Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/353998343
CITATIONS READS
0 1,546
3 authors:
Daniel Carrasco
University of Castilla-La Mancha
4 PUBLICATIONS 0 CITATIONS
SEE PROFILE
All content following this page was uploaded by Daniel Carrasco on 19 August 2021.
LA INTELIGENCIA ARTIFICIAL EN LA
INVESTIGACIÓN MINERA
Autor:
DANIEL CARRASCO PARDO
Directores:
Dr. PABLO LEÓN HIGUERAS-HIGUERAS
Dr. JULIO ALBERTO LÓPEZ GÓMEZ
1
UNIVERSIDAD DE CASTILLA ~ LA MANCHA
JUNIO DE 2021
2
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
RESUMEN
La Inteligencia Artificial (IA) es una tecnología disruptiva con enorme potencial, que
está siendo incorporada a pasos agigantados en todos y cada uno de los sectores de la
economía. La adopción por parte de la industria minera, y más específicamente en las labores
prospectivas, sin embargo, está siendo mucho más lenta. Aún son pocas las empresas
mineras que utilizan IA en labores prospectivas. En este proyecto se trabajó en este aspecto,
investigando la aplicabilidad de este tipo de técnicas en la investigación minera.
En este proyecto, se realizaron dos experimentos distintos con cada modelo. El primero
de ellos consistía en la identificación exacta del indicio o mineralización correspondiente a
una determinada localización geográfica. En este primer experimento se obtuvieron
precisiones muy elevadas con algunos de los modelos, dejando de manifiesto la gran
capacidad de predicción de estos. El segundo experimento consistió en un proceso de
reconstrucción del mapa geológico de la zona de estudio, por cada uno de los modelos. Esto
fue muy interesante, ya que además de realizar un análisis estadístico, fue posible realizar
una representación muy visual de las predicciones obtenidas.
Este trabajo ha incluido una comparación del rendimiento obtenido con cada uno de los
cuatro modelos en cada experimento. Esto posibilitó el estudio en detalle del
comportamiento de éstos en cada situación, haciendo posible la extracción de conclusiones
acerca de cuál de ellos funciona mejor en cada escenario. Se piensa que los modelos
generados en este proyecto podrán ser utilizados en el futuro para la predicción de datos de
índole geológica y minera de mineralizaciones de elementos metálicos, independientemente
del metal a prospectar.
4
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
ABSTRACT
Artificial Intelligence (AI) is a disruptive technology with an enormous potential, which
is being incorporated rapidly into every sector of the economy. Adoption by the mining
industry, and more specifically in prospecting, however, is being much slower. Now, there
are only a few mining companies using AI in prospecting. This project worked on this aspect,
investigating the applicability of this type of techniques in mineral prospectivity.
A total of four different AI models were built during this project. Once trained, they were
able to successfully predict mineralization in the study area. All of them required a learning
process before predictions could be made. The dataset used in this process was entirely
prepared and digitalized in this work, by consulting old historical geological and mining data
of the mercury mineralizations of the Almadén mining district. This process of digitization
of the data was a long process, which has made possible the creation of a large dataset with
mining information from the Almadén Syncline. Within this dataset, all the signs of
mineralization, drill holes, and big mercury mineralizations of the syncline were included,
duly georeferenced.
In this project, two different experiments were carried out with each model. The first one
consisted of the identification of a given geographic location, provided as input. In this first
experiment, very high accuracies were obtained with some of the models, revealing, after
statistical analysis of the results, the great predictive capacity of these models. The second
experiment consisted of a process of reconstruction of the geological map of the area, which
was carried out by each of the models. This second experiment was indeed very interesting,
because as well as carrying out a statistical analysis, it allowed us to make a very showy
representation of the obtained predictions.
In this work, a comparison of the different performances obtained by each of the four
models was made. This made it possible to study the behavior of the models in detail, making
it possible to draw conclusions about which of them performs better in each scenario. It is
thought that the models generated in this project could be used in the future for the prediction
of geological and mining data of metallic element mineralizations, independently of the
prospected metal.
5
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Índice
1. Introducción .................................................................................................................8
1.1 Motivación ..................................................................................................................8
1.2 Estructura .................................................................................................................10
2. Objetivos .........................................................................................................................12
2.1. Objetivos generales .................................................................................................12
2.1.1 Recopilar y digitalizar la mayor cantidad de información geológico-minera
posible del Distrito Minero de Almadén ..................................................................12
2.1.2 Crear modelos predictivos que faciliten la labor de investigación minera
mediante el uso de técnicas de Inteligencia Artificial .............................................12
2.2. Objetivos secundarios .............................................................................................13
2.2.1 Comparación entre los rendimientos obtenidos por los diferentes modelos
para datos de naturaleza geológico-minera .............................................................13
3. Estado del Arte ...............................................................................................................14
3.1 Breve historia de la prospección minera ................................................................14
3.2 Inteligencia Artificial ...............................................................................................16
3.2.1 Historia de la Inteligencia Artificial ................................................................17
3.2.2 Aprendizaje Automático (Machine Learning) ................................................20
3.3 Elaboración de mapas prospectivos .......................................................................21
3.4 Mercurio y antimonio: Dos elementos de interés singular ...................................23
3.4.1 Mercurio.............................................................................................................23
3.4.2 Yacimientos de mercurio en el distrito minero de Almadén. ........................26
3.4.3 Antimonio ..........................................................................................................32
3.4.4 Yacimientos de antimonio en el Sinclinal de Guadalmez ..............................34
4. Preparación del conjunto de datos (Dataset) ...............................................................36
4.1 Conjunto de datos o dataset .....................................................................................36
4.1.1 Sondeos, indicios y minas .................................................................................36
4.1.2 Conocimiento de expertos ................................................................................39
4.1.3 Mapa Geológico de la zona ...............................................................................42
4.2 Mallado o gridding de los datos ...............................................................................44
4.2.1 Indicios, sondeos, labores y minas ...................................................................44
4.2.2 Mina de Almadén ..............................................................................................47
5. Aplicación de los modelos. .............................................................................................50
5.1 Experimentos ............................................................................................................50
5.2 Modelos y validaciones realizadas ..........................................................................52
5.2.1 Experimento 1: ..................................................................................................60
5.2.3 Experimento 2: ..................................................................................................68
6
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
7
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
1. Introducción
1.1 Motivación
8
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Durante esta fase, que suele aplicarse sobre áreas de enorme extensión, es fundamental
encontrar criterios que permitan descartar porciones importantes del área total, delimitando
áreas menores con posibilidades concretas. Para ello, uno de los métodos que se aplican
sistemáticamente es la Teledetección (Meléndez Pastor, 2006). Pero también se pueden
utilizar técnicas más sofisticadas basadas en IA para responder preguntas acerca de dónde
explorar y donde no. Reducir la zona de estudio permitirá reducir costes innecesarios y
reducir el riesgo de la inversión.
Aunque son muy pocas todavía, existen algunas empresas pioneras en el uso de estas
técnicas en la investigación minera. Una de ellas es “Goldspot Discoveries Corporation”
(https://goldspot.ca/).
Desde esta empresa señalan que el número de grandes yacimientos de oro descubiertos
a nivel mundial decrece año tras año, mientras que las inversiones en su investigación no
paran de crecer. La figura 1 relaciona el número de grandes yacimientos de oro descubiertos
cada año, a nivel mundial, con la inversión económica en miles de millones de dólares
dedicada a su investigación. La razón por la que esto sucede es que los depósitos auríferos
se encuentran cada vez más profundos y ocultos en la corteza terrestre.
9
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
La industria minera en su conjunto cuenta actualmente con una ingente cantidad de datos
(geológicos, geoquímicos, topográficos) que no paran de crecer, y cuyo potencial no se está
explotando eficientemente. Estos datos, con la ayuda de algoritmos adecuados, podrían
permitir el descubrimiento de depósitos que geólogos no habrían sido capaces de encontrar
hasta ahora.
