En GeoInnova desde el 2012 hemos incorporado t\u00e9cnicas de Machine Learning a problem\u00e1ticas geol\u00f3gicas y mineras. Actualmente, apreciamos un alto inter\u00e9s de la industria minera por los temas de IA y presentamos algunas aplicaciones simples.<\/p>\n
En esta publicaci\u00f3n abordamos tres proyectos en los cuales hemos integrado t\u00e9cnicas de Machine Learning y Clustering:<\/p>\n
- \n
- Predicci\u00f3n geol\u00f3gica espacial.<\/a><\/li>\n
- Codificaci\u00f3n de mapeos.<\/a><\/li>\n
- An\u00e1lisis de Cl\u00fasteres utilizando datos Lito-geoqu\u00edmicos.<\/a><\/li>\n<\/ol>\n
[\/et_pb_text][et_pb_text admin_label=”Problem\u00e1ticas geol\u00f3gicas en el negocio Minero” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Problem\u00e1ticas geol\u00f3gicas en el negocio Minero y su relaci\u00f3n con t\u00e9cnicas de Machine Learning<\/h3>\n
Problemas de clasificaci\u00f3n<\/h4>\n
Uno de los desaf\u00edos fundamentales de las \u00e1reas de geolog\u00eda es la caracterizaci\u00f3n geol\u00f3gica o construcci\u00f3n de informaci\u00f3n base para el desarrollo de proyectos y aseguramiento de producci\u00f3n en el negocio minero.<\/p>\n
Clave es el mapeo geol\u00f3gico, entendido como una estimaci\u00f3n y clasificaci\u00f3n visual basada en diversos atributos geol\u00f3gicos utilizando conocimiento experto. En los \u00faltimos a\u00f1os, el mapeo geol\u00f3gico ha sido sometido a mayores exigencias, para explicar o dar respuesta a una serie de problem\u00e1ticas geometal\u00fargicas, adicionalmente se han incorporado diferentes tipos de an\u00e1lisis: como an\u00e1lisis de ICP, informaci\u00f3n de datos espectrales, difracci\u00f3n de RX, an\u00e1lisis de im\u00e1genes. Esta combinaci\u00f3n de informaci\u00f3n cuantitativa y mapeo, junto con la necesidad de clasificaci\u00f3n lo hace un problema perfecto para el uso de t\u00e9cnicas de clasificaci\u00f3n proveniente del \u00e1rea de la ciencia de datos.<\/p>\n
Otra problem\u00e1tica corresponde al caso del modelamiento geol\u00f3gico, entendido como un problema de clasificaci\u00f3n espacial, basado en informaci\u00f3n fragmentada de leyes y mapeos disponible en los sondajes u informaci\u00f3n adicional. Las t\u00e9cnicas de clasificaci\u00f3n pueden ser adaptadas al contexto espacial y en conjunto con conocimiento geol\u00f3gico pueden ser un aporte para el modelamiento 3D.<\/p>\n
Problemas de Identificaci\u00f3n de Relaciones<\/h4>\n
La definici\u00f3n de unidades, relaciones y agrupaciones hoy se realiza por medio de herramientas de an\u00e1lisis exploratorio de datos estad\u00edsticas, tratando de buscar unidades o agrupaciones que permitan controlar las distribuciones de variables de recursos y geometalurgicas. La existencia de datos masivos y t\u00e9cnicas de clustering o de an\u00e1lisis de relaciones con Support Vector Machine (SVM) son una oportunidad de modernizar los an\u00e1lisis exploratorios tradicionales.<\/p>\n
Antes de presentar algunos ejemplos de aplicaci\u00f3n, presentamos una breve introducci\u00f3n a ciertas metodolog\u00edas.<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”4_4″][et_pb_text admin_label=”Clasificaci\u00f3n y Algoritmos” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Clasificaci\u00f3n y Algoritmos<\/h2>\n
Un problema de clasificaci\u00f3n tradicional busca solucionar el problema de asignar a un objeto una o varias categor\u00edas. Se intenta generar un algoritmo que nos permita descubrir relaciones, patrones y tendencias entre los datos para clasificarlos en diferentes categor\u00edas, sin un modelo fenomenol\u00f3gico subyacente<\/strong>. Cuando utilizamos muestras etiquetadas de los datos, este tipo de algoritmos forman parte del subgrupo de Aprendizaje Supervisado.<\/p>\n
[\/et_pb_text][et_pb_image admin_label=”Figura – Algoritmos de Machine Learning” src=”https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura1.png” alt=”Diagrama de algoritmos de Machine Learning y ejemplos de aplicaci\u00f3n” title_text=”Algoritmos de Machine Learning” show_in_lightbox=”on” url_new_window=”off” use_overlay=”off” animation=”left” sticky=”off” align=”center” force_fullwidth=”off” always_center_on_mobile=”on” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
[\/et_pb_image][et_pb_text admin_label=”Pie de Figura” background_layout=”light” text_orientation=”center” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Diagrama de algoritmos de Machine Learning y ejemplos de aplicaci\u00f3n. Enlace a Imagen<\/a>.<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”2_3″][et_pb_text admin_label=”Algoritmos de Clasificacion” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Hoy en d\u00eda los algoritmos de clasificaci\u00f3n son utilizados de modo rutinario en otras industrias como banca, manufactura, retail, entretenimiento, entre otros, para aplicaciones como el diagn\u00f3stico de pacientes, detecci\u00f3n de fraudes, detecci\u00f3n de anomal\u00edas, sistemas de recomendaci\u00f3n, etc.<\/p>\n
En un clasificador, como entrada recibimos un vector de caracter\u00edsticas X y como salida obtenemos un clasificador C(X), que nos indica la clase asignada a nuestro vector de entrada. Un clasificador convencional consta de los siguientes m\u00f3dulos:<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Etapas clasificaci\u00f3n” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
- \n
- Preproceso: adquisici\u00f3n y filtrado de los datos.<\/li>\n
- Extracci\u00f3n de caracter\u00edsticas: c\u00e1lculo de un vector de caracter\u00edsticas.<\/li>\n
- Clasificaci\u00f3n: clasificaci\u00f3n del vector de caracter\u00edsticas.<\/li>\n<\/ul>\n
[\/et_pb_text][\/et_pb_column][et_pb_column type=”1_3″][et_pb_image admin_label=”Figura – Diagrama de Clasificacion” src=”https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura2.png” alt=”Diagrama de Clasificaci\u00f3n” title_text=”Diagrama de Clasificaci\u00f3n” show_in_lightbox=”on” url_new_window=”off” use_overlay=”off” animation=”right” sticky=”off” align=”left” force_fullwidth=”off” always_center_on_mobile=”on” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
[\/et_pb_image][et_pb_text admin_label=”Pie de Figura” background_layout=”light” text_orientation=”center” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Diagrama de algoritmo de clasificaci\u00f3n tradicional<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”4_4″][et_pb_text admin_label=”Tipos de algoritmos” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Adem\u00e1s, estos pueden ser supervisados y no supervisados, los primeros aprenden con muestras etiquetadas previamente, mientras que los segundos aprenden con muestras no etiquetadas.<\/p>\n
[\/et_pb_text][et_pb_image admin_label=”Figura – Algoritmo supervisado vs no supervisado” src=”https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura3.gif” alt=”Algoritmo supervisado vs no supervisado” title_text=”Algoritmo supervisado vs no supervisado” show_in_lightbox=”off” url_new_window=”off” use_overlay=”off” animation=”fade_in” sticky=”off” align=”center” force_fullwidth=”off” always_center_on_mobile=”on” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
[\/et_pb_image][et_pb_text admin_label=”Pie de Figura” background_layout=”light” text_orientation=”center” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Entrenamiento supervisado vs no supervisado. Imagen obtenida desde diapositiva de asignatura Aprendizaje Autom\u00e1tico y Reconocimiento de Formas, Dpto de Sistemas Inform\u00e1ticos y Computaci\u00f3n<\/a>, Universidad Polit\u00e9cnica de Valencia, Espa\u00f1a.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Hiperplano separador” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
En general, se busca generar grupos que se separan en un espacio transformado y que sean dis\u00edmiles entre ellos, esta clasificaci\u00f3n se lleva a cabo por un hiperplano separador que represente los l\u00edmites de decisi\u00f3n y que nos ayudan a clasificar los datos. De esta forma, los puntos que caen a cada lado del hiperplano se pueden atribuir a diferentes clases. La forma del hiperplano depende de las variables del modelo o la dimensionalidad del problema. Por ejemplo: si el n\u00famero de variables a clasificar son dos, el hiperplano es una l\u00ednea recta, en cambio, si son tres, el hiperplano es un plano en 2 dimensiones.<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”1_2″][et_pb_text admin_label=”SVM: Un algoritmo de clasificaci\u00f3n” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
SVM: Un algoritmo de clasificaci\u00f3n<\/h2>\n
Support Vector Machine (SVM) es un caso de algoritmo de clasificaci\u00f3n supervisado. Donde su objetivo es encontrar el hiperplano separador optimo que separa nuestros datos adecuadamente y nos permite hacer predicciones en forma precisa. \u00a0Para esto, el algoritmo manipula los vectores de soporte, los cuales son puntos cercanos a un hiperplano que influyen en la posici\u00f3n y orientaci\u00f3n de este.<\/p>\n
[\/et_pb_text][\/et_pb_column][et_pb_column type=”1_2″][et_pb_text admin_label=”Encabezado de Figura” background_layout=”light” text_orientation=”center” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Hiperplano y margen para una SVM entrenada con 2 clases. Enlace a Imagen<\/a>.<\/p>\n
[\/et_pb_text][et_pb_image admin_label=”Figura – Margen en SVM” src=”https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura-4.png” alt=”Margen en SVM” title_text=”Margen en SVM” show_in_lightbox=”off” url_new_window=”off” use_overlay=”off” animation=”left” sticky=”off” align=”left” force_fullwidth=”off” always_center_on_mobile=”on” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
[\/et_pb_image][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”1_2″][et_pb_image admin_label=”Figura – Kernels” src=”https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura5.png” show_in_lightbox=”off” url_new_window=”off” use_overlay=”off” animation=”left” sticky=”off” align=”left” force_fullwidth=”off” always_center_on_mobile=”on” use_border_color=”off” border_color=”#ffffff” border_style=”solid” alt=”Kernels ” title_text=”Kernels “]<\/p>\n
[\/et_pb_image][et_pb_text admin_label=”Pie de Figura” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Transformaci\u00f3n de variables utilizando Kernels. Enlace a Imagen<\/a>.<\/p>\n
[\/et_pb_text][\/et_pb_column][et_pb_column type=”1_2″][et_pb_text admin_label=”Texto Kernels” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Las funciones discriminantes nos permiten movernos entre estos hiperplanos para asignar clases a nuestros datos. Si estas funciones no son linealmente separables, se utilizan Kernels, que permite representar las variables en un espacio alternativo de mayor dimensi\u00f3n donde nuestras funciones son linealmente separables.<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”4_4″][et_pb_text admin_label=”Texto final modulo SVM” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
En GeoInnova hemos aplicado SVM a un problema de modelamiento geol\u00f3gico utilizando informaci\u00f3n hist\u00f3rica, adem\u00e1s de considerar un Kernel inferido a trav\u00e9s de los datos, utilizando los Variogramas.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Texto”]<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”4_4″][et_pb_text admin_label=”Primeros pasos: Aplicaci\u00f3n de SVM a la predicci\u00f3n geol\u00f3gica espacial (2012)” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid” module_id=”app1″]<\/p>\n
1. Primeros pasos: Aplicaci\u00f3n\u00a0de SVM a la predicci\u00f3n\u00a0geol\u00f3gica\u00a0espacial (2012)<\/b><\/h2>\n
[\/et_pb_text][et_pb_divider admin_label=”Separador” color=”#ffffff” show_divider=”off” divider_style=”solid” divider_position=”top” hide_on_mobile=”on”]<\/p>\n
[\/et_pb_divider][et_pb_text admin_label=”Problema\/Desafio” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Problema\/Desaf\u00edo<\/strong><\/h4>\n
En el a\u00f1o 2012, nos propusimos como GNV incorporar t\u00e9cnicas de Machine Learning en nuestro quehacer de consultor\u00eda. Un primer ejercicio fue revisar la potencialidad de SVM vs t\u00e9cnicas tradicionales como Kriging de Indicadores para el modelamiento geol\u00f3gico.<\/p>\n
En este desaf\u00edo se estudi\u00f3 una modelo de aprendizaje tipo SVM en la aplicaci\u00f3n de la reproducci\u00f3n de una imagen geol\u00f3gica de referencia sint\u00e9tica. Con el objetivo de predecir la extensi\u00f3n espacial de tipos de roca a partir de un porcentaje \u00ednfimo de muestras utilizando SVM al modelamiento geol\u00f3gico.<\/p>\n
En primer lugar, desde una imagen de referencia se muestrea aleatoriamente con diferentes densidades de informaci\u00f3n que var\u00edan en el rango de 0.01% a 0.1%.<\/p>\n
![\"\"](\"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura6.png\")
<\/p>\nImagen de referencia y resultado del muestreo<\/p>\n
Una de las ideas claves del estudio fue sacar provecho a que las funciones de Kernel son de tipo definido positivo, lo cual aplica del mismo modo a las funciones base de caracterizaci\u00f3n espacial o modelos variogr\u00e1ficos en Geoestad\u00edstica. Con esto en mente nos propusimos generar un Kernel customizado usando nuestro tradicional Variograma.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Metodologia” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Metodolog\u00eda<\/strong><\/h4>\n
- \n
- IK<\/strong>: Kriging de indicadores infiere el Variograma de indicador, posteriormente se estima y se clasifican la pseudo probabilidad y es un estimador exacto.<\/li>\n
- SVM1:<\/strong> se utiliz\u00f3 un Kernel con ajuste de par\u00e1metros C y Gamma; y una variable de distancias RBF para cada nivel de informaci\u00f3n (400 pruebas de validaci\u00f3n cruzada).<\/li>\n
- SVM2:<\/strong> C-SVM + Kernel inferido de los datos (Variograma).<\/li>\n<\/ul>\n
Dado que los modelos variogr\u00e1ficos son semidefinidos positivos, estos pueden ser usados como kernels en SVM, por lo que se us\u00f3 el variograma anisotr\u00f3pico del indicador. Es decir, el kernel usado a partir de la correlaci\u00f3n espacial. Para el ajuste de par\u00e1metro del C se utilizaron 200 pruebas.<\/p>\n
