La Inteligencia Artificial en La Investigación Minera: June 2021

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/353998343
LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA
Research · June 2021

DOI: 10.13140/RG.2.2.27332.14725
CITATIONS READS
0 1,546
3 authors:
Julio Alberto López-Gómez Pablo León Higueras

University of Castilla-La Mancha University of Castilla-La Mancha
16 PUBLICATIONS 109 CITATIONS 296 PUBLICATIONS 4,061 CITATIONS
SEE PROFILE SEE PROFILE
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.
The user has requested enhancement of the downloaded file.

UNIVERSIDAD DE CASTILLA ~ LA MANCHA
ESCUELA DE INGENIERÍA MINERA E INDUSTRIAL

DE ALMADÉN
TRABAJO FIN DE GRADO
GRADO EN INGENIERÍA MINERA Y ENERGÉTICA
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
ESCUELA DE INGENIERÍA MINERA E INDUSTRIAL

DE ALMADÉN
TRABAJO FIN DE GRADO
JUNIO DE 2021
2
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.
Se construyeron cuatro modelos distintos de IA en este proyecto. Una vez entrenados,

estos resultaron capaces de predecir con éxito mineralizaciones en la zona de estudio. El
conjunto de datos utilizado en este proceso fue enteramente preparado y digitalizado en este
trabajo, a partir de datos históricos de las mineralizaciones de mercurio del distrito minero
de Almadén. Este proceso de investigación y digitalización de los datos fue un proceso largo,
que ha posibilitado la creación de un gran conjunto de datos con información minera del
Sinclinal de Almadén. Dentro de este conjunto, están recogidos todos los indicios, sondeos
y las mineralizaciones conocidas de mercurio del sinclinal, debidamente georreferenciados.
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.
Palabras clave: Inteligencia Artificial, Prospección minera, Almadén.
4
ARTIFICIAL INTELLIGENCE IN MINERAL PROSPECTIVITY
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.
Keywords: Artificial Intelligence, Mineral prospectivity, Almadén.
5
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
6. Conclusiones y trabajos futuros....................................................................................83

7. Anexos .............................................................................................................................86
Referencias ..........................................................................................................................90
7
1. Introducción
1.1 Motivación
La Inteligencia Artificial (IA) es un campo de las Ciencias de la Computación que se

ocupa del desarrollo de máquinas capaces de realizar determinadas tareas sin necesidad de
una instrucción específica por parte de un ser humano. El aprendizaje profundo, o, en inglés,
Deep Learning y el aprendizaje automático o Machine Learning son los subcampos que se
ocupan de diseñar algoritmos capaces de enseñar a las máquinas, ayudándolas a reconocer
patrones y extraer de ellos conocimiento.
La IA ya ayuda a la sociedad actual en multitud de aplicaciones, siendo algunas de ellas

el reconocimiento de tejido canceroso, la búsqueda de patrones criminales en transacciones
financieras, la detención de fraudes, la creación de chatbots que reconocen y utilizan el
lenguaje natural, anuncios personalizados para cada usuario y un largo etcétera (Ali, 2020).
La utilización de la IA en la industria crece exponencialmente y, sin embargo, la industria

minera ha sacado aún muy poco partido a esta prometedora tecnología. Tomando en
consideración las desorbitadas cantidades de dinero que estas empresas mueven, una
pequeña mejora en eficiencia de cualquiera de los procesos propios de esta industria puede
hacer a estas grandes empresas ahorrarse millones de euros, y conseguir de esta forma que
procesos o yacimientos que anteriormente no eran rentables comiencen a serlo.
Según el libro blanco de Narendran y Weinelt (2017) en el World Economic Forum, en

comparación con otras industrias, se considera que el sector de la minería y los metales tiene
los niveles más bajos de utilización digital (Ali, 2020).
La IA tiene el potencial de ser totalmente disruptiva para la minería. En la minería podría

además ser aprovechada en todas sus variantes, desde la conducción autónoma de camiones
y maquinaria pesada, que además de conseguir procesos más eficientes, ahorrando
combustibles y neumáticos, contribuyen también a la seguridad. El mantenimiento
predictivo de maquinaria utilizando IA también tiene el potencial de ser de utilidad para
evitar o reducir el riesgo de averías. La aplicación de estas técnicas en la industria minera
podría sin duda convertirla en una industria más sostenible a largo plazo.
La IA puede aplicarse desde el comienzo de la actividad minera, en labores de

prospección, hasta el final de su ciclo de vida, en la fase de rehabilitación del entorno.
Pasando por supuesto por la optimización de los procesos de extracción y tratamiento del
8
mineral. Poco a poco la industria minera está empezando a reconocer y comprender la

importancia de estas tecnologías, y recientemente ha comenzado a explorar su aplicabilidad.
La exploración minera representa la primera fase de cualquier proyecto minero.
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/).
Figura 1: Gráfico de grandes yacimientos de oro localizados vs gasto en miles de millones

de dólares dedicados a investigación de este metal por año
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 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.
Parece lógico pensar, con lo expuesto anteriormente, que el futuro y sostenibilidad de la

industria minera pasa por una transición digital, cuyo eje principal gire alrededor al
aprovechamiento del gran volumen de datos generados (big data). Este aprovechamiento se
debe llevar a cabo en todas las fases de la industria minera, y acompañar a esta desde el
inicio de las primeras labores prospectivas hasta el final de su vida, en las tareas de
remediación de las zonas afectadas.
1.2 Estructura
El presente documento se encuentra estructurado de la siguiente manera:
1. Introducción: En este capítulo se realiza una breve descripción de la motivación

detrás del proyecto. También pone de manifiesto un problema detectado en la
Industria Minera que se trata de la lenta adopción que esta está teniendo de las
técnicas más disruptivas basadas en IA. La IA se está introduciendo rápidamente en
otros sectores de la economía, pero no es el caso de la minería.
2. Objetivos: En este apartado se describen los objetivos principales y secundarios

que se persiguen con este proyecto, existen dos objetivos de carácter general y un
objetivo específico, explicados en detalle en dicha sección del documento.
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.
4. Preparación del conjunto de datos: En el capítulo 4 se exponen los pasos que se

han seguido para conseguir un conjunto de datos digitalizado válido para entrenar
los modelos de IA.
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
cada uno de los experimentos llevados a cabo, seguidos de los resultados obtenidos,
los análisis estadísticos y la comparación entre cada uno de ellos.
6. Conclusiones y trabajos futuros: En el sexto capítulo se resumen las

conclusiones extraídas del trabajo, se describen también los futuros pasos para
continuar investigando la aplicabilidad de estos métodos predictivos en la
prospección minera moderna.
7. Anexos: En este capítulo aparecen recogidos un conjunto de contenidos de interés

generados en este trabajo.
8. Referencias: En este último capítulo pueden consultarte los contenidos

bibliográficos consultados para la elaboración del trabajo.
11
2. Objetivos
2.1. Objetivos generales
2.1.1 Recopilar y digitalizar la mayor cantidad de información geológico-minera

posible del Distrito Minero de Almadén
El distrito Minero de Almadén ha sido objeto de trabajos mineros prácticamente

ininterrumpidos desde tiempos muy antiguos; en este lugar se encuentran las minas de
mercurio más importantes a nivel mundial, y existe además una gran cantidad de datos
mineros recopilados a lo largo de los siglos. Sin embargo, al comienzo de este proyecto,
trabajando en la recopilación del conjunto de datos, se identificó una clara falta de
bibliografía actualizada y digitalizada de los mismos. No existiendo, por ejemplo, ningún
documento en el que apareciesen recogidos los indicios mineros de la zona debidamente
georreferenciados.
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.
2.1.2 Crear modelos predictivos que faciliten la labor de investigación minera

mediante el uso de técnicas de Inteligencia Artificial
Los modelos de IA confeccionados y entrenados en este trabajo pueden servir de apoyo

para la exploración y/o investigación minera. Estos modelos pretenden reducir el coste de
exploración, al descartar localizaciones con escaso interés minero, y destacando aquellas con
un potencial más elevado. Además, a partir de estos modelos es relativamente sencillo
generar mapas predictivos que facilitan la visualización de los resultados, y hacen más
sencilla la comprensión de los datos. Estos modelos posibilitan, además de reducir los costes
de investigación, minimizar la incertidumbre inherente a la inversión minera, que suele ser
muy alta comparada con la de otros sectores. Se han entrenado un total de cuatro modelos
de IA. Las características y tipologías de cada uno de estos modelos han sido cuidadosamente
seleccionada, basándose en estudios previos de diferentes autores.
12
2.2. Objetivos secundarios
2.2.1 Comparación entre los rendimientos obtenidos por los diferentes modelos para
datos de naturaleza geológico-minera
Se ha realizado una comparación del rendimiento de los modelos, tanto en precisión

como en tiempo de cómputo, que puede ser extrapolada a otros modelos de IA en
información de naturaleza geológico-minera. Se ha detectado además que existen
relativamente pocos artículos científicos que utilicen este tipo de modelos de aprendizaje
automático con datasets de naturaleza geológico-minera, y, sobre todo muy pocos que
comparen el desempeño de varios modelos para un mismo problema o experimento. Se cree
que este resultado puede dar mucho valor a este trabajo, al optimizar las técnicas utilizadas
y ofrecer una guía de cómo se comporta cada modelo. Información valiosa que podrá ser
utilizada en trabajos futuros para elegir el mejor modelo a entrenar.
13
3. Estado del Arte

3.1 Breve historia de la prospección minera
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.
Posteriormente comenzaron a buscar mejores fragmentos de rocas y minerales lejos de

sus asentamientos, surgiendo entonces las primeras investigaciones mineras básicas.
El descubrimiento y desarrollo de la alfarería elevó los requerimientos de materias

primas específicas, ya que era necesario obtener arcillas de características especiales para
poder hacer vasijas, arcillas que en muchas ocasiones se encontraban lejos de sus
asentamientos. Otro factor en el desarrollo de los primitivos métodos de prospección fue la
construcción de grandes monumentos megalíticos que requerían materiales adecuados y con
cubicación suficiente (Javaloy, 1987).
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 hombre de la Edad de los Metales se comienza a dedicar firmemente a la minería, se

inventa la rueda y aparece la ruta de los metales, que era una serie de caminos que el hombre
abría para buscar cobre y estaño. Este intervalo de la historia se encuentra subdividido en
Edad del Cobre, Edad del Bronce y Edad del Hierro, poniendo de manifiesto la vital
importancia que cada uno de estos metales ha tenido en la evolución humana. A partir de
este momento el prospector se convierte en una figura totalmente esencial para la sociedad.
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
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.
En la época de los romanos, la minería había avanzado mucho, se utilizaban entonces

técnicas mineras mucho más complejas, como la muy bien conocida minería hidráulica
romana, aplicada a la explotación de oro en todo el NO peninsular, particularmente en el
conocido yacimiento de Las Médulas. También se desarrolló la minería de interior,
siguiendo las venas de mineralizaciones de oro.
En cuanto a la prospección, los romanos usaron técnicas de investigación mucho más

avanzadas, siendo muy habitual la apertura de calicatas y galerías para buscar las vetas de
mineral y la construcción pozos que, en algunas ocasiones, “acribillaban” cerros enteros para
investigar grandes zonas de interés (Javaloy, 1987). Aún quedan vestigios de este tipo de
labores en lugares como los Silos de Calaños (Huelva) (Suárez, 1886). Los romanos también
comenzaron a utilizar una nueva técnica, el uso de bateas en los ríos, con lo que conseguían
prospectar y extraer oro de los sedimentos, siendo el oro un metal de gran interés para ellos.
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
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.
Actualmente están empezando a surgir métodos mucho más vanguardistas de

investigación minera, como el análisis de grandes volúmenes de datos con el empleo técnicas
de Machine Learning (ML) o Aprendizaje Automático, algunas de las cuales serán objeto
de estudio en este proyecto. La figura 2 muestra la evolución de las técnicas de prospección
a lo largo de los siglos.
Figura 2: Evolución de las técnicas prospectivas
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.
3.2 Inteligencia Artificial

El ser humano ha soñado durante siglos con construir máquinas con razonamientos
similares a los suyos. Muchas son las evidencias que este anhelo ha dejado en la literatura y
16
en la cultura popular, títulos como Yo robot (Asimov, 1950), o películas como El coche
fantástico (Larson, 1982) son claros ejemplos de ello.
3.2.1 Historia de la Inteligencia Artificial
El término Inteligencia Artificial (IA) fue acuñado en 1956, durante la conferencia de

Dartmouth. Se definió entonces la Inteligencia Artificial como “la ciencia e ingeniería de
hacer máquinas que se comporten de una forma que llamaríamos inteligente si el humano
tuviese ese comportamiento” (McCarthy, 1955).
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”.
Ha de entenderse que durante la evolución de la Inteligencia Artificial el enfoque ha ido

variando constantemente. Se han ido sucediendo obstáculos y soluciones, ajustándose las
técnicas al conocimiento de cada época, y, sobre todo, a la capacidad computacional
disponible en cada momento.
En su primera etapa, tras la conferencia de Dartmouth, se usaban técnicas relacionadas

con la Resolución General de Problemas o General Problem Solver (GPS). Se asumía con
este enfoque que cualquier problema que pudiera escribirse en código de programación:
partida de ajedrez, encontrar la distancia más corta a una ciudad, etc., podría resolverse.
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.
Empezó entonces a prestarse mayor atención al problema en sí, y menos al algoritmo,

con los denominados “Sistemas Expertos”, o “Sistemas Basados en el Conocimiento”
(Knowledge Based Systems).
17
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).
Prospector era un sistema de evaluación del potencial minero de una determinada

localización geológica. El modelo requería del usuario datos sobre observaciones geológicas
superficiales del lugar de estudio, y determinaba a partir de estos las conclusiones
pertinentes. El programa enunciaba una afirmación y el usuario debía introducir un número
entero de -5 a +5, representando el +5 que la afirmación era correcta con total seguridad,
mientras que el -5 indicaba que la premisa era incorrecta con total seguridad. El 0 sería
interpretado por el software como que el usuario no podía decantarse por ninguna opción
con la información disponible. Prospector era un sistema basado en el conocimiento regido
por reglas, y evaluaba la probabilidad de sus conclusiones, además de explicar cómo ha
llegado hasta ellas. En la Figura 3 se puede visualizar un fragmento de una conversación con
Prospector.
Figura 3: Ejemplo de una conversación con Prospector (Hart P. , 1977)
18
En 1980, como prueba, se proporcionó a Prospector datos geológicos, geofísicos y

geoquímicos de una investigación previa, concluida dos años antes en un lugar del Monte
Tolman, Washington. Prospector analizó todos aquellos datos y sugirió que una zona del
lugar, previamente inexplorada, tenía un gran potencial de contener un yacimiento de tipo
Pórfido de Molibdeno.
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.
A partir de entonces, la financiación y las expectativas en el campo de la IA vuelven a

surgir gracias a estos sistemas expertos, pero la decepción no tardaría en volver a llegar a
este campo de investigación. Los sistemas expertos resultaban demasiado caros de mantener
y carecían de un potencial real de aprendizaje, estos sistemas además podían cometer
grandes errores, lo que ahuyentó a los inversores. Todo esto causó que a partir del 1987
empezará un nuevo invierno de la IA.
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
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).
3.2.2 Aprendizaje Automático (Machine Learning)
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.
Existen básicamente tres tipos de aprendizaje en ML el aprendizaje supervisado, el

aprendizaje no supervisado y el aprendizaje reforzado.
- El Aprendizaje Supervisado consiste en otorgar al modelo un conjunto de datos con

etiquetas o labels, como puede ser correos electrónicos con la etiqueta “correo
deseado” o “correo no deseado”. Con una cantidad suficiente de datos, los modelos
son capaces de encontrar patrones y relaciones y con ellos realizar predicciones. En
20
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.
- El Aprendizaje No Supervisado se utiliza cuando no se conoce los outputs o salidas

de cada dato de entrada, en este caso se aporta el conjunto de datos al modelo y este
ha de ser capaz de agrupar los inputs según patrones o similitudes que encuentre en
la información.
- El Aprendizaje Reforzado o Reinforcement Learning es un área del aprendizaje

automático que se inspira en la psicología conductista, en este tipo de aprendizaje el
agente es recompensado o “premiado” (+1) cuando mejora en su actuación y
“castigado” si empeora en ella (-1); con esto el modelo se va ajustando más y más al
comportamiento deseado, reduciendo el error cometido.
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).
3.3 Elaboración de mapas prospectivos
La elaboración de mapas prospectivos para la investigación minera es un procedimiento

que pretende facilitar la toma de decisiones y que tiene como objetivo priorizar las áreas
prospectivas de mayor interés (Carranza, 2015).
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 modelización espacial permite descubrir

correlaciones inherentes entre las interacciones.
Dichos modelos pueden estar basados únicamente en
los datos (geoquímicos, geofísicos), o basados en el
conocimiento, usando únicamente información
aportada por expertos. También hay una variante
interesante en la que se pueden combinar ambas
técnicas, dando como resultado modelos híbridos que
suelen conseguir buenos resultados. En la figura 4 se
pueden ver mapas que representan datos de
mineralizaciones de cobre (distancia a zonas con
óxidos de hierro, distancia a zonas de alteración
Figura 4: Mapas información
argílica, anomalías magnéticas). geológica (Sun, 2019)
En la actualidad, la mayoría de los artículos sobre inteligencia artificial e investigación

minera usan como enfoque principal el “Machine Learning” o Aprendizaje Automático para
resolver los problemas. Estos modelos tienen la ventaja de no requerir supuestos relativos a
la distribución de datos y pueden manejar relaciones no lineales entre los depósitos minerales
y los datos proporcionados (Zuo, 2017).
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.
Resulta importante saber que, aunque el modelo más popular en la actualidad es el de

redes neuronales artificiales, existen muchos otros modelos que también se utilizan, y que
en determinadas circunstancias pueden permitir obtener mejores resultados. En particular,
en el artículo (Abedi, 2012), por ejemplo, se utilizan Máquinas de vectores de soporte en la
exploración de depósitos de cobre, mientras que en (Rodríguez, 2015) se compara la eficacia
de los principales modelos de Machine Learning (Redes Neuronales Artificiales, Bosques
22
Aleatorios, Árboles de Regresión y Máquinas de Vectores de Soporte) para la prospección

de ciertos depósitos de oro en el distrito minero de Rodalquilar (España). Tras comparar los
distintos algoritmos se llegó a la conclusión que aquel modelo que mejor se ajustaba a los
datos era el Random Forest.
En este trabajo se entrenaron cuatro modelos distintos de inteligencia artificial, y se

realizó una reconstrucción del mapa geológico de la zona de estudio con cada uno de ellos.
Los modelos de inteligencia artificial con los que se va a trabajar son una Red Neuronal
Probabilística, un Perceptrón Multicapa, Random Forest y uno de Máquina de Vectores de
Soporte. La creación y entrenamiento de estos modelos se llevará a cabo mediante la
plataforma de analítica Knime (Platform, s.f.).
3.4 Mercurio y antimonio: Dos elementos de interés singular
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 se presenta en la corteza terrestre de dos formas principalmente: en forma

líquida de mercurio nativo y en forma de mineral de cinabrio (HgS), siendo esta última la
variedad la más frecuente (Del Cerro Martín et al., 2012).
El mercurio, y su principal mena, el cinabrio, han despertado el interés del ser humano
desde tiempos muy remotos.
23
Estos dos, mercurio y cinabrio han sido conocidos, explotados y utilizados durante más
de veinte siglos.
Figura 5: Gotas de mercurio (Ben, s.f.)
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
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.
Figura 6: Detalle de cinabrio cristalizado procedente de Mina de Las Cuevas, Almadén
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
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.
3.4.2 Yacimientos de mercurio en el distrito minero de Almadén.
Aunque el mercurio ha sido extraído en numerosos lugares de la corteza terrestre, un

yacimiento destaca extraordinariamente respecto a todos los demás; este es, sin lugar a duda,
el yacimiento minero de Almadén. Se ha estimado que en este pequeño distrito al suroeste
de Ciudad Real han sido extraídas 270.000 toneladas de este metal, suponiendo esta cantidad
un tercio del total de mercurio consumido por la humanidad en toda su historia.
En el distrito de Almadén existen seis minas de mercurio explotadas, siendo estas

