Resumen y abstract¶
Síntesis operativa
- El cuello de botella no es la adquisición, sino la integración de espectro, geoquímica y logueo.
- Los seis dominios no coinciden con K-Means: el geólogo los nombra por ensamble diagnóstico y continuidad 3D.
- Entre SVM, k-NN, perceptrón multicapa y bosques aleatorios, Random Forest fue el clasificador más estable sobre geoquímica.
| Código | Dominio | Ensamble que lo sostiene |
|---|---|---|
| ArgAvd | Argílica avanzada | Pirofilita + alunita |
| Fil | Fílica | Mica blanca |
| Arg | Argílica | Caolinita + mica |
| Pro | Propilítica | Clorita + montmorillonita |
| Sk | Skarn | Clorita + montmorillonita + mica + caolinita |
| Oxd | Óxidos | Hematita / goethita (VNIR) |
El detalle de cómo se firman está en El geólogo asigna los dominios. La réplica en el navegador (geoia.site/dominios-ml) deja firmar esos seis códigos sobre el PCA, con 15 minerales y el CSV sintético de este repo.
La industria minera acumula datos geológicos, geoquímicos, espectrales y geofísicos, recientes e históricos. El cuello de botella ya no es adquirirlos, sino integrarlos e interpretarlos de forma conjunta. El aprendizaje automático permite hallar patrones que la inspección visual de testigos no sistematiza.
Esta investigación desarrolla una metodología para vincular anomalías espectrales con el modelo de estimación de recursos, integrando espectrometría (TerraSpec / SWIR–VNIR), registros geológicos y química de sondaje. El análogo es un sistema Au–Cu epitermal de alta sulfuración con transición hacia pórfido/skarn.
Los dominios se definieron a partir de scores minerales de sondaje, con aprendizaje no supervisado: análisis jerárquico, K-Means y PCA. Se identificaron y caracterizaron seis dominios de alteración. Luego, con análisis exploratorio, se eligieron variables y tramos para entrenar clasificadores supervisados: SVM, k-NN, bosques aleatorios y redes neuronales.
Random Forest ofreció el mejor desempeño predictivo (precisión y robustez). La integración sistemática de variables supera sesgos de la interpretación visual y mejora la delimitación de zonas hidrotermales. El modelamiento geométrico 3D (Leapfrog) validó continuidad espacial y zonación mineralógica, con impacto directo en la estimación de recursos.
Palabras clave: machine learning, asociaciones mineralógicas, alteración hidrotermal, dominios geológicos, Random Forest, espectrometría.
The mining industry can acquire geological, geochemical, spectral and geophysical data at scale, yet joint interpretation remains difficult. Machine learning recovers non-obvious patterns from those volumes.
This study develops a workflow that links spectral anomalies to resource models by integrating spectrometry (TerraSpec), geological logs and multielement chemistry. Unsupervised learning (hierarchical clustering, K-Means, PCA) defined six alteration domains. Supervised classifiers (SVM, k-NN, random forests, neural networks) were then trained on geochemistry; Random Forest was the most accurate and robust.
Systematic variable integration reduces the bias of purely visual logging and improves hydrothermal-zone outlines. Complementary 3D implicit modelling confirmed spatial continuity and mineralogical zoning, with implications for resource estimation.
Keywords: machine learning, mineral associations, hydrothermal alteration, geological domains, Random Forest, spectrometry.
Siguiente lectura: Introducción (contexto) o, si ya tienes el problema claro, asignación de dominios (el paso decisivo).