MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 1
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 2
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 3
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 4
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 5
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 6 CONTENIDO AVANCES TECNOLÓGICOS EN EXPLORACIÓN MINERA Editorial 08 LINGOSMELTER, APLICACIÓN Y EVALUACIÓN DE MODELO ESTADÍSTICO BASADO EN MACHINE LEARNING PARA LA OPTIMIZACIÓN DE RECUPERACIÓN DE METAL CRUDO Minería 4.0 54 APLICACIÓN DE TÉCNICAS MODERNAS EN LA REEVALUACIÓN GEOQUÍMICA, ESTRUCTURAL Y TELEDETECCIÓN EN LOS ANAP HUYAHUYA Y ANTABAMBA BLOQUE 2 Geología 10 APUNTES PARA LA HISTORIA DE LA MINERÍA EN LOS ANDES CENTRALES DEL PERÚ DEL ORIGEN DE LOS JUEVES MINEROS Y SOBRE LA MEMORIA HISTÓRICA DE LA MUJER EN MINERÍA Histórico 66 MONITOREO DE PRESAS DE RELAVES MEDIANTE INTERFEROMETRÍA INTEGRACIÓN DE TECNOLOGÍA Y PERSONAS PARA LA OPTIMIZACIÓN DEL PROCESO DE CARGUÍO EN COMPAÑÍA MINERA ANTAPACCAY Operaciones Mineras 34 44
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 7 Nuestra Portada: Ofrecer a nuestros lectores conocimiento, tecnología e innovación, orientados al desarrollo productivo y sostenible de las operaciones mineras, buscando la mejora de la calidad y competitividad del sector minero. Misión: MINERÍA es la publicación oficial del Instituto de Ingenieros de Minas del Perú Calle Los Canarios 155-157, Urb. San César - II Etapa, La Molina, Lima 12, Perú. Telf. (511) 313-4160 / E-mail: rmineria@iimp.org.pe http://www.iimp.org.pe «Hecho el Depósito Legal Nº 98-3584 en la Biblioteca Nacional del Perú» El Instituto de Ingenieros de Minas del Perú no se solidariza necesariamente con las opiniones expresadas en los artículos publicados en esta edición de MINERÍA. Se autoriza la reproducción de los textos siempre que se cite la fuente Director: Homar Lozano Editor: Hebert Ubillús Arriola Publicidad: 961748318 / 944570038 Colaboradores: Renzo Flores, Karla Baca y Fakey Zubieta – José Zavaleta – A. Ambros y M. Döring – Luis Vargas, Ardiles Puma y Malmco Camborda – Augusto Ramírez. Diagramación: César Blas Valdivia Corrección: C & S Comunicaciones PUBLICACIÓN OFICIAL DEL IIMP www.revistamineria.com.pe / rmineria@iimp.org.pe Volumen 73, N° 581 - Febrero 2026 PRESIDENTE Darío Zegarra 1er. VICEPRESIDENTE Zetti Gavelan 2do.VICEPRESIDENTE Juan Carlos Ortíz EXPRESIDENTE Abraham Chahuan REPRESENTANTE CIP Jorge Soto GERENTE GENERAL Gustavo De Vinatea COMITÉ EDITORIAL Miguel Cardozo Roberto Maldonado Richard Contreras Darío Zegarra Luz Cabrera Diógenes Uceda DIRECTORES Roberto Maldonado Tomás Gonzales Karina Zevallos Enrique Ramírez Jimena Sologuren Raúl Garay Tamiko Hasegawa Gustavo Luyo Richard Contreras Homar Lozano Diana Rake
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 8 AVANCES TECNOLÓGICOS EN EXPLORACIÓN MINERA Sin lugar a duda, la actividad minera no ha sido ajena al avance tecnológico sin precedentes que ha registrado la ciencia aplicada en el presente siglo y atraviesa una transformación en el desarrollo de los procesos en toda la cadena valor, con el apoyo de herramientas digitales y equipos de última generación, que permiten optimizar desde la exploración hasta la comercialización de minerales. En el caso de la exploración minera, el uso de inteligencia artificial y Machine Learning, ha permitido dar un paso adelante en el análisis de grandes volúmenes de información para la mejor identificación de targets con un mayor grado de certeza, con la aplicación de algoritmos avanzados que procesan datos geoquímicos y geofísicos. A ello se suma, la teledetección con imágenes hiperespectrales y sensores remotos incorporados en drones, que posibilitan el mapeo de grandes extensiones de terreno, lo que reduce y optimiza la inversión en plataformas de perforación, sin embargo, es sabido como recomiendan los expertos, que esto no debe sustituir el trabajo de campo de los geólogos. También destaca la utilización de gemelos digitales que crean réplicas de proyectos de exploración con modelos 3D dinámicos, que permiten simular diferentes escenarios e integrar información geológica en tiempo real para un seguimiento de la viabilidad económica de un depósito mineral. Del mismo modo, otro avance lo constituye la automatización y perforación inteligente, que contribuye a disminuir los riesgos y aumentar la precisión en la fase de recolección de hitos con el uso de equipos robóticos, así como mecanismos de control de navegación para acceder a zonas de geografía compleja. La buena noticia es que todos estos sistemas avanzados y otros son utilizados por las diferentes compañías mineras que operan en el país y son de dominio de las empresas proveedoras, como lo demuestran los artículos de la presente edición y los trabajos que publicamos mensual-
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 9 EDITORIAL Homar Lozano Director mente, que revelan que somos un país minero no solo por los recursos con los que contamos, sino también por el vasto ecosistema resiliente que adecúa e innova procesos en las operaciones. Precisamente, para mostrar estas tecnologías e información de los proyectos de exploración más relevantes, el Instituto de Ingenieros de Minas del Perú realizará del 4 al 6 de mayo la décimo quinta edición del Congreso Internacional de Prospectores y Exploradores (proEXPLO 2026), que nació en 1999 y con el tiempo se ha consolidado con una de las más importantes reuniones geológicas de la región. Con el lema: Promoviendo el descubrimiento para un futuro sostenible, y bajo la presidencia del gerente de Exploración Perú - Ecuador en Barrick, Adán Pino, en esta edición se presenta un atractivo programa que aborda desde diferentes ángulos la naturaleza e importancia de la exploración como el primer eslabón en la cadena de valor de la minería, entre otros. En un país con el vasto potencial geológico y un ecosistema minero consolidado como el nuestro, cuya economía se soporta en la producción y exportación de minerales, y que está en condiciones de atender la alta demanda que se proyecta para el futuro inmediato por la transición tecnológica y energética, es fundamental mantener un ritmo acelerado de exploraciones, que debemos alentar e incentivar reduciendo las actuales trabas y regulaciones desproporcionadas para una actividad que tiene un mínimo impacto ambiental, con el fin de ser más competitivos y atraer más inversión.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 10 Geología Abstract This study develops an integrated methodology to identify exploration target areas associated with porphyry and epithermal systems within the southern Peru metallogenic belt, particularly in the Huyahuya and Antabamba Block 2 ANAP areas. A total of 663 rock geochemical samples were analyzed using Centered Log-Ratio (CLR) transformation, factor analysis (FA), and fractal modeling (C-A and LSA). Using remote sensing data, the indices Porphyry_Index and Epithermal_Index were generated and subsequently evaluated through fractal analysis. Structural features were analyzed using fractal dimension (D), allowing the inference of tectonic controls on mineralization. APLICACIÓN DE TÉCNICAS MODERNAS EN LA REEVALUACIÓN GEOQUÍMICA, ESTRUCTURAL Y TELEDETECCIÓN EN LOS ANAP HUYAHUYA Y ANTABAMBA BLOQUE 2
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 11 Por: Renzo Flores, Datamine Perú, Karla Baca, Camino Corp., y Fakey Zubieta, Universidad Nacional Mayor de San Marcos. A total of 27 polygons were delineated, validating 13 previously proposed by Ingemmet and proposing 14 new ones (an increase of 107.7%). All polygons were cross-checked with Ingemmet field descriptions, which report the presence of ore minerals such as chalcopyrite, bornite, and native gold. Targets TRG_27 and TRG_18 stand out due to their high grades, reaching up to 3222 ppb Au and 8264 ppm Cu. The proposed approach is replicable and provides strategic value for modern mineral exploration. Resumen Este estudio desarrolla una metodología integrada para identificar zonas de interés exploratorio asociadas a sistemas tipo pórfido y epitermal en la franja metalogenética del sur del Perú, en particular de los ANAP Huyahuya y Antabamba Bloque 2. Se analizaron 663 muestras geoquímicas de roca aplicando transformación Centered Log-Ratio (CLR), análisis factorial (FA) y modelamiento fractal (C–A y LSA). Sobre datos de teledetección se generaron los índices: Porfido_Index y Epitermal_Index, también evaluados fractalmente. Las estructuras fueron analizadas mediante dimensión fractal (D), permitiendo inferir controles tectónicos sobre la mineralización. Se delinearon 27 polígonos, validando 13 propuestos por el Instituto Geológico, Minero y Metalúrgico (Ingemmet) y proponiendo 14 nuevos (incremento del 107.7%). Todos los polígonos fueron contrastados con descripciones de campo del Ingemmet con presencia de minerales mena como calcopirita, bornita y oro nativo. Destacan TRG_27 y TRG_18 por sus altas leyes (hasta 3,222 ppb Au y 8,264 ppm Cu). El enfoque es replicable y aporta valor estratégico a la exploración mineral moderna. Palabras Clave: exploración, reevaluación geoquímica, estructural, teledetección. Introducción Los sistemas tipo pórfido Cu-Au-Mo y epitermales Au-Ag representan los principales objetivos de exploración mineral
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 12 en el sur del Perú, dentro del arco magmático andino, una de las provincias metalogenéticas más significativas a nivel global (Sillitoe, 2010; Cooke et al., 2005). En este contexto, el Ingemmet desarrolló campañas de prospección en las Áreas de No Admisión de Petitorio (ANAP) Huyahuya (2018) y Antabamba Bloque 2 (2016), ubicadas en la región Apurímac y relacionadas a intrusivos del batolito Andahuaylas – Yauri (Figura 1a). Se integraron datos geoquímicos, estructurales y espectrales mediante técnicas tradicionales como análisis de componentes principales (PCA), análisis factorial (FA), cocientes de bandas y análisis de orientación estructural (Amiri et al., 2017; Faraj et al., 2019). Las estructuras cartografiadas (Ingemmet, 2022) fueron validadas mediante evidencias de campo y coherencia geométrica (Zuloaga et al., 2016; Villarreal et al., 2019), priorizando aquellas con mayor potencial de canalizar fluidos mineralizantes según su orientación, buzamiento y contraste litológico (Pfiffner, 2017; Camus & Castelli, 2020; Hronsky, 2013). Sobre esta base, se emplearon diagramas de roseta para identificar tendencias estructurales dominantes vinculadas a la mineralización. Sobre esta base, se aplicaron enfoques fractales avanzados. Para la geoquímica y teledetección, se utilizó el análisis de singularidad local (α) y el modelo Concentración – Área (C–A) para definir umbrales anómalos (Ma et al., 2023; Cheng, 2007). En el análisis estructural, se empleó el método de Box-Counting para calcular la dimensión Figura 1. Mapas de referencia del área de estudio: a) Mapa geológico regional del sector Huyahuya – Antabamba B2; b) Mapa metalogenético con yacimientos relevantes en la franja XV, y c) Mapa de concesiones mineras y principales titulares en el área de influencia. Nota. Las figuras muestran el contexto regional del área de estudio ubicada en la franja metalogenética Andahuaylas – Yauri. La Figura (1a) detalla la geología regional y las principales formaciones; la Figura (1b) presenta los yacimientos tipo pórfido, epitermal, skarn y vetas en la región, y la Figura (1c) ilustra la distribución de concesiones mineras vigentes. Basado en Zuolaga et al., 2016, Villarreal et al., 2019 e Ingemmet, 2022.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 13 fractal (D), cuantificando la complejidad de redes de fallas y su vínculo con procesos mineralizantes (Zhao et al., 2011; Afzal et al., 2011). La justificación del enfoque fractal radica en su capacidad para modelar la naturaleza multiescalar, auto-similar y no lineal de los sistemas geológicos (Carranza, 2009; Zuo & Wang, 2016), mejorando el targeting al integrar patrones complejos dispersos en diferentes dominios de datos (Liu et al., 2013; Shan Xu et al., 2020). En conjunto, esta metodología proporciona una herramienta cuantitativa, adaptable y eficiente para optimizar la identificación de zonas favorables en diversos entornos geológicos, reforzando el valor predictivo y espacial del análisis en campañas de exploración mineral moderna. Objetivos Demostrar la eficacia de integrar metodologías fractales y multiescalares (LSA, modelo C–A y Box-Counting) sobre datos geoquímicos, estructurales y espectrales, con el fin de optimizar el “targeting” mineral en los ANAP Huyahuya y Antabamba Bloque 2. Delimitar zonas prioritarias de interés mineral en sistemas tipo pórfido-epitermal mediante el análisis conjunto de datos validados de campo, geoquímica multielemental, de estructuras y teledetección, aportando criterios técnicos para orientar futuras campañas de exploración en la región. Contexto geológico y metalogenético El área de estudio se sitúa dentro de la franja metalogenética XV del sur peruano (Figura 1b), reconocida por su elevado potencial para el desarrollo de sistemas tipo pórfido Cu-Mo (Au) y skarn Cu-Au-Fe. El sector se encuentra rodeado por múltiples concesiones de compañías nacionales e internacionales, que destacan la importancia prospectiva y estratégica del sector (Figura 1c). Estos depósitos se encuentran espacial y temporalmente asociados a la intrusión de stocks del Batolito Andahuaylas – Yauri durante el intervalo Eoceno – Oligoceno (~42–30 Ma). Este batolito, de afinidad calcoalcalina, metaluminosa y tipo I, intruye a las unidades sedimentarias del Grupo Yura (Jurásico) y de la Formación Arcurquina (Cretácico medio), generando contactos litológicos altamente favorables para la circulación de fluidos hidrotermales. El marco geológico local está dominado por una secuencia de rocas intrusivas asociadas a cinco pulsos magmáticos diferenciados. Estos comprenden desde intrusiones de dioritas y cuarzo dioritas tempranas, hasta cuerpos más evolucionados de granodioritas, cuarzo monzodioritas y cuarzo monzonitas, seguidos por diques hipoabisales dacíticos y vetillas aplíticas (Zuloaga A, 2016). Esta evolución magmática polifásica evidencia una prolongada actividad ígnea e hidrotermal, Figura 2. Biplot F1 – F2 (rotación Varimax) a partir de datos transformados mediante CLR, que muestra la agrupación de elementos guía de mineralización (Cu, Au, Ag, Bi). Nota. El análisis se realizó aplicando la transformación Centered Log-Ratio (CLR) seguida de un modelo factorial con rotación Varimax. Los vectores resaltan la asociación geoquímica de Cu, Au, Ag y Bi como elementos guía de mineralización, coherente con la firma geoquímica típica de sistemas tipo pórfido y epitermal.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 14 coherente con los modelos de génesis de sistemas tipo pórfido y epitermal (Zurcher & Dilles, 2007; Sillitoe, 2010). Asimismo, se reconocen cuerpos de brechas intrusivas con clastos de granodiorita y pórfido dacítico, vinculados a la evolución de los pulsos magmáticos e hidrotermales en la zona de estudio (Zuloaga A., 2016). Desde el punto de vista estructural, el área está atravesada por sistemas de fallas con orientación NE-SO y NO-SE, que actúan como zonas de debilidad estructural facilitando la circulación de fluidos hidrotermales, son también importantes en los contactos entre unidades ígneas y carbonatadas. Este modelo geológico es análogo al observado en los proyectos cercanos La Yegua (pórfido Cu-Mo-Au) y Tumipampa (skarn Au-Cu-Ag), donde se ha documentado mineralización de Cu-Mo-Au asociada a la alteración potásica central, rodeada por halos de alteración fílica. Las edades radiométricas disponibles (K-Ar y Re-Os) indican que el principal evento de mineralización tipo pórfido se desarrolló entre ~42 y ~30 Ma (Carlotto et al., 2009), en un entorno tectónico compresivo comparable con los cinturones porfiríticos del sur andino peruano y del norte de Chile (Carlotto et al., 2009; Acosta et al., 2010). Metodología Geoquímica Base de datos geoquímica y control de calidad Se utilizaron un total de 663 muestras de roca recolectadas en los proyectos ANAP Huyahuya (2018) y Antabamba Bloque 2 (2016) del Ingemmet. Los análisis fueron realizados en SGS del Perú, mediante ensayo al fuego para oro (Au, 50 g) y ICP-MS tras digestión multiácida, cubriendo un total de 50 elementos químicos. Como parte del control de calidad, se evaluó la censura analítica por Límite de Detección (LOD). Se excluyeron Se, Te y U, al presentar más del 50% de datos por debajo del LOD, en concordancia con criterios de robustez estadística (Reimann & Filzmoser, 2000). Se retuvo el Au a pesar de su censura parcial, dada su relevancia geoquímica como elemento guía en sistemas mineralizados (Halley et al., 2015; Carranza, 2009). Tabla 1A. Estadísticos Descriptivos de los Datos Geoquímicos Crudos (ppm; Au convertido) Estadístico Au Ag As Bi Cd Cs Cu In Li Mo Pb Sb Sn Tl W Zn N 663.0 663.0 663.0 663.0 663.0 663.0 663.0 663.0 663.0 663.0 663.0 663.0 663.0 663.0 663.0 663.0 Mínimo 0.0 0.0 0.5 0.0 0.0 0.2 3.3 0.0 3.0 0.3 2.6 0.1 0.2 0.0 0.2 9.0 Máximo 81.9 330.0 3942.0 2774.0 94.4 123.2 67100.0 6.0 118.0 10100.0 20000.0 6316.0 32.4 3.1 4277.0 4745.0 Media 0.3 3.8 19.2 17.8 0.4 3.3 1099.8 0.1 14.1 34.9 124.7 24.4 1.4 0.5 15.8 78.1 Desv. Est. 3.4 18.7 157.3 131.6 4.2 5.3 4374.1 0.5 13.0 401.1 938.1 258.6 2.1 0.2 170.2 253.1 Asimetría 21.2 10.9 23.6 16.3 19.1 18.4 9.8 7.8 3.3 24.1 16.9 22.2 11.5 2.6 24.0 13.3 Curtosis 494.5 157.2 587.0 312.6 403.2 405.7 124.5 75.7 14.7 601.8 327.2 532.9 152.3 22.6 597.0 210.2 Nota. Valores obtenidos de 663 muestras de roca. Tabla 1B. Estadísticos Descriptivos de Elementos Geoquímicos Transformados Mediante CLR Nota. Valores derivados de la transformación Centered Log-Ratio (CLR) aplicada a 663 muestras de roca para normalizar la naturaleza composicional de los datos. Estadístico Au_ CLR Ag_ CLR As_ CLR Bi_ CLR Cd_ CLR Cs_ CLR Cu_ CLR In_ CLR Li_ CLR Mo_ CLR Pb_ CLR Sb_ CLR Sn_ CLR Tl_ CLR W_ CLR Zn_ CLR Desv. Est. 1.28 1.63 0.96 1.58 1.15 0.94 1.56 0.74 0.78 1.02 0.81 1.03 1.05 1.03 1.27 0.84 Asimetría 2.12 0.22 0.68 1.00 0.32 -1.17 0.62 0.49 -0.66 0.74 0.33 1.47 -0.87 -1.57 0.43 -0.76 Curtosis 5.56 -0.41 1.12 0.75 0.94 1.72 -0.44 3.61 0.68 2.64 2.52 3.18 1.04 2.67 1.65 0.40
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 15 Análisis exploratorio y transformación composicional Se realizó un Análisis Exploratorio de Datos (EDA), que incluyó estadísticas descriptivas y métricas de forma como asimetría (skewness) y curtosis, evidenciando distribuciones fuertemente sesgadas para Au, Ag, Cu, Mo, entre otros. Debido al carácter composicional de los datos geoquímicos (con restricciones de suma constante), se aplicó la transformación Centered Log-Ratio (CLR), propuesta por Aitchison (1986) y, posteriormente, formalizada en términos geométricos para el análisis multivariado por Egozcue et al. (2003). Esta transformación traslada los datos desde el simplex a un espacio euclidiano, reduciendo las correlaciones espurias y permitiendo la aplicación rigurosa de técnicas estadísticas multivariadas en exploración geoquímica. Selección de elementos guía y análisis factorial Se seleccionaron 16 elementos guía comúnmente asociados a mineralización en pórfidos y epitermales (Au, Ag, As, Bi, Cd, Cs, Cu, In, Li, Mo, Pb, Sb, Sn, Tl, W, Zn) (Tabla 1A), con base en los trabajos de Halley et al. (2015) y Cooke et al. (2005) sobre zonación geoquímica en estos sistemas. Sobre los datos CLR transformados (Tabla 1B), se aplicó un análisis factorial (FA) con rotación Varimax para identificar asociaciones multielementales (Tabla 2). Este enfoque es ampliamente reconocido en geoquímica exploratoria para la identificación de firmas geoquímicas y la construcción de índices multivariados (Carranza, 2009; Zuo & Wang, 2011). Se extrajeron dos factores principales, que explicaron en conjunto el 51.8% de la varianza. El Factor 1 (34.3%) presentó altas cargas para Au, Ag, Cu, Bi, lo que permitió interpretarlo como un componente mineralizante. En consecuencia, se invirtió su signo para construir el índice F1* (–F1), lo que facilita su interpretación directa como intensidad de anomalía (Carranza, 2009). El Factor 2 (17.5%) se asoció a elementos de halo distal o alteraciones periféricas (Pb, Zn, Cd, Li, Cs). Esta interpretación fue confirmada mediante un biplot de F1 vs F2 sobre datos CLR (Figura 2), donde se observa el agrupamiento de vectores asociados a mineralización en un mismo cuadrante. Cálculo del índice de singularidad Para cuantificar la heterogeneidad espacial del índice F1*, se calculó el exponente de singularidad α, el cual permite detectar anomalías locales mediante el contraste entre un valor puntual y su entorno. El cálculo se efectuó siguiendo la formulación de Local Singularity Analysis (LSA) propuesta por Cheng (2007) y aplicada recientemente en estudios geoquímicos regionales por Ma et al. (2023), Tabla 2. Matriz de Cargas Rotadas (Varimax) y Comunalidades de Variables CLR (N = 663) Variable Factor 1 Factor 2 h² Tl-CLR 0.894 −0.064 0.803 Cs-CLR 0.879 0.003 0.773 Sn-CLR 0.825 −0.185 0.716 Zn-CLR 0.776 0.444 0.799 Li-CLR 0.765 0.31 0.681 Ag-CLR −0.761 −0.063 0.584 Bi-CLR −0.651 −0.075 0.429 Au-CLR −0.626 0.092 0.401 Cu-CLR −0.447 −0.552 0.505 Pb-CLR 0.224 0.712 0.557 W-CLR 0.251 −0.672 0.515 Mo-CLR 0.065 −0.402 0.166† In-CLR −0.196 −0.441 0.233† Sb-CLR −0.368 0.627 0.528 Cd-CLR 0.183 0.526 0.310† As-CLR −0.362 0.393 0.286† Varianza 5.4906 2.7949 8.2855 % Var 0.343 0.175 0.518 Nota: cargas significativas en negrita (|carga| ≥ 0.40); h² < 0.40 indicadas con †. Varianza total explicada: 51.8%.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 16 así como en casos de exploración por Zuo et al. (2009): Donde F1*local es el promedio del índice F1* dentro de una ventana de 5×5 celdas de 100 m, representando el entorno local. La LSA constituye un enfoque multifractal orientado a identificar patrones de enriquecimiento o depleción local, capaces de reflejar la canalización de flujos metálicos en intervalos espaciales y temporales reducidos (Cheng, 2007; Zuo et al., 2009) (Tabla 3). Modelamiento fractal mediante el modelo C–A La distribución del índice α fue modelada mediante el modelo fractal Concentration – Área (C–A) desarrollado por Cheng et al. (1994), el cual describe cómo la intensidad geoquímica y su área de ocurrencia siguen una ley potencial: Donde A es el área acumulada de celdas cuya intensidad ρ (en este caso, el valor de α) es menor o igual a un umbral μ. Al representarse en escala logarítmica, esta relación se vuelve lineal: El ajuste se realizó mediante regresión segmentada utilizando el paquete Segmented en R (Muggeo, 2003), lo que permitió identificar puntos de quiebre estadísticamente significativos y, por ende, definir umbrales fractales que separan diferentes poblaciones geoquímicas (Figura 3). Se identificaron cuatro segmentos lineales en la curva C–A, correspondientes a diferentes poblaciones geoquímicas (Tabla 4). Las pendientes suaves (–0.03 y –0.36) en los primeros tramos indican poblaciones autosimilares con potencial mineralizado; mientras que las pendientes más negativas (–2.82 y –5.43) en los tramos finales corresponden a áreas sin enriquecimiento significativo, reflejando un carácter diluido del background (Carranza, 2011; Zuo et al., 2012; Liu et al., 2013) (Tabla 5). Clasificación fractal del terreno Los umbrales obtenidos mediante el modelo C–A se aplicaron para generar un mapa de clasificación fractal de singularidad, definiendo cuatro dominios geoquímicos. Este mapa fue integrado en un entorno GIS para análisis espacial, lo que permitió delimitar zonas de interés prioritario para exploración, basadas en: Singularidad local elevada (valores altos de α). Asociación multielemental favorable (índice F1*). Soporte estadístico sólido, garantizado por la segmentación fractal. Estructural Recopilación y priorización estructural Se recopiló la red de fallas y lineamientos a partir de la cartografía geológica digital del Ingemmet (2022), complementada con estudios estructurales previos en ANAP y en proyectos regionales. Posteriormente, se efectuó Tabla 3. Interpretación del Exponente de Singularidad (α) Obtenido Mediante LSA sobre el Índice F1* (ventana 5×5; 100 m) α Implicación α<0 Enriquecimiento local: la celda presenta mayor concentración que su entorno → posible anomalíaobjetivo. α≈0 Comportamiento comparable al entorno; representa el fondo geoquímico local. α>0 Depleción relativa: la celda exhibe menor concentración que el vecindario. Nota. Valores negativos de α suelen asociarse a procesos de concentración de metales en dominios restringidos, mientras que valores positivos reflejan zonas de dispersión o empobrecimiento.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 17 una depuración técnica que permitió validar únicamente aquellas estructuras con respaldo morfológico, cinemático y litológico verificable. Esta verificación se basó en metodologías multiescalares recomendadas por Zuloaga et al. (2016), centradas en la coherencia geométrica y el control litoestructural, así como en los criterios de campo propuestos por Villarreal et al. (2019) y el enfoque progresivo de deformación planteado por Contreras (2012) para los Andes centrales. Con la red validada, se priorizaron aquellas estructuras con potencial de actuar como conductos de fluidos mineralizantes o sistemas translitosféricos. Para ello, se evaluaron atributos estructurales como: tendencia coincidente con áreas mineralizadas, alto ángulo de buzamiento, contraste de edades entre bloques y presencia de diferenciación magmática. Los cuales sugieren actividad prolongada y control tectono-magmático profundo. Este enfoque se sustenta en los modelos de arquitectura litosférica de Pfiffner (2017), en los criterios estructurales-metalogenéticos de Camus y Castelli (2020), y el concepto de “mineral systems” controlados por zonas de debilidad persistente, propuesto por Hronsky (2013). Análisis direccional – Roseta estructural jerarquizada Con la red estructural validada, se construyó un diagrama de rosetas bidireccional ponderado tanto por longitud total acumulada como por número de estructuras. Este análisis permitió clasificar la red en cuatro conjuntos jerárquicos principales según su orientación dominante y frecuencia relativa (Figura 4): Control I: NW–SE (110°–160°): • Representa el 46.35%, claramente el conjunto principal. • Es la tendencia estructural dominante en longitud acumulada. Control II – E–W (70°–110° y conjugadas): • Con un 21.06%, corresponde al conjunto prioritario. • Se evidencia como una orientación estructural significativa pero subordinada al Control I. Control III – N–S / NNE–SSW (160°–20°): • Con un 16.89%, se clasifica como conjunto secundario. • Se vincula a un patrón meridional (N–S). Control IV – NE–SW / ENE–WSW (20°–70°): • Con un 15.70%, es el conjunto subordinado. • Menor peso estructural relativo, con participación en fallas locales. La jerarquización se estableció considerando tres criterios principales: Intensidad estructural (m/estructura). Longitud total acumulada por rango direccional. Participación en zonas de interferencia o cruce tectónico. Esta clasificación permitió relacionar cada conjunto estructural con eventos de deformación específicos y evaluar su influencia relativa en el control de la mineralización. Figura 3. Curva fractal C–A aplicada al índice de singularidad (α, derivado del LSA), mostrando la segmentación log–log y la definición de umbrales fractales para discriminar poblaciones de fondo y anomalías geoquímicas. Nota. La curva se construyó a partir del análisis fractal Concentración – Área (C–A) aplicado sobre el índice de singularidad (α) obtenido mediante LSA. Las pendientes diferenciadas en el espacio log–log permiten establecer umbrales fractales (α = –0.345, –0.039 y 0.207), que separan los valores de fondo (bajo, medio y alto) de las poblaciones anómalas. Este procedimiento facilita la delimitación de áreas con potencial geoquímico para mineralización.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 18 Cálculo de la dimensión fractal de estructuras lineales El análisis fractal de las estructuras lineales se realizó mediante el método de Box-Counting, técnica ampliamente validada en estudios de patrones espaciales complejos asociados con fracturas y lineamientos geológicos (Afzal et al., 2011; Mirzaie et al., 2015; Chauhan y Dixit, 2024). Este enfoque permite cuantificar la complejidad espacial y la distribución fractal de fallas y lineamientos, lo cual resulta clave para identificar sectores con alta densidad estructural y mayor potencial para la concentración de fluidos mineralizantes, constituyendo targets exploratorios prioritarios (Zhao et al., 2011). Los pasos metodológicos se estructuraron de la siguiente manera: Construcción de grillas multiescala en GIS: se generaron grillas jerárquicas (fishnets) con resoluciones espaciales de 100 m, 50 m, 25 m y 12.5 m. Este procedimiento multiescalar, recomendado por Bo Li et al. (2010), Zhao et al. (2011) y Mirzaie et al. (2015), es esencial para capturar la heterogeneidad estructural, garantizando un análisis robusto y consistente en diferentes escalas espaciales. Aplicación del método Box-Counting: en cada nivel de resolución se determinó el número de subceldas ocupadas por lineamientos estructurales. Este conteo proporcionó una medida cuantitativa objetiva de la densidad estructural, constituyendo la base empírica para el análisis fractal mediante modelos logarítmicos (Afzal et al., 2011; Zhao et al., 2011). Transformación logarítmica: los valores resultantes se transformaron en escala logarítmica (log10), obteniendo pares ordenados [log (r), log N(r)] que describen la relación fractal entre el tamaño de celda (r) y el número de celdas ocupadas [N(r)]. Esta relación refleja cuantitativamente la complejidad espacial inherente a las estructuras geológicas (Chauhan y Dixit, 2024; Zhao et al., 2011). Cálculo de la dimensión fractal: para cada celda del área estudiada, se aplicó una regresión lineal simple a partir de los pares ordenados generados [Log N(r) vs Log (r)], conforme a la siguiente ecuación: Donde: D: valor absoluto de la pendiente de la regresión lineal simple (|slope|), representa directamente la dimensión fractal. b: constante dependiente de las características estructurales específicas del área local analizada. El cálculo se realizó mediante funciones estadísticas estándar en Excel: Pendiente (slope) y coeficiente de determinación (R²). Esta metodología es ampliamente aceptada debido a su simplicidad y rigor estadístico en la determinación precisa del valor fractal de estructuras geológicas (Chauhan y Dixit, 2024; Zhao et al., 2011). Tabla 4. Clases Fractales del Exponente de Singularidad (α) sobre el Índice F1* (LSA + C–A), con Rangos de log10 (α) e Interpretación Geológica Clase Rango de log10 (α) Interpretación (LSA + C–A) Anomalía ≤ −0 .345 Celdas altamente enriquecidas; zonas-objetivo para pórfidos/epitermales. Fondo alto −0 .345 < α ≤ −0 .039 Distribución típica de background regional. Fondo medio −0 .039 < α ≤ 0 .207 Variabilidad intermedia; posible halo de dispersión. Fondo bajo 0 .207 < α ≤ 0 .512 Valores diluidos o ambientes no mineralizados. Nota. Los límites de clasificación corresponden a los umbrales fractales derivados del modelo C–A aplicado sobre el índice F1*.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 19
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 20 Asignación espacial y modelado fractal: los valores obtenidos para la dimensión fractal (D) (Figura 5) se asignaron espacialmente a sus respectivas celdas dentro de un entorno GIS. Posteriormente, mediante interpolación por distancia inversa ponderada (IDW), se generó un modelo continuo de la distribución espacial de la dimensión fractal en el área estudiada. Esta técnica facilita una interpretación integral y sistemática, identificando áreas de interés exploratorio con alta fractalidad estructural, que podrían indicar un control tectónico favorable para la concentración de mineralizaciones asociadas a sistemas tipo pórfido y epitermal (Zhao et al., 2011; Mirzaie et al., 2015; Chauhan y Dixit, 2024). Teledetección En teledetección se adicionó el uso de nuevas técnicas de procesamiento de imágenes satelitales Aster y Landsat en conjunto con aquellos tradicionales empleados en la zona de estudio (Zuloaga et al., 2016; Villarreal et al., 2019), con la finalidad de reconocer y delimitar todas las zonas de alteración relacionadas al sistema pórfido de Cu-Mo-Au (Halley et al., 2015) y epitermal de baja y alta sulfuración (Hedenquist et al., 2000). Preprocesamiento y procesamiento Previamente, a las bandas agrupadas se les aplicó correcciones radiométricas, atmosféricas y de emisividad, y se realizó un enmascaramiento para vegetación, agua y nieve. En el procesamiento, mientras que con las técnicas tradicionales de Composición de Falso Color (FCC), Cociente de Bandas y Análisis de Componentes Principales (PCA) se calibró y comparó el procesamiento con los mapas de alteración existentes, se añadió la técnica de Band Math (BM) para aprovechar las relaciones entre las bandas y generar nuevos productos o rasters interpretables. Aplicación del método fractal Transformación e integración por índices: los valores de reflectancia (x) de PCA y BM fueron normalizados mediante un método de transformación robustecida: Esto con la finalidad de reducir el impacto de valores extremos y mejorar la comparabilidad entre datos puntuales (Carranza, 2009). Ambos datos transformados se integraron mediante una media aritmética según el potencial de mineralización (Tabla 6) de cada tipo de alteración hidrotermal (Pour & Hashim, 2012; Lowell & Guilbert, 1970; Sillitoe, 2010), permitiendo la construcción de índices integrados para el sistema pórfido y epitermal. Cálculo del índice de singularidad: para cuantificar la heterogeneidad espacial de los índices espectrales (Fi), fueron rasterizados con resolución de 30 m y una ventana de 5x5 Figura 4. Análisis de orientaciones estructurales representado mediante un diagrama de roseta bidireccional ponderado por longitud total. Nota. El diagrama de roseta muestra la distribución de las orientaciones estructurales en el área de estudio, clasificadas en cuatro dominios principales: NW–SE (46.35%), E–W (21.06%), N–S (16.89%) y NE–SW (15.70%). La ponderación por longitud total permite destacar la mayor continuidad de las estructuras NW–SE, identificadas como la tendencia principal, lo que resalta su importancia como zonas de control estructural y potenciales corredores de mineralización.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 21 píxeles, lo que permitió suavizar las variaciones locales y preservar las tendencias espaciales. A partir de dichos valores, se calculó el índice de singularidad (α) siguiendo la formulación de Local Singularity Analysis (LSA) propuesta por Cheng (2007) y aplicada en exploración mineral por Zuo et al. (2009): donde Fi representa el valor del índice espectral en cada celda y Filocal corresponde al promedio de su vecindad inmediata (ventana 5×5). Este parámetro (α) resalta la acumulación localizada de energía anómala, identificando focos de enriquecimiento o depleción espectral en escalas reducidas de espacio y tiempo, asociados a procesos hidrotermales. Aplicación del modelo C–A: Los valores del índice de singularidad (α) fueron integrados en el modelo fractal Concentración – Área (C–A) propuesto por Cheng et al. (1994), el cual describe la relación entre la intensidad de un parámetro y su área de ocurrencia, siguiendo una ley potencial: que en escala logarítmica se expresa como: El ajuste de la curva se realizó mediante regresión segmentada (Muggeo, 2003), lo que permitió identificar puntos de quiebre estadísticamente significativos. Dichos puntos definen umbrales fractales objetivos, que separan las poblaciones de fondo de las anomalías espectrales más relevantes (Ma et al., 2023). Este enfoque, ampliamente documentado en estudios de exploración geoquímica y espectral, refuerza la trazabilidad y la reproducibilidad del análisis (Figura 6). Figura 5. Clasificación fractal de densidad estructural: identificación de áreas potencialmente favorables. Nota. El histograma muestra la distribución de la dimensión fractal y los umbrales en 1.100, 1.200 y 1.250, que permiten diferenciar clases de densidad estructural y resaltar áreas potencialmente favorables para la mineralización.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 22 Corroboración con métodos de clasificación supervisada Dichas técnicas se basaron en firmas espectrales de minerales indicadores de alteración hidrotermal (Kokaly et al., 2017; Corbett & Leach, 1997), seleccionadas según su presencia en las muestras previas recolectadas en el área (Zuloaga et al., 2016; Villareal et al., 2019). Esta integración metodológica aseguró la validación cruzada de los resultados, aumentando la confiabilidad en la identificación de evidencias superficiales de targets potenciales de exploración. Resultados Geoquímica La aplicación del modelo fractal Concentration – Area (C–A) sobre el exponente de singularidad α, derivado del índice multielemental F1*, permitió clasificar el terreno en cuatro dominios geoquímicos. Para fines de exploración, se priorizaron dos clases de interés económico: la clase anómala (α entre –3.003 y –0.345) y la clase de fondo enriquecido (α entre –0.344 y –0.039). Estas clases, definidas por tramos autosimilares en la curva log–log de α vs área acumulada (Cheng et al., 1994; Carranza, 2011), reflejan poblaciones geoquímicas con grados de heterogeneidad propios de procesos mineralizantes intensos. La segmentación fue realizada con el paquete Segmented en R (Muggeo, 2003), garantizando objetividad estadística en la determinación de los puntos de ruptura. Los polígonos generados a partir de estas clases fractales fueron espacialmente mapeados e integrados en un entorno SIG. La validación geoquímica univariada dentro de dichos polígonos mostró contenidos metálicos notoriamente elevados: oro (Au) entre 14 ppb y 4,775 ppb, cobre (Cu) entre 119 ppm y 18,018 ppm, y plata (Ag) entre 0.37 ppm y 95 ppm, valores que se alinean con firmas geoquímicas características de sistemas tipo pórfido Cu-Au y epitermales intermedios Au-Ag (Halley et al., 2015; Cooke et al., 2005) (Figura 7). Desde un enfoque estructural, los polígonos con α elevado coinciden espacialmente con estructuras favorables previamente cartografiadas por Ingemmet (ANAP Huyahuya, 2018; Antabamba B2, 2016), incluyendo zonas con vetillas de cuarzo ± sulfuros, brechas hidrotermales, y stockworks, muchas de ellas alineadas con sistemas de fallas mayores con orientación NW–SE. Esta superposición valida la hipótesis de que la singularidad local identificada mediante α no solo refleja enriquecimiento geoquímico, sino también la canalización estructural efectiva de fluidos mineralizantes (Cheng, 2007; Zuo et al., 2012). Además, se identificó una clara distribución mineralógica asociada a los dominios anómalos. Los polígonos ubicados hacia el sector suroeste de la zona de estudio presentan concentraciones de minerales secundarios de cobre, tales como malaquita y crisocola, en zonas de oxidación supergénica. Asimismo, se reportó la presencia de minerales mena como bornita y calcopirita, también con mayor predominancia hacia el suroeste, lo que sugiere un potencial sistema de alimentación magTabla 5. Parámetros del Ajuste C–A sobre α (LSA aplicado al índice F1*; tamaño de celda = 100 m, ventana = 5×5) Clase fractal Pendiente (–α) R² Interpretación (LSA + C–A) Anomalía –0.03 0.69 Núcleo singularmente enriquecido; zonas‑objetivo pórfido/epitermal. Fondo –0.36 0.95 Background elevado; posible proximidad a núcleos anómalos. Fondo Medio –2.82 0.88 Variabilidad intermedia; halo de dispersión probable. Fondo Bajo –5.43 0.92 D&epleción; valores diluidos o ambientes no mineralizados. Nota. Los parámetros de pendiente y R² corresponden a los segmentos lineales de la curva C–A, ajustados sobre el exponente de singularidad (α).
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 23 mático bien desarrollado en profundidad. De forma puntual, también se reconocieron especímenes de oro nativo y pirargirita (Ag3SbS3), esta última como evidencia de eventos hidrotermales de temperatura intermedia a baja (Figura 8). Toda esta información mineralógica fue recolectada y sistematizada a partir de los estudios técnicos publicados por el Ingemmet, consolidando la validez empírica del modelo geoquímico propuesto. En conjunto, la integración de resultados fractales, geoquímicos, estructurales y mineralógicos demuestra la eficacia del enfoque LSA + C–A para identificar zonas con alto potencial mineral en sistemas complejos. La coherencia entre la anomalía multielemental (F1*), la singularidad espacial (α), los valores de ley, las estructuras geológicas y la mineralogía asociada, refuerza el valor predictivo de esta metodología para el targeting exploratorio de depósitos tipo pórfido y epitermal. Estructural El análisis estructural de la zona permitió identificar un patrón jerárquico de organización en la red de fallas y lineamientos, sustentado en su distribución direccional, longitud acumulada e intensidad. A través de diagramas de roseta ponderados por longitud y número de estructuras, se distinguieron cuatro conjuntos estructurales principales. El Conjunto I (NW–SE, 110°–160°) constituye el sistema dominante en la arquitectura regional, caracterizado por su elevada longitud acumulada [≈118 km (46.35%)], alta densidad de estructuras y la presencia de fallas regionales de primer orden como Huamansalcca, además de otras relevantes como Apacheta y Yahualja. Este conjunto concentra segmentos que evidencian reactivación y sobreimposición tectónica, factores que incrementan su relevancia como corredores de fluidos mineralizantes. El Conjunto II (E–W, 70°–110°, con conjugados menores), jerárquicamente prioritario, integra lineamientos como Tamburqui y Ojorcocha, además de fracturas locales en Apacheta y Comiñahue. Este conjunto presenta una intensidad estructural destacada, con valores máximos de más de 2,100 m/estr, y se caracteriza por su elevada conectividad lateral. La interacción entre los Conjuntos I y II define zonas de interferencia estructural, consideradas como corredores favorables para la circulación de fluidos. Finalmente, los conjuntos subordinados (Control IV, NE–SW / ENE–WSW) y secundario (Control III, N–S / NNE–SSW) representan sistemas de menor jerarquía, aunque con importancia local en contextos de interferencia o bordes de bloques estructurales (Tabla 7). El análisis fractal aplicado a la red estructural reveló un dominio predominante de dimensiones fractales (D) entre 0.90 y 1.20, lo que indica una red de conectividad baja a moderada en gran parte del área (frecuencias dominantes en clases azul y amarilla). No obstante, se idenTabla 6. Índices Espectrales, Componentes Principales y Pesos Asignados para la Caracterización de Alteraciones Hidrotermales Nota. Los índices espectrales (BM) se definieron en función de combinaciones de bandas satelitales validadas en la literatura, mientras que los componentes principales (PCA) corresponden a las transformaciones más representativas para cada alteración. Los pesos asignados reflejan la relevancia relativa de cada parámetro dentro del índice integrado de exploración, diferenciando sistemas epitermales y pórfidos.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 24 tificaron sectores con D > 1.20 (≈19% de la red), que reflejan una mayor madurez fractal y un incremento notable en la densidad e interconexión de estructuras. Estos dominios se asocian principalmente a segmentos del Conjunto I (NW–SE, 110°–160°) y, en menor medida, a zonas de cruce con el Conjunto II (E–W, 70°–110°). En particular, los sectores con D ≥ 1.25 evidencian una red estructural altamente conectada y posiblemente reactivada, compatible con zonas de cizalla con múltiples fases de deformación. Esta condición resulta crítica, ya que estudios recientes (Peng et al., 2023; Swain & Roy, 2024; Zhao et al., 2025) demuestran que los valores elevados de D están directamente relacionados con una mayor eficiencia en la migración y acumulación de fluidos hidrotermales en sistemas mineralizados. En conjunto, los resultados muestran que las estructuras de mayor jerarquía (Control I, NW– SE) con D > 1.20 definen dominios estructurales de alta prospectividad, al reunir condiciones críticas para el targeting geológico: conectividad estructural elevada, reactivación tectónica y convergencia de múltiples familias de fallas. Estos sectores deben ser considerados como blancos prioritarios para programas de exploración avanzada en sistemas tipo pórfido y epitermal (Figura 9a). La integración de la conectividad fractal (D, Box-Counting) con los polígonos geoquímicos priorizados (Figura 9b) evidencia una coincidencia selectiva: los polígonos de mayor interés se localizan principalmente en sectores con alta interacción estructural, concentrados en el eje central y sur del área de estudio. En contraste, hacia el norte y extremo occidental, varios polígonos se asocian únicamente a interacción moderada, lo que sugiere un menor grado de conectividad y potencial. Teledetección Los resultados obtenidos mediante Operaciones de Bandas (BM) y Análisis de Componentes Principales (PCA) muestran una marcada concentración de alteración argílica avanzada en el sector norte, mientras que las zonas fílicas y potásicas presentan mayor desarrollo hacia el noreste y el centro del área de estudio (ANAP Antabamba). Este patrón se interpreta como un sistema hidrotermal polifásico, con halos de alteración bien definidos y jerárquicamente organizados. La distribución de estas alteraciones coincide espacialmente con targets prioritarios previamente definidos por Zuloaga et al. (2016) y con la ubicación del proyecto La Yegua, lo que valida la confiabilidad de los resultados derivados de las técnicas espectrales. La comparación con datos de campo y descripciones petrográficas confirma la coherencia entre los índices espectrales y las evidencias de mineralización asociada. Respecto al modelo fractal Concentración – Área (C–A) aplicado a los índices compuestos de pórfido y epitermal, se observa que los píxeles anómalos (α anómalo) mantienen una Figura 6. Curva fractal C–A aplicada al índice de singularidad α (derivado del LSA–Índice Pórfido), mostrando los tramos segmentados log–log y la definición de umbrales fractales para diferenciar poblaciones de fondo y anomalías espectrales. Nota. La curva se ajustó mediante regresión segmentada, identificando cuatro tramos con pendientes diferenciadas: –0.09, –1.03, –3.22 y –7.39. Los umbrales fractales (α =−0.255, 0.097 y 0.200) separan poblaciones de fondo (bajo, medio y alto) respecto a la población anómala, lo que permite una delimitación objetiva de sectores con mayor significancia espectral y potencial exploratorio.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 25 fuerte correspondencia con los polígonos fractales priorizados, coincidiendo en 21 de los 27 polígonos. En particular, las anomalías derivadas del índice pórfido (Figura 10a) muestran mayor densidad en el sector sur y central, mientras que las del índice epitermal (Figura 10b) se concentran hacia el norte y noreste, en estrecha asociación con zonas de alteración argílica y sílica identificadas en campo. Este resultado refuerza la consistencia y trazabilidad del enfoque fractal–espectral, validando su aplicabilidad como herramienta para la delimitación de zonas con potencial mineralizador y para la priorización de blancos de exploración en sistemas tipo pórfido y epitermal. Targeting Se evaluaron en total 27 targets (TRG_1 a TRG_27) delimitados a partir de los resultados fractales de geoquímica (LSA → C–A, F1*). La integración incluyó criterios de geoquímica (leyes de Au, Ag y Cu), teledetección (índices fractales pórfido y epitermal), estructura (dimensión fractal de conectividad por Box-Counting multiescala) y evidencias de campo (minerales Figura 7. Aplicación del modelo fractal C–A sobre el índice de singularidad (α, derivado del LSA) para la delimitación de anomalías. a) Anomalías fractales del índice F1* (C–A/LSA) y polígonos de priorización; b, c y d) anomalías univariadas de Au, Ag y Cu integradas con polígonos fractales priorizados (Ingemmet y estudio). Nota. La figura muestra la integración entre el análisis fractal C–A aplicado al índice F1* (derivado de LSA) y la priorización de anomalías geoquímicas. Los polígonos delineados corresponden a las clases definidas por los umbrales fractales (α = – 0.345 y –0.039), que diferencian poblaciones de fondo alto y anomalías significativas. La comparación con las distribuciones univariadas de Au, Ag y Cu valida la robustez del enfoque, permitiendo priorizar sectores con mayor potencial exploratorio.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 26 mena, secundarios y estructuras). El objetivo fue contrastar los targets establecidos por Ingemmet y definir nuevas áreas con potencial exploratorio. Del total, 13 targets coinciden con los definidos por Ingemmet (48.1%), mientras que 14 corresponden a nuevas áreas propuestas (51.9%), lo que representa un incremento del 107.7% en la identificación de sectores prospectivos (Figura 11 y Tabla 8). Los resultados destacan targets con valores anómalos significativos y validación múltiple en los distintos índices: TRG_27: registra 3,222.4 ppb Au, 42.5 ppm Ag y 8,264 ppm Cu, validado simultáneamente por Pórfido Index, Epitermal Index y análisis estructural; asociado a vetas. TRG_3: presenta 4,775.6 ppb Au, 11.87 ppm Ag y 6,984.1 ppm Cu, con minerales mena calcopirita y bornita, secundario malaquita y estructuras veta y vetilla. TRG_10: alcanza 927.7 ppb Au, 95.0 ppm Ag y 18,018.5 ppm Cu, con mena de calcopirita, covelita y proustita, presencia secundaria de malaquita y control estructural de vetas. TRG_7: con 2,224.4 ppb Au, 23.6 ppm Ag y 7,262.3 ppm Cu, asociado a calcopirita, presencia secundaria de malaquita, y estructuras veta, vetilla y venilla. TRG_18: destaca por 1,267.5 ppb Au, con bajo contenido de Cu (286.8 ppm), validado estructuralmente por presencia de vetas. TRG_25: registra 214 ppb Au, 14.9 ppm Ag Figura 8. Integración de polígonos fractales priorizados con la cartografía de campo. a) Mapa litológico local y polígonos fractales (α anómalo); b) estructuras mapeadas en campo; c) mineralización primaria observada, y d) mineralización secundaria de Cu asociada. Nota. El mapa litológico (a) muestra la distribución de unidades intrusivas y volcánicas junto con los polígonos fractales priorizados derivados del índice F1* (C–A/LSA). Las figuras b, c y d validan la coherencia de los polígonos fractales con las observaciones de campo: estructuras principales, mineralización primaria [oro (au), molibdeno (mo), pirrotita (po), bornita (bn), galena (gn), pirita (py), calcopirita (cp) y proustita (prou)] y mineralización secundaria de cobre (crisocola y malaquita). Esta integración confirma la utilidad del enfoque fractal para guiar la exploración en ambientes pórfido–epitermal. Basado en Zuolaga et al., 2016 e Ingemmet, 2022.
RkJQdWJsaXNoZXIy MTM0Mzk2