![\"\"](\"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura7.png\")
<\/p>\nTabla con configuraci\u00f3n utilizada para los diferentes m\u00e9todos.<\/p>\n
Para cada tipo de algoritmo las etapas fueron los siguientes:<\/p>\n
- \n
- Para IK se interpola mediante Kriging todos los puntos de la imagen.<\/li>\n
- Para SVM se ajustan, se entrenan y se aplica validaci\u00f3n cruzada, posteriormente se predice los puntos restantes.<\/li>\n<\/ul>\n
[\/et_pb_text][et_pb_text admin_label=”Resultados” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Resultados<\/strong><\/h4>\n
![\"\"](\"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura8-1-1024x576.png\")
<\/p>\nResultados en 0.2% de los datos<\/p>\n
![\"\"](\"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura9.png\")
Al analizar el resultado se tiene que cuando la densidad es muy baja el IK supera al SVM1, pero posteriormente cuando el nivel de informaci\u00f3n es alto, el SVM1 aumenta la predicci\u00f3n. Sin embargo, al usar SVM2 usando un variograma de indicadores como kernel, este es siempre superior en acierto a los otros 2 m\u00e9todos, lo cual demuestra que la inferencia de Kernels a partir de los datos o el fen\u00f3meno, agrega valor, robusteciendo los modelos predictivos frente a aproximaciones casi de fuerza bruta de mejora de predicci\u00f3n.<\/p>\n[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”4_4″][et_pb_text admin_label=”SVM aplicado a codificaci\u00f3n de mapeos faltantes (2014)” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid” module_id=”app2″]<\/p>\n
2. SVM aplicado a codificaci\u00f3n de mapeos faltantes (2014)<\/strong><\/h2>\n
[\/et_pb_text][et_pb_text admin_label=”Problema\\Desafio” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Problema\/desaf\u00edo<\/strong><\/h4>\n
Se requer\u00eda construir un modelo geol\u00f3gico de zonas minerales en los sulfuros, con informaci\u00f3n hist\u00f3rica de leyes y mapeos. Como se hab\u00eda adoptado distintos criterios de mapeos durante la historia de proyecto y distintas informaciones, los datos eran mayoritariamente heterot\u00f3picos. Eran m\u00e1s de 200.000 metros de sondajes por lo que resultaba impensable en remapear.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Datos” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Datos<\/strong><\/h4>\n
Las fuentes de informaci\u00f3n eran:<\/p>\n
- \n
- Leyes: de cobre total (CuT), cobre soluble (CuS) y cobre soluble con \u00e1cido f\u00e9rrico CuSFe.<\/li>\n
- Mapeos de relativo de especies de sulfuros y volumen de sulfuros a nivel de soporte de ley.<\/li>\n
- Zona mineral: mapeo de zonas minerales sulfuros secundario y primarios.<\/li>\n<\/ol>\n
Solo el 11 % de la data ten\u00eda los 3 tipos de fuentes y eran coherentes entre ellas, ejemplo: sulfuro secundario fuerte ten\u00eda que presentar leyes mayores a 0.6% de CuT, mapeo relativo de calcosina mayor a 65 y 40% raz\u00f3n de CusFe\/CuT.<\/p>\n
El nivel de heterotop\u00eda de la base de datos cambia significativamente dependiendo de las variables, por ejemplo, el 100% de la data ten\u00eda CuT y en cambio CuSFe solo estaba presente en el 70% de la data.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Metodologia” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Metodolog\u00eda y aplicaci\u00f3n de SVM<\/strong><\/h4>\n
- \n
- En primer lugar, se completaron las bases de datos con cosimulaci\u00f3n heterot\u00f3picas con la informaci\u00f3n tipo i) y ii).<\/li>\n
- SVM jer\u00e1rquico: se gener\u00f3 un clasificador binario jer\u00e1rquico usando SVM como variables de entrada, CuT, CusFe, CuS, % de especies minerales y coordenadas. Para definir la jerarqu\u00eda se utilizaron los conceptos geol\u00f3gicos asociados a la mineralog\u00eda hip\u00f3gena, sup\u00e9rgena de modo de orientar el clasificador basado en la fenomenolog\u00eda. Se separ\u00f3 la base de datos de entrenamiento, una de validaci\u00f3n y test mediante validaci\u00f3n cruzada para analizar la predictibilidad de las zonas minerales.<\/li>\n<\/ol>\n
Se valid\u00f3 la codificaci\u00f3n realizada con SVM junto a la informaci\u00f3n de pozos de tronadura. Adicionalmente se valid\u00f3 el resultado visualmente por parte de un ge\u00f3logo que ten\u00eda experiencia en dep\u00f3sito y que hab\u00eda mapeado una cantidad relevante. Adem\u00e1s, el cliente tambi\u00e9n valid\u00f3 algunos sondajes con remapeo.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Resultados y Aprendizajes” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Resultados<\/strong><\/h4>\n
![\"\"](\"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/svm_gi_2.gif\")
