS; es decir los
parámetros de roca vista de microscopio tienen una alta correlación con un parámetro
macroscópico como es el UCS; es decir las variables.

Tengo datos de entrada tales como la característica del mineral dentro de la roca en el
microscopio y como objetivo tengo el UCS si bien el trabajo de ozturk son muy buenos
y efectivamente tienen gran resultado, tiene todo el contexto para poder armar un
programa de machine learnig porque tengo los datos de entrada y tengo el valor de
salida para tratar de mejorar las predicciones que se tienen

por
ejemplo; en el
siguiente recuadro se aprecian predicciones del UCS experimental echo en un
laboratorio geomecanico o en un laboratorio de mecánica de rocas, en el cual tenemos
valores relativamente muy parecido o muy cercano como por ejemplo 6% . sin embargo
tenemos valores como el 15 o el 20% en el cual no podemos tener esa clase de errores
ya qué es peligroso porque estamos usándolo para un diseño de un puente o alguna
aplicación.
Dado el problema planteado por que no aplicar Inteligencia artificial y optimizar esto
dado que tenemos las imágenes en rocas, el UCS, etc. Sabiendo que se puede aplicar
una red neuronal o aplicar otro programa de regresión lineal, regresión logística yendo a
una herramienta más compleja para obtener mejores predicciones.
Por lo tanto vamos a predecir características macroscópicas a partir de características
microscópicas, en este caso las características Macro es el parámetro de roca y la
características microscópicas serán los datos independientes, además predeciremos el
UCS a partir de las variables como el área, el perímetro, la proporción de grano-matriz,
la angulosidad, la redondez y generamos un programa capaz de predecir cuánto es el
UCS a partir de la variable en sección delgada;
Entonces estaremos generando un programa que predice para características
macroscópicas a partir de características microscópicas

Machine
learnig
aplicado a la geología
- Entrenamiento de un algoritmo para el reconocimiento de lotologias basado en
fotos de cores y generación de paseudoregistos
- Entrenamiento de un algoritmo para reconocimiento de mineralización de oro
“invisible”
- Detección automática de fracturas
- Mapeo geoquímico
- Prospección mineral
- Identificación de características geológicas de cubos sísmicos
- Aplicación en la industria petrolera

CONCLUSIONES
 Estas herramientas de inteligencia artificial de machine learning y deep learning
están siendo utilizadas ya que estamos en el período donde todas las condiciones
 son favorables para que suceda esto, por el motivo de la gran cantidad de datos;
haciendo la aplicación de este software útil para distintas industrias
 La persona adecuada para desarrollar un programa de determinado tema, es el
profesional o especialista en ese tema debido a que debe tener conocimiento
sobre datos y sus interrelaciones, cabe recalcar que para que el software tengo
resultados exactos es necesario que los criterios del profesional sean los
correctos.
 Estamos en una fase donde existe gran cantidad de datos y la tecnología
necesaria para procesarla inteligencia artificial, lo cual es muy beneficioso para
la creación del software
 El machine learning se refiere a una herramienta que permite optimizar
procedimientos que se realizan y a su vez se innova constantemente en lo que
respecta a conocimiento.