Almadén, El Entredicho, Las Cuevas, La Vieja Concepción, La Nueva Concepción y
Guadalperal. También existen en el lugar un gran número de indicios encontrados y un
yacimiento inexplotado.
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.
La causa de la concentración de esta cantidad tan extraordinaria de un elemento tan

escaso en la corteza terrestre es una gran incógnita que permanece aún sin resolver.
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).
Desde el punto de vista geológico, el distrito de Almadén se encuentra situado en el

Macizo Hercínico Ibérico, cerca del borde meridional de la Zona Centro ibérica (de Julivert
et al., 1972). La geología de la zona se caracteriza por sucesiones de grandes pliegues de
plano axial con rumbo general ONO-ESE, siendo la estructura general una unidad
26
litoestratigráfica de cuarcitas denominada “Cuarcita Armoricana”. Uno de los

macropliegues es el denominado Sinclinal de Almadén y es en este en el que se asientan
todos los indicios y mineralizaciones de Hg del distrito (Palero, 2012).
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.
La mineralización de tipo estratiforme consiste en una impregnación y relleno fisural de

cinabrio en niveles específicos de cuarcitas a muro y techo de la Cuarcita de Criadero (Villas
et al. 1999). Ejemplos de este tipo de mineralización son la Mina de Almadén y de El
Entredicho.
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).
Principales minas del distrito:
- Mina de Almadén:
La mina de Almadén se
encuentra al suroeste del casco
urbano de Almadén, en la parte
más elevada del municipio.
Figura 6: Esquema del interior de la Mina de Almadén
27
Como se ha comentado anteriormente, el yacimiento es de tipo estratiforme,

impregnando las Cuarcitas de Criadero. La génesis del yacimiento está asociada al
vulcanismo básico Silúrico-Devónico de tipo explosivo, dando lugar a tobas como la “Roca
Frailesca”, que rellenan grandes estructuras (Hernández et al. 1999). Se trata de una mina de
interior considerada como una de las instalaciones mineras más antiguas del mundo cuya
producción ininterrumpida ha llegado hasta nuestros días. El abandono de las labores en esta
mina se produce en 2002 (Milara, 2009).
La estructura del yacimiento de Almadén

se presenta por una disposición verticalizada
de las capas mineralizadas, que alcanzan más
de 600 metros de profundidad (A.
Hernandez, 1999). La geometría del depósito
hizo inevitable la progresiva profundización
de las labores mineras, extendiéndose estas
hasta los más de 700 metros de profundidad
(Palero, 2014).
Figura 7: Interior de Mina de Almadén, galería
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:
La Mina de El Entredicho se localiza al suroeste de la provincia de Ciudad Real, dentro

del término municipal de Almadenejos, siendo esta mina el segundo depósito en importancia
del distrito de Almadén, y a gran distancia de esta en términos de producción de mercurio.
La explotación se llevó a cabo a cielo abierto sobre dos yacimientos trabajados a mediados
del siglo XVIII conocidos como Las Minetas de Valdeazogues y la mina de El Entredicho
(socavón de Störr), de donde toma su nombre la mina actual.
28
Figura 8: Vista de Mina del Entredicho en explotación
La tipología del yacimiento de El Entredicho es estratiforme, con caracteres muy

semejantes a la mina de Almadén, aunque con dimensiones mucho más modestas. Ha
constituido, sin embargo, una mina de extraordinario valor, pues la cuarcita contenía
mineralizaciones que alcanzaban hasta el 40% de mercurio. La producción total de metal fue
de aproximadamente 12.000 toneladas.
En esta mina se encuentra también una mineralización con abundante Hg nativo en

fracturas y fallas que llegaron a ser beneficiadas en el siglo XVIII. En el año 1997 cesan las
labores de extracción. A finales de 2002 se retira de la mina el último mineral acopiado y en
2003 se presenta el proyecto de abandono definitivo (Milara, 2009).
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
en su totalidad debido a la escasez de sondeos, que no permitían modelizar con suficiente

seguridad las reservas.
Figura 9: Vista de la Mina de El Entredicho tras su rehabilitación
- Mina de Las Cuevas
La Mina de Las Cuevas se localiza al suroeste de la provincia de Ciudad Real, en el

término municipal de Almadén. Este yacimiento es el ejemplo mejor estudiado del tipo de
yacimientos en stockwork y el único caso de mineralización mercurífera en el flanco Norte
del Sinclinal de Almadén (Higueras, 1999).
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
Figura 10: Detalle de jumbo perforando un frente de avance en Mina de Las Cuevas
En los materiales volcánicos, la mineralización aparece como relleno de venas y como

reemplazamientos masivos. En el caso de rocas detríticas los minerales aparecen
exclusivamente como relleno de venas. El cinabrio y la pirita son los materiales mayoritarios
que aparecen acompañados de filosilicatos. En esta mina hay además abundante mercurio
nativo.
La explotación se llevó a cabo con técnicas de minería de interior. Se inició en tiempos

de los romanos, pero estuvo abandonada hasta el 1774, cuando fue redescubierta. La
extracción moderna del mineral se inicia en el año 1987, siendo la profundidad máxima de
la mina de 225 metros. La última voladura en esta mina se realiza en 1999.
En total se obtuvieron unas 5.000 toneladas de mercurio de esta mina.
31
Figura 11: Vista de la Mina de Las Cuevas tras su rehabilitación
3.4.3 Antimonio
El antimonio (Sb) es un elemento químico con número atómico 51, perteneciente al

grupo de los metaloides, en su forma elemental presenta un color blanco plateado. Su
punto de fusión es de 630ºC y su densidad es de 6.68 g/cm3. Este metaloide resulta
parecido a los metales en aspecto, pero se comporta químicamente como un no metal,
contando con una baja conductividad eléctrica y térmica. Las estimaciones sobre la
abundancia total de antimonio en la corteza terrestre van desde 0,2 a 0,5 mg kg-1,
considerándose, al igual que el mercurio, un elemento traza.
El antimonio y sus compuestos eran conocidos en la antigüedad. Ya en la prehistoria

se usaba el óxido de este metal en pinturas rupestres y los egipcios también utilizaban el
óxido molido como pigmento negro para delinear sus ojos.
En Roma eran muy populares las denominadas copas antimoniales o calices

vomitorii, que eran copas hechas de antimonio, al beber vino de ellas provocaban el
32
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.
El antimonio aparece en la naturaleza en numerosos minerales, aunque su principal

mena es la estibina, también denominada antimonita (Sb2S3). Para su extracción se
realiza una tostación de este sulfuro, obteniéndose óxido de antimonio, que
posteriormente se reduce para obtener el antimonio.
Debido a su fragilidad y escasa maleabilidad el antimonio no tiene ninguna

aplicación de forma pura. Sin embargo, es un componente menor en muchas aleaciones
de plomo y estaño, aportando al conjunto de unas propiedades excelentes para
numerosos usos.
Las aplicaciones del antimonio son innumerables en la actualidad. Se utiliza mucho

en la industria de semiconductores (en la producción de diodos y detectores infrarrojos)
se usa también en aleaciones, ya que aumenta la dureza y la resistencia a esfuerzos
mecánicos de la aleación. Además, se producen con este metal baterías y acumuladores,
se utiliza también en recubrimiento de cables, como retardador de la llama, en esmaltes,
pinturas, en soldaduras, y en un largo etcétera.
El antimonio, a diferencia del mercurio, es un elemento que genera un gran interés

en la actualidad. De hecho, ha sido considerado como metal crítico para la Unión
Europea (UE) (Europea, s.f.). El antimonio (Sb) representa un metal fundamental para
la UE, ya que la producción mundial está dominada por China (~ 87%) y en el caso de
falta de suministro habría muchísimas industrias afectadas.
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
Actualmente existe un importante proyecto financiado por la unión europea

denominado AUREOLE, cuyo objetivo principal es mejorar la eficiencia en la
exploración minera Sb y W en la UE y evaluar el riesgo ambiental potencial a gran escala
(https://aureole.brgm.fr/). Este es un trabajo en el que se busca la creación de modelos
predictivos 3D de ubicaciones de depósitos de mineral de Sb, Hg y sus impactos
ambientales posteriores.
Un equipo de profesores de la Universidad de Castilla-La Mancha entre los que se

encuentra uno de los directores de este trabajo fin de grado, Pablo L. Higueras-Higueras,
participan activamente en este trabajo. Aprovechando la semejanza entre los objetivos
de este trabajo y los de este proyecto europeo se ha estado llevando a cabo una
colaboración con el mismo y se han preparado y presentado hasta el momento dos
comunicaciones orales con el equipo del proyecto, encontrando interés por parte de este.
3.4.4 Yacimientos de antimonio en el Sinclinal de Guadalmez
Aunque la explotación de minerales de antimonio cesó en España en el año 1985, al

cerrarse la mina de San Antonio, todavía quedan recursos. El Plan Nacional de Minería
estimó las reservas de antimonio en unas 10.000 toneladas. Tomando en consideración la
cotización actual, deben ser consideradas como reservas potenciales. La mayor cantidad de
reservas que se conocen están situadas en Extremadura (alrededor del 80%) pero existen
otras minas en el Valle de Alcudia y Sierra Morena (Gumiel, 1982).
Actualmente hay un equipo de investigadores de la Universidad de Castilla La-Mancha

recuperando y generando datos mineros y de carácter geoquímico de una de estas minas, la
denominada como Balanzona, en la zona occidental el Valle de Alcudia.
La mina Balanzona se encuentra en el Sinclinal de Guadalmez, perteneciente al término

municipal de Santa Eufemia (Córdoba). La mineralización de antimonio en este yacimiento
se encuentra en Cuarcita de Criadero y es de carácter filoniano (Gumiel, 1982). En la figura
13 puede verse en un mapa la situación de este yacimiento.
Teniendo en cuenta las afinidades y similitudes entre mercurio y antimonio, y los

parecidos entre esta mineralización y la de mercurio de Almadén, se pretende, en trabajos
futuros, utilizar estos datos y la experiencia conseguida a partir de la realización de este
proyecto, para realizar modelos predictivos que permitan encontrar mineralizaciones de
antimonio. Se busca también que estos modelos logren generalizar las predicciones para el
34
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.
En la figura 14 puede observarse un esquema geológico de la zona de estudio, con la

indicación de la situación de las muestras de geoquímica de suelos que se están analizando.
Figura 14: Esquema geológico de la zona de estudio. Abreviaturas: SA (Sinclinal de Almadén) y SG