<\/p>\nLa figura superior muestra los sondajes con los mapeos de zonas minerales y en blanco se presentan las trazas de los sondajes sin clasificaci\u00f3n. La segunda muestra el resultado del algoritmo aplicado y la tercera figura es la validaci\u00f3n visual entre zonas minerales en los sondajes y los pozos de tiro.<\/p>\n
Aprendizajes<\/strong><\/h4>\n
Las t\u00e9cnicas de Machine Learning tiene gran aplicabilidad en bases de datos hist\u00f3ricas con informaci\u00f3n disimiles en caracter\u00edsticas para clasificar c\u00f3digos. En este caso permite integrar y completar el mapeo 3D con coherencia espacial.<\/p>\n
Estos modelos permiten predecir atributos geol\u00f3gicos con coherencia espacial. Se puede aplicar para QA, adicionalmente arroja m\u00e9tricas de confiabilidad de la clasificaci\u00f3n lo cual tambi\u00e9n es clave para orientar campa\u00f1as de remapeo o mejorar los criterios de mapeo geol\u00f3gicos en los equipos de caracterizaci\u00f3n.<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”4_4″][et_pb_text admin_label=”An\u00e1lisis de Cl\u00fasteres utilizando datos Lito-geoqu\u00edmicos de ICP (2019)” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid” module_id=”app3″]<\/p>\n
3. An\u00e1lisis de Cl\u00fasteres utilizando datos Lito-geoqu\u00edmicos de ICP (2019)<\/b><\/h2>\n
El an\u00e1lisis de cl\u00fasteres nos ayuda a buscar relaciones entre un conjunto de datos y definir si existen clases o cl\u00fasteres en que puedan ser agrupados. Uno de los algoritmos para generar estos cl\u00fasteres es el Clustering Aglomerativo.<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”1_2″][et_pb_text admin_label=”Intro Clustering Aglomerativo” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
El Clustering Aglomerativo es un tipo de agrupamiento jer\u00e1rquico no supervisado que busca agrupar los datos en cl\u00fasteres basados en su similitud y en forma jer\u00e1rquica. El algoritmo comienza tratando a todos los datos como parte de un cl\u00faster, y a medida que avanza va uniendo pares de cl\u00fasteres hasta que finalmente solo existe un \u00fanico gran cl\u00faster. Los par\u00e1metros de entrada del algoritmo que nos interesan en esta aplicaci\u00f3n son: el n\u00famero de cl\u00fasteres, m\u00e9trica de distancia entre muestras y el criterio de vinculaci\u00f3n.<\/p>\n
[\/et_pb_text][\/et_pb_column][et_pb_column type=”1_2″][et_pb_image admin_label=”Figura – Dendograma Clustering” src=”https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura11.png” alt=”Dendograma Clustering Jer\u00e1rquico” title_text=”Dendograma Clustering Jer\u00e1rquico” show_in_lightbox=”off” url_new_window=”off” use_overlay=”off” animation=”right” sticky=”off” align=”center” force_fullwidth=”off” always_center_on_mobile=”on” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
[\/et_pb_image][et_pb_text admin_label=”Pie de Figura” background_layout=”light” text_orientation=”center” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Dendograma Clustering Aglomerativo.Enlace a Imagen<\/a>.<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”4_4″][et_pb_text admin_label=”Problema\/Desaf\u00edo” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Problema\/Desaf\u00edo<\/strong><\/h4>\n
Inicialmente se contaba con datos de litolog\u00eda y alteraci\u00f3n agrupada en una base de datos de sondajes, la cual, si bien era masiva en datos, el n\u00famero de litolog\u00edas y alteraciones era bajo. Adicionalmente, se ten\u00eda una gran cantidad de an\u00e1lisis de ICP disponibles. La idea central era evaluar si los datos lito-geoqu\u00edmicos de ICP eran consistentes con las codificaciones de litolog\u00eda existentes, y si daban cuenta de facies o separaciones geol\u00f3gicas en el dep\u00f3sito y evaluar potencial impacto en variables geometal\u00fargicas.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Datos” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Datos<\/strong><\/h4>\n
En la aplicaci\u00f3n de Clustering Aglomerativo se contaba con 338.785 muestras agrupadas en 52 variables de ICP, una variable categ\u00f3rica de litolog\u00eda y las correspondientes coordenadas espaciales de los sondajes. De las variables de ICP seleccionamos 32 de ellas para generar un proceso de clustering jer\u00e1rquico aglomerativo.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Metodologia” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Preprocesamiento y Aplicaci\u00f3n de Clustering<\/strong><\/h4>\n
Como primer paso se normalizan los datos eliminando la media de estos y escalando seg\u00fan la varianza unitaria, correcci\u00f3n af\u00edn, para evitar que los datos que tengan ordenes de magnitud mayor que otros dominen la funci\u00f3n objetivo.
