III Simposio de Postgrado 2025: Ingeniería, ciencia e innovación

155 *E-mail: Daniel.aquevedo@ug.uchile.cl ¹ , ² Departamento Ingeniería de Minas, Universidad de Chile Daniel Aquevedo ¹* Nadia Mery ² Cuantificación del error de atributos geológicos en la estimación de recursos mediante Machine Learning 10 __Referencias [1] P. McCarthy, Managing Risk in Feasibility Studies, in Mineral Resource and Ore Reserve Estimation: The AusIMMGuide to Good Practice , edited by A. C. Edwards, Monograph 30 (Australasian Institute of Mining and Metallurgy, Carlton, Vic., 2014). [2] S. McManus, A. Rahman, J. Coombes, and A. Horta, Uncertainty assessment of spatial domain models in early stage mining projects – A review , Ore Geol. Rev. 133, 104035 (2021). [3] A.CáceresandX.Emery, Geostatistical validation of geological logging , presented at Conference, November2011. [4] I. Gursuren, B. Maybee, and G. Zagdsuren, How does better quality data affect the value of a mining project? , J. Geol. Issues 494, 305–324 (2018). La industria minera enfrenta hoy una serie de desafíos cada vez más com- plejos. Se destaca el agotamiento progresivo de los recursos y reservas minerales, lo que ha forzado a explo- rar yacimientos más profundos, con mayor complejidad estructural y geo- lógica. Este escenario impone mayores exigencias en la generación de mo- delos de recursos más robustos pues cualquier error en su construcción puede tener impactos críticos en la planificación y rentabilidad del proyecto [1][2] . En este contexto, la calidad del dato geológi- co de entrada adquiere un rol crítico, especialmente en la clasificación de atributos como litología, alteración y mineralización. Sin embargo, esta in- formación suele registrarse mediante procesos subjetivos y no estandari- zados, dando lugar al fenómeno de miss-logging, que introduce sesgos sistemáticos en la estimación de re- cursos y procesos geometalurgicos [3] . Además, la escasez de datos en zonas de baja densidad de muestreo eleva la incertidumbre en la modelación. Esta investigación aborda de manera inte- gral estos desafíos, cuantificando el impacto del miss-logging y la escasez de datos en la estimación de recursos minerales, utilizando y evaluando el potencial de técnicas de Machine Lear- ning (ML) como herramientas comple- mentarias a los métodos geoestadísti- cos tradicionales. Utilizando datos reales de un yaci- miento, se construyeron escenarios sintéticos con distintos niveles de error en la clasificación geológica y vacíos espaciales de información. Sobre ellos se aplicaron métodos geoestadísti- cos (kriging/simulaciones geoesta- dísticas) y modelos de ML (Random Forest, Gradient Boosting, KNN), eva- luando su desempeño mediante preci- sión, RMSE y mapas de incertidumbre. Se espera que los resultados de este trabajo, donde se combinan técnicas geoestadísticas y ML, mejoren significa- tivamente la estimación en comparación con los métodos convencionales. Se es- pera proponer un marco metodológico replicable y aportar evidencia empíri- ca para la implementación de mejores prácticas en la descripción y modela- miento geológico, integrando técnicas computacionales avanzadas que cap- turan patrones subyacentes y comple- mentan los enfoques tradicionales. Resumen