(Sinclinal de Guadalmez). Adaptado de: IGME. Mapa Geológico Continuo de España a escala 1:50.000.
Servicio WMS.
35
4. Preparación del conjunto de datos (Dataset)
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.
4.1 Conjunto de datos o dataset
Merece la pena destacar que se ha realizado un esfuerzo extraordinario para la confección

y preparación del conjunto de datos. Se ha necesitado hacer un trabajo de investigación muy
importante para conseguir digitalizar y preparar una gran cantidad de datos geológico-
mineros de carácter heterogéneo y de distinta naturaleza en un único fichero. Con el objetivo
de que pudiera ser tratados e interpretados por los modelos de inteligencia artificial.
Podemos dividir la información con la que se cuenta en dos grupos:
4.1.1 Sondeos, indicios y minas
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
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.
Las coordenadas y localización de la mayoría de los indicios mineros, sondeos y minas

no se encontraban recogidos con precisión en libros de texto, mapas, ni por supuesto en
forma digital. Se realizó por tanto una tarea de documentación para situar estos puntos sobre
el mapa y poder trasladarlos al modelo. Para la tarea de documentación se recurrió a libros
sobre el distrito minero de Almadén como “Mecanismos estructurales de volcanismo
paleozoico en la región alcudiense” (Puche, 1989), a mapas históricos e informes
relacionados, y a datos de los sondeos realizados por la empresa Minas de Almadén y
Arrayanes S.A. (MAYASA).
Para la localización de aquellos numerosos indicios que no aparecían recogidos en la

documentación se contó además con la ayuda del Dr. Saturnino Lorenzo, último geólogo de
esta empresa minera y buen conocedor de todo el distrito minero de Almadén. Todas las
coordenadas de estas minas fueron incluidas en el dataset para su utilización en el proceso
de entrenamiento del modelo.
Una vez toda la información de la zona había sido recabada se obtuvo un total de 77
puntos, correspondiendo estos a:
- 7 minas históricas de mercurio, algunas de ellas de gran importancia a nivel

mundial.
- 1 yacimiento con reservas que ya había sido cubicado, pero sin explotar.
- 38 indicios de mineralización.
- 31 sondeos con recuperación de testigo llevados a cabo en el área de estudio.
37
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
Minas grandes Indicios, sondeos y labores minera
38
4.1.2 Conocimiento de expertos
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.
Mediante publicaciones históricas (Puche, 1989) y la utilización de una gran cantidad de

documentos, mapas y otro tipo de datos cedidos por la empresa Minas de Almadén y
Arrayanes S.A. que investigó y explotó de forma intensiva las mineralizaciones de mercurio
de la zona, se consiguió confeccionar un conjunto de datos en forma de matriz.
En esta matriz, las primeras columnas identifican el tipo de yacimiento o mineralización,

las siguientes las coordenadas de cada uno de ellos y en las siguientes columnas se recoge
información adicional de cada uno de los yacimientos.
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
- Sondeos: Se valora con una puntuación de 0 a 10 la similitud entre el punto en

cuestión y un sondeo positivo en cinabrio y/o mercurio.
- Cinabrio: Este atributo describe cual es el contenido relativo de cinabrio en cada
punto. Se valora también del 1 al 10. Valores menores a 4 corresponden a contenidos
escasos en de este mineral, contenidos de entre 4 y 7 a esporádicos y valores mayores
a 7 implican abundantes contenidos de este mineral en la zona.
- Mercurio nativo: Define de forma análoga al anterior el contenido relativo de
mercurio nativo en cada localización. Se puntúa del 0 al 10, valores menores a 4
corresponden a contenidos escasos en de este metal, contenidos de entre 4 y 7 a
esporádicos y valores mayores a 7 implican abundantes contenidos de mercurio
nativo en la zona.
- Tipo Estratiforme: Este atributo define la similitud entre la mineralización del
punto de estudio y una de tipo estratiforme. Se valora esta similitud con valores
comprendidos entre el 0 y el 10. Valores menores a 4 indican poca probabilidad de
que ese indicio o mineralización corresponda a una de tipo estratiforme, valores de
entre 4 y 7 a posibilidad de que exista este tipo de mineralización y valores mayores
a 7 señalan que hay una probabilidad muy alta que exista este tipo de mineralización
en esa zona.
- Tipo Epitermal filoniana: Esta columna define como de similar es la
mineralización del punto en cuestión y una de tipo epitermal filoniana. Se puntúa del
1 al 10 esta similitud. Valores menores a 4 indican poca probabilidad de que ese
indicio o mineralización corresponda a una de tipo epitermal filoniana, valores de
entre 4 y 7 a posibilidad de que exista este tipo de mineralización y valores mayores
a 7 señalan que hay una probabilidad muy alta que exista este tipo de mineralización
en este punto.
- Tipo Epitermal Reemplazamiento: Este atributo describe la similitud entre la
mineralización del punto de estudio y una de tipo epitermal de reemplazamiento. Se
valora esta similitud con valores comprendidos entre el 0 y el 10. Valores menores a
4 indican poca probabilidad de que ese indicio o mineralización corresponda a una
de tipo epitermal de reemplazamiento, valores de entre 4 y 7 a posibilidad de que
exista este tipo de mineralización y valores mayores a 7 señalan que hay una
probabilidad muy alta que exista este tipo de mineralización.
- Cuarcita: Con números entre 0 y 10 se valora cuál es la probabilidad de encontrar
cuarcita en esa localización. Valores menores a 4 indican nula o escasa probabilidad
40
de encontrar cuarcita en ese lugar, valores de entre 4 y 7, que existe la posibilidad de

encontrar esta roca en el lugar; y valores superiores a 7 señalan que hay una
probabilidad muy alta de encontrar cuarcita allí.
- Pizarras: Se utilizan también valores comprendidos entre 0 y 10 para valorar cuál
es la probabilidad de encontrar pizarras en esa localización. Valores menores a 4
indican poca probabilidad de encontrar pizarras en ese lugar, valores de entre 4 y 7 a
que existe la posibilidad de encontrar esta roca en el lugar y valores mayores a 7
señalan que hay una probabilidad muy alta de encontrar pizarras allí.
- Piroclastos (tobas): Se utilizan también valores comprendidos entre 0 y 10 para
valorar cuál es la probabilidad de encontrar piroclastos (o tobas) en esa localización.
Valores menores a 4 indican poca probabilidad de encontrar piroclastos en ese lugar,
valores de entre 4 y 7 a que existe la posibilidad de encontrar esta roca y valores
mayores a 7 señalan que hay una probabilidad muy alta de encontrar piroclastos allí.
- Lavas: Se utilizan también valores comprendidos entre 0 y 10 para valorar cuál es
la probabilidad de encontrar lavas en ese lugar. Valores menores a 4 indican poca
probabilidad de encontrar lavas en ese lugar, valores de entre 4 y 7 a que existe la
posibilidad de encontrar esta roca y valores mayores a 7 señalan que hay una
probabilidad muy alta de encontrar allí lavas.
- Carbonatos: Con números entre 0 y 10 se valora cuál es la probabilidad de encontrar
carbonatos en este lugar. Valores menores a 4 indican poca probabilidad de encontrar
carbonatos en ese lugar, valores de entre 4 y 7 a que existe la posibilidad de encontrar
esta roca y valores mayores a 7 señalan que hay una probabilidad muy alta de
encontrar allí carbonatos.
- Diabasas/doleritas: Se utilizan también valores comprendidos entre 0 y 10 para
valorar cuál es la probabilidad de encontrar rocas tipo diabasa o dolerita en ese lugar.
Valores menores a 4 indican poca probabilidad de encontrar este tipo de rocas,
valores de entre 4 y 7 a que existe la posibilidad de encontrar esta roca y valores
mayores a 7 señalan que hay una probabilidad muy alta de encontrar allí diabasas o
doleritas.
- Edad: En este caso se realiza una valoración numérica de la edad de la roca con
valores comprendidos entre 0 y 30. De 0 a 9 se tienen rocas formadas en el
Ordovícico, con un valor de 10 para la Cuarcita de Criadero, valores entre de 11 y
20 para rocas del Silúrico y valores entre 20 y 29 para rocas de edad Devónico.
41
- Grado de fracturación: Se utilizan valores comprendidos entre 0 y 10 para valorar

como es la fracturación de los materiales en este lugar. Valores menores a 4 indican
que el material se encuentra poco fracturado, valores de entre 4 y 7 a que hay cierta
fracturación en la zona y valores mayores a 7 señalan que existe allí una fracturación
de las rocas especialmente intensa.
- Grado de plegamiento: Con números entre 0 y 10 se valora como es el plegamiento
de los materiales en este lugar. Valores menores a 4 indican que el material se
encuentra poco plegado, valores de entre 4 y 7 indican que hay cierto plegamiento
en la zona y valores mayores a 7 señalan que existe allí un plegamiento muy intenso.
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.
4.1.3 Mapa Geológico de la zona
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.
Figura 17: Mapa geológico de detalle del sinclinal de Almadén.
42
Encontrado el mapa de la zona, hubo que buscar la manera de conseguir transformar la

información de una imagen a una información que los modelos de inteligencia artificial
pudieran interpretar. Este mapa es de tipo ráster, formado de miles de píxeles de distintos
colores, cada uno de los cuales aporta información de tipo geológica. Se decidió por tanto
extraer, para cada uno de los puntos del mallado que se realizó, su valor correspondiente de
color de píxel (tipo de roca), y se añadió a la matriz de datos en forma de una nueva columna,
obteniendo un valor de píxel para cada uno de los 24.797 puntos.
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
4.2 Mallado o gridding de los datos
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.
Mediante el software Matlab (https://es.mathworks.com/products/matlab.html) y los