\nPosteriormente se aplica el algoritmo de Clustering Aglomerativo utilizando diferente n\u00famero de cl\u00fasteres como par\u00e1metro de entrada. La m\u00e9trica de distancia utilizada fue la distancia euclidiana entre muestras y como criterio de vinculaci\u00f3n el que disminuye la varianza entre los cl\u00fasteres que ser\u00e1n fusionados.<\/p>\n[\/et_pb_text][et_pb_text admin_label=”Resultados” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Resultados<\/strong><\/h4>\n
![\"\"](\"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura12.png\")
Probplot de las variables de ICP: Be, Ca, Mg, para un modelo con 2 cl\u00fasteres<\/p>\n![\"\"](\"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura13.png\")
<\/p>\nProbplot de las variables de ICP: Be, Ca, Mg para un modelo con 4 cl\u00fasteres<\/p>\n
En este caso comparamos las variables ICP en funci\u00f3n de los cl\u00fasteres generados. Nos damos cuenta de que existen variables que influyen en mayor medida en la generaci\u00f3n de los cl\u00fasteres.<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”1_3″][et_pb_text admin_label=”Texto” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
En t\u00e9rminos espaciales se aprecia que al configurar dos cl\u00fasteres se tienden a marcar el centro del dep\u00f3sito vs la periferia reflejando dominios de mineralizaci\u00f3n, alteraci\u00f3n y litolog\u00eda diferentes.\u00a0 Es interesante ver como al aumentar los cl\u00fasteres se confirman los grandes dominios de lito y alteraci\u00f3n modelados, pero a la vez develen existencias de facies o caracter\u00edsticas geoqu\u00edmicas distintas al interior de estas.<\/p>\n
[\/et_pb_text][\/et_pb_column][et_pb_column type=”1_3″][et_pb_image admin_label=”Figura – Clustering de ICP para diferentes variables” src=”https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura14.png” alt=”Resultados Clustering de ICP para diferentes variables” title_text=”Resultados Clustering de ICP para diferentes variables” show_in_lightbox=”off” url_new_window=”off” use_overlay=”off” animation=”right” sticky=”off” align=”center” force_fullwidth=”off” always_center_on_mobile=”on” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
[\/et_pb_image][\/et_pb_column][et_pb_column type=”1_3″][et_pb_image admin_label=”Figura – Clustering de ICP para diferente cantidad de Clusteres” src=”https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura15.png” alt=”Resultados Clustering de ICP para diferente cantidad de Clusteres” title_text=”Resultados Clustering de ICP para diferente cantidad de Clusteres” show_in_lightbox=”off” url_new_window=”off” use_overlay=”off” animation=”right” sticky=”off” align=”left” force_fullwidth=”off” always_center_on_mobile=”on” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
[\/et_pb_image][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”4_4″][et_pb_text admin_label=”Encabezado de Figura” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Un ejemplo de confirmaci\u00f3n es como naturalmente un techo de sulfato aparece marcado en un l\u00edmite en profundidad.\u00a0 C\u00f3mo se ilustra a continuaci\u00f3n.<\/p>\n
[\/et_pb_text][et_pb_image admin_label=”Figura – ICP Clustering 3D” src=”https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura16.png” alt=”Resultado ICP Clustering 3D” title_text=”Resultado ICP Clustering 3D” show_in_lightbox=”off” url_new_window=”off” use_overlay=”off” animation=”fade_in” sticky=”off” align=”center” force_fullwidth=”off” always_center_on_mobile=”on” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
[\/et_pb_image][et_pb_text admin_label=”Texto” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Estos cl\u00fasteres son usados para evaluar necesidad futura de modelamiento, profundizaci\u00f3n de conocimiento y evaluaci\u00f3n de controles sobre datos geometal\u00fargicos.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Aprendizajes” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Aprendizajes<\/strong><\/h4>\n
Existen oportunidades importantes para la caracterizaci\u00f3n espacial utilizando algoritmos de clustering supervisado o no supervisado. El uso de estas t\u00e9cnicas en conjunto con las aproximaciones cl\u00e1sicas de geoqu\u00edmica permite un incremento en el conocimiento geol\u00f3gico y profundizaci\u00f3n de la conceptualizaci\u00f3n gen\u00e9tica del mismo.<\/p>\n
En t\u00e9rminos de modelamiento, al combinar con informaci\u00f3n espacial de las variables permite mejorar los controles en modelos geol\u00f3gicos, de recursos y geometal\u00fargicos, aumentando su precisi\u00f3n y predictibilidad, con la consecuente mejora para el negocio minero.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Implementacion” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Implementaci\u00f3n<\/strong><\/h4>\n
La implementaci\u00f3n fue hecha en Python utilizando las librer\u00edas Pandas<\/a>, Numpy<\/a> y SkLearn<\/a>. Para realizar los gr\u00e1ficos de Probplot se utiliz\u00f3 la librer\u00eda Probscale<\/a> y Matplotlib<\/a>.<\/p>\n
Repositorio GitHub con el c\u00f3digo fuente<\/a><\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”Fila”][et_pb_column type=”4_4″][et_pb_text admin_label=”Comentario finales” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Comentarios finales<\/strong><\/h2>\n
Los algoritmos de inteligencia artificial tienen un gran potencial de aplicaci\u00f3n en toda la cadena de valor del negocio minero. Si bien estos no tienen hip\u00f3tesis subyacentes con respecto a la fenomenolog\u00eda, si se incorpora y combina con conocimiento de geolog\u00eda, miner\u00eda, procesos y geoestad\u00edstica, los resultados pueden ser muy \u00fatiles.<\/strong><\/p>\n
