Clasificación de Recursos Minerales

CLASIFICACIÓN DE RECURSOS MINERALES

En este post se presenta un breve resumen sobre la Clasificación de Recursos Minerales, algunas definiciones importantes, criterios usados en la industria minera y una propuesta innovadora utilizando algoritmos de Machine Learning.

Recurso Mineral

Un recurso mineral se define como una concentración u ocurrencia de material sólido de interés económico en la corteza terrestre, con la forma, ley, calidad y cantidad que ofrece perspectivas razonables para su eventual extracción económica. La ubicación, cantidad, ley o calidad, continuidad y otras características geológicas de un recurso mineral son conocidas, estimadas o interpretadas a partir de evidencia y conocimiento geológico específico, incluyendo muestreos (CRIRSCO, 2014). El recurso mineral se clasifica en orden ascendente de confianza geológica, en las categorías de Inferido, Indicado y Medido. Esta subdivisión refleja la confianza en la cantidad y calidad estimada de la mineralización y depende de la fiabilidad de las interpretaciones geológicas (Stephenson, 2000; Stephenson y Stoker, 2001; Abzalov, 2016).

Estándares

La clasificación es esencial para empresas mineras, inversionistas e instituciones financieras, ya que las decisiones de inversión suelen basarse en la ley, tonelaje y confianza asignada a los depósitos (SKA Owusu, 2019). La progresión hacia la presentación de reservas minerales (parte económica del recurso), requiere al menos la clasificación de recursos indicados y/o medidos, reconociendo la asignación a una categoría Indicada como paso necesario para avanzar hacia la viabilidad del proyecto (Nowak and Leuangthong, 2019).

Los estándares CRIRSCO (Committee for Mineral Reserves International Reporting Standards), integrados por 14 países; Australia, Brasil, Canadá, Colombia, Europa, India, Indonesia, Kazajstán, Mongolia, Rusia, Sudáfrica, Turquía, EE. UU y Chile., fueron desarrollados para la presentación pública de empresas cotizadas en bolsa, proporcionando terminología consistente y garantizando la calidad en las estimaciones de recursos y reservas minerales. Aunque los códigos internacionales requieren una clasificación sólida de recursos minerales, los criterios para definir estas clasificaciones son numerosos (Isatelle and Rivoirard, 2019). Las normativas no recomiendan categóricamente el método o umbral para la clasificación, ya que depende del juicio de la persona competente (QP) responsable (SKA Owusu, 2019; Cevik et al., 2021). Diferentes criterios generan variación en ley mineral, cantidad de metal y tonelaje asociado a cada categoría.

Métodos de Clasificación

Los métodos geométricos consideran cantidad, proximidad y ubicación de datos para estimar un bloque. La información geométrica utilizada normalmente son dimensiones de búsqueda elipsoidal, número de perforaciones, distancia mínima a perforación cercana, espaciamiento promedio de perforaciones, declusterización por búsqueda de octantes (SKA Owusu, 2019). Otros métodos incluyen el espaciamiento y densidad de perforaciones (Mory and Deutsch, 2006), la triangulación de Delaunay (Delaunay, 1934) y el cálculo del espaciado de datos para perforaciones verticales y no verticales Wilde (2010). En términos de métodos geoestadísticos, Emery et al. (2006) emplean los criterios de restricciones de vecindario de búsqueda, varianza de kriging, varianza condicional, varianza de kriging relativa y varianza condicional relativa. Mucha et al. (2015) utilizan como principal fuente de parámetros el variograma. Taghvaeenezhad et al. (2020) se centran en la varianza de la estimación de kriging, la eficiencia de kriging y la pendiente de regresión. Nowak and Leuangthong (2019) proponen una alternativa utilizando el variograma indicador (Journel, 1983; Journel, 1985), donde los datos de sondajes son transformados en binarios con un umbral específico, modelando así la continuidad que sirve como base para la clasificación. Ribeiro (1996) propuso una mixtura entre kriging de indicadores y la varianza estandarizada de kriging, al cual llamo índice de riesgo (IR). Madani (2020) emplea la simulación gaussiana truncada en variables categóricas, como el tipo de roca y mineralización. Wawruch and Betzhold (2005) e Isatelle and Rivoirard (2019) aplican la simulación condicional sobre la ley mineral. Silva y Boisvert (2014) proponen la varianza de validación cruzada y la clasificación de ventana móvil basada en la realización de simulación condicional. Arik (2002) introduce el índice de clasificación de recursos (RCI), que incorpora la varianza combinada, el valor estimado del bloque y un factor de calibración. Abzalov (2016) destaca la eficiencia de utilizar errores de estimación para clasificar recursos, relacionándolos con intervalos de confianza y tasas de producción. Este enfoque se aprecia en Dohm (2004), Wawruch and Betzhold (2005), Pinto (2015), Isatelle and Rivoirard (2019), Caers (2011), y Pyrcz and Deutsch (2014), quienes respaldan la idea de que la incertidumbre depende de la escala, y la elección de la escala se basa en los objetivos del modelado. La incertidumbre disminuye para volúmenes más grandes debido al promediado de valores extremos. Todos estos criterios ya sean geométricos como geoestadísticos son ocupados estableciendo umbrales de manera manual, inclusive cuando son combinados en paralelo (Rocha y Bassani, 2023; Mohanlal y Stevenson, 2010; Parker y Dohm, 2014; Duggan et al., 2017).