scripts (programas) que se crearon y aparecen más abajo, se hizo un gran mallado alrededor
de cada uno de los 77 puntos originales, siguiendo el siguiente procedimiento sistemático:
4.2.1 Indicios, sondeos, labores y minas
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
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.
% Crear malla de puntos alrededor de un yacimiento con forma

circunferencia
% de radio R (cambiará para cada yacimiento)
% x0 : coordenada x del yacimiento/indicio/sondeo
% y0 : coordenada y del yacimiento/indicio/sondeo
% R : radio de la malla de puntos
x0 =354711;
y0 =4287815;
R = 50;
% Representamos la circunferencia (Plot circle)
pos = [x0-R, y0-R, 2*R, 2*R];
rectangle('Position', pos, 'Curvature',[1 1]);
hold on;
%inicializamos las variables
45
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]'
El script anterior, además de guardar las coordenadas del mallado en un fichero,

imprime en pantalla un gráfico de los puntos obtenidos, para detectar y corregir los posibles
fallos que pudieran ocurrir (ver figura 19).
46
Figura 19: Gráfico del mallado circular obtenido para uno de los puntos
4.2.2 Mina de Almadén
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:
% Crear malla de puntos alrededor de un yacimiento con forma

elipse
% de radio rx(horizontal) radio ry (vertical) de la elipse
% x0 : coordenada x del centro del yacimiento/indicio/sondeo
% y0 : coordenada y del centro del yacimiento/indicio/sondeo
x0 =339959;
47
y0 =4293450;
rx = 600; %radio horizontal elipse
ry= 300; %radio vertical elipse
%inicializamos las variables

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-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...
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]'
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
Figura 20: Gráfico del mallado elíptico obtenido para Mina Almadén
A continuación, se muestran ejemplos del mallado de algunos yacimientos (Mina

Almadén, El Entredicho, Nuevo Entredicho, Antiguo Entredicho). En total, 24.797 puntos
conforman el mallado obtenido (ver figura 21).
Figura 21: Fragmento del mallado para Mina Almadén, El Entredicho, Nuevo Entredicho y Antiguo Entredicho
49
5. Aplicación de los modelos.
Estos modelos de IA no son sino herramientas estadístico/matemáticas extremadamente

potentes, que permiten un aprendizaje de los datos, y una búsqueda de relaciones en muchos
casos no lineales entre ellos. En el caso de este trabajo se crearon cuatro modelos de
inteligencia artificial distintos, siendo estos Red Neuronal Probabilística (RNP), Random
Forest (RF), Perceptrón Multicapa (PM) y Máquinas de Vectores de Soporte (MVS).
En este proyecto se trabajó con aprendizaje supervisado, esto significa que la

información que se le dio al modelo tenía siempre una serie de etiquetas, etiquetas que
poseen la forma del problema al resolver.
En el caso, por ejemplo, de un conjunto de datos de tumores malignos y benignos, de los

que se da información de tamaño, forma, etcétera, la etiqueta del dataset que convertiría el
aprendizaje en supervisado sería el tipo de tumor (maligno/benigno). Existe otro tipo de
aprendizaje denominado no supervisado en el que la información no tiene etiquetas y es el
algoritmo el que encuentra relaciones entre los datos dividiendo el dataset en grupos con
características similares. En cualquier caso, el aprendizaje no supervisado no ha sido
utilizado en este trabajo y, por lo tanto, no se le va a dedicar mayor atención.
Para valorar si el modelo ha aprendido de la información, se suele dividir el conjunto de

datos en datos de aprendizaje y datos de entrenamiento. El 70% de los datos (por ejemplo)
se le daría al modelo para aprender y el otro 30% sería información que el modelo nunca ha
visto, y que se utiliza para validar el modelo, y comprobar que hace unas buenas predicciones
de los datos. De esta forma se tendrá una mayor seguridad de que, cuando el modelo reciba
información totalmente nueva, y de la que no se tiene etiquetas, podrá predecir con precisión
la etiqueta correspondiente.
5.1 Experimentos
A la hora de utilizar aprendizaje automático existen, a grandes rasgos, dos tipos de

problemas a resolver; problemas de clasificación y problemas de regresión. La naturaleza de
estos dos tipos de problemas es muy distinta y esto hace que no todos los modelos de
aprendizaje automático sean aptos los dos casos. A continuación, se describe lo que implica
que un problema sea de clasificación o de regresión:
50
- Clasificación: Cuando se utiliza clasificación, el resultado o salida del modelo es

una clase, entre un número limitado de ellas. Por ejemplo, en el caso de querer
detectar si un correo electrónico es spam o no, el problema es claramente de
clasificación, y además cuenta con dos clases, una clase será spam, mientras que la
otra indica que no lo es. Otro ejemplo de programa de clasificación, en este caso con
más de dos clases, puede ser definir qué deporte está haciendo una persona que llevo
un reloj inteligente, en este caso las clases posibles son caminar, correr, bicicleta y
nadar.
Hay varias técnicas de aprendizaje automático que pueden utilizarse en problemas
de clasificación, algunas de ellas son: Regresión Logística, Árboles de decisión,
Random Forest, Máquinas de Vectores de Soporte, Redes Neuronales.
- Regresión: Cuando se utiliza regresión, el resultado es un número. Con esta técnica

de aprendizaje automático la salida obtenida será un valor numérico dentro de un
conjunto infinito de resultados. Algunos ejemplos de este tipo de problemas podrían
ser estimar cual va a ser el número de ventas que va a tener un determinado producto,
o estimar cuanto tiempo va a tardar un vehículo a llegar a su destino.
Al igual que ocurría en el caso anterior, existen diversas técnicas disponibles para
este tipo de problemas, entre ellas cabe destacar: Regresión lineal y no lineal,
Decision Trees, Random Forest y Redes Neuronales.
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).
En el problema de regresión, el modelo ha encontrado una tendencia a la que se ajustan

la mayoría de los datos, si se aporta un valor nuevo en uno de los ejes este será capaz de
predecir el valor del otro.
51
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.
Los dos experimentos realizados se resumen a continuación:
Experimento 1:
Dado el conjunto de datos con información geológica-minera de la zona de Almadén el

experimento dos consistía en predecir a cuál de los 77 puntos originales pertenecían unas
determinadas coordenadas. Como se expuso anteriormente, para realizar el mallado se partió
de los yacimientos, y se crearon miles de puntos alrededor de estos. Cada uno de los puntos
pertenecientes al mismo yacimiento (mina Almadén, por ejemplo) tienen el mismo ID
(número de identificación del yacimiento).
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).
5.2 Modelos y validaciones realizadas
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
para los diferentes experimentos, y así encontrar aquel que, obteniendo unas predicciones
correctas, fuera más eficiente en cuanto a tiempo de cómputo se refiere.
Existen en la actualidad numerosos modelos de inteligencia artificial que consiguen

aprender de los datos, y que reducen poco a poco el error de sus predicciones para ir
ajustándose más y más a ellos. En la actualidad, las redes neuronales artificiales están
acaparando mucha atención, pero existen muchos otros modelos que, dependiendo de la
naturaleza de los datos y de la tarea a resolver, pueden incluso obtener mejores resultados.
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.
- Random Forest: Para

poder entender este
modelo, hay que
comprender primero el
concepto de los
árboles de decisión.
Un árbol de decisión
es un modelo
predictivo, en el que,
dado un conjunto de
datos, se construyen
Figura 23: Ejemplo de un árbol de decisión
diagramas lógicos, que
categorizan y representan una serie de condiciones. Estas ocurren de manera sucesiva
y permiten la resolución de un problema o la toma de decisión (Rokach, 2008). Un
árbol de decisión comienza con un solo nodo, que luego se ramifica en distintos
resultados posibles. Cada uno de esos resultados crea nodos adicionales que a su vez,
pueden ramificarse en otras posibilidades. Representar visualmente esta forma de
proceder, le da cierta apariencia de árbol, véase la figura 23 para comprobar esta
cierta similitud.
El modelo de RF se puede definir como una combinación de árboles de decisión

predictivos. Lo que ocurre realmente en estos modelos es que los diferentes árboles
ven distintas porciones del dataset, ninguno de los árboles ve la totalidad del conjunto
de datos de entrenamiento. Esto propicia que, al combinar sus resultados, se obtenga
53
una menor tasa de error, al compensarse unos errores con otros, y, en definitiva, una
predicción que generaliza mejor.
- Red Neuronal Probabilística: Este modelo en un caso específico de las conocidas