1.2 Estructura
3. Estado del Arte: En el capítulo de Estado del Arte se hace un recorrido por la
historia de la prospección minera y de la IA. Se describen también en estas líneas el
funcionamiento y la utilidad de los mapas prospectivos en la investigación minera.
Por último, en este apartado se presenta la zona de estudio para este trabajo, que es
el distrito minero de Almadén.
5. Aplicación de los modelos de IA: En este apartado quedan reflejados los pasos
seguidos para la creación y entrenamiento de los modelos. Aparecen en este capítulo
10
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
cada uno de los experimentos llevados a cabo, seguidos de los resultados obtenidos,
los análisis estadísticos y la comparación entre cada uno de ellos.
11
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
2. Objetivos
Se optó por tanto por realizar una labor de investigación bibliográfica y consulta a
expertos en la zona, e incluso de antiguos datos de la empresa explotadora Mina de Almadén
y Arrayanes S.L. (MAYASA). Después de una labor de investigación muy larga y gracias a
la inestimable ayuda de un antiguo geólogo de la empresa, el Dr. Saturnino Lorenzo, se
consiguió recopilar un total de 77 puntos georreferenciados, que se añaden como un
resultado importante de este trabajo de investigación, en el apartado de anexos. Estos puntos
incluyen sondeos, indicios, minetas y labores antiguas, además de las grandes y bien
conocidas minas.
12
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
2.2.1 Comparación entre los rendimientos obtenidos por los diferentes modelos para
datos de naturaleza geológico-minera
13
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
La actividad minera ha acompañado al ser humano casi desde sus comienzos; existen
evidencias de que los primeros homínidos ya fracturaban minerales como el sílex,
extrayendo de ellos lascas para producir filos cortantes, que utilizaban para cazar.
La Edad de Piedra finaliza alrededor del 6500 a.C., dando paso a la Edad de los Metales.
A partir de entonces, el hombre comienza a usar metales para la fabricación de herramientas,
las cuales se volverán claves en su evolución. Se descubre entonces la posibilidad de fundir
y dar forma a los metales, lo que supuso el nacimiento de la metalurgia.
El cobre fue el primer metal utilizado, debido en gran parte a la facilidad de su obtención,
pero era un metal demasiado blando para la mayoría de las aplicaciones, y no suponía una
gran ventaja frente a la piedra. En esta época se explotaban mediante pozos de 15-20 metros
y galerías horizontales mineralizaciones de malaquita y la azurita, carbonatos de color verde
y azul que podían identificar fácilmente por su color brillante, no llegando en ningún caso
al yacimiento primario (Cortina, 1985).
14
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Más adelante, en torno al 2800 a.C., mediante la aleación de cobre y estaño se descubre
el bronce. A partir de este hallazgo la metalurgia experimentó un gran desarrollo,
consiguiéndose herramientas mucho más resistentes y duraderas.
En la Edad de Hierro, el diseño de los hornos mejoró lo suficiente como para alcanzar
los 1000º C, temperatura necesaria para fundir los minerales de este metal. Se iniciaban así
las primeras labores de minería compleja, siendo este acontecimiento clave, debido a la
importancia del hierro para la fabricación de herramientas de agricultura, mejores armas y
utensilios para comer.
Más tarde, en la alta Edad Media se desarrolla aún más la prospección aluvionar y la
geoquímica de arroyos. Respecto a la prospección aluvionar, se investigan las arenas de los
estanques en los que desaguan las fuentes y las arenas de los arroyos. Las aguas contenían
“jugos” que podían tener seis sabores diferentes. Los prospectores de esta época sabían, por
ejemplo, que si el sabor de estas aguas era salado probablemente podía obtenerse sal de ellas
por evaporación. También observaban y analizaban meticulosamente fenómenos naturales,
como que la escarcha no cuajaba encima de los filones, que las plantas crecían menos y eran
más pálidas en la traza de los filones, o que los árboles tenían crecimientos y coloraciones
de hoja distintos en estas zonas. (Javaloy, 1987). Otro indicio que utilizaban para encontrar
vetas era observar los “agujeros de un rayo”, ya que estos caen principalmente allí donde
hay una vena metálica (Agrícola, 1556). Los prospectores de esa época no conocían cómo
estos factores estaban relacionados con la presencia de un yacimiento, pero sí habían
15
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
conseguido darse cuenta del fenómeno, y lo aprovechaban para encontrar nuevas zonas
mineralizadas.
Las técnicas prospectivas han ido evolucionando mucho a lo largo de los siglos, desde
pequeños socavones o registros, a técnicas mucho más sofisticadas; como las actuales
técnicas eléctricas, la realización de sondeos con recuperación de testigo, el empleo de
geofísica, geoquímica, etc.
Parece evidente que cada gran salto en la evolución del hombre ha venido siempre
precedido por un importante avance en el uso de las materias primas minerales, y, por tanto,
en la manera de buscarlas.
16
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
en la cultura popular, títulos como Yo robot (Asimov, 1950), o películas como El coche
fantástico (Larson, 1982) son claros ejemplos de ello.
Los científicos que la definieron (John McCarthy, Marvin Minsky y Claude Shannon),
preveían que, en 10 años, para la década de los 70, la Inteligencia Artificial formaría parte
de todos y cada uno de los sectores de la economía. Esto, como sabemos actualmente, no
empezó a ocurrir hasta los años 90 y 2000, cuando inversiones mayúsculas de empresas
tecnológicas dieron por finalizado el denominado “Invierno de la Inteligencia Artificial”
para dar paso a “la Edad de Oro de la IA”.
Este primer enfoque se basaba en crear un algoritmo que fuera capaz de resolver
cualquier tipo de problema, desde ganar una partida de ajedrez hasta encontrar la mejor ruta
para llegar a un destino (Russell, 1955). Los investigadores pronto vieron que esta forma de
proceder no era la más acertada, ya que todas las tareas a optimizar no tenían la misma
naturaleza, y resultaba difícil encontrar un algoritmo que resolviera bien varios problemas
distintos.
17
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
La filosofía de esta técnica era muy distinta de la anterior; en este caso el sistema emplea
conocimiento sobre un dominio específico que un experto en la materia le ha suministrado
en forma de reglas. Este conjunto de reglas es lo que se denomina base del conocimiento, de
lo que el programa extraerá sus conclusiones para cada nuevo caso a estudio.
En los años 80 estos sistemas dan el salto a la industria por vez primera. Uno de los
primeros en hacerlo fue Prospector, un software desarrollado por un equipo del Instituto de
Investigación de Stanford (Hart P. , 1977).
18
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Más tarde, tras una investigación en el área indicada, se confirmó que ese yacimiento
existía en realidad, convirtiendo a Prospector en el primer sistema experto en conseguir un
éxito comercial importante. De hecho, el único fallo que Prospector cometió fue el no
reconocer la gran magnitud del yacimiento que acababa de descubrir.
Años después, en mayo de 1997 una computadora de la empresa IBM conocida como
“Deep Blue” consiguió batir al campeón mundial de ajedrez Gari Kaspárov. Este hito en la
informática se tradujo en un gran interés por estas técnicas, buscando nuevas maneras de
implementarlas.
Tras esta primera gran victoria, la compañía tecnológica no dejó de buscar nuevos
desafíos; el siguiente fue construir una IA capaz de batir a los mejores concursantes de un
programa televisivo denominado Jeopardy.
Después de siete años de duro trabajo por parte de IBM, en febrero de 2011, la nueva IA
denominada Watson consiguió batir a los mejores concursantes de todos los tiempos en este
concurso, dejando de manifiesto la gran evolución que esta técnica había experimentado a
lo largo de los años. En este caso la orientación al problema era completamente distinta, ya
que el juego consistía en contestar una serie de preguntas en un tiempo limitado, estas
preguntas además en ocasiones tenían cierto doble sentido, lo que dificultaba enormemente
la tarea. Esta nueva disciplina se denominó Procesamiento de Lenguaje Natural, y está
actualmente en auge, estando presente en asistentes virtuales como Cortana, Siri o Alexa.
