Debido a limitaciones económicas y físicas, nuestra comprensión de los recursos minerales en un área de interés específica es limitada y fragmentada. Tradicionalmente, este problema se ha resuelto utilizando el método geoestadístico de Kriging, donde la ley del mineral se estima en ubicaciones sin mediciones utilizando valores conocidos de la ley en puntos circundantes. La ventaja de este método radica en el cálculo de pesos a través de un modelo de variabilidad espacial conocido como variograma. Sin embargo, su desventaja es que se basa en el supuesto de estacionariedad, aditividad, linealidad y de cierta forma el modelado variográfico es subjetivo. Este estudio propone abordar el problema de estimación de recursos minerales como un problema de regresión utilizando redes neuronales, que no están sujetas a las restricciones de estacionariedad, aditividad, linealidad y modelado espacial de los métodos geoestadísticos. Se han comparado el Kriging y una red neuronal de función de base radial y un perceptrón multicapa utilizando distintas métricas de validación. Los resultados muestran que un modelo de red neuronal adecuadamente entrenado, con un etiquetado apropiado de la ley mineral y sus características de entrada, logra resultados similares al enfoque geoestadístico con una reducción de tiempo significativo, evitando a su vez todos los supuestos antes señalados. Sin embargo, las redes neuronales no consideran la correlación espacial de la ley del mineral ni la reproducen en los lugares donde se midió, características que han marcado desconfianza en su implementación industrial y que se discuten en este artículo proponiendo finalmente un ajuste entre ambos enfoques a un mínimo sacrificio del coste temporal y de mano de obra.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados