Por: Lucero Malca, Universidad Nacional de Cajamarca; Alex Rojas, Universidad Nacional de Trujillo; Wilder Roque, Universidad Nacional de San Agustín de Arequipa, y Gustavo Sinca, Universidad Nacional del Altiplano de Puno.

Trabajo presentado en la Cantera de Talentos para la Minería del IIMP 2023.

Resumen

La minería es un sector crucial para el desarrollo de nuestro país, pero sus procesos tradicionales pueden ser costosos y generar impactos ambientales y sociales negativos. Es por ello, que se están buscando nuevas alternativas, como la aplicación de la Inteligencia Artificial (IA) y la automatización.

Por ello, el principal objetivo es dar a conocer el uso actual de la IA y automatización en minería, analizar su impacto y explorar nuevas aplicaciones emergentes. Para ello, se plantea una metodología con un enfoque investigativo, en la cual hemos obtenido información de diferentes medios digitales, ya sea artículos científicos y estudios relacionados a la línea de investigación, además de un caso de apllicación del uso de redes neuronales para la estimación de recursos.

La importancia del presente artículo es brindar información sobre las ventajas del uso de la IA y la automatización para motivar su implementación en la industria nacional.

Finalmente, se concluye que la aplicación de la IA y la automatización, han revolucionado la industria minera, con proyectos destacados y soluciones como Goldspot Discoveries Inc., Earth AI, Aiglex y Big Data, empresas líderes como ABB, que están impulsando la adopción de IA, y la automatización en minas del Perú, lo que implica una transformación positiva al optimizar operaciones, aumentar la seguridad y mejorar la eficiencia en la extracción y procesamiento de minerales. Asimismo, la exploración de aplicaciones emergentes, como Smart Roads Solutions y redes neuronales para la estimación de recursos, resalta un futuro próspero y prometedor.

Introducción

La minería representa un pilar fundamental en nuestro país, con significativas contribuciones económicas y de desarrollo. Además, es un motor clave para la generación de empleo y contribuye al 60% de las exportaciones, impulsando la economía mediante el ingreso de divisas esenciales (Dammert L, 2020). Sin embargo, las etapas de prospección, exploración y explotación minera, aunque esenciales, han dependido tradicionalmente de métodos manuales y costosos que requieren mucho tiempo para establecer el valor real de un depósito.

Este artículo técnico justifica su relevancia al explorar el desarrollo de la Inteligencia Artificial en la industria minera, un sistema con aportes significativos. Al analizar datos geológicos, topográficos, mineralógicos y cartográficos, la IA detecta anomalías y variaciones con mayor exactitud y rapidez que los métodos tradicionales utilizados en empresas tanto en Perú como en el mundo. 

Esta capacidad de localizar áreas de interés se potencia aún más con la automatización, mejorando la seguridad de los trabajadores, aumentando la eficiencia operativa, reduciendo costos y permitiendo la optimización de procesos, mientras se minimiza el impacto ambiental y se promueve la innovación tecnológica.

En el presente artículo se busca dar a conocer el uso actual de la Inteligencia Artificial y automatización en minería, analizando el impacto que genera y puede generar en un futuro la IA y la automatización en la minería, además de explorar nuevas aplicaciones emergentes en las que se está desarrollando esta nueva tecnología.

El alcance de esta investigación es destacar cómo la Inteligencia Artificial y la automatización están revolucionando la industria minera, mejorando su eficiencia, seguridad y sostenibilidad. Para ello, el artículo se ha estructurado en cinco partes: resumen, introducción, desarrollo con aplicaciones prácticas, conclusiones que responden a los objetivos planteados y una cuidadosa selección de referencias bibliográficas para respaldar el análisis y las conclusiones del trabajo.

Extracción inteligente: la fusión de la minería y la IA

La Inteligencia Artificial es una rama de la informática que se ocupa del desarrollo de máquinas capaces de responder de manera similar a la inteligencia humana. Deep Learning y Machine Learning son los subcampos que se ocupan de diseñar algoritmos capaces de enseñar a las máquinas, ayudándolas a reconocer patrones y extraer de ellos conocimiento (Carrasco, 2021).

