El por qué

La exploración de minerales implica una serie de decisiones sobre dónde asignar los recursos para realizar un descubrimiento. En cada punto de decisión, los geocientíficos especializados en exploración, sus directivos y el consejo de administración de la empresa querrán disponer de información fiable para tomar esas decisiones con confianza. Tener como base una justificación geológica sólida y rica en datos como base para cualquier decisión hará que el aspecto técnico de la exploración sea un problema más fácil de resolver.

Con todo el revuelo en torno a la inteligencia artificial, puede ser fácil considerar las nuevas herramientas de aprendizaje automático, en el mejor de los casos, como un truco con poco valor real o, en el peor de los casos, como una amenaza para las prácticas y procesos establecidos y aparentemente exitosos.

En realidad, la IA es como cualquier otra herramienta: en manos hábiles puede usarse para grandes propósitos.

En el contexto de la exploración de minerales, ahora estamos en la cúspide de una revolución en la que las herramientas de inteligencia artificial cambiarán para siempre la forma en que se lleva a cabo la exploración. Las nuevas herramientas de inteligencia artificial pueden asimilar, analizar y utilizar grandes cantidades de datos geocientíficos. Se les puede pedir que hagan predicciones sobre aspectos de un sistema mineral de interés, como la ubicación de las características geológicas, como las zonas de alteración o los controles estructurales, o incluso la ubicación de la propia mineralización.

Una herramienta como esta es extremadamente valiosa.

No porque la IA pueda reemplazar el pensamiento geológico. Más bien, la IA puede proporcionar de manera desapasionada hipótesis basadas en datos sobre la ubicación y la probabilidad de las características geológicas. La toma de decisiones para probar esas hipótesis es y seguirá siendo tarea del geocientífico, que es capaz de contextualizar los resultados de la IA en el marco real de los plazos, el acceso a la tierra, la fiabilidad de los datos y otras variables que no resulta práctico tener en cuenta en un sistema de IA.

El pensamiento innovador es a menudo el cambio radical que ha llevado a muchos grandes descubrimientos. ¿Y si hubiera una manera de acelerar ese tipo de pensamiento? Una vez más, las herramientas de inteligencia artificial pueden provocar el tipo de pensamiento profundo que puede generar correlaciones que antes no se habían reconocido, con el consiguiente conocimiento que se obtiene con nuevas ideas. Por ejemplo, hace poco, los geocientíficos de Fleet Space Technologies estaban trabajando con una herramienta de prospectividad basada en inteligencia artificial que determinaba la correlación entre los datos radiométricos y la posible mineralización en una situación en la que las masas rocosas mineralizadas se encontraban a cientos de metros por debajo de la superficie. Esta inusual correspondencia llevó a los geocientíficos a revisar los datos radiométricos y a comprender que las estructuras del sótano se expresaban como características muy sutiles en la radiometría, potencialmente como efectos neotectónicos sobre estructuras más antiguas.

Este es solo un ejemplo.

En realidad, cuando se visualizan datos multimodales en los que intervienen más de tres dimensiones, a la mente humana le resulta muy difícil establecer conexiones entre tipos de datos dispares. Este es uno de los grandes puntos fuertes de la IA.

Además, todos estamos sujetos a limitaciones psicológicas. Por ejemplo, el sesgo de confirmación, en el que preferimos un resultado que confirme nuestras creencias actuales. El sesgo de confirmación puede ser problemático y provocar la pérdida de oportunidades. Por ejemplo, el sesgo derivado de los modelos geológicos vigentes, según los cuales no se encontraría oro en las rocas sedimentarias, retrasó el descubrimiento de los depósitos de oro de la tendencia de Carlin. Las rocas sedimentarias carbonosas del Paleozoico de Nevada, que antes se consideraban estériles, no se exploraron hasta que los geólogos de Newmont Mining reevaluaron los modelos para la introducción de fluidos hidrotermales en las rocas sedimentarias de las principales redes de fallas. Aplicaron los nuevos conocimientos en sus programas de exploración, lo que llevó al descubrimiento de pirita rica en oro.

La incorporación de una herramienta de inteligencia artificial en un flujo de trabajo de exploración conducirá a cambios graduales en los resultados. Sin ideas preconcebidas, las herramientas de inteligencia artificial pueden analizar los datos y provocar nuevas formas de pensar que conducirán a nuevos descubrimientos.