Redes Neuronales Artificiales (RNA) o Artificial Neural Network (ANN). Las RNA
son modelos computacionales inspirados en las redes neuronales biológicas, que se
utilizan muy a menudo en aprendizaje automático. En ellas, las distintas unidades de
procesamiento (neuronas) están
conectadas entre sí y organizadas de
forma similar a como se estructuran
las redes neuronales en el cerebro
humano. Las Redes Neuronales
Probabilísticas (RNP), por ejemplo,
son utilizadas comúnmente para
problemas de clasificación (Cadena,
2008) y reconocimiento de patrones.
Estas redes están formadas por tres Figura 24: Estructura de una Red Neuronal
Probabilística
capas de nodos por las que pasan los
datos de entrada (capa de entrada, capa oculta y capa de salida). La figura 24 muestra
la estructura de una RNA capaz de reconocer dos clases (clase 1 y clase 2). Una vez
entrenadas, estas redes permiten obtener como salida la clase más probable para el
vector de entrada introducido.
- Perceptrón Multicapa: El Perceptrón Multicapa (PM) es también una RNA

formada por múltiples capas, a diferencia del Perceptrón Simple. El hecho de contar
con varias capas permite resolver con esta red problemas que no son separables
linealmente (Haykin, 1998).
54
- Máquinas de Vectores de Soporte: Las MVS, o Support Vector Machines (SVM),

son algoritmos de aprendizaje automático que pueden ser utilizados para resolver
problemas tanto de regresión, como de clasificación. Un MVS es un modelo que
representa el conjunto de datos como una serie de puntos en el espacio. Para
problemas de clasificación, las clases se separan en el espacio mediante los
denominados hiperplanos de separación (Zhang, 2004). Cuando un nuevo input se
ingresa en el modelo, en función de la región del espacio a la que pertenezcan, este
será clasificado como de una u otra clase. En la figura 25 puede observarse este
hiperplano y los puntos del conjunto de datos que han sido representados en el
espacio. El hiperplano de separación azul separa dos regiones, en la región superior
quedan encerrados los puntos rojos (clase 1) y debajo de este plano los puntos azules
(clase 2).
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
Validación de los resultados:
La finalidad de un modelo de IA es siempre la de predecir una respuesta para

observaciones futuras, observaciones que el modelo no ha “visto” antes (Rodrigo, 2016).
Para conocer si el funcionamiento del modelo está siendo correcto, y comprobar su

capacidad de generalizar, es necesario recurrir a los métodos de validación, también
conocidos como resampling. Hay varios tipos distintos de métodos de validación, cada uno
con sus ventajas e inconvenientes, se resumen a continuación dos de ellos:
- Validación simple: Se trata del método más sencillo de validación. Se reparten de

forma aleatoria las observaciones del conjunto de datos en dos grupos. Uno de estos
grupos se utiliza para entrenar al modelo (conjunto de datos de entrenamiento), y el
otro es usado para comprobar las predicciones (conjunto de datos de prueba o de
test). Este método tiene varias desventajas. Una de ellas es que al separar el conjunto
de datos en dos hay parte de los datos originales que no se usan para entrenar al
modelo, por lo que se obtiene una sobrestimación del error (Rodrigo, 2016). En la
figura siguiente (figura 26) puede observarse la separación del conjunto de datos para
llevar a cabo una validación de tipo simple.
Figura 26: División de un conjunto de datos para llevar a cabo una validación simple
- Validación cruzada o k-Fold cross validation: Se trata de un proceso iterativo.

Consiste en dividir aleatoriamente en k-grupos, de tamaños similares, el conjunto de
datos. Se emplearán k-1 grupos para el entrenamiento del modelo, y uno de estos
grupos será utilizado para llevar a cabo la validación en cada iteración. Este proceso
se repite k veces, utilizando uno de los grupos para validar en cada iteración. Este
método es muy preciso, pero tiene una gran desventaja. El proceso conlleva unos
requerimientos computacionales muy superiores a los necesarios para la validación
56
simple. El costo computacional sube además a medida que aumenta el número de

grupos. Se recomienda un k entre 5 y 10 (Rodrigo, 2016). En este trabajo se ha
utilizado este método de validación, utilizando un k de 10 para cada uno de los
experimentos. En la figura 27 puede observarse como se separa el conjunto de datos
para llevar a cabo una validación cruzada con un valor de k = 4.
Figura 27: División de un conjunto de datos para llevar a cabo una K-Fold cross validation (k=4)
5.3 Confeccionamiento y entrenamiento de los modelos mediante la Plataforma

Analítica Knime
KNIME (Konstanz Information Miner) es una plataforma analítica de minería de datos

que permite el desarrollo de modelos de inteligencia artificial en un entorno visual. KNIME
está construido bajo la plataforma Eclipse, y programado en Java. Esta herramienta es
relativamente sencilla de utilizar, al estar concebida como una herramienta gráfica e
intuitiva. Funciona mediante una serie de nodos y flechas. Cada nodo engloba distintos tipos
de algoritmos o transformaciones que pueden realizarse al conjunto de datos, mientras que
las flechas unen distintos nodos para establecer relaciones entre ellos. Algunos nodos típicos
sirven para manipular filas y columnas, realizar agrupaciones, funciones de visualización,
de creación de modelos estadísticos, de validación de resultados, etc. KNIME integra
además muchos componentes para el ML y la minería de datos, permitiendo confeccionar
útiles modelos de IA sin la necesidad de programar ni una sola línea de código.
57
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).
La parte analítica de este trabajo se ha llevado a cabo enteramente en esta plataforma. Se

han creado distintos flujos, o más comúnmente denominados workflows, que no son sino
una sucesión de nodos que en este proyecto han permitido la construcción de los distintos
experimentos con cuatro modelos de ML creados.
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.
Figura 28: Lista de todos los nodos utilizados en los 4 modelos
58
Nombre del nodo Entradas Salidas Procesamiento realizado

Conjunto de datos Lectura de información
File Reader Fichero ASCII
extraídos del fichero de un fichero externo
Tabla con columna(s) Tabla sin columna(s) Filtrar una columna
Column Filter
a extraer extraídas de la tabla
Convierte los números
Number to string Números en una columna Números convertidos en cadena
a cadena (string)
La entrada con la Escanea la información
Domain Calculator Cualquier entrada
actualización realizada y actualiza los valores
Tabla con columna(s)
Tabla con columna(s) normalizadas Normalización de
Normalizer
a normalizar Modelo con los columna(s)
parámetros de normalización
La tabla de datos con
los datos de aprendizaje Separar conjunto en
X-Partitioner La tabla de datos a separar
La tabla de datos con los entrenamiento y predicción
datos de entrenamiento
Tabla datos de salida
de la prediccion del modelo Completar un bucle de
X-Aggregator Columnas a comparar
Tasas de error para cross validation
todas las iteraciones
Matriz de confusión
Comparación dos o
Scorer Tabla con al menos dos columnas Tabla de estadísticas
más columnas
de precisión
El grupo actual de la A cada iteración procesa
Group Loop Start Cualquier tabla de entrada con grupos
tabla de entrada (iteración) unas filas distintas
Table Row Conexión con las Convierte la 1ª fila de
Tabla cuya primera fila serán variables
to Variable variables creadas una tabla en variables
Resultados recogidos por
Loop End Cualquier tabla de datos Finalización de un bucle
la iteración del bucle
Tabla resultado del Combinar en una tabla
GroupBy La tabla de entrada a agrupar
agrupamiento los grupos
La información de
entrada + out-of-bag predicciones
Random Forest Entrenamiento de un
La información de la cual aprender Tabla de estadísticas de
Learner modelo de RF
los atributos de los árboles
El modelo entrenado
Random Forest Salida del RF Learner (modelo) Tabla con información Predicción mediante un
Predictor La información a predecir de entrada + predicciones modelo de RF
Reglas obtenidas en aprendizaje
(como funciones Gaussianas) Entrenamiento de un
PNN Learner (DDA) La información para el aprendizaje
El modelo entrenado a modelo de PNN
utilizar por el Predictor
Salida del PNN Learner (modelo) Tabla con información Predicción mediante un
PNN Predictor
La información a predecir de entrada + predicciones modelo de PNN
Modelo SVM entrenado Entrenamiento de un
SVM Learner Información de la cual aprender
con datos de entrada modelo de SVM
Salida del SVM Learner (modelo) Tabla con información de Predicción mediante un
SVM Predictor
La información a predecir entrada + predicciones modelo de SVM
Modelo de MLP entrenado Entrenamiento de un
Rprop MLP Learner La información de la cual aprender
con los datos de entrada modelo de MLP
MultiLayerPerceptron Salida del Rprop MLP Learner Tabla con información de Predicción mediante un
Predictor Tabla con información a predecir entrada + predicciones modelo de MLP
Tabla 1: Tabla resumen de todos los nodos utilizados en este trabajo
59
5.2.1 Experimento 1:
Este experimento, que consistía en identificar el ID o número de identificación de cada

punto, se llevó a cabo con los cuatro modelos creados. Se obtuvo para estos modelos los
siguientes resultados:
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%.
RANDOM FOREST (RF)

PRECISIÓN TOTAL 98,4 %
INSTANCIAS BIEN CLASIFICADAS 24.392
INSTANCIAS MAL CLASIFICADAS 405
COEFICIENTE KAPPA DE COHEN 0,983
ERROR 1,6 %
Tabla 2: Tabla de resultados generales para RF, primer experimento
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
RANDOM FOREST (RF)

MEDIA PRECISIÓN POR CLASES 98,4 %
PRECISIÓN MÁXIMA DE CLASE 100 %
PRECISIÓN MÍNIMA DE CLASE 23,27 %
DESVIACIÓN TÍPICA 10,4
VARIANZA 108,2
Tabla 3: Tabla de resultados particulares para RF, primer experimento
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:
En la siguiente tabla (tabla 4), se pueden consultar los resultados obtenidos en la

validación por K-fold cross-validation. Se puede apreciar que la precisión media obtenida
en las iteraciones es alta, confirmando que los resultados de las predicciones son fiables. La
precisión máxima de iteración en este experimento es de 98,4% y la mínima de 98,2%, la
desviación típica de las iteraciones es 0,12. La varianza obtenida es 0,014.
RANDOM FOREST (RF)

MEDIA PRECISIÓN K-FOLD 98,4 %
PRECISIÓN MÁXIMA K-FOLD 98,6 %
PRECISIÓN MÍNIMA K-FOLD 98,2 %
DESVIACIÓN TÍPICA K-FOLD 0,12
VARIANZA 0,014
Tabla 4: Resultados K-fold cross-validation para RF, primer experimento
61
Red Neuronal Probabilística:
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%.
RED NEURONAL PROBABILÍSTICA (RNP)

PRECISIÓN TOTAL 74 %
INSTANCIAS MAL CLASIFICADAS 6.437
ERROR 25,96 %
Tabla 5: Tabla de resultados generales para RNP, primer experimento
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

PRECISIÓN MÍNIMA DE CLASE 0%
VARIANZA 1924
Tabla 6: Tabla de resultados particulares para RNP, primer experimento
La precisión por clase de la RNP para el primer experimento es de un 73,71 %,

significativamente inferior a la conseguida por el modelo de RF. La precisión máxima de
clase es del 100 %, y la mínima obtenida es del 0%. Realizando un análisis en detalle de
cada una de las clases, se puede determinar que las precisiones de este modelo son buenas
para grandes minas, pero son muy inexactas para indicios y sondeos. Aunque clasifica
correctamente todas las minas importantes, comete errores demasiado recurrentes en
indicios y sondeos. Además, se ha observado que indicios 21 y 22 y sondeo SRD2 son
confundidos muy frecuentemente con Mina Las Cuevas.

validación por K-fold cross-validation. Aquí aparece la precisión media obtenida en las
iteraciones, esta es homogénea para cada iteración, con una media de 74%, confirmando que
los resultados de las predicciones son fiables. La precisión máxima de iteración en este
experimento es de 74,44% y la mínima es de 73,75%, la desviación típica de las iteraciones
es 0,23. La varianza obtenida es 0,05.