19
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Todas las técnicas expuestas anteriormente han sido muy importantes para el desarrollo
de la Inteligencia Artificial, pero sin lugar a duda, la aparición del ML o Aprendizaje
Automático ha significado un antes y un después en esta ciencia. Casi la totalidad de las
técnicas empleadas actualmente utilizan estas técnicas en mayor o menor medida (Russell,
1955).
Hasta la aparición del Machine Learning (ML), la gran mayoría de los problemas se
resolvían con la construcción de algoritmos que recorrían el espacio de posibles soluciones
para determinar la opción más acertada. La filosofía del ML es totalmente distinta.
Estas técnicas consisten en proporcionar al modelo una serie de datos reales del
comportamiento deseado del problema a resolver. Con sólo estos datos, el modelo debe ser
capaz de encontrar regularidades y patrones que permitan extraer conclusiones ante una
nueva instancia. El problema se reduce con esta técnica en utilizar la correcta representación
de los datos y a la implementación de un mecanismo de optimización para que el modelo se
ajuste al comportamiento observado. Esta fase se conoce como entrenamiento, y es la fase
en la que podemos decir que el modelo “aprende”.
Como se puede intuir, esto implica un salto cualitativo, ya que, a diferencia del caso de
los sistemas expertos, no es necesaria una persona que tenga el conocimiento y lo transmita,
que como se vio anteriormente era caro y muy lento. Ni siquiera es necesario un programador
que guie al modelo a cómo debe descartar las posibles soluciones. Sólo necesitamos una
representación adecuada de los datos, independientemente del dominio del problema. Lo
realmente interesante de este método es que incluso podemos obtener resultados
satisfactorios cuando no conocemos las leyes que rigen el comportamiento de los datos,
como puede ocurrir en ciertas tareas de prospección minera.
20
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
el caso del ejemplo, para un nuevo correo electrónico, el modelo deberá ser capaz de
decidir si mandar este al buzón de entrada, o a la carpeta de spam.
Son muchas las técnicas de Machine Learning disponibles actualmente, siendo algunas
de las más conocidas los Árboles de Decisión, las Máquinas de Soporte Vectorial, los
Bosques Aleatorios, pero, sin lugar a duda, los modelos de ML más relevantes en la
actualidad son variantes derivadas de las Redes Neuronales Artificiales o Artificial Neural
Network (ANN) (Gallegos, 2014).
Esta tarea resulta ser más difícil de lo que parece, ya que los yacimientos minerales son
en casi todos los casos producto de interacciones geológicas y geoquímicas muy complejas
que dan lugar a la formación a estos depósitos. La complejidad de estas interacciones implica
la existencia de correlaciones no lineales que resultan demasiado complicadas para
manejarlas con enfoques tradicionales de prospección (Porwal, 2003).
21
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Los datos de entrada deberían incluir suficientes muestras positivas y negativas, así como
parámetros de entrenamiento cuidadosamente determinados, ya que los datos que se le
aporten y la forma en la que se haga influyen fuertemente en la exactitud de la predicción
(Rodríguez et al., 2015), (Sun, 2019).
El objetivo principal de este trabajo será valorar los resultados de la modelización y la
creación de uno o más mapas predictivos, sobre la base del modelo o modelos que se
consideran más apropiados. Se trata de los denominados “mapas de calor”, donde las zonas
con alto potencial minero se resaltan en color rojo y las zonas con escaso o nulo potencial
en colores amarillos o verdes.
22
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
3.4.1 Mercurio
El mercurio (Hg) es un metal pesado (densidad 13,53 g/cm3) ampliamente conocido por
ser el único que permanece en estado líquido a temperatura ambiente. También se le
denomina azogue o plata líquida, y ha sido utilizado desde tiempos muy antiguos. El
mercurio está catalogado como elemento traza debido a su escasa concentración en la corteza
terrestre (0,05 mg kg-1), siendo esta de las más bajas de todos los elementos, por debajo
incluso de la plata (0,07 mg kg-1).
El mercurio ha fascinado durante siglos por tener unas características químicas muy
singulares. Además de su inusual bajo punto de fusión, cuenta con una reactividad muy baja,
y en su estado natural el mercurio forma esferas perfectas debido a su elevada tensión
superficial. En la Figura 5, a continuación, se puede observarse este fenómeno.
El mercurio, y su principal mena, el cinabrio, han despertado el interés del ser humano
desde tiempos muy remotos.
23
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Estos dos, mercurio y cinabrio han sido conocidos, explotados y utilizados durante más
de veinte siglos.
Las primeras culturas de China y Egipto ya usaban el cinabrio para pintar, en forma de
bermellón, que era polvo de cinabrio finamente molido, utilizado por su llamativo e intenso
color rojo. El cinabrio, o también denominado bermellón es un mineral de la clase de los
sulfuros (sulfuro de mercurio). Está compuesto por un 15% de azufre y un 85% de mercurio.
Suele aparecer en forma masiva, granular o terrosa, asociado comúnmente a mercurio nativo,
pirita, calcopirita y cuarzo.
El mineral de cinabrio es fácilmente reconocible por su color rojo bermellón intenso, por
su raya escarlata y sus cristales romboédricos, que, aunque nada frecuentes, son de una gran
belleza.
24
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
En el año 1200 a.C. empezó a extraerse cinabrio de las minas chinas de Kwichan. Los
alquimistas de este país eran ya capaces de extraer el mercurio del mineral de cinabrio,
consideraban que este metal tenía la propiedad de alargar la vida.
Como metal que es, el mercurio se dilata al aumentar su temperatura, lo que hizo que
fuera muy utilizado en termómetros hasta hace pocos años. Además de esto, el mercurio
tiende a formar amalgamas, por lo que también fue muy útil en la minería del oro y la plata,
al permitir concentrar estos metales por amalgamación.
Muchas han sido las aplicaciones que ha tenido este metal a lo largo de los siglos,
siendo las más importantes la fabricación de productos químicos industriales (cloro y sosa
cáustica), la elaboración de equipos de laboratorio (termómetros, barómetros y telescopios),
en medicina (amalgamas dentales y muchos medicamentos y desinfectantes de uso tópico)
y un largo etcétera.
25
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Sin embargo, en la actualidad sus aplicaciones se han visto muy limitadas debido a la
gran cantidad de países que han prohibido su comercialización, debido a los riesgos
medioambientales y personales que el uso de este metal puede conllevar.
La Mina de Almadén destaca sobremanera de entre todas las demás, ya que solo en ella
se ha extraído más del 90% del mercurio del distrito. De este yacimiento no sólo llama la
atención la cantidad de mercurio existente, sino también su concentración, con leyes muy
superiores a la de los otros grandes yacimientos del mundo, siendo este yacimiento un caso
irrepetible en la corteza terrestre.
También es remarcable de este distrito minero su longeva historia. Más de 2.000 años de
trabajos mineros prácticamente ininterrumpidos han dejado de manifiesto un legado
histórico en estas minas, quedando constancia en sus galerías de la evolución de las técnicas
mineras, como puede verse en su parque minero, en la pequeña localidad de Almadén. El
antiguo complejo minero es actualmente un museo que ha conseguido recientemente el
reconocimiento internacional de patrimonio de la humanidad por la Unesco
(https://www.parqueminerodealmaden.es/index.php?idioma=es).