El cómo

El uso del aprendizaje automático para ofrecer modelos de prospectividad minera ha sido un método cada vez más aceptado para validar el potencial de exploración en una región. Se han publicado muchos modelos de prospectividad mineral que analizan diversos sistemas minerales, como el uranio relacionado con la inconformidad (Bruce et al., 2020), los PGES magmáticos de níquel-cobre (Lawley et al., 2021; Farahbakhsh et al., 2023), el oro orogénico (Maepa et al., 2021), el Zn-Pb alojado en sedimentos (Lawley et al., 2022) y el REE alojado en carbonatitas (Parsa et al., 2024) y pórfido cobre-oro (Fu et al., 2023), entre otros. Lo que estos estudios tienen en común es la aplicación de varios métodos estadísticos de aprendizaje automático que tienen como objetivo definir la prospectividad en áreas alejadas de los depósitos conocidos del producto objetivo.

Por lo general, existen tres enfoques para este fin: el basado en los datos, el basado en el conocimiento y un híbrido de los dos en el que se combinan los enfoques basados en los datos y el conocimiento (Bonham-Carter, 1995; Jooshaki et al., 2021).

Los enfoques basados en el conocimiento adoptan un modelo conceptual para la formación de depósitos minerales, que generalmente utiliza un marco de sistemas minerales y vincula las características del modelo del sistema mineral con los criterios mapeables en los datos. Un ejemplo es el mapeo de prospectividad mineral basado en el conocimiento de los depósitos de óxido de hierro y cobre (IOCG) en Australia realizado por Skirrow et al. (2019), que contiene una descripción completa de los componentes del sistema mineral a partir de las fuentes de fluidos y metales, los impulsores de energía, la arquitectura de la corteza y los gradientes de depósito de minerales. Los tipos de datos utilizados en este enfoque también incluyen productos como los mapas geológicos (cartografía de la superficie o geología interpretada de los sótanos, etc.), que contienen características que se han derivado del conocimiento especializado del dominio. Como el modelo solo busca ubicaciones que cumplan con los criterios establecidos por el usuario, esto puede provocar un sesgo hacia lo que los expertos consideran importante, en lugar de buscar nuevos patrones en los datos.

La prospectividad basada en datos se basa únicamente en datos objetivos como la geofísica y la geoquímica. Estos tipos de datos son numéricos. Proporcionan a los algoritmos de aprendizaje automático una serie de números en un marco multidimensional que se pueden comparar dentro de un contexto espacial para identificar áreas de similitud numérica y, por lo tanto, de prospectividad. Para analizar los datos se suelen utilizar modelos de aprendizaje automático como Random Forest, Support Vector Machines, Neural Networks o métodos de agrupamiento.

En la práctica, a menudo se utiliza un enfoque híbrido que toma elementos de ambos sistemas y combina los resultados para lograr una evaluación combinada del potencial mineral de un área.

¿El qué?

La solución integral de exploración de minerales de Fleet Space Technologies, ExoSphere, combina conectividad satelital, adquisición remota de datos 3D e inteligencia artificial para acelerar el descubrimiento de minerales críticos. Conocida por su exclusiva tomografía de ruido ambiental (ANT) en tiempo real, ExoSphere ofrece imágenes subsuperficiales en 3D con una fidelidad extraordinaria hasta profundidades de 4 km o más, según el diseño del sondeo. Los sensores sísmicos inteligentes de Fleet Space, Geodes, son 3-20x son más sensibles que otros geófonos y permiten un control de calidad en tiempo real mediante conectividad satelital para optimizar la recopilación remota de datos de alta calidad. La invariancia de escala de las imágenes 3D en tiempo real de ExoSphere permite la adquisición de datos 3D a múltiples escalas, lo que reduce de manera efectiva el espacio de búsqueda de la escala regional a la local. Estos datos 3D son un sustrato vital para el entrenamiento de modelos de IA, ya que permiten la integración de datos multimodales, la visualización de información 3D y las recomendaciones de segmentación.

Las capacidades integrales de ExoSphere combinan imágenes 3D en tiempo real, integración de datos multifísicos y la plataforma de IA patentada de Fleet Space para ofrecer recomendaciones de objetivos personalizadas impulsadas por la IA y calibración de modelos en tiempo real. Esto permite sintetizar los datos de exploración en información útil en tiempo real, identificando zonas altamente prospectivas con potencial de mineralización.

Colaboración con la máquina

Fleet Space también es pionera en un nuevo marco para el desarrollo de la IA, el Explorers-in-the-Loop (EITL), un paso fundamental para crear herramientas de IA que aborden los desafíos de los equipos de exploración in situ y mejoren sus capacidades. El EITL está optimizado para la colaboración entre exploradores y sistemas de IA, lo que garantiza que el análisis computacional avanzado y la comprensión matizada de los exploradores impulsen el curso evolutivo de la IA en el descubrimiento de minerales.