Problemas bloque a bloque

Por otro lado, Stephenson et al. (2014) expone una inconsistencia de los criterios numéricos comunes, tanto geométricos como geoestadísticos, específicamente cuando se aplican parámetros bloque a bloque. Esto resulta espacialmente incoherente y no respeta la continuidad geológica intrínseca, por lo que requiere un postprocesamiento de suavizado. Un método es interpretar manualmente, mientras que otra opción es utilizar un algoritmo de suavizado basado en estadísticas de ventana móvil (Rocha y Bassani, 2023). Cevik et al. (2021) reclasifican los bloques utilizando un algoritmo de ML supervisado y entrenado con las coordenadas espaciales. Plantean el problema como una clasificación y lo resuelven mediante máquinas de vectores de soporte (SVM) con un kernel de función de base radial (RBF). (Rossi y Deutsch, 2014) recomiendan verificar las curvas de tonelaje-ley global antes y después del suavizado para comprender el grado de cambios introducidos.

Una alternativa basada en Machine Learning

Una alternativa (PrePrint Hernández et al. 2024), es utilizar k-prototipos (Huang, 1998) para la asignación de categorías de recursos y una red neuronal MLP para el posterior suavizado. La persona competente (QP por sus siglas en inglés), selecciona los criterios a utilizar, los cuales pueden ser geométricos, geoestadísticos, geológicos o de cualquier naturaleza que consideren significativa para el proceso. Estas variables deben estar disponibles bloque por bloque en el modelo discretizado del yacimiento mineral. Posteriormente, se separarán las variables cuantitativas de las cualitativas, de modo que las primeras se sometan a un proceso de transformación de potencia realizado mediante el método Yeo-Johnson (Yeo & Johnson, 2000). Este método estabiliza la varianza y reduce la asimetría. Las variables cuantitativas transformadas se agruparán en una nueva tabla de datos junto con las variables cualitativas. Cabe destacar que este proceso no es exclusivo y solo se pueden usar variables cuantitativas si el QP decide hacerlo. Cuando esto ocurre, k-prototypes opera como k-means (Lloyd, 1982). Posteriormente, se lleva a cabo el agrupamiento, para lo cual se requiere un parámetro: el número de grupos. Sin embargo, los recursos minerales siempre se clasificarán en tres categorías, por lo que este parámetro se define como constante y el proceso se vuelve automático.Suponiendo el uso de criterios geométricos y geoestadísticos en el agrupamiento, los resultados se suavizan mediante una red neuronal que utiliza las coordenadas espaciales (2 o 3, dependiendo de si el problema es bidimensional o tridimensional) como características de entrada, y la categoría previamente recomendada por k-prototypes (medida, indicada o inferida) como la variable objetivo.

Los resultados preliminares son coherentes con los criterios tradicionales (aplicado en caso real).

Conclusión

Los recursos minerales se clasifican en categorías de medidos, indicados e inferidos, dependiendo del nivel de confianza geológica derivado de los resultados de la estimación y la calidad y cantidad de datos disponibles. Aunque existen múltiples criterios aceptados para esta clasificación, actualmente carece de una estandarización categórica que determine el más adecuado y los umbrales de corte a utilizar. Y si bien cada deposito mineral es único, la falta de estandarización conduce a una toma de decisiones subjetiva, ya que los mismos datos pueden generar resultados diferentes dependiendo de la persona que los analice, contraviniendo así la necesidad de lograr objetividad en el proceso de clasificación.

Referencia web:

Hernández, H. (12 de enero de 2024). Introducción a la Clasificación de Recursos Minerales. Nube Minera. https://nubeminera.cl/introduccion-crm