26
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
En el sinclinal aflora una serie muy completa de rocas sedimentarias comprendidas desde
el Ordovícico Inferior al Devónico Superior. En la serie aparecen cuatro unidades
litoestratigráficas de cuarcitas que tienen una gran continuidad y ayudan a establecer la
estructura geológica general del sinclinal, al diferenciar una serie de unidades
litoestratigráficas (Almela et al., 1962, García Sansegundo et al., 1987). Estos niveles son,
de muro a techo, los siguientes: Cuarcita Armoricana (de edad Arenigiense), Cuarcita de
Canteras (Caradociense), Cuarcita de Criadero (Hirnantiense-Llandoveriense) y Cuarcita de
Base (Gediniense-Siegeniense). De estas cuarcitas destaca sin duda la denominada “Cuarcita
de Criadero”, ya que en ella encajan mayoritariamente las mineralizaciones de cinabrio.
Desde el punto de vista de la génesis del yacimiento podemos distinguir dos tipologías,
siendo estas: yacimientos estratiformes en Cuarcita de Criadero y Stockworks de relleno y
reemplazamiento en rocas volcánicas.
En los Stockworks, la mineralización está formada por cinabrio y pirita, que rellenan
grietas y fisuras en rocas detríticas y volcánicas. La Mina de las Cuevas es el ejemplo mejor
estudiado del tipo de yacimiento en Stockworks y es el único caso de mineralización de
mercurio en el flanco Norte del Sinclinal de Almadén que se conoce (Palero, 2014).
- Mina de Almadén:
La mina de Almadén se
encuentra al suroeste del casco
urbano de Almadén, en la parte
más elevada del municipio.
27
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Sólo en esta mina se extrajeron 241.500 toneladas de mercurio; para entender mejor este
valor y la importancia de este yacimiento, la segunda mina de mercurio más grande del
mundo, que se encuentra en Idrija (Eslovenia). produjo 144.000 toneladas (Palinkas et al.,
1995).
- Mina de El Entredicho:
28
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Cerca de esta mina se encuentra la zona de Nuevo Entredicho, que contiene los únicos
recursos que quedan en la actualidad en esta mina. En un principio se estimaron unas
reservas de 135.000 frascos contenidos en minerales de alta ley Ramos (1987),
posteriormente, con dos sondeos realizados en 1997 y 1998 se redujo la estimación de las
reservas a 78.512 frascos (Lorenzo, 1998), aunque el cuerpo mineralizado no quedó definido
29
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
El yacimiento se sitúa en una zona con fuerte deformación por cizallamiento, lo que da
lugar a una estructuración geológica del yacimiento muy complicada. La mineralización
aparece de forma irregular encajada en rocas volcánicas y detríticas.
30
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Figura 10: Detalle de jumbo perforando un frente de avance en Mina de Las Cuevas
31
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
3.4.3 Antimonio
32
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
vómito, debido a una reacción química entre el ácido de las bebidas y el antimonio de
las paredes del recipiente. Los romanos aprovechaban esta propiedad de las copas para
vomitar cuando estaban llenos y poder así seguir comiendo. Hoy sabemos que la
exposición al antimonio puede provocar efectos muy nocivos en la salud, ya que es un
elemento químico tóxico.
En 2008 la UE crea una iniciativa que recoge en una lista todas aquellas materias
primas minerales, que, bien por los riesgos del suministro o por la importancia
económica que tienen, deben ser extraídos en parte dentro de la UE. El objetivo es el de
garantizar su disponibilidad en los países miembros y no depender tanto de materias
primas extraídas en el exterior que son tan importantes para la economía. La UE
incentiva y apoya la extracción e investigación de recursos minerales pertenecientes a
esta lista, como es el antimonio.
33
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
34
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
resto de España.
Estos trabajos
podrán además
contribuir al
proyecto europeo
Aureole en la
consecución del
objetivo de la UE
de conseguir
técnicas de
exploración de
metales críticos
más eficientes,
que permitan no Figura 12: Situación de los yacimientos de antimonio del sector occidental del Valle
del Alcudia (Almela, 1962)
depender tanto
de la minería exterior.
35
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
El distrito de Almadén ha tenido sin duda una dilatadísima historia minera, sus minas
de mercurio comenzaron a explotarse hace más de 2000 años y los trabajos continuaron
ininterrumpidamente hasta finales del siglo XX.
Toda la minería llevada a cabo en este distrito ha generado una ingente cantidad de
información geológica de las mineralizaciones de mercurio de la zona, del ambiente
geológico en el que se asientan, y otros muchos datos generados con técnicas de prospección
modernas.
Es esta la principal razón que llevó a elegir esta zona como base de estudio para el
modelo predictivo. Como se ha expuesto al comienzo de este trabajo, la mayoría de los
modelos de IA necesitan una gran cantidad de datos para funcionar correctamente: a mayor
volumen de datos, mayor posibilidad de que las predicciones del modelo se ajusten a la
realidad y que sean capaces de generalizar.
Lo que resulta aún más interesante de elegir este lugar es que se cuenta con expertos en
estas mineralizaciones que fueron capaces de corroborar todas las predicciones del modelo
con su propio conocimiento, analizando con su criterio los resultados obtenidos y pudiendo
verificar y corroborar que los resultados obtenidos eran buenos.
Al comenzar con la primera fase de creación del dataset, el objetivo principal fue el de
encontrar y digitalizar la mayor cantidad de información posible sobre cada indicio de
36
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
mineralización, cada campaña de sondeos que se hubiera realizado en la zona y de cada una
de las antiguas minas o labores de las que existieran registros.
Una vez toda la información de la zona había sido recabada se obtuvo un total de 77
puntos, correspondiendo estos a:
- 1 yacimiento con reservas que ya había sido cubicado, pero sin explotar.
- 38 indicios de mineralización.
37
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Las coordenadas de todos estos puntos de interés geológico, minero y también histórico,
han sido recogidas al final de este trabajo, junto al nombre de cada uno de ellos, en el
apartado de anexos, en el caso de que puedan ser de interés. El sistema de coordenadas
empleado es el EPSG: 25830 - ETRS 89 / UTM zona 30N. La Figura 15 muestra la
localización estos 77 puntos sobre una ortofoto del área del Distrito, mientras que la figura
16 muestra estos mismos puntos sobre un mapa geológico de la zona.
Figura 15: Ortofoto del Sinclinal de Almadén con los 77 puntos obtenidos superpuestos
Figura 16: Mapa geológico del Sinclinal de Almadén con los 77 puntos obtenidos superpuestos
38
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Este aspecto fue sin duda fundamental para el enriquecimiento del conjunto de datos.
Para la creación de este conjunto, se contó con la inestimable ayuda de dos expertos geólogos
conocedores de estas mineralizaciones y de la zona de estudio.
Las columnas del conjunto de datos creado en este paso son, de izquierda a derecha las
siguientes:
- ID del punto: Se trata de un número del 1 al 77 que identifica cada uno de los puntos
de estudio. El primer valor es 1 (Mina Almadén) y el último 77 (Sondeo LP-9).
- COORDENADA X: Coordenada X del punto en cuestión utilizando el sistema de
referencia EPSG 25830 - UTM zone 30N.
- COORDENADA Y: Coordenada Y del punto en cuestión utilizando el sistema de
referencia EPSG 25830 - UTM zone 30N.
- Mina tipo Almadén: Se valora con una puntuación de 0 a 10 teniendo en cuenta la
similitud del punto en cuestión a una mineralización tipo mina Almadén. Más
adelante en este documento se define como es este tipo de mineralización, a efectos
de esta columna. Mina Almadén, por ejemplo, tendría un 10 en este campo mientras
que un sondeo donde la existencia de una mineralización de este tipo es imposible o
altamente improbable tendría un 0 en este ítem.
- Mina mediana: Se puntúa del 0 a 10 como de parecido es el punto en cuestión a una
mineralización tipo mina mediana.
- Mineta: Se valora con una puntuación de 0 a 10 la similitud entre el punto y una
mineralización tipo mineta.
- Indicio: Se puntúa del 0 a 10 como de parecido es el punto en cuestión a una
mineralización tipo indicio de labores.