El uso de la IA para la prospección y exploración minera ha recibido una atención e interés cada vez mayor porparte de los investigadores, y se han alcanzado avances significativos, logrando consigo grandes ventajas para elsector minero, puesto que se pueden construir modelos más precisos para identificar de manera rápida y segura áreas con un alto potencial de mineralización, ahorrando costos y tiempo de exploración; también se pueden maximizar la cantidad y calidad del proceso de exploración minera gracias a los algoritmos con los que cuenta. 

Asimismo, se puede mejorar la calidad del mineral y reducir los costos de minería al mejorar significativamente elreconocimiento de imágenes y voz, con la ayuda de las tecnologías de visión aumentada (Ali, 2022), y finalmente este puede ser de gran ayuda durante la exploración minera y a lo largo de todo el desarrollo de la actividad, garantizando la seguridad de los mineros de primera línea, ya que la IA puede descubrir problemas de procesos, previniendo accidentes y lesiones utilizando datos y análisis de calidad en tiempo real, además de acuerdo aFrąckiewicz (2023) esta ayuda a reducir los desechos y minimizar el impacto en el medio ambiente, permitiendo a la industria minera ser mucho más sostenible.

Desarrollos recientes de la IA dentro de la prospección, exploración y estimación minera

Durante décadas, los científicos han estado utilizando métodos de aprendizaje automático para tratar de resolver elproblema de la identificación inteligente de rocas y minerales. Por ejemplo, Goldspot Discoveries Inc. de IBM, buscamejorar la exploración de minerales utilizando IA, actualmente han logrado predecir con éxito el 86% de las reservas de oro del Abitibi Gold Belt utilizando datos geológicos, topográficos y mineralógicos recopilados de solo el 4% del área total. 

Además, la Startup Australiana Earth AI desarrolla algoritmos de exploración minera basados en Inteligencia Artificial, que con el uso de drones recopilan datos geofísicos que permiten la perforación autónoma, lo que reduce los costos de exploración y perforación. Mientras que en los yacimientos Shahzadeh Abbas - Cu en Irán seemplea la fotogrametría basada en drones para mapear la geología para exploración minera, lo cual se encuentra también dentro del desarrollo de IA (Ali, 2022).

Por otro lado, hoy en día existen algunas técnicas de IA en la identificación inteligente de minerales, las cuales se dividen en tres categorías principales: redes neuronales artificiales, aprendizaje automático y aprendizaje profundo, las cuales posiblemente en un futuro presentarán un gran auge dentro estimación de recursos minerales,prospección y exploración minera (Zhou et al., 2022).

Fuente: tomado de Hernández (2023).

Figura 1. Estimación de recursos minerales con redes neuronales artificiales (RNA).

Minería del futuro en Perú: un viaje guiado por la IA

Nuestro país no es ajeno a la incorporación de la IA en la rama de la prospección y exploración minera, a continuación, veamos algunos de los nuevos casos de IA en minería:

Volcan camino a implementar Big Data en sus operaciones

Volcan Compañía Minera se encuentra en una etapa inicial de implementación de tecnología de IA y Big Data en sus operaciones mineras. Su objetivo es analizar grandes volúmenes de datos para predecir comportamientos y tendencias en sus exploraciones geológicas y encontrar nuevos yacimientos. La compañía busca procesar, integrar y validar información antigua mediante algoritmos y fórmulas matemáticas proporcionadas por el Big Data. Se destaca que el éxito de esta iniciativa dependerá de una adecuada organización de la base de datos y de la experiencia de los geólogos para validar las predicciones generadas por la IA. Volcan ha aumentado sus inversiones en proyectos mineros y presentó su enfoque en el Congreso Internacional de Prospectores y Exploradores (Suárez, 2019).

Aiglex el nuevo software desarrollado por AMTC

Por otro lado, aproximadamente hace un año que se viene desarrollando un software de nombre Aiglex, por parte del Advanced Mining Technology Center AMTC y el Departamento de Ingeniería de Minas de la Universidad deChile, cuya finalidad es la de disminuir la incertidumbre al elegir blancos de exploración. Este se basa en la entrega de herramientas de análisis de variabilidad espacial a través de Machine Learning, se encuentra formada por cuatro componentes: trabajo con Machine Learning, preprocesamiento de los datos recopilados, geoestadística y fusión sensorial para generar nuevas capas de información; un análisis de variabilidad, con histogramas y gradientes, para la generación de un mapa de probabilidades de targets de exploración, que ayude al hallazgo de yacimientos, además es importante mencionar que este conjunto de herramientas está siendo empaquetada en un plug-in para el software ArcGIS.

Asimismo, como se menciona en el artículo publicado por De la Paz (2022) pese a que, en la actualidad, el prototipo del software para exploración minera se encuentra en un nivel de madurez TRL6 (validado en un entorno simulado); se espera que en un par de años se llegue a TRL8 (validado). Finalmente, se señala que parte del conocimiento previo utilizado en Aiglex corresponde al conocimiento adquirido en proyectos de investigación ydesarrollo, algunos de ellos incluso apoyados por grandes empresas mineras como Barrick Gold y Codelco.

Fuente: tomado de Minnovex (2022).

Figura 2. Imagen referencial de investigadores en desarrollo de Aiglex, nuevo software desarrollado por AMTC.

Por otro lado, es importante destacar los significativos aportes que la IA ha realizado y seguirá haciéndolo en diversos procesos mineros. Algunos de estos avances ya se encuentran plenamente desarrollados, mientras queotros están en constante evolución y se vislumbra un prometedor futuro para su implementación:

Codelco: Building Information Modeling (BIM) es un proceso de respaldo, como un gemelo digital, donde las empresas pueden estudiar, planificar y monitorear la efectividad de nuevos proyectos, además que tiene planes para el uso de IA relacionados con Big Data y analítica avanzada, el cual se está implementado en la molienda convencional comenzando en el molino SAG El Teniente en el 2018, esta tecnología proyecta comportamientos y sugiere las acciones que impacten positivamente en el uso de equipos, aumentando el procesamiento mineral en un 2%, esta tecnología está en 12 molinos, incrementando considerablemente las ganancias.

La Universidad de Rosario (Colombia) trabajó en un proyecto con Google Al Impact Challengue, para detectar minas ilegales generalmente de oro, en Arias (2019) en una entrevista a Santiago Saavedra Pineda el desarrollador del programa añade: “el software escanea imágenes satelitales (tomadas por el satélite Laser de la Nasa) e identifica zonas donde podrían estar realizándose minería ilegal” el software está desarrollado para identificar zonas que han sido contaminadas por esta práctica, de acuerdo con Santiago Saavedra tiene una efectividad del 79%, luego del análisis el resultado es enviado a las autoridades competentes para que se haga un reconocimiento de la zona.

Smart Roads Solutions: la Universidad de Chile junto con la empresa de tecnología Atanor, crearon este peculiarsoftware que monitorea y evalúa el estado de los caminos de una mina a cielo abierto, esto gracias al uso de dronesy un sistema con IA ayuda a la gestión de equipos auxiliares para disminuir el consumo de combustible y neumáticos, y de esta forma lograr aumentar la productividad. 

El transporte en una mina representa el 45% de los costos, justamente el fenómeno existente en los caminos, mientras aumente la resistencia de rodadura (RR), que es básicamente la fricción, los costos de transporten seincrementan ya que los neumáticos se desgastan más y el consumo de combustible también aumenta, en la entrevista a Álvaro Egaña, Felipe Navarro y Gonzalo Díaz en AMTC (2023) mencionan que “es más bien unsoftware-as-a-service, en una plataforma web. No se instala en el computador, sino que la foto tomada por el dron entra a nuestros servidores, se procesa y luego se despliega la información en una especie de ‘Google Maps’ adaptado al sector que se está analizando, y sobre eso se suman otros indicadores, como mapas de colores sobre la foto, porcentajes, curvas y otros datos que pueden ser navegados libremente. Se puede ver desde cualquier navegador web con conexión a Internet, incluso en un teléfono o en una tablet”.

Para Cruz (2023) “se estima que las plantas industriales desperdician 73% de datos que generan los activos. Esteescenario, según expertos de ABB, tiene el potencial para implementar tecnologías basadas en Inteligencia Artificialque ayudaría a las empresas a ser más productivas, eficientes y ecoamigables”, en la minería peruana y de acuerdo a ABB, se desarrolla planes con IA que lograrían reducir las paradas inesperadas en un 70%, segúnProActivo (2022) en una entrevista al Ing. Reynaldo Mayorca, responsable de los proyectos y servicios de automatización y digitalización de ABB en Perú “la Inteligencia Artificial aplicada a los datos se pueden reducir entre 50% y 70% de las paradas imprevistas generadas por fallas potenciales. La tecnología ayuda a identificar patrones basados en datos de la operación y del proceso; con lo que se puede predecir microparadas con alto potencial en desencadenar en un evento de parada total y que afecte al proceso productivo”.

Una aplicación comparativa entre modelado adaptativo de RNA y KO clásica 

Para realizar una aplicación comparativa entre modelado adaptativo de Redes Neuronales Multicapa (RNA) y geoestadística clásica (KO) para un yacimiento de mineral de hierro, en primer lugar, se utilizó un enfoqueconocido como Simulación Gaussiana Directa, el cual se basa en la teoría de funciones de covarianza o semivariogramas. Para realizar esta simulación, se requiere disponer de un conjunto de datos previamenterecopilados y geográficamente ubicados.

En el análisis variográfico, se empleó una estructura singular con un componente de efecto pepita de 0.0001, una meseta de 1 y, posteriormente, se establecieron los alcances tanto en el eje mayor como en el eje menor en 500 unidades, aplicando un enfoque isotrópico.

Para generar campos de variables espaciales continuas que se ajusten a una distribución gaussiana conocida. La ecuación que describe el proceso de simulación gaussiana directa es la siguiente:

Z*(u*) = Σ (λi * [Z(ui) + e(u*)]) … (1) Donde:

Z*(u*) es el valor simulado en la ubicación de simulación u*.

λi es el peso asignado al valor Z(ui) en función de la distancia y de la estructura espacial del conjunto de datos.

e(u*) es el valor aleatorio de la distribución gaussiana estándar para la ubicación de simulación u*.

Para cada punto de simulación u*, se generan valores aleatorios (e(u*)) a partir de una distribución gaussiana estándar. Estos valores representan los errores espaciales. Luego, los errores se ajustan al variograma γ(h)correspondiente a la distancia entre el punto de simulación u* y los puntos de muestreo ui. Finalmente, se suman los valores estimados de los datos observados Z(ui) a los errores ajustados para obtener las realizaciones estocásticas de la variable aleatoria espacial en los puntos de simulación u*.

Figura 3. Simulación de una variable gaussiana estándar e histograma acumulado experimental.

En segundo lugar, se realizó un muestreo del 40% de la población extrayéndolo de la simulación, y luego se llevó acabo un análisis geoestadístico utilizando Kriging Ordinario, que es un método de interpolación geoestadística que seutiliza para estimar valores en ubicaciones no muestreadas a partir de datos de muestra cercanos. La ecuación para el Kriging Ordinario es la siguiente:

Z*(u) = Σ (λi * Z(ui)) … (2) Donde:

Z*(u) es el valor estimado en la ubicación u.

Z(ui) es el valor observado en la ubicación i.

λi es el peso asignado al valor Z(ui) en función de la distancia y de la estructura espacial del conjunto de datos.

Los pesos λi se encuentran buscando una combinación que reduzca al mínimo la variabilidad en la estimación y la covarianza entre los puntos conocidos y el punto a estimar. Estos pesos están sujetos a la restricción de que la suma de ellos debe ser igual a 1. La determinación de los pesos λi se realiza mediante métodos como los mínimos cuadrados o la solución del sistema de ecuaciones de Kriging. La estructura espacial del conjunto de datos y las características del variograma influyen en la asignación de estos pesos.

Para el análisis variográfico se utilizó un modelo esférico con una estructura única con un efecto pepita de 0.0001, una meseta de 1 y un efecto isotrópico de 500 metros de radio con una media de 2.

Figura 4. Base muestreal malla 1km x 1km y estimación Kriging Ordinario.

Finalmente, se llevó a cabo una validación comparativa entre la ley real obtenida mediante simulación gaussiana y la ley simulada utilizando Kriging Ordinario, a través de un diagrama de dispersión (scatterplot).

Figura 5. Scatterplot Ley estimada KO vs ley real SGD.

Simulación adaptativa de redes neuronales de avance multicapa

En el proceso de modelado de una red neuronal, la determinación del proceso de aprendizaje generalmente consta de dos aspectos principales: la selección de un algoritmo de aprendizaje y la determinación de laarquitectura de la red neuronal. La red neuronal de retro propagación estándar ha demostrado ser efectiva en el aprendizaje, pero se sabe que tiene una lenta tasa de convergencia de aprendizaje porque la regla delta generalizada es básicamente un esquema de descenso más empinado con longitud de paso constante en un entorno de red.

Además, el enfoque habitual para la determinación de la arquitectura utiliza el método de prueba y error, lo que puede funcionar solo para problemas simples. Para problemas de ingeniería del mundo real, es imperativo tener mecanismos adaptativos o dinámicos para determinar la arquitectura de la red.

Recientemente, se han propuesto varios algoritmos y procedimientos de aprendizaje para mejorar la capacidad demodelado y la tasa de convergencia en la red neuronal de retro propagación con la regla delta generalizada. 

Asimismo, se han desarrollado métodos con el fin de proporcionar un mecanismo para determinar la arquitectura más adecuada para la red. Un algoritmo de aprendizaje rápido y simple que ha ganado relevancia es el algoritmo de activación ReLU, cuya principal ventaja radica en su eficiencia computacional y facilidad de derivación, aspectos cruciales en el proceso de entrenamiento de redes neuronales con algoritmos de descenso de gradiente. 

Además, ReLU evita problemas de desvanecimiento de gradientes en redes profundas al no saturar para valores positivos.

Su fórmula es bastante simple y se calcula de la siguiente manera: ReLU(x) = max(0, x) … (3)

Donde:

x es el valor de entrada a la función.

max(a, b) es una función que devuelve el valor más grande entre a y b.

Se utilizó para la función de coste la media error cuadrado, también conocida como Mean Squared Error (MSE)que mide la dispersión o el error promedio cuadrado de las predicciones del modelo en relación con los valores reales. Cuanto menor sea el valor de MSE, mejor será el ajuste del modelo a los datos de entrenamiento y, por lo tanto, mejor será su capacidad para realizar predicciones precisas en datos no vistos.

MSE = (1/n) * Σ (yi - ypredi)^2 … (4) Donde:

n es el número total de muestras en el conjunto de entrenamiento.

yi es el valor real del i-ésimo dato de entrenamiento.

ypredi es la predicción del modelo para el i-ésimo dato de entrenamiento.

Se usó la función de optimización Root Mean Square Propagation (RMSprop), que es un algoritmo que mejora laeficiencia del algoritmo de descenso de gradiente estocástico al adaptar la tasa de aprendizaje para cadaparámetro, lo que ayuda a converger más rápidamente y a evitar oscilaciones o divergencias durante el entrenamiento de la red neuronal.

Figura 6. Redes neuronales de avance multicapa.

Los experimentos numéricos indican que el algoritmo ReLU es robusto en el aprendizaje, converge rápidamente y parece escalar bien para problemas de aprendizaje grandes.

Figura 7. Scatterplot, ley estimada RNA vs ley real KO.

Figura 8. Comparación final RNA vs KO.

Automatización

El método mecanizado es aplicado en todas las empresas de gran minería en el Perú, este tiene como sus principales ventajas la alta productividad y eficiencia, permitiendo extracción de grandes tonelajes en entornoscomplejos. Sin embargo, la minería de este tipo aún requiere de supervisión humana cercana, lo cual puede generar riesgos de seguridad para los operadores o trabajadores.

Además, la habilidad del operador es un factor importante, lo cual puede no generar los mejores rendimientos. La minería automatizada soluciona las desventajas del método mecanizado, eliminando casi por completo los riesgos hacia los trabajadores, además de ser más eficiente. La automatización tiene el plus de la recopilación y análisis de datos en tiempo real, que permite la optimización de la producción y reducción de costos. En Perú ya se aplica, resaltando el uso de camiones autónomos y la perforación automatizada.

Camiones autónomos

La mina Quellaveco en Moquegua, perteneciente a la empresa Anglo American, es la primera en el país que implementa y utiliza camiones autónomos. Quellaveco impulsa la automatización con el objetivo de “lograr una mayor eficiencia, sostenibilidad y seguridad para todos” (Anglo American Perú, 2022), esto como parte de su estrategia Future Smart Mining. Quellaveco cuenta con 28 camiones autónomos CAT794 AC, que tienen una capacidad de carga útil de 320 toneladas, de los cuales 22 han sido utilizados para la fase de preminado en el tajoabierto.

La automatización de estos camiones se permite gracias a la plataforma MineStar de Caterpillar, mediante la cual técnicos especialistas asignan a cada camión una determinada carga y su destino, sin embargo, lo más resaltante e innovador aquí es que el sistema logra que los camiones tomen sus propias decisiones sobre su velocidad de acuerdo a como son las condiciones del terreno donde se desenvuelven, llegando a detenerse de ser necesario, además de compartir las decisiones tomadas con el resto de flota (autónoma o tripulada) en tiempo real, permitiendo una retroalimentación para todo el sistema de acarreo y garantizando la seguridad. En la Figura 9 podemos ver más detalles de un camión autónomo en Quellaveco.

Pese a que aún no se tienen datos sobre los resultados de utilización de los equipos autónomos en Quellaveco, de acuerdo con Caterpillar, a lo largo de 8 años utilizando camiones autónomos en tres continentes, se cumple con mejorar la seguridad (ningún accidente con pérdida de tiempo), incrementar la producción (hasta un 30% más) y optimizar la utilización, todo esto con más de 110 millones de kilómetros recorridos y con un movimiento de material mayor a 3, 000 millones de toneladas.

Fuente: tomado de Anglo American Perú.

Figura 9. Radiografía del camión autónomo en Quellaveco.

Perforación autónoma en minas a tajo abierto

La perforación autónoma a tajo abierto es una realidad que tiene varios años en la industria minera. La mina Antapaccay de Glencore es una de las unidades que recientemente ha empezado a apostar por la automatización de la perforación, para lo cual es necesario la implementación de un sistema de autonomía, en el caso de Antapaccay, es apoyado por la empresa Flanders, especialista en el campo. 

Flanders ofrece actualizaciones tecnológicas para perforadoras de barreno, que en sus propias palabras “puede transformar una flota diversa de perforadoras operadas manualmente en una flota de última generación de máquinas sincronizadas y operadas a distancia” (Flanders, 2020).

Para automatizar esta operación se debe tener en cuenta que: “La perforación autónoma requiere que la solucióninformática sea capaz de adaptarse a situaciones inesperadas, de aprender tanto en línea como de la experiencia,todo ello a tiempo y con información incompleta”, (Eric cayeux, 2020). Cuando se cumple lo anterior se logra obtener una mejor precisión de perforación y maximiza la utilización de la perforadora, permitiendo incrementar la producción y mejorar la seguridad.

