MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 38 de exploración que presenten una mayor probabilidad relativa de albergar una ocurrencia mineral de interés. Este proceso es especialmente adecuado en regiones que cuentan con un historial suficiente de exploración, lo cual permite definir datos de entrenamiento para cuantificar las asociaciones espaciales entre mineralizaciones conocidas y distintos criterios de orientación en la exploración, representados a través de mapas predictivos como proxies del sistema mineral considerado (Ford, 2019). Dentro del MPM sustentado en enfoques basados en juicio experto, se emplean técnicas semi-automatizadas que requieren la intervención de profesionales, tales como pesos de evidencia y lógica difusa (Joly et al., 2012). Estos métodos permiten evaluar la relación entre la presencia de mineralización y la distribución de variables predictoras, facilitando la priorización de zonas favorables para la exploración. Asimismo, se han incorporado algoritmos de aprendizaje automático (ML), incluidas redes neuronales y bosques aleatorios, que posibilitan el análisis eficiente de grandes volúmenes de datos, identificando patrones complejos y sutiles asociaciones espaciales entre los distintos factores geológicos que influyen en la formación y localización de depósitos minerales (Sun et al., 2020). Zuo & Xu (2023) publicaron un caso de estudio demostrando las ventajas de aproximarse a esta tarea con algoritmos basados en grafos, en comparación con los basados en imágenes. El algoritmo rescatado de dicho estudio es la Red Convolucional de Grafos (GCN), ya que sugiere tener un mejor desempeño que la Red Neuronal Convolucional (CNN). Esta investigación es un caso de estudio que compara el desempeño de la propuesta GCN con otros algoritmos de ML ampliamente usados en MPM. Objetivos Objetivo general Comparar el desempeño del modelo GCN con otros modelos usados comúnmente en MPM. Objetivos específicos Procesar información geológica de distintas fuentes de libre acceso para generar mapas de evidencia. Entrenar un modelo de grafos para generar un mapa de probabilidad de ocurrencias minerales en base a los mapas de evidencia. Evaluar el desempeño de distintos modelos de machine learning al predecir depósitos de Cu. Metodología Área de estudio y datos Descripción geográfica y geológica El estudio se circunscribe a la franja metalogenética del sur de Perú de Andahuaylas Yauri (Perello et al., 2003), la cual limita al norte con la deflexión de Abancay y al sur con el altiplano. La franja tiene varios yacimientos de tipo pórfido y skarn de Cu emplazados en secuencias sedimentarias cretácicas afectadas por las diferentes deformaciones andinas (Fases Peruana e Inca). El origen de estos yacimientos se atribuye a las series calcoalcalinas Eocenas-Oligocenas del Batolito Andahuaylas Yauri (Perello et al., 2003). Modelo del sistema mineral Un sistema mineral se define por todos los factores geológicos que controlan la generación y preservación de la mineralización, y describe todos los procesos que abarcan desde el origen, transporte y su posterior concentración y preservación (Knox-Robinson & Wyborn, 1997; McCuaig et al., 2010; Wyborn et al., 1994). Los factores geológicos más críticos del sistema mineral han ido cambiando y mejorando a través de los años dependiendo de Figura 1. Sistema mineral de pórfido de cobre en términos de procesos críticos (Fuente, flujo, trampa, depósito) a diferentes escalas (regional a local) (modificado de McCuaig et al., 2010).
RkJQdWJsaXNoZXIy MTM0Mzk2