39
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
40
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
41
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Tanto los criterios para la asignación de los valores numéricos de estas columnas, como
la propia asignación de estos han sido llevados a cabo por un equipo de expertos formado
por dos geólogos y un ingeniero informático.
Esta parte del conjunto de datos fue recabada a partir del mapa geológico de detalle de
la zona del sinclinal de Almadén, procedente de los fondos de empresa MAYASA. Este
mapa detalle puede verse a continuación en la figura 17.
42
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Para trabajar con los mapas, a la hora de localizar los puntos, visualizar el mallado, y
extraer los valores de píxel, se utilizó el software libre QGIS 3. Para obtener los valores de
píxel fue necesario instalar un complemento que no incluye por defecto el programa
denominado Point Sampling Tool, que permite extraer los valores de ráster para cada punto.
Estos puntos fueron posteriormente exportados del software para añadir la información en
forma de columna. En la figura 18, que aparece a continuación, puede verse una parte del
mallado sobre el mapa geológico de la zona, además, los números que se pueden apreciar
corresponden al número de identificación de cada depósito.
Figura 18: Detalle del mallado realizado sobre el mapa geológico de la zona
43
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Llegado a este punto, se había obtenido un conjunto de datos en forma de una matriz de
78 filas y 23 columnas con cada uno de los yacimientos geolocalizados y se había añadido
la información aportada por geólogos expertos que se ha descrito anteriormente, en forma
de columnas hasta sumar un total de 23.
La información en esta fase era puntual (coordenadas sobre el plano). Indicaban las
columnas distintas características para diferentes puntos en un espacio bidimensional. Pero
se llegó a la conclusión de que el modelo entendería e interpretaría mejor la información si
se consiguiera transformar de alguna manera esta información puntual a una información
que representara un área o zona del terreno. Para conseguir esto, se realizó un gran mallado
en torno a los puntos con los que se contaba, con el objetivo de que la información se
repartiera en el espacio, representando un área de influencia en torno a un punto central, ya
que esto es más parecido a lo que ocurre en la realidad.
Para los indicios, sondeos, labores y minas, con excepción de Mina Almadén, se
simplificó el área de influencia a una circunferencia, cuyo punto central fuera el punto del
que se ha obtenido la información. Tanto el área de influencia como el número y
espaciamiento entre puntos no es igual para todos los depósitos. No resultaba
computacionalmente viable utilizar la misma distancia entre puntos en un sondeo, cuyo radio
de influencia era muy pequeño, que, en una gran mina, cuyo radio podía llegar a muchos
cientos de metros. A continuación, se describen los valores utilizados para realizar el
mallado:
- Para todos los sondeos con recuperación de testigo y los indicios se eligió un radio
de influencia de la información obtenida de 10 metros. Este valor es pequeño debido
a que la información que nos aporta un solo testigo o un pequeño indicio superficial
es muy localizada, y no nos permite, ni al modelo tampoco, generalizar a distancias
más largas. A la hora de elegir el espaciamiento entre puntos del mallado se decidió
44
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
llevar a cabo un procedimiento igual para todos, que consiste en dividir el radio de
influencia entre 10, y este resultado en metros será el espaciamiento entre puntos.
Para sondeos por tanto se obtuvo un área de influencia de 10, que dividido entre 10
nos da un espaciamiento de 1 metro entre punto y punto.
- Para Mina Las Cuevas, Pilar de la Legua, Antiguo Entredicho y Nueva Concepción
se valoró por los datos conocidos de la envergadura de las mineralizaciones un radio
de influencia de 100 metros y, de forma análoga al caso anterior; dividiendo este
valor entre 10 se obtuvo un valor de espaciamiento de 10 metros entre punto y punto
del mallado.
- Para Mina El Entredicho se usó un radio de influencia de 120 metros y por tanto un
espaciamiento en el mallado de 12 metros.
- En el caso de Nuevo Entredicho, Vieja Concepción y mineta Guadalperal se usó un radio de
influencia de 50 metros y por tanto un espaciamiento en el mallado de 5 metros.
Para Pozo del Águila se usó un radio de influencia de 30 metros y un espaciamiento
en el mallado de 3 metros.
La decisión sobre la selección de la distancia entre puntos, así como la forma de cada
mallado, y la cantidad de puntos que debía tener este, fue tomada por el equipo de geólogos.
Los geólogos consideraron suficiente este gridding para representar fielmente la geología
del terreno, con la precisión requerida por los experimentos que se llevarían a cabo.
Se programó un algoritmo en Matlab con el siguiente código, que permitía realizar una
malla circular de puntos alrededor de éste y los exportaba en forma de columna; a
continuación, se recogen las líneas de código utilizadas.
45
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
coord_x = [];
coord_y = [];
final_coord_x = [];
final_coord_y = [];
%usamos dos bucles for para recorrer el espacio y usamos un if
%para quedarnos con los puntos de ese espacio que cumplan la
%ecuacion, es decir, aquellos
%puntos que están dentro de la circunferencia
%aqui debemos elegir cada cuanto queremos tomar los puntos, aquí
hemos
%escogido 10 que usaremos para minas grandes y 1 para sondeos y
yacimientos
for x=x0-R:5:x0+R
for y=y0+R:-5:y0-R
coord_x = [coord_x, x];
coord_y = [coord_y, y];
if((x-x0)^2+(y-y0)^2<=R^2)
final_coord_x = [final_coord_x, x];
final_coord_y = [final_coord_y, y];
end
end
end
%representamos...
plot(coord_x, coord_y, 'r*');
plot(final_coord_x, final_coord_y, 'g*');
% Creamos una Matriz de coordenadas x e y con todas las
coordenadas de la
% nube de puntos o Malla que hemos creado
% Hago la traspuesta con (') para que me quede en el formato en el
que voy
% a introducirlo al conjunto de datos.
Matriz_coordenadas= [final_coord_x;final_coord_y]'
46
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Figura 19: Gráfico del mallado circular obtenido para uno de los puntos
Se realizó el mallado para la Mina de Almadén de una forma similar, aunque, debido al
gran conocimiento que se tenía de la geometría de este yacimiento, se decidió a hacer en este
caso un mallado elíptico, a diferencia del circular que se había utilizado para el resto de los
puntos.
Debido a este cambio fue necesario programar un script distinto que fuera capaz de
realizar un mallado elíptico, ajustándose a los parámetros de dimensiones requeridos. Se
utilizó un radio horizontal de la elipse de 600 metros y uno vertical de 300, que, según la
bibliografía y los expertos a los que se consultó, serían aproximadamente las dimensiones
del área de influencia de la mineralización. En las siguientes líneas, queda recogido el código
en Matlab que se programó para generar la nube de puntos elíptica:
x0 =339959;
47
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
y0 =4293450;
rx = 600; %radio horizontal elipse
ry= 300; %radio vertical elipse
%aqui debemos elegir cada cuanto queremos tomar los puntos, aquí
hemos
%escogido 10 que usaremos para minas grandes y 1 para sondeos y
yacimientos
for x=x0-rx:10:x0+rx
for y=y0+ry:-10:y0-ry
coord_x = [coord_x, x];
coord_y = [coord_y, y];
if(((x-x0)^2)/(rx^2)+((y-y0)^2)/(ry^2)<=1)
final_coord_x = [final_coord_x, x];
final_coord_y = [final_coord_y, y];
end
end
end
%representamos...
Matriz_coordenadas= [final_coord_x;final_coord_y]'
Al igual que en el caso del mallado circular, se añadió dentro del código la posibilidad
de visualizar en pantalla el mallado obtenido (ver figura 20).
