Aprendizaje automático en la prospección minera

El sector de la minería busca constantemente formas de incrementar la eficiencia y la productividad de sus procesos. Nuestro apetito por las nuevas tecnologías con frecuencia requiere el abastecimiento de materias primas como el tungsteno y, a pesar del creciente uso de las energías renovables, nuestras ciudades siguen recibiendo suministro de centrales eléctricas alimentadas con carbón. No obstante, estas materias son cada vez más escasas y su extracción con frecuencia resulta difícil, por lo que requieren el empleo de procesos costosos y que necesitan mucha mano de obra. Cualquier mejora incremental puede redundar en un aumento de la rentabilidad y, en la actualidad, las aplicaciones autónomas, el aprendizaje de máquinas y la inteligencia artificial (IA) cuentan con amplio reconocimiento como medios para conseguir estos resultados. Si a esto sumamos el auge de la Industria y la Automatización 4.0, no es de extrañar que muchas empresas mineras se vean animadas a adaptar y adoptar estas tecnologías.

Rio Tinto, el gigante de la minería británica/australiana, fue una de las primeras empresas que adoptó sistemas de minería autónomos, demostrando precisamente que la tecnología incrementa en gran medida la eficiencia y la productividad. Comenzó con el lanzamiento de su sistema de transporte autónomo en 2008: este permitía trasladar el material extraído de forma eficiente y segura, por lo que redundó en un aumento directo de la productividad.

La industria también ha tratado de mejorar otros procesos, centrando intereses e inversiones concretos en los posibles beneficios del aprendizaje de máquinas en el campo de la prospección mineral. Las técnicas de prospección de minerales tradicionales incluyen la geoquímica de sedimentos fluviales, el muestreo de rocas y suelos, la excavación en zanja, los estudios geofísicos y, naturalmente, las perforaciones. La prospección mineral y las perforaciones exploratorias a las que va asociada en enclaves identificados suponen una importante carga económica, aunque la recompensa de localizar un filón abundante es todavía mayor. Por lo tanto, ¿y si el aprendizaje de máquinas fuera beneficioso para este proceso de prospección mineral?

La prospección mineral tradicional genera grandes cantidades de datos geológicos valiosos que se recopilan de los sensores de los equipos. Las empresas invierten cientos de millones en modelos de prospección geológica, pero solamente utilizan una pequeña parte de los datos recopilados. El aprendizaje de máquinas (una modalidad de IA) automatiza la generación de modelos analíticos mediante el análisis de datos. Estos modelos analíticos permiten a estos sistemas aprender a identificar patrones dentro de la información recopilada de manera autónoma y posibilitan una toma de decisiones con una intervención del ser humano mínima. 

Una de las empresas que ha adoptado tecnologías de uso de este BIG data es Goldspot Discoveries Inc, cuyo objetivo consistía en “revolucionar el sector de la prospección mineral mediante técnicas de aprendizaje de máquinas para la búsqueda a escala regional y localizada”. Aúnan datos y la labor de expertos en geociencia para ofrecer un riesgo considerablemente reducido frente a un índice de buenos resultados superior.

“El mandato de GoldSpot Exploration consiste en emplear conjuntos de datos sólidos y aprendizaje de máquinas para elaborar mapas de prospectividad”.

Estos mapas aprovechan el big data recopilado de los proyectos de minería de la empresa para evaluar el potencial de posibles enclaves mineros. Las oportunidades de prospección se definen en función del tipo, la abundancia y la accesibilidad de los minerales y estas, a su vez, permiten llevar a cabo inversiones en prospección mejor fundamentadas. La empresa señala las reservas de oro de Quebec Abitibi como ejemplo de buenos resultados de sus técnicas de análisis de datos del aprendizaje de máquinas, donde estas últimas le han permitido identificar el 86 % de los depósitos de oro existentes a partir de un estudio de tan solo el 4 % de la superficie total. La importante reducción de costes y tiempo real que se puede deducir de estos resultados está haciendo que cada vez más empresas inviertan en un enfoque científico de datos de estas características más amplio. 

Si bien la imagen tradicional de la minería sigue siendo la de los pozos abiertos o las minas subterráneas, con cintas transportadoras eléctricas y trabajadores “con la cara manchada de carbón” que utilizan taladros y herramientas para extraer el mineral, en la actualidad este sector depende de los sistemas de control e instrumentación que envían señales y devuelven datos para su análisis en la misma medida que muchos otros. Hoy en día la minería sigue siendo un negocio importante, que necesita los datos tanto como la propia materia prima. Dada la constante evolución de la IA, la precisión con la que el sector minero aborda su trabajo únicamente se incrementará en la medida en que lo haga la inversión que lo respalda.