Estimation of emerald mineralization probability using machinelearning algorithms

• Daniela Neva-Rodríguez ^[1] ; Luis Hernán Ochoa-Gutierrez ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 92, Nº. 235, 2025, págs. 19-27
• Idioma: inglés
• Títulos paralelos:
  • Estimación de la probabilidad de mineralización de esmeraldas usando algoritmos de aprendizaje automático
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La investigación propone un modelo de aprendizaje automático para estimar la probabilidad de mineralización de esmeraldas en el Cinturón Esmeraldífero Occidental (CEOC). Se emplearon concentraciones elementales, litología y coordenadas como variables de entrada y la productividad como variable objetivo (176 muestras). Las variables fueron transformadas para ser integradas al modelo. (1) Se recurrió a los métodos Boruta y backward elimination para seleccionar las variables. (2) Una regresión logística (LR), una red neuronal de retropropagación (BPNN) y una máquina de vectores de soporte (SVM) fueron entrenadas. (3) Se usó la calibración de Platt y (4) se evaluó su desempeño usando la puntuación Brier y curvas de calibración. El modelo elegido fue una máquina de vectores de soporte calibrada (C = 0.19 y λ = 0.1) que incluyó 17 variables geoquímicas y las coordenadas. Asignar valores de probabilidad permitió jerarquizar los objetivos mineros.

  • English

    This research proposes a machine learning (ML) model that estimates the probability of emerald mineralization in rocks of the Western Emerald Belt (CEOC). Element concentrations, lithologies and coordinates were used as input variables and productivity as the target variable (176 samples). The variables were transformed to be integrated into the model. (1) Variable selection was performed using the Boruta method and backward elimination. (2) A logistic regression, a neural network, and a support vector machine were trained. (3) Calibration was achieved with the Platt method. (4) Calibration assessment was conducted by using the Brier score and calibration curves. The model selected was a calibrated support vector machine (C = 0.19 and λ = 0.1) that included 17 geochemical variables and the coordinates. The results were presented in a 3D plot. Assigning a probability value to each sample allows the mining targets to be ranked.