El equipo de GeoInnova a diario encuentra mayores potenciales de aplicaci\u00f3n de estas t\u00e9cnicas de Machine Learning, y no solo en geolog\u00eda, sino tambi\u00e9n en procesos, en la cuantificaci\u00f3n de calidad de concentrado, consumo de agua y en etapas de procesos de espesamiento\/sedimentaci\u00f3n, entre otras.<\/p>\n
La adecuada implementaci\u00f3n de IA en miner\u00eda requiere una adaptaci\u00f3n cultural de las organizaciones, en donde se pueda integrar a los equipos de trabajo habituales, profesionales con estos conocimientos. Esto ha sido clave en GeoInnova, la integraci\u00f3n del equipo de I+D de C\u00f3mputo cient\u00edfico y Data Science con los especialistas de Geolog\u00eda y Miner\u00eda para obtener resultados con sentido geol\u00f3gico y acorde al negocio.<\/strong><\/p>\n
Las empresas mineras y el mundo corporativo deben recordar que las innovaciones en general se llevan a cabo en los m\u00e1rgenes de los ecosistemas y por lo tanto, la interacci\u00f3n con proveedores tecnol\u00f3gicos es clave para acelerar la adopci\u00f3n de estas t\u00e9cnicas en la industria minera.<\/strong><\/p><\/blockquote>\n
[\/et_pb_text][et_pb_text admin_label=”Texto” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Autores:<\/h4>\n
Cristobal Barrientos\u00a0
![\"\"](\"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/04\/iconfinder_square-linkedin_317725-150x150.png\")
,\u00a0<\/a>Alejandro C\u00e1ceres\u00a0<\/a>,\u00a0Andr\u00e9s Sandoval\u00a0, Rodrigo Riquelme\u00a0<\/a><\/h5>\n<\/h5>\n
<\/h5>\n
[\/et_pb_text][et_pb_text admin_label=”Texto” background_layout=”light” text_orientation=”left” use_border_color=”off” border_color=”#ffffff” border_style=”solid”]<\/p>\n
Equipo I+D:<\/h4>\n
Alan Toledo\u00a0
![\"\"](\"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/04\/iconfinder_square-linkedin_317725-300x300.png\")
<\/a>, Manuel Hoffhein\u00a0<\/a>, Javier Ortiz\u00a0<\/a>,\u00a0Crist\u00f3bal Barrientos\u00a0<\/a>.<\/h5>\n[\/et_pb_text][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":"
La existencia de datos masivos y t\u00e9cnicas de clustering o de an\u00e1lisis de relaciones con Support Vector Machine (SVM) son una oportunidad de modernizar los an\u00e1lisis exploratorios tradicionales.<\/p>","protected":false},"author":3,"featured_media":5051,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[43,37],"tags":[70,76,78,80,74,68,72],"class_list":["post-5044","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-geociencias","category-tecnologia","tag-ai","tag-clusteranalysis","tag-datascience","tag-geostatistics","tag-krigiing","tag-machinelearning","tag-supportvectormachine"],"yoast_head":"\n
Aplicaci\u00f3n de Clustering y Machine Learning a problemas geol\u00f3gicos - GeoInnova<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geoinnova.cl\/en\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Aplicaci\u00f3n de Clustering y Machine Learning a problemas geol\u00f3gicos - GeoInnova\" \/>\n<meta property=\"og:description\" content=\"La existencia de datos masivos y t\u00e9cnicas de clustering o de an\u00e1lisis de relaciones con Support Vector Machine (SVM) son una oportunidad de modernizar los an\u00e1lisis exploratorios tradicionales.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geoinnova.cl\/en\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoInnova\" \/>\n<meta property=\"article:published_time\" content=\"2020-05-18T17:53:47+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2020-12-04T11:23:28+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1398\" \/>\n\t<meta property=\"og:image:height\" content=\"1000\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"25 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/\"},\"author\":{\"name\":\"\",\"@id\":\"\"},\"headline\":\"Aplicaci\u00f3n de Clustering y Machine Learning a problemas geol\u00f3gicos\",\"datePublished\":\"2020-05-18T17:53:47+00:00\",\"dateModified\":\"2020-12-04T11:23:28+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/\"},\"wordCount\":5074,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2020\\\/05\\\/Figura1.png\",\"keywords\":[\"AI\",\"ClusterAnalysis\",\"DataScience\",\"Geostatistics\",\"Krigiing\",\"MachineLearning\",\"SupportVectorMachine\"],\"articleSection\":[\"Geociencias\",\"Tecnolog\u00eda\"],\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/\",\"url\":\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/\",\"name\":\"Aplicaci\u00f3n de Clustering y Machine Learning a problemas geol\u00f3gicos - GeoInnova\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2020\\\/05\\\/Figura1.png\",\"datePublished\":\"2020-05-18T17:53:47+00:00\",\"dateModified\":\"2020-12-04T11:23:28+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/#primaryimage\",\"url\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2020\\\/05\\\/Figura1.png\",\"contentUrl\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2020\\\/05\\\/Figura1.png\",\"width\":1398,\"height\":1000},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Portada\",\"item\":\"https:\\\/\\\/geoinnova.cl\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Aplicaci\u00f3n de Clustering y Machine Learning a problemas geol\u00f3gicos\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#website\",\"url\":\"https:\\\/\\\/geoinnova.cl\\\/\",\"name\":\"GeoInnova\",\"description\":\"Consultora de recursos geol\u00f3gicos y reservas mineras\",\"publisher\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geoinnova.cl\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#organization\",\"name\":\"GeoInnova\",\"url\":\"https:\\\/\\\/geoinnova.cl\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2025\\\/04\\\/logo.png\",\"contentUrl\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2025\\\/04\\\/logo.png\",\"width\":244,\"height\":122,\"caption\":\"GeoInnova\"},\"image\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#\\\/schema\\\/logo\\\/image\\\/\"}},{\"@type\":\"Person\",\"@id\":\"\",\"url\":\"https:\\\/\\\/geoinnova.cl\\\/en\\\/author\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Aplicaci\u00f3n de Clustering y Machine Learning a problemas geol\u00f3gicos - GeoInnova","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geoinnova.cl\/en\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/","og_locale":"en_US","og_type":"article","og_title":"Aplicaci\u00f3n de Clustering y Machine Learning a problemas geol\u00f3gicos - GeoInnova","og_description":"La existencia de datos masivos y t\u00e9cnicas de clustering o de an\u00e1lisis de relaciones con Support Vector Machine (SVM) son una oportunidad de modernizar los an\u00e1lisis exploratorios tradicionales.","og_url":"https:\/\/geoinnova.cl\/en\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/","og_site_name":"GeoInnova","article_published_time":"2020-05-18T17:53:47+00:00","article_modified_time":"2020-12-04T11:23:28+00:00","og_image":[{"width":1398,"height":1000,"url":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura1.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_misc":{"Written by":"","Est. reading time":"25 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/#article","isPartOf":{"@id":"https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/"},"author":{"name":"","@id":""},"headline":"Aplicaci\u00f3n de Clustering y Machine Learning a problemas geol\u00f3gicos","datePublished":"2020-05-18T17:53:47+00:00","dateModified":"2020-12-04T11:23:28+00:00","mainEntityOfPage":{"@id":"https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/"},"wordCount":5074,"commentCount":0,"publisher":{"@id":"https:\/\/geoinnova.cl\/#organization"},"image":{"@id":"https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/#primaryimage"},"thumbnailUrl":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura1.png","keywords":["AI","ClusterAnalysis","DataScience","Geostatistics","Krigiing","MachineLearning","SupportVectorMachine"],"articleSection":["Geociencias","Tecnolog\u00eda"],"inLanguage":"en-US","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/","url":"https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/","name":"Aplicaci\u00f3n de Clustering y Machine Learning a problemas geol\u00f3gicos - GeoInnova","isPartOf":{"@id":"https:\/\/geoinnova.cl\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/#primaryimage"},"image":{"@id":"https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/#primaryimage"},"thumbnailUrl":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura1.png","datePublished":"2020-05-18T17:53:47+00:00","dateModified":"2020-12-04T11:23:28+00:00","breadcrumb":{"@id":"https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/#primaryimage","url":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura1.png","contentUrl":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/05\/Figura1.png","width":1398,"height":1000},{"@type":"BreadcrumbList","@id":"https:\/\/geoinnova.cl\/aplicacion-de-clustering-y-machine-learning-a-problemas-geologicos\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Portada","item":"https:\/\/geoinnova.cl\/"},{"@type":"ListItem","position":2,"name":"Aplicaci\u00f3n de Clustering y Machine Learning a problemas geol\u00f3gicos"}]},{"@type":"WebSite","@id":"https:\/\/geoinnova.cl\/#website","url":"https:\/\/geoinnova.cl\/","name":"GeoInnova","description":"Consultora de recursos geol\u00f3gicos y reservas mineras","publisher":{"@id":"https:\/\/geoinnova.cl\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geoinnova.cl\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/geoinnova.cl\/#organization","name":"GeoInnova","url":"https:\/\/geoinnova.cl\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/geoinnova.cl\/#\/schema\/logo\/image\/","url":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2025\/04\/logo.png","contentUrl":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2025\/04\/logo.png","width":244,"height":122,"caption":"GeoInnova"},"image":{"@id":"https:\/\/geoinnova.cl\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"","url":"https:\/\/geoinnova.cl\/en\/author\/"}]}},"_links":{"self":[{"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/posts\/5044","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/comments?post=5044"}],"version-history":[{"count":0,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/posts\/5044\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/media\/5051"}],"wp:attachment":[{"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/media?parent=5044"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/categories?post=5044"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/tags?post=5044"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- SVM1:<\/strong> se utiliz\u00f3 un Kernel con ajuste de par\u00e1metros C y Gamma; y una variable de distancias RBF para cada nivel de informaci\u00f3n (400 pruebas de validaci\u00f3n cruzada).<\/li>\n
- IK<\/strong>: Kriging de indicadores infiere el Variograma de indicador, posteriormente se estima y se clasifican la pseudo probabilidad y es un estimador exacto.<\/li>\n
- Codificaci\u00f3n de mapeos.<\/a><\/li>\n