MEDIA PRECISIÓN K-FOLD 74 %
VARIANZA 0,05
Tabla 7: Tabla de resultados K-fold cross-validation para RNP, primer experimento
63
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 %.
PERCEPTRÓN MULTICAPA (PM)

ERROR 10 %
Tabla 8: Tabla de resultados generales para PM, primer experimento
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.

VARIANZA 386,9
Tabla 9: Tabla de resultados particulares para PM, primer experimento
64
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.
En la siguiente tabla (tabla 10), pueden consultarse los resultados obtenidos en la

validación por K-fold cross-validation en el modelo PM. Se puede apreciar que la precisión
media obtenida en las iteraciones es bastante alta. La precisión máxima de iteración en este
experimento es de 89,9 % y la mínima de 87,4 %, la desviación típica de las iteraciones es
1,58. La varianza obtenida es 2,49.

VARIANZA 2,49
Tabla 10: Tabla de resultados K-fold cross-validation para PM, primer experimento
Máquinas de Vectores de Soporte:
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
de forma errónea. El coeficiente Kappa obtenido ha sido de 0,957. El error en las

predicciones se sitúa en torno al 4,3 %.
MÁQUINAS DE VECTORES DE SOPORTE (MVS)

ERROR 4,3 %
Tabla 11: Tabla de resultados generales para MVS, primer experimento
En la siguiente tabla (tabla 12), aparecen los resultados particulares para el

experimento 1, modelo de Máquina de Vectores de Soporte. Se puede apreciar que la
precisión media por clase es también bastante elevada, lo que es muy positivo. Se puede
apreciar en la tabla que la precisión mínima de clase está situada en un 4,09 %. La precisión
máxima de clase en este experimento es de 100 %. La desviación típica de las precisiones
por clase es 15,48. La varianza obtenida es 239,63.

VARIANZA 239,63
Tabla 12: Tabla de resultados particulares para MVS, primer experimento
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

validación por K-fold cross-validation. Se tiene precisión media en las iteraciones de
95,74%. La precisión máxima de iteración en este experimento es de 96,61 % y la mínima
es de 95,20 %. La desviación típica de las iteraciones es 0,44. La varianza obtenida es 0,19.

VARIANZA 0,19
Tabla 13: Tabla de resultados K-fold cross-validation para MVS primer experimento
Comparativa de los modelos
En la figura 28 aparece representado un gráfico de caja y bigotes para las precisiones de

cada modelo en el primer experimento. Puede verse de un simple vistazo que el modelo de
RF obtiene los mejores resultados. Sólo un elemento está por debajo del 40% de precisión,
siendo la mayoría de las precisiones cercanas al 100%. El RNP sin duda obtiene los peores
resultados, estando sus predicciones comprendidas entre el 0 y 100%. El PM y SVM se
comportan bastante bien en el experimento 1, como muestra la figura 29.
Figura 29: Gráficos de caja y bigotes para el primer experimento
67
5.2.3 Experimento 2:
Como recordatorio, este experimento consistía en identificar el valor de geología

correspondiente al tipo de roca para cada punto del conjunto de datos. Cada uno de los
modelos con sus predicciones confeccionó su propia reconstrucción del mapa geológico.
Aunque la reconstrucción se realizó de la totalidad del mapa geológico, en las siguientes
páginas, por falta de espacio, se muestran únicamente las imágenes de los lugares más
representativos de la zona de estudio. Estos lugares se muestran a continuación mediante
una ortofoto (véase figuras 30, 31 y 32).
Figura 30: Ortofoto de la zona de la mina de El Entredicho
68
Figura 31: Ortofoto de la zona de la Mina Nueva Concepción
Figura 32: Ortofoto de la zona de la Mina de Almadén
Al igual que en el resto de los experimentos, se entrenaron en total cuatro modelos de IA

distintos, obteniendo con ellos los siguientes resultados:
69
Random Forest:
Análisis general:
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 %.
RANDOM FOREST (RF)

ERROR 7,1 %
Tabla 14: Tabla de resultados generales para RF, segundo experimento
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.
RANDOM FOREST (RF)

VARIANZA 1631,4
Tabla 15: Tabla de resultados particulares para RF, segundo experimento
70
Visualización de Resultados. Reconstrucción del mapa geológico Random Forest:
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
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

validación por K-fold cross-validation para el modelo RF. La precisión media es alta, 89,9
%. La precisión máxima de iteración es de 94 % y la mínima de 91,7%. La desviación típica
de las iteraciones es 0,79. La varianza obtenida es 0,63.
RANDOM FOREST (RF)

PRECISIÓN MÁXIMA K-FOLD 94 %
VARIANZA 0,63
Tabla 16: Tabla de resultados K-fold cross-validation para RF, segundo experimento
Red Neuronal Probabilística:
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 %.

ERROR 10,2 %
Tabla 17: Tabla de resultados generales para RNP, segundo experimento
73
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.

VARIANZA 1042
Figura 18: Tabla de resultados particulares para RNP, segundo experimento
Visualización de Resultados. Reconstrucción del mapa geológico RNP:
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
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

validación por K-fold cross-validation para el modelo RNP. La precisión media es alta, 89,9
%. La precisión máxima de iteración es de 94 % y la mínima de 91,7%. La desviación típica

PRECISIÓN MÁXIMA K-FOLD 90 %
VARIANZA 0,26
Tabla 19: Tabla de resultados K-fold cross-validation para RNP, segundo experimento
Perceptrón Multicapa:
Análisis general:
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 %.

ERROR 22,3 %
Tabla 20: Tabla de resultados generales para PM, segundo experimento
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
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.

MEDIA PRECISIÓN POR CLASES 54 %
VARIANZA 1730,6
Tabla 21 Tabla de resultados particulares para PM, segundo experimento
Visualización de Resultados. Reconstrucción del mapa geológico. Perceptrón

Multicapa:
A continuación, en las figuras 39, 40 y 41 se muestra la visualización de los resultados

obtenidos de la reconstrucción del mapa geológico para el modelo PM.
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
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

validación por K-fold cross-validation para el modelo PM. La precisión media es de 77,6 %.
La precisión máxima de iteración es de 83,18 % y la mínima de 69,9%. Resulta extraño ver
esta gran variabilidad de resultados para cada fold, ya que no se han obtenido unos valores
tan altos de desviación típica en la validación en ninguno de los otros modelos. La desviación
típica de las iteraciones es 3,99 y la varianza obtenida es 15,92.

VARIANZA 15,92
Tabla 22: Tabla de resultados K-fold cross-validation para RF, segundo experimento
Máquinas de Vectores de Soporte:
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 %.

ERROR 19,5 %
Tabla 23: Tabla de resultados generales para MVS, segundo experimento
79
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.

VARIANZA 1966,92
Figura 24: Tabla de resultados particulares para MVS, segundo experimento
Visualización de Resultados. Reconstrucción del mapa geológico, MVS:
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
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
En la siguiente tabla (tabla 25), pueden consultarse los resultados obtenidos en la

validación por K-fold cross-validation para el modelo MVS. La precisión media es de 80,5
%. La precisión máxima de iteración es 81,4% y la mínima de 79,46 %. La desviación típica

VARIANZA 0,41
Tabla 25: Tabla de resultados K-fold cross-validation para MVS, segundo experimento
Comparativa de los modelos segundo experimento
A continuación, en la figura 45, puede consultarse el gráfico de caja y bigotes

generado a partir de los resultados de precisión obtenidos para el experimento 2. Podemos
ver que la identificación correcta de la geología es un problema más difícil de resolver para
los modelos que la clasificación de los puntos con su ID (experimento 1). En este caso, el
modelo que mejor trabajo hace prediciendo resultados es claramente RNP, con la mayoría
de las precisiones comprendidas entre el 100% y el 70%.
Figura 45: Gráficos de caja y bigotes para el segundo experimento y cada uno de los modelos
82
6. Conclusiones y trabajos futuros
En este trabajo se ha realizado un esfuerzo muy importante por recopilar toda la

información geológico-minera posible del sinclinal de Almadén. Esta información, que en
muchos casos no se encontraba digitalizada, como es el caso de las coordenadas exactas de
todos los indicios del distrito, ha sido posible recuperarla gracias a la realización de este
proyecto. Con toda esta información se ha conseguido generar un gran conjunto de datos
que podrá ser utilizado en futuros trabajos. Estos datos podrán volver a ser utilizados para
seguir investigando la utilización de técnicas estadísticas, y que impliquen el uso de técnicas
de IA para la prospección minera.
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
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.
Gracias a la realización de este trabajo ha sido posible realizar una serie de

comunicaciones, participaciones a congresos y publicaciones que ponen en valor el trabajo
desarrollado. Se han realizado durante la ejecución del proyecto dos comunicaciones orales
con el equipo del proyecto europeo Aureole, en las que se recibió un feedback muy valioso,
al contar el proyecto con investigadores que aplican técnicas de IA en sus modelos
prospectivos de antimonio. También fue posible participar en la II Jornada de Jóvenes
Investigadores de la Sociedad Española de Mineralogía (SEM). En esta se realizó una
comunicación sobre este trabajo, y se publicó en la Revista de la Sociedad Española de
Mineralogía Macla nº25 2021 (ISSN 2659-9864). Gracias al interés del proyecto Aureole en
este trabajo, fue también posible participar, con una comunicación, en el congreso
internacional EGU General Assembly 2021 (Abstract EGU21-7339). Además, a primeros
de julio se tiene la intención de participar en el X Congreso Geológico de España con una
presentación oral sobre este proyecto.
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
existencia de expertos en estas mineralizaciones dentro del equipo docente de la Escuela de

Ingeniería Minera e Industrial de Almadén (EIMIA), ha permitido la validación de los
resultados obtenidos.
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.
Gracias a estos trabajos futuros, se comprobará la capacidad de los modelos creados en

este proyecto para generalizar, uno de los aspectos claves para tener en cuenta para la
aplicación de la IA en el mundo real. Si estos modelos resultan capaces de generalizar las
predicciones con este metaloide (antimonio), será muy probable que los modelos creados
sean también capaces de predecir mineralizaciones de metales de características similares.
Estos algoritmos, debidamente entrenados en un volumen de datos suficiente (muy

superior al actual), podrían acabar convirtiéndose en herramientas muy útiles para la
prospección minera moderna.
85
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.
ID NOMBRE COORDENADA X COORDENADA Y

1 Mina Almadén 339959 4293450
2 Las Cuevas 347269 4298300
3 El Entredicho 354414 4287937
4 Nuevo Entredicho 354711 4287815
5 Chillón I 337256 4295331
6 Chillón II 338414 4295521
7 La Grajera 344791 4292897
8 Pilar de la Legua 345516 4292851
9 Sondeo N7 345502 4292846
10 Vieja Concepción 351229 4289274
Antiguo Entredicho
11 (Minetas Valde) 354534 4287728
12 Indicio 18 353476 4294590
13 Indicio 13 354703 4290987
14 Indicio 14 353004 4292416
15 Indicio 16 352605 4295535
16 Tres Hermanas 350057 4290811
17 Indicio 1 349869 4290852
18 Indicio 2 349684 4290886
19 Sondeo BUR1 349685 4290885
20 Sondeo BUR2 349685 4290886
21 Tabla del Burcio 349082 4291308
86
22 Estación de bombeo S 349916 4290225

Estación de bombeo
23 SO 349676 4290267
24 Casa del Guarda 349094 4290632
25 Indicio 3 349227 4290159
Socavón a la salida de
26 Almadén 342138 4293443
27 Sondeo N4 345023 4292898
28 Sondeo S3 343170 4293036
29 Sondeo N1 345507 4292805
30 Sondeo N13 345507 4292805
31 Sondeo N9 344117 4293088
32 Sondeo PL1 345507 4292805
33 Sondeo SAV1 342667 4293253
34 Sondeo SCP1 352507 4288696
35 Sondeo SCP7 352616 4288769
36 Sondeo SCP2 352724 4288679
37 Indicio 4 352725 4288679
38 Sondeo SCP3 352196 4288887
39 Sondeo SCP6 352198 4288887
40 Indicio 5 352200 4288887
41 Sondeo SCP8 352133 4288860
42 Indicio 6 351898 4289085
43 Indicio 7 351896 4289122
44 Indicio 8 352083 4288996
45 Indicio 9 352106 4288930
Mina Nueva
46 Concepción 350315 4288888
87
47 Pozo del Águila 349689 4289085

48 Sondeo SPA1 349751 4289161
49 Sondeo SPA2 349810 4289055
50 Sondeo SPA3 349976 4289016
51 Indicio 10 349975 4289016
52 Indicio 11 349549 4289027
53 Indicio 12 349458 4289054
54 Sondeo SCH1 337418 4294537
55 Indicio 15 353360 4291507
56 Indicio 17 353270 4292000
57 Sondeo SRD1 345481 4294555
58 Indicio 19 345482 4294555
59 Indicio 20 345613 4294445
60 Sondeo SRD2 345878 4294730
61 Indicio 21 345877 4294730
62 Sondeo SRD3 346039 4294727
63 Indicio 22 346040 4294727
64 Mina Guadalperal 348906 4293128
65 Sondeo GUP1 348906 4293128
66 Indicio 23 348579 4293100
67 Indicio 24 348629 4293008
68 Indicio 25 348113 4292955
69 Indicio 26 349824 4294083
70 Indicio 27 350328 4293704
71 Sondeo LP-1 353330 4288928
72 Sondeo LP-3 353365 4288825
73 Sondeo LP-4 353390 4289010
74 Sondeo LP-6 353190 4288750
88
75 Sondeo LP-7 353495 4289050

76 Sondeo LP-8 353560 4289040
77 Sondeo LP-9 353615 4289050
Tabla 26: Tabla con los 77 indicios/minas/sondeos recopilados en este trabajo, junto con sus coordenadas
geográficas en el sistema de referencia EPSG: 25830 - ETRS 89 / UTM zona 30N.
89
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
Rodrigo, J. A. (2016). Validación de modelos predictivos: Cross-validation,

OneLeaveOut, Bootstraping.
Rodríguez. (2015). Machine learning predictive models for mineral prospectivity: an
evaluation of neural network, random forest, regression trees and support
vector machines.
Rokach, L. (2008). Data mining with decision trees: theory and applications.
Russell, S. J. (1955). Inteligencia Artificial, un enfoque moderno.
Sánchez Gómez, J. (s.f.). Acerca de la coloración en pinturas rupestres prehistóricas.
Suárez, J. S. (1886). Gonzalo y Tarín y la Descripción Física, Geológica y Minera de la
Provincia de Huelva.
Sun, T. (2019). GIS-based mineral prospectivity mapping using machine learning
methods: A case study from Tongling ore district, eastern China.
Zhang, L. (2004). Wavelet Support Vector Machine.
Zuo. (2017). Machine Learning of mineralization-related geochemical anomalies.
91
View publication stats

La Inteligencia Artificial en La Investigación Minera: June 2021

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

La Inteligencia Artificial en La Investigación Minera: June 2021

Cargado por

Copyright:

Formatos disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA

Research · June 2021

Julio Alberto López-Gómez Pablo León Higueras

SEE PROFILE SEE PROFILE

The user has requested enhancement of the downloaded file.

ESCUELA DE INGENIERÍA MINERA E INDUSTRIAL

TRABAJO FIN DE GRADO

GRADO EN INGENIERÍA MINERA Y ENERGÉTICA

ESCUELA DE INGENIERÍA MINERA E INDUSTRIAL

TRABAJO FIN DE GRADO

LA INTELIGENCIA ARTIFICIAL EN LA INVESTIGACIÓN MINERA

Se construyeron cuatro modelos distintos de IA en este proyecto. Una vez entrenados,

Palabras clave: Inteligencia Artificial, Prospección minera, Almadén.

ARTIFICIAL INTELLIGENCE IN MINERAL PROSPECTIVITY

Keywords: Artificial Intelligence, Mineral prospectivity, Almadén.

6. Conclusiones y trabajos futuros....................................................................................83

La Inteligencia Artificial (IA) es un campo de las Ciencias de la Computación que se

La IA ya ayuda a la sociedad actual en multitud de aplicaciones, siendo algunas de ellas

La utilización de la IA en la industria crece exponencialmente y, sin embargo, la industria

Según el libro blanco de Narendran y Weinelt (2017) en el World Economic Forum, en

La IA tiene el potencial de ser totalmente disruptiva para la minería. En la minería podría

La IA puede aplicarse desde el comienzo de la actividad minera, en labores de

mineral. Poco a poco la industria minera está empezando a reconocer y comprender la

La exploración minera representa la primera fase de cualquier proyecto minero.

Figura 1: Gráfico de grandes yacimientos de oro localizados vs gasto en miles de millones

Parece lógico pensar, con lo expuesto anteriormente, que el futuro y sostenibilidad de la

El presente documento se encuentra estructurado de la siguiente manera:

1. Introducción: En este capítulo se realiza una breve descripción de la motivación

2. Objetivos: En este apartado se describen los objetivos principales y secundarios

4. Preparación del conjunto de datos: En el capítulo 4 se exponen los pasos que se

6. Conclusiones y trabajos futuros: En el sexto capítulo se resumen las

7. Anexos: En este capítulo aparecen recogidos un conjunto de contenidos de interés

8. Referencias: En este último capítulo pueden consultarte los contenidos

2.1. Objetivos generales

2.1.1 Recopilar y digitalizar la mayor cantidad de información geológico-minera

El distrito Minero de Almadén ha sido objeto de trabajos mineros prácticamente

2.1.2 Crear modelos predictivos que faciliten la labor de investigación minera

Los modelos de IA confeccionados y entrenados en este trabajo pueden servir de apoyo

2.2. Objetivos secundarios

Se ha realizado una comparación del rendimiento de los modelos, tanto en precisión

3. Estado del Arte

Posteriormente comenzaron a buscar mejores fragmentos de rocas y minerales lejos de

El descubrimiento y desarrollo de la alfarería elevó los requerimientos de materias

El hombre de la Edad de los Metales se comienza a dedicar firmemente a la minería, se

En la época de los romanos, la minería había avanzado mucho, se utilizaban entonces

En cuanto a la prospección, los romanos usaron técnicas de investigación mucho más

Actualmente están empezando a surgir métodos mucho más vanguardistas de

Figura 2: Evolución de las técnicas prospectivas

3.2 Inteligencia Artificial

3.2.1 Historia de la Inteligencia Artificial

El término Inteligencia Artificial (IA) fue acuñado en 1956, durante la conferencia de

Ha de entenderse que durante la evolución de la Inteligencia Artificial el enfoque ha ido

En su primera etapa, tras la conferencia de Dartmouth, se usaban técnicas relacionadas

Empezó entonces a prestarse mayor atención al problema en sí, y menos al algoritmo,

Prospector era un sistema de evaluación del potencial minero de una determinada

Figura 3: Ejemplo de una conversación con Prospector (Hart P. , 1977)

En 1980, como prueba, se proporcionó a Prospector datos geológicos, geofísicos y

A partir de entonces, la financiación y las expectativas en el campo de la IA vuelven a

3.2.2 Aprendizaje Automático (Machine Learning)

Existen básicamente tres tipos de aprendizaje en ML el aprendizaje supervisado, el

- El Aprendizaje Supervisado consiste en otorgar al modelo un conjunto de datos con

- El Aprendizaje No Supervisado se utiliza cuando no se conoce los outputs o salidas