48
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Figura 20: Gráfico del mallado elíptico obtenido para Mina Almadén
Figura 21: Fragmento del mallado para Mina Almadén, El Entredicho, Nuevo Entredicho y Antiguo Entredicho
49
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
5.1 Experimentos
50
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
La figura 22 puede
resultar de utilidad para
terminar de comprender
la diferencia entre un
problema de clasificación
y uno de regresión. En el
problema de clasificación
el modelo ha tenido que Figura 22: Gráfico de problemas de clasificación y de regresión.
separar el conjunto de datos en clase tipo A (representada en rojo) y clase tipo B (verde).
51
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Se realizaron en este trabajo un total de dos experimentos distintos para cada uno de los
modelos, cada experimento propone una pregunta que los modelos deben resolver, ambos
experimentos son problemas de clasificación en la que los modelos debieron predecir para
cada nueva instancia una clase de un número limitado de ellas.
Experimento 1:
En este experimento la etiqueta y la pregunta resolver por los modelos es el ID, siendo
este claramente un problema de clasificación (con 77 clases).
Experimento 2:
En este caso, dándole a los modelos toda la información del conjunto de datos, se desea
que estos sean capaces de predecir el valor de geología que tienen en el mapa geológico unas
determinadas coordenadas dadas como input. De alguna forma, se pretende que los modelos
puedan predecir o adivinar aquellos píxeles del mapa que le han sido ocultados, conociendo
además otras características de estos píxeles ocultos, procedentes de las demás columnas del
conjunto de datos. Este problema es de clasificación, siendo las clases el tipo de roca
obtenido del mapa geológico (29 clases).
Para aportar un valor mayor con este trabajo, se decidió crear cuatro modelos distintos,
en lugar de uno solo. Estos modelos fueron entrenados con los mismos datos, para tener así
una mayor certeza sobre las predicciones obtenidas. Además de esto, el hecho de haber
creado cuatro modelos dio la posibilidad de comparar el desempeño de cada uno de ellos
52
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
para los diferentes experimentos, y así encontrar aquel que, obteniendo unas predicciones
correctas, fuera más eficiente en cuanto a tiempo de cómputo se refiere.
A continuación se exponen los modelos que se utilizaron en este trabajo, además de una
breve explicación de los fundamentos de cada uno de ellos.
53
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
una menor tasa de error, al compensarse unos errores con otros, y, en definitiva, una
predicción que generaliza mejor.
54
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Figura 25: Esquema del espacio dividido por un hiperplano de separación en modelo SVM
Sea cual sea el modelo que se utilice, es siempre necesario realizar una validación de los
resultados.
55
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Figura 26: División de un conjunto de datos para llevar a cabo una validación simple
56
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Figura 27: División de un conjunto de datos para llevar a cabo una K-Fold cross validation (k=4)
57
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Estos modelos, una vez entrenados, pueden ser además utilizados por un usuario con
escasos conocimientos informáticos, ya que el proceso de predicción se simplifica en
introducir como input el fichero que contiene el conjunto de datos con la información a
predecir en el primer nodo (File Reader).
A continuación se explican todos los nodos utilizados en cada uno de los modelos de ML
creados en este trabajo (tabla 1); véase también la figura 28, donde aparecen reflejados en
una imagen todos los nodos utilizados en los experimentos.
58
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
59
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
5.2.1 Experimento 1:
Random Forest:
Análisis general:
Como se puede observar en la tabla 2, los resultados obtenidos por Random Forest son
realmente buenos, se ha obtenido una precisión total para el primer experimento de 98,4%.
Las instancias bien clasificadas suman un total de 24.392 y las mal clasificadas 405. El
coeficiente Kappa obtenido es de 0,983. El error es de las predicciones es de 1,6%.
Análisis particular:
En la siguiente tabla (tabla 3), pueden consultarse los resultados desde el punto de vista
particular, clase por clase, para el experimento 1. Se puede apreciar que la precisión media
por clase también es muy alta, indicando que identifica bien no sólo una gran cantidad de
nuevas instancias, sino que se confunde poco, y de una manera más o menos homogénea
entre las clases. Esto es muy positivo en un modelo de ML. La precisión máxima de clase
en este experimento es del 100% y la mínima de 23,27%, la desviación típica de las
precisiones por clase es 10,4. La varianza obtenida es 108,2.
60
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis pormenorizado:
La precisión por clase de este modelo para el primer experimento es del 98,35%.
Consigue un 100% de acierto en 75 de las 77 clases. El modelo comete los errores en dos
sondeos (ID 19 y 20), que están muy cercanos entre sí, y con una geología muy parecida. Es
el caso de Sondeo BUR-1 y BUR-2, los confunde, obteniendo unas precisiones en ellos de
49,37% y 23,27% respectivamente.
Análisis de la validación:
61
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis general:
Como se puede observar en la tabla 5, los resultados obtenidos por Red Neuronal
Probabilística son significativamente peores que los obtenidos por RF. Utilizando este
modelo, se ha obtenido una precisión total de 74%. Las instancias bien clasificadas suman
un total de 18.360 mientras que hay un total de 6.437 clasificadas de manera errónea. El
coeficiente Kappa obtenido ha sido de 0,737. Se ha obtenido un error en las predicciones de
25,96%.
Análisis particular:
En la siguiente tabla (tabla 6), aparecen los resultados desde el punto de vista particular,
para el experimento 1 y modelo RNP. Se puede apreciar que la precisión media por clase
también es elevada y más que aceptable, aunque inferior al RF. En los resultados obtenidos
por este modelo se puede apreciar que hay clases con una precisión de 0%, es decir, clases
en las que el modelo no ha conseguido identificar correctamente ni un solo punto. Otro punto
negativo de las predicciones obtenidas es que tanto la desviación típica como la varianza son
grandes, indicando que la media de precisiones varía mucho de unas clases a otras. La
precisión máxima de clase en este experimento es de 100% y la mínima de 0%, la desviación
típica de las precisiones por clase es 43,8. La varianza obtenida es 1924.
62
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis pormenorizado:
Análisis de la validación:
63
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Perceptrón Multicapa:
Análisis general:
En la tabla que aparece a continuación (tabla 8), pueden observarse los resultados
obtenidos por el modelo PM. Estos son algo mejores que RNP, pero aun así peores a los
obtenidos por RF. La precisión total obtenida para el primer experimento de 89,9%, que es
un valor bastante alto. Las instancias bien clasificadas suman un total de 22.296 y las mal
clasificadas 2.501. El coeficiente Kappa obtenido ha sido de 0,898. El error en las
predicciones es del 10 %.
Análisis particular:
En la siguiente tabla (tabla 9), pueden consultarte los resultados desde el punto de
vista particular, clase por clase, para el experimento 1. Puede observarse que la precisión
media por clase es bastante elevada, indicando que no solo identifica bien la mayoría de los
puntos, sino que obtiene una tasa de acierto alta en la mayoría de las clases. La precisión
máxima de clase en este experimento ha sido del 100% y la mínima de 21,1%, la desviación
típica de las precisiones por clase es 19,67 y la varianza obtenida es 386,9.
64
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis pormenorizado:
Se puede observar en este caso algo muy positivo, y es que las precisiones por clase sólo
son inferiores al 50% para dos clases (indicio 23 e indicio 24). La precisión en estos puntos
es baja principalmente porque son confundidos el uno con el otro, debido seguramente a la
proximidad física y a las similitudes geológicas. Esto es interesante ya que podría significar
que el Perceptrón Multicapa, aun obteniendo precisiones generales inferiores a otros
modelos, podría ser un modelo que generaliza realmente bien.
Análisis de la validación:
Tabla 10: Tabla de resultados K-fold cross-validation para PM, primer experimento
Análisis general:
Como se puede observar en la tabla 11, los resultados obtenidos por el modelo de MVS
son a primera vista muy buenos, obteniendo una precisión total muy similar a RF. La
precisión total para el primer experimento está situada en el 95,7 %. Las instancias bien
clasificadas suman un total de 23.742, mientras que hay 1.055 instancias que son clasificadas
65
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis particular:
Análisis pormenorizado:
Las precisiones son buenas para la mayoría de los puntos utilizando este modelo, pero
llama la atención que en el indicio 7 se consiguió únicamente alrededor de un 4% de aciertos.
