MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 37 Por: Alejandro Bueno y Fernando Saez, SRK Consulting Perú y Antoine Caté, SRK Consulting Canadá. The results show that MLP and GCN achieved the highest AUC values (0.910 and 0.907, respectively), outperforming RF and CNN. However, GCN predictions exhibited greater spatial and geological coherence, identifying favorable areas consistent with the expected mineralization processes described by the mineral systems model. Graph neural networks effectively incorporate the spatial structure of the data, improving the delineation of priority areas for copper exploration. This approach represents a significant advance in integrating artificial intelligence into mineral exploration. Resumen Este estudio evalúa la aplicación de Redes Convolucionales de Grafos (GCN) para el mapeo prospectivo mineral de pórfidos-skarn de cobre en la franja Andahuaylas-Yauri, zona metalogenética relevante del sur de Perú. Se integraron datos geocientíficos públicos (geoquímica, litología y contactos litológicos) en mapas de evidencia, los cuales nutrieron cuatro modelos de machine learning: Random Forest (RF), Perceptrón Multicapa (MLP), Red Neuronal Convolucional (CNN) y GCN. Se empleó validación cruzada espacial con k-means para evitar el sesgo espacial inherente al bajo número de ocurrencias conocidas. Los resultados muestran que tanto MLP como GCN alcanzan los mayores valores de AUC (0.910 y 0.907, respectivamente), superando a RF y CNN. Sin embargo, las predicciones de la GCN presentan mayor coherencia espacial y geológica, identificando zonas favorables que corresponden a los procesos mineralizantes esperados según el modelo de sistema mineral. El uso de redes de grafos permite incorporar de forma efectiva la estructura espacial de los datos, optimizando la delimitación de áreas prioritarias para la exploración de cobre. Este enfoque representa un avance relevante en la integración de inteligencia artificial aplicada a la exploración mineral. Palabras clave: mapeo prospectivo, machine learning, inteligencia artificial, redes convolucionales. Introducción El mapeo prospectivo mineral (MPM) implica la integración y representación cartográfica de diversos conjuntos de datos geocientíficos, que actúan como proxies espaciales del sistema mineral que se desea modelar, con el objetivo de identificar y delimitar áreas
RkJQdWJsaXNoZXIy MTM0Mzk2