Investigador de la USACH publica estudio sobre Inteligencia Artificial en minería

Alberto Fernández, académico del Departamento de Ingeniería en Minas de la Universidad de Santiago, presenta una investigación que aplica técnicas de Machine Learning para mejorar la exploración y producción minera.

El académico Alberto Fernández, del Departamento de Ingeniería en Minas (Dimin) de la Universidad de Santiago (USACH), ha publicado una investigación indexada en la revista «Ore Geology Reviews» sobre el uso de Inteligencia Artificial en la minería. El artículo, titulado «Ore/waste identification in underground mining through geochemical calibration of drilling data using machine learning techniques», explora cómo las técnicas de Machine Learning pueden procesar datos de perforación para crear modelos predictivos que mejoren la caracterización y producción de recursos mineros.

También te puede interesar:   Los avances y desafíos de la IA en la industria minera en Chile

La investigación de Fernández se enfoca en la calibración de señales de perforación con información geológica, geotécnica y geoquímica. Este enfoque permite no solo una mejor caracterización de los recursos durante la exploración, sino también una optimización del diseño de tronadura durante la producción. “El uso de modelos ingenieriles ajustados a las características del yacimiento y la tecnología disponible añade valor significativo en estas etapas”, afirmó Fernández.

El estudio continúa una línea de trabajo del grupo Explosives and Blasting Lab de la Escuela Técnica Superior de Ingenieros (ETSI) de Minas y Energía de la Universidad Politécnica de Madrid, con la que Fernández ha colaborado durante nueve años. Esta colaboración ha incluido a reconocidos académicos como José Ángel Sanchidrián y Pablo Segarra, así como a Rafael Navarro del Instituto Geológico y Minero de España.

También te puede interesar:   "Innovación disruptiva para la minería del futuro": Antofagasta Minerals y MIT se unen en busca de soluciones sostenibles

Fernández ha trabajado previamente en la creación de modelos de clasificación de rocas utilizando parámetros de perforación y técnicas de Machine Learning. Su artículo anterior, «Rock mass structural recognition from drill monitoring technology in underground mining using discontinuity index and machine learning techniques«, también abordó estas temáticas, contribuyendo a su desarrollo profesional y académico.

“Estas publicaciones han sido fundamentales en mi carrera, permitiéndome crear y difundir conocimiento tanto en el área minera como geológica. La experiencia obtenida en proyectos de investigación aplicada en equipos multidisciplinarios ha sido invaluable, y espero seguir contribuyendo al Dimin USACH con estos avances”, concluyó Fernández.