MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 47 de ocurrencia predicha de los píxeles con ocurrencia conocida (dorado) y de los que no tienen ocurrencia conocida (gris), de cada uno de los modelos. En general, las predicciones para las “no ocurrencias” en todos los modelos están fuertemente agrupadas cerca de 0. Lo que indica que los modelos tienen alta confianza de que esos puntos son negativos. Por otro lado, las predicciones para ocurrencias están desplazadas hacia la derecha, especialmente en el modelo Random Forest (a) y GCN (d). Los modelos son capaces de asignar altas probabilidades a la clase positiva. Los modelos MLP (b) y CNN (c), aunque tienen un buen rendimiento, muestran mayor solapamiento entre clases, no son capaces de discriminar en algunos puntos del conjunto de datos. Tanto RF como GCN muestran distribuciones más separadas, y una buena porción de píxeles sin ocurrencia conocida con alta probabilidad predicha, que pueden ser zonas de interés para exploración. Mapas de prospectividad generados Se generaron mapas de prospectividad para cada modelo, a partir de sus predicciones de probabilidad sobre el conjunto total de datos. En la Figura 9, se muestran los mapas obtenidos para RF, MLP, CNN y GCN, respectivamente. Los puntos en rojo representan las ocurrencias de Cu conocidas, mientras que los demás puntos en cada mapa representan una probabilidad generada por uno de los modelos. El modelo RF se ajusta más a toda la roca intrusiva y le asigna una probabilidad promedio (60%) en zonas alejadas de las ocurrencias, mientras que los tres modelos de redes tienen una variación gradual clara desde los bordes del intrusivo hacia el centro de este. Esto último resulta coherente geológicamente, ya que, según el modelo de sistema mineral, las ocurrencias deberían venir del intrusivo, seguir estructuras y depositarse en zonas cercanas a los contactos con otras rocas. La falta de variación gradual hacia el centro del intrusivo en RF evidencia que el modelo no identifica correctamente este fenómeno. Todos los resultados apuntan a que los cuatro modelos son capaces de separar las ocurrencias de no ocurrencias de manera eficiente. No obstante, GCN muestra un rendimiento mayor, ya que tiene un AUC promedio alto, cubre los píxeles de ocurrencia conocidos con probabilidades altas y propone nuevas zonas con contexto geológico más coherente que los otros modelos. Por su parte, CNN logra zonas más regulares y definidas espacialmente, lo cual puede ser útil en etapas iniciales de exploración. Con el modelo GCN entrenado con la data completa, se generó un mapa de probabilidad y se discretizó en tres niveles de prospectividad: alto, medio y bajo. Los umbrales entre cada categoría se definieron observando la distribución acumulada de predicción del modelo, e identificando los Tabla 1. Resumen de Hiperparámetros Seleccionados para Cada Modelo Modelo Hiperparámetros seleccionados Random Forest Compuesto por 50 árboles y el criterio de entropía para medir la calidad de las divisiones. Se estableció una profundidad máxima de 10 niveles, una selección aleatoria de atributos usando log2, un mínimo de 5 muestras para dividir un nodo y al menos 2 muestras por hoja. El muestreo se realizó con reemplazo (bootstrap = True). MLP Compuesto con 4 capas ocultas con 64, 64, 16 y 32 neuronas, respectivamente. Se utilizó una tasa de aprendizaje de 0.001 y un término de regularización L2 de 0.0032. El tamaño del lote fue de 64. Se aplicó una capa de dropout con una tasa de 29.3% antes de la capa final, como mecanismo para mitigar el sobreajuste. CNN Compuesto por 2 capas convolucionales con 31 y 25 filtros respectivamente, utilizando un tamaño de kernel de 2×2. Cada capa convolucional fue seguida por una activación ReLU, y dropout con una tasa de 15.7%. El tamaño del lote fue de 128 y el aprendizaje se realizó con una tasa de 0.0001. GCN Se implementó con 2 capas convolucionales de grafos con 123 y 38 canales ocultos, respectivamente. Se aplicó dropout con una tasa de 35.1% después de cada capa convolucional. El entrenamiento utilizó una tasa de aprendizaje de 0.009 y un peso de regularización L2 de 0.006. *Los hiperparámetros fueron obtenidos mediante optimización bayesiana utilizando la librería Optuna en Python. ** Los hiperparámetros fueron seleccionados mediante búsqueda en malla utilizando GridSearchCV en Python.
RkJQdWJsaXNoZXIy MTM0Mzk2