De acuerdo con lo expuesto por Carlos Cotera, gerente general de Compañía Minera Antapaccay, durante el XIV Congreso Nacional de Minería, la perforadora autónoma instalada el 14 de noviembre de 2022, ha dado excelentes resultados, principalmente reduciendo sus riesgos en un 90%, aumentando su producción en 10% y reduciendo su consumo de combustible en un 8%, lo que causa una menor emisión de dióxido de carbono. 

En el caso del aumento de producción se debe principalmente a que la automatización aumentó la velocidad depenetración por hora, pasando de 60 metros a 63 metros, notándose mucho más en el incremento del promedio demetros perforados diarios, que paso de 503 metros a 598.5 metros.

Conclusiones

1.     La Inteligencia Artificial y la automatización han desempeñado un papel crucial en la revolución de la industria minera, impulsando avances significativos. Proyectos destacados como los de Goldspot Discoveries Inc., Earth AI y la implementación de software como Aiglex y Big Data, han demostrado el continuo progreso y la creciente adopción de la IA en el sector. Además, empresas líderes en tecnología como ABB han contribuido a la proliferación de soluciones basadas en Inteligencia Artificial, con un notable impacto en la industria minera. Eluso pionero de la automatización por parte de empresas como Quellaveco y Antapaccay está marcando el camino para la minería peruana.

2.     La incorporación de la Inteligencia Artificial y la automatización en la industria minera peruana está generando un impacto positivo y transformador al mejorar la eficiencia, reducir la incertidumbre y descubrir nuevos yacimientos. Además, la automatización optimiza las operaciones y promueve prácticas más seguras y sostenibles en el sector. El potencial futuro de estas tecnologías abre oportunidades para el desarrollo responsable y sostenible de la industria minera.

3.     La exploración de nuevas aplicaciones emergentes en tecnología de Inteligencia Artificial en la industria minera muestra un futuro prometedor. La combinación de tecnologías avanzadas con IA, como Smart Roads Solutions, permitirá automatizar tareas, optimizar procesos y resolver desafíos, impulsando una explotación de recursos minerales más sostenible y rentable. El éxito de las redes neuronales en la estimación de recursos minerales destaca su potencial para capturar patrones ocultos en grandes conjuntos de datos, beneficiando la ingeniería minera. A pesar de necesitar más desarrollo en ciertas áreas, el avance de la IA augura un futuro próspero y prometedor para la industria minera.

Bibliografía

Ali, O. (16 de mayo de 2022). Uso de inteligencia artificial para el procesamiento y la exploración de minerales. Obtenido de AZO MINING: Uso de inteligencia artificial para el procesamiento y la exploración de minerales

AMTC, C. (Julio de 2023). Smart Roads Solutions: Nuevo sistema permite monitorear y evaluar caminos mediante drones e inteligencia artificial. Universidad de Chile.

Anglo American Perú. (s.f.). Los camiones autónomos de nuestra mina digital. Obtenido de Anglo American Perú:  https://peru.angloamerican.com/innovacion/future-smart-mining/los-camiones- autonomos-de-nuestra-mina-digital.aspx

Arias, D. (2019). Colombianos entre los ganadores del AI Impacto Challenge de Google. ENTER.CO.

Canal Ferreyros. (25 de junio de 2021). Ferreyros y Quellaveco a la vanguardia de la tecnología en la minería peruana. Obtenido de Canal Ferreyros: https://www.youtube.com/watch?v=4fp15dJJ9zQ

Carrasco, D. (2021). La inteligencia artificial en la investigación minera. Universidad de Castilla-La Mancha. Obtenido de https://www.researchgate.net/publication/353998343_LA_INTELIGENCIA_ARTIFICIAL_EN_LA_INVESTIGACION_MINERA

Cayeux, E., Mihai, R., & Carlsen, L. (25 de febrero de 2020). An Approach to Autonomous Drilling. IADC/SPE International Drilling Conference and Exhibition. Obtenido de https://doi.org/10.2118/199637-MS

Codelco, M. (s.f.). Analítica avanzada mejora rendimiento de la Molienda Convencional. issuu.