En el EITL, los exploradores participan como impulsores en las etapas de toma de decisiones, como la capacitación, las pruebas y la interpretación de datos, para impulsar la precisión y la alineación con sus objetivos de exploración, el conocimiento de los sistemas minerales y los objetivos a nivel de proyecto. El enfoque colaborativo de EITL para el desarrollo de la IA desde la base es fundamental para mejorar la toma de decisiones basada en datos en escenarios complejos y de alto riesgo en los que el juicio de los exploradores y de la IA es fundamental para lograr resultados de exploración más eficientes y maximizar el aprendizaje. Esto crea un circuito de retroalimentación continuo entre los exploradores y los sistemas de inteligencia artificial, lo que garantiza que el desarrollo de la IA refleje las necesidades y los desafíos a los que se enfrentan los exploradores y, al mismo tiempo, mejora la precisión y la eficiencia de la segmentación de las perforaciones a gran escala.

Al aprovechar las capacidades predictivas de la IA con exploradores al día, ExoSphere revela información geológica oculta con un aprendizaje automático basado en datos y expertos internos para reducir sistemáticamente el espacio de búsqueda de exploración y maximizar el ROI con objetivos de perforación más precisos.

Juntos, podemos resolver desafíos geológicos complejos

El equipo de expertos en geociencias de Fleet Space Technologies está aquí para ayudarlo a satisfacer sus necesidades de exploración únicas. Póngase en contacto con nosotros hoy mismo para hablar sobre sus necesidades o solicitar una demostración para ver cómo ExoSphere puede generar resultados de exploración superiores.

Referencias

Bonham-Carter, G., 1995, Sistemas de información geográfica para geocientíficos: Modeling with GIS: Computer Methods in the Geosciences, Ámsterdam, Países Bajos, Pérgamo, 416 págs.

Bruce, M., Kreuzer, O., Wilde, A., Buckingham, A., Butera, K. y Bierlein, F., 2020, Unconforty-type uranio systems: A comparative review and predictive modelling of critical genetic factors: Minerals (Basilea, Suiza), v. 10, núm. 9, pág. 738.

Farahbakhsh, E., Maughan, J. y Müller, R.D., 2023, Prospectivity modeling of critical mineral deposits using a generative adversarial network with oversampling and positive-unlabel bagging: Ore geology reviews, núm. 105665, pág. 105665.

Fu, Y., Cheng, Q., Jing, L., Ye, B. y Fu, H., 2023, Mineral prospectivity mapping of pórfido copper deposits based on remote sensing images and geochemical data in the Duolong ore district, Tibet: Remote sensing, v. 15, núm. 2, pág. 439.

Jooshaki, M., Nad, A. y Michaux, S., 2021, Una revisión sistemática sobre la aplicación del aprendizaje automático en la explotación de datos mineralógicos en la minería y la industria minera: Minerals (Basilea, Suiza), v. 11, núm. 8, p. 816.

Lawley, C.J.M., Tschirhart, V., Smith, J.W., Pehrsson, S.J., Schetselaar, E.M., Schaeffer, A.J., Houlé, M.G., y Eglington, B.M., 2021, Prospectivity Modelling of Canadian Magmatic Ni (±Cu ± Co ± PGE) sulfure systems: Ore Geology Reviews, v. 132, pág. 103985.

Lawley, C.J.M., McCafferty, A.E., Graham, G.E., Huston, D.L., Kelley, K.D., Czarnota, K., Paradis, S., Peter, J.M., Hayward, N., Barlow, M., Emsbo, P., Coyan, J., San Juan, California, y Gadd, M.G., 2022, Datos: modelización prospectiva impulsada de los sistemas minerales de Zn-Pb alojados en sedimentos y sus materias primas críticas: Ore geology reviews, v. 141, núm. 104635, pág. 104635.

Olivier, G.; Borg, B.; Trevor, L.; Combeau, B.; Dales, P.; Gordon, J.; Chaurasia, H.; Pearson, M. La geoda de Fleet: un sensor innovador para la tomografía de ruido sísmico ambiental en tiempo real a través de DTS-IoT. Sensores 2022, 22, 8372.

Maepa, F., Smith, R.S., y Tessema, A., 2021, Support vector machine and artificial neural network modeling of orogénico gold prospectivity mapping in the Swayze greenstone belt, Ontario, Canadá: Ore geology reviews, v. 130, núm. 103968, pág. 103968.

Parsa, M., Lawley, C.J.M., Cumani, R., Schetselaar, E., Harris, J., Lentz, D.R., Zhang, S.E. y Bourdeau, J., 2024, Modelado predictivo de depósitos de REE +/− Nb alojados en carbonatitas canadienses: investigación de recursos naturales.

Skirrow, R.G., Murr, J., Schofield, A., Huston, D.L., van der Wielen, S., Czarnota, K., Coghlan, R., Highet, L.M., Connolly, D., Doublier, M. y Duan, J., 2019, Mapeo del potencial mineral de óxido de hierro Cu-Au (IOCG) en Australia mediante un enfoque basado en sistemas minerales basados en el conocimiento: Ore Geology Reviews, pág. 103011.