Analizando la matriz de confusión se ha logrado ver que el modelo predijo, en la mayoría
de los casos en los que se le dio información de un punto correspondiente a indicio 7, que se
trataba de un indicio 8. Como similitudes entre estos dos indicios cabe destacar que ambas
mineralizaciones se encuentran sobre cuarcita de criadero.
66
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis de la validación:
Tabla 13: Tabla de resultados K-fold cross-validation para MVS primer experimento
67
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
5.2.3 Experimento 2:
68
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
69
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Random Forest:
Análisis general:
En la tabla que aparece a continuación (tabla 14), pueden observarse los resultados
obtenidos para las predicciones del modelo Random Forest. La precisión total obtenida para
el segundo experimento es de 92,9%, lo que es un valor bastante elevado, aunque no es el
único valor que se debe analizar para extraer conclusiones. Las instancias bien clasificadas
suman un total de 23.037 y las mal clasificadas 1.760. El coeficiente Kappa obtenido ha sido
de 0,921. El error es de las predicciones es del 7,1 %.
Análisis particular:
En la siguiente tabla (tabla 15), pueden consultarte los resultados clase por clase, para el
segundo experimento. Puede observarse que la precisión media por clase se reduce
drásticamente respecto a la total. Este hecho indica, que, aunque identifica bien un gran
número de puntos, predice muy bien unas clases y muy mal otras. Este es algo no deseable
en un modelo de ML. La precisión máxima de clase en este experimento ha sido del 100 %
y la mínima de 0 %, la desviación típica de las precisiones y la varianza son altas, 40,39 y
1631,4 respectivamente.
70
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
A continuación, en las figuras 33, 34, 35, 36 aparecen recogidas los puntos originales
del mapa geológico seguidas de la reconstrucción realizada por el modelo RF. Esta forma
de representar los resultados es muy visual y rápidamente se ve si el modelo ha conseguido
o no entender las estructuras geológicas de la zona.
Figura 33: Zona de El Entredicho. Fragmento del mapa geológico original a la izquierda y reconstrucción de
este mediante el modelo RF a la derecha
Figura 34: Zona de Mina Nueva Concepción. Fragmento del mapa geológico original a la izquierda y
reconstrucción de este mediante el modelo RF a la derecha
71
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Figura 35: Zona de Mina Almadén. Fragmento del mapa geológico original a la izquierda y
reconstrucción de este mediante el modelo RF a la derecha
72
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis de la validación:
Tabla 16: Tabla de resultados K-fold cross-validation para RF, segundo experimento
Análisis general:
En la tabla siguiente (tabla 17), se pueden observar los resultados obtenidos para las
predicciones del modelo Red Neuronal Probabilística. La precisión total fue de 89,8 %,
ligeramente inferior a la conseguida mediante RF. Las instancias bien clasificadas suman un
total de 22.259 y las mal clasificadas 2.538. El Kappa obtenido ha sido 0,887. El error en las
predicciones es del 10,2 %.
73
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis particular:
En la tabla que aparece a continuación (tabla 18), pueden consultarte los resultados clase
por clase, para el segundo experimento y el modelo RNP. Se puede ver que la precisión
media por clase es significativamente superior a la obtenida por RF. La precisión media por
clase es 77,6 %, casi 9 puntos porcentuales mayor. Esto indica que este método, aun
obteniendo una precisión total menor, es capaz de predecir correctamente un mayor número
de clases y obteniendo, además, una menor desviación típica. La precisión máxima de clase
en este experimento ha sido del 100 % y la mínima de 0%, la desviación típica de las
precisiones y la varianza son 32,28 y 1042, respectivamente.
A continuación, en las figuras 36 y 37, 38 pueden verse las reconstrucciones del mapa
geológico llevadas a cabo por el modelo RNP.
Figura 36: Zona de Mina El Entredicho. Fragmento del mapa geológico original a la izquierda y
reconstrucción de este mediante el modelo de RNP a la derecha.
74
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Figura 37: Zona de Mina Nueva Concepción. Fragmento del mapa geológico original a la izquierda y
reconstrucción de este mediante el modelo de Red Neuronal Probabilística a la derecha.
Figura 38: Zona de Mina Almadén. Fragmento del mapa geológico original a la izquierda y
reconstrucción de este mediante el modelo de Red Neuronal Probabilística a la derecha.
75
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis de la validación:
Tabla 19: Tabla de resultados K-fold cross-validation para RNP, segundo experimento
Perceptrón Multicapa:
Análisis general:
En la tabla que aparece a continuación (tabla 20), pueden observarse los resultados
obtenidos para las predicciones del modelo de PM. La precisión total obtenida para el
segundo experimento es de 77,7%. Las instancias bien clasificadas suman un total de 19.266
y las mal clasificadas 5.531. El coeficiente Kappa obtenido ha sido de 0,752. El error es de
las predicciones es del 22,3 %.
Análisis particular:
En la siguiente tabla (tabla 21), pueden consultarte los resultados clase por clase, para el
segundo experimento. Puede apreciarse que la precisión media por clase es bastante baja,
76
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
situándose en un 54%. Este hecho indica que este modelo no clasifica correctamente clase
por clase. La precisión máxima de clase en este experimento ha sido del 100 % y la mínima
de 0 %, la desviación típica de las precisiones y la varianza son altas, 41,6 % y 1730
respectivamente.
Figura 39: Zona de Mina El Entredicho. Fragmento del mapa geológico original a la izquierda y
reconstrucción de este mediante el modelo de Perceptrón Multicapa a la derecha.
77
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Figura 40: Zona de Mina Nueva Concepción. Fragmento del mapa geológico original a la izquierda y
reconstrucción de este mediante el modelo de Perceptrón Multicapa a la derecha.
Figura 41: Zona de Mina Almadén. Fragmento del mapa geológico original a la izquierda y reconstrucción
de este mediante el modelo de Perceptrón Multicapa a la derecha.
78
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis de la validación:
Tabla 22: Tabla de resultados K-fold cross-validation para RF, segundo experimento
Análisis general:
En la tabla siguiente (tabla 23), se pueden observar los resultados obtenidos para las
predicciones del modelo Máquinas de Vectores de Soporte. La precisión total fue de 80,5
%, inferior a las obtenidas por RF y RNP, pero superior a las conseguidas mediante PM. Las
instancias bien clasificadas suman un total de 19.952 y las mal clasificadas 4.845. El Kappa
obtenido ha sido 0,784. El error en las predicciones es del 19,5 %.
79
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis particular:
En la tabla que aparece a continuación (tabla 24), pueden consultarte los resultados clase
por clase, para el segundo experimento y el modelo MVS. La precisión media por clase es
56,34 %, muy baja. Este modelo es incapaz de predecir correctamente los valores de
geología. La precisión máxima de clase en este experimento ha sido del 100 % y la mínima
de 0 %, la desviación típica de las precisiones y la varianza son 44,35 y 1966,92,
respectivamente.
A continuación, en las figuras 42, 43, y 44 aparecen recogidos los resultados obtenidos
en la reconstrucción del mapa geológico por el modelo MVS.
Figura 42: Zona de Mina El Entredicho. Fragmento del mapa geológico original a la izquierda y reconstrucción de
este mediante el modelo de Máquinas de Vectores de Soporte a la derecha.
80
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Figura 43: Zona de Mina Nueva Concepción. Fragmento del mapa geológico original a la izquierda y
reconstrucción de este mediante el modelo de Máquinas de Vectores de Soporte a la derecha.
Figura 44: Zona de Mina Almadén. Fragmento del mapa geológico original a la izquierda y reconstrucción de este
mediante el modelo de Máquinas de Vectores de Soporte a la derecha.
81
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Análisis de la validación:
Tabla 25: Tabla de resultados K-fold cross-validation para MVS, segundo experimento
Figura 45: Gráficos de caja y bigotes para el segundo experimento y cada uno de los modelos
82
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Una vez todos esos datos habían sido digitalizados, tratados y preparados para poder ser
digeridos por los modelos de IA, se entrenaron cuatro modelos de aprendizaje automático
distintos, obteniendo resultados diferentes con cada uno de ellos. Cada uno de estos modelos
de IA fueron analizados en detalle y se compararon los resultados obtenidos por cada uno
de ellos en cada experimento. Esto posibilitó la extracción de conclusiones acerca de cuál
de ellos obtenía mejores resultados en cada experimento. Algo interesante de este proyecto
es que se ha decidido liberar en el futuro cercano de manera digital y gratuita, a través de
Internet, tanto el conjunto de datos generado, como los modelos entrenados. Esto es algo
muy interesante, ya que permitirá a cualquier persona con conocimientos de informática
básica, a nivel usuario, entrenar sus propios modelos de IA. Dará además la posibilidad de
utilizar los modelos predictivos generados en este proyecto para extraer conclusiones de sus
propios conjuntos de datos, encontrar patrones, etc. El hecho de que se vaya a liberar el
conjunto de datos generado implica también la posibilidad de que cualquier persona pueda
replicar los experimentos de este proyecto, validando los resultados obtenidos y realizando
modificaciones para intentar obtener precisiones superiores y mejoras en los procesos de
entrenamiento y/o validación.
Los cuatro modelos de IA creados fueron una Red Neuronal Probabilística, un Perceptrón
Multicapa, un Random Forest y una Máquina de Vectores de soporte. Cada uno de ellos
tenía comportamientos muy distintos en cuanto a la predicción de los resultados se refiere.
Algunos realizaban predicciones más acertadas en minas pequeñas, pero cometían más
errores en grandes minas, otros modelos realizaban muchos aciertos, pero realizando
también muchos falsos positivos. En definitiva, cada uno de los modelos tenía sus propias
particularidades. Sin embargo, si se tuviera que elegir uno solo el modelo para cada
experimento, con los resultados obtenidos, en este proyecto se podría concluir que el modelo
83
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
que mejor se adaptó a los datos y al problema planteado en el experimento 1 fue Random
Forest y que el modelo que mejor se comportó en la predicción del problema del
experimento 2 fue la Red Neuronal Probabilística. Esto demuestra que no hay mejor modelo,
sino modelos que se adaptan mejor a determinados datasets, y/o a determinados problemas.
Estos dos modelos, además, consumieron un tiempo computacional, mucho menor a otros
modelos como las Máquinas de Vectores de Soporte, cuyo entrenamiento fue varias veces
más lento y costoso. Se concluye con estos experimentos que Random Forest es un modelo
de IA muy acertado para la predicción de datos de índole geológico-minero e identificación
de depósitos y que, para la reconstrucción de mapas geológicos, el modelo de Red Neuronal
Probabilística sería seguramente la mejor opción de las estudiadas. En futuros trabajos, en
el caso de utilizar únicamente un modelo para las predicciones, estos serán los elegidos en
función al problema a resolver.
Uno de los trabajos futuros que se persiguen tras este trabajo es la adaptación de estos
modelos predictivos a un elemento crítico para la Unión Europea, el antimonio. El antimonio
es un metaloide que la Unión Europea considera como estratégico debido a su importancia
en la sociedad actual y a los riesgos de falta de abastecimiento que existen. El mercurio, al
contrario, es un elemento que actualmente no tiene interés desde el punto de vista comercial
en la comunidad europea. Pero las mineralizaciones de mercurio de Almadén han sido muy
útiles al realizar este trabajo, al existir una gran cantidad de información contrastable de este
tipo de mineralizaciones. El hecho de utilizar datos de estos yacimientos conocidos, y la
84
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Después de haber creado una serie de modelos que han tenido éxito en predecir
mineralizaciones de mercurio, se pretende extrapolar estos a mineralizaciones de otros
elementos con mayor interés económico. Aprovechando la participación de un equipo de la
EIMIA en un proyecto europeo sobre el antimonio, se contará con información suficiente de
mineralizaciones de estos elementos con los que será posible adaptar los modelos creados.
85
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
7. Anexos
A continuación, en la tabla 26, aparecen recogidos todos los puntos geológicos de interés
(por contener mineralizaciones de mercurio, sondeos y minas) identificados en el distrito
minero de Almadén. Estos lugares se han georreferenciado utilizando el sistema de
coordenadas EPSG: 25830 - ETRS 89 / UTM zona 30N.
86
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
87
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
88
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
89
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
Referencias
A. Hernandez, M. J. (1999). The Almadén mercury mining district, Spain. Mineralium
Deposita.
Abedi, M. (2012). Support vector machine for multi-classification of mineral
prospectivity areas.
Agrícola, G. (1556). De Re Metálica.
Ali, D. (2020). Artificial intelligence, machine learning and process automation:
existing knowledge frontier and way forward for mining sector.
Almela, A. (1962). Estudio geológico de la región de Almadén.
Asimov, I. (1950). Yo Robot.
Aureole. (s.f.). Aureole . Obtenido de https://aureole.brgm.fr/
Ben, S. (s.f.). http://www.peladillocuantico.com/2018/06/el-mercurio-hg.html.
Cadena, J. A. (2008). Aplicación de Redes Neuronales Probabilísticas en la detección
de fallas incipientes en transformadores.
Carranza. (2015). Data-driven predictive mapping of gold prospectivity.
Cortina, M. B. (1985). La mineria prehistórica del Cobre en las montañas Astur-
leonesas.
Europea, C. (s.f.). Internal Market, Industry, Entrepreneurship and SMEs. Obtenido de
https://ec.europa.eu/growth/sectors/raw-materials/specific-interest
Gallegos, J. C. (2014). Inteligencia Artificial.
Goldspot. (s.f.). Obtenido de https://goldspot.ca/
Gumiel, P. (1982). Metalogenia de los yacimientos de antimonio de la Península
Ibérica.
Hart, P. (1977). A Computer-Based Consultation System for Mineral Exploration.
Hart, P. (1977). PROSPECTOR A Computer-Based Consultation System for Mineral
Exploration.
Haykin, S. (1998). Neural Networks: A Comprehensive Foundation.
Higueras, P. (1999). The Las Cuevas mercury deposit, Almadén district (Spain) :
Unusual case of deep-seated advanced argillic alteration related to mercury
mineralization. Mineralium Deposita, 34, 211-214.
Javaloy, R. G. (1987). La prospección minera en la antigüedad.
Larson, G. A. (Dirección). (1982). El coche fantástico. [Película].
Marí, J. P. (2017). http://www.conec.es/historia/la-curiosa-algo-escatologica-historia-
del-antimonio/.
Marí, J. P. (2017). http://www.conec.es/historia/la-curiosa-algo-escatologica-historia-
del-antimonio/.
Matlab. (s.f.). Matlab. Obtenido de https://es.mathworks.com/products/matlab.html
McCarthy, J. (1955). A proposal for the Dartmouth summer research project on
Artificial Intelligence.
Meléndez Pastor, I. (2006). Exploración Inicial mediante Teledetección de la
Mineralogía en un sector de la Sierra de Cartagena. MACLA.
Milara, J. C. (2009). Las Minas de Almadén. Historia reciente. Minas de Almadén y
Arrayanes S.A.
Platform, K. (s.f.). Knime Platform. Obtenido de https://www.knime.com/
Porwal. (2003). Artificial neural networks for mineral-potential mapping: a case
study from Aravalli Province, Western India.
Puche. (1989). Mecanismos estructurales del volcanismo paleozoico de la región
alcudiense.
90
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Daniel Carrasco Pardo
91