Dominios de Estimación: Algoritmos en la Evaluación de Recursos

En el ciclo de vida de un proyecto minero, la precisión en la estimación de recursos es el factor determinante para la viabilidad económica y la planificación estratégica. Sin embargo, esta precisión no reside únicamente en la elección del algoritmo de interpolación, sino en una etapa fundamental y previa: la definición de dominios de estimación (DE). El dominio de estimación se conceptualiza como un volumen de roca espacialmente coherente y geológicamente distinto que presenta controles de mineralización similares. El objetivo central es lograr una distribución de leyes que sea estadísticamente homogénea dentro de dicho volumen.

1. El Concepto de Estacionariedad: La Decisión del Evaluador

La base técnica de los dominios de estimación es el concepto de estacionariedad. En geoestadística, la estacionariedad no debe considerarse una propiedad intrínseca de las rocas o del yacimiento, sino una decisión crítica tomada por el responsable de la estimación. Consiste en determinar qué conjunto de datos se “agruparán” para un análisis común bajo el supuesto de que su media y varianza son constantes o varían de manera predecible en todo el volumen definido. Esta decisión es obligatoria para poder realizar inferencias estadísticas válidas y predicciones en áreas donde no existen sondajes. Una estacionariedad mal definida, que mezcle poblaciones con comportamientos distintos, invalidará cualquier esfuerzo posterior de modelamiento.

2. Importancia de una Definición Correcta

Una definición inadecuada de los dominios puede comprometer la integridad financiera de todo el negocio minero. Si se mezclan poblaciones con diferentes controles geológicos, se produce un fenómeno de “mezcla de poblaciones” que genera estimaciones sesgadas. Esto deriva habitualmente en el sesgo condicional, donde las zonas de alta ley son subestimadas y las zonas de estéril son sobreestimadas al suavizar los valores. Un dominio bien definido asegura que solo las muestras geológicamente relevantes se utilicen para estimar cada ubicación, lo que maximiza el rendimiento de las técnicas de interpolación y permite generar planes estratégicos basados en una realidad técnica sólida.

3. Metodología Tradicional para la Definición de Dominios

La metodología tradicional es un proceso iterativo que demanda un profundo entendimiento geológico y una fuerte intervención humana. Se divide generalmente en las siguientes etapas:

• Identificación y Selección de Variables: Se comienza analizando la información de los sondajes, mapeo y geofísica para identificar atributos como litología, alteración, mineralogía y estructuras. No toda la geología es relevante para la estimación; el desafío es seleccionar aquellas variables que ejercen un control real sobre la deposición del mineral.
• Análisis Estadístico por Categoría: Se estudia el comportamiento de la ley mineral (ej. Au, Cu) para cada categoría de los atributos seleccionados (ej. Alteración A vs. Alteración B). Se utilizan histogramas y gráficos de probabilidad para observar si las distribuciones son distintas.
• Matriz de Combinaciones: Se analizan todas las combinaciones geológicamente factibles de los atributos (ej. Litología X con Alteración Y). Esto puede generar inicialmente decenas de dominios teóricos.
• Filtrado y Agrupamiento por EDA: Se aplican técnicas de Análisis Exploratorio de Datos (EDA) como diagramas de caja (boxplots) y gráficos Q-Q para validar si dos unidades se comportan de forma similar y pueden fusionarse. Una regla común es eliminar o agrupar combinaciones que representen menos del 