Cruz, E. (28 de abril de 2022). Quellaveco iniciará operaciones este año con 28 camiones autónomos. Obtenido de Rumbo Minero.: https://www.rumbominero.com/peru/quellaveco-iniciara-operaciones-este-ano- con-28-camiones-autonomos/

Cruz, E. (2023). Cada vez más mineras peruanas usan soluciones basadas en Inteligencia Artificial. Rumbo Minero.

De la Paz, R. (13 de mayo de 2022). “AIGLEX” es el nombre del nuevo software desarrollado por AMTC. Obtenido de MINNOVEX: https://minnovex.cl/aiglex- es-el-nombre-del-nuevo-software-desarrollado-por-amtc/

Ferreyros. (s.f.). Camiones para Minería - 794 AC. Obtenido de Ferreyros:https://www.ferreyros.com.pe/equipo/794-ac-2016-tier-2- equivalent/?parent=761

FLANDERS Inc. (11 de agosto de 2020). Freedom for drills. Obtenido de FLANDERS Inc.: https://www.flandersinc.com/machines/drills/

Frąckiewicz, M. (20 de julio de 2023). Artificial Intelligence in Mineralogy: A New Approach to Mineral Explorationand Mining. Obtenido de Category: Artificial intelligence: https://ts2.space/en/artificial-intelligence-in-mineralogy-a-new- approach-to-mineral-exploration-and-mining/

Hernández, H. (27 de enero de 2023). Estimación de recursos minerales con redes neuronales artificiales (RNA).Obtenido de Nube Minera MINING RESEARCH COLLECTIVE: https://nubeminera.cl/curso/rna/

Hyder, Z., Siau, K., & Fui-Hoon Nah, F. (Septiembre de 2019). Artificial Intelligence, Machine Learning, and Autonomous Technologies in Mining Industry. Journal of Database Management. doi:10.4018/JDM

Mining Technology. (6 de junio de 2023). Who’s hiring who? Artificial Intelligence hiring activity increased by 7% in the mining industry in Q1 2023. Obtenido de Mining Technology: https://www.mining- technology.com/dashboards/jobs/artificialintelligence-hiring-mining-industry/

ProActivo. (2022). ABB: inteligencia artificial en el sector minero lograría reducción de hasta un 70% en paradas inesperadas. ProActivo.

ProActivo. (24 de abril de 2023). Perforación autónoma de Antapaccay permite reducir en 8% el consumo de combustible. Revista ProActivo. Obtenido de https://proactivo.com.pe/perforacion-autonoma-de-antapaccay-permite-reducir- en-8-el-consumo-de-combustible/

Suárez, J. (2019). Volcan camino a implementar Big Data en sus operaciones. Revista Minería del IIMP. proEXPLO 2019. Obtenido de https://iimp.org.pe/mineria-en-el-peru/volcan-camino-a-implementar-big-data- en-sus-operaciones

Superintendencia de Comunicación y Asuntos Externos de Antapaccay. (Abril de 2023). Antapaccay iniciaautomatización de sus perforadoras. Revista Antapaccay. Obtenido de https://www.glencoreperu.pe/.rest/api/v1/documents/06ddbbb384541c9dba448d1fe04c0dc8/REVISTA+ANTACAPAY+EDICI%C3%93N+56.pdf

Zhou, Z., Hancke, G., Bai, Y., & Gao, Q. (29 de agosto de 2022). A Review of Artificial Intelligence Technologies in Mineral: Identification: Classification and Visualization. Journal of Sensor and Actuator Networks, 8 de 29. Obtenido de https://www.mdpi.com/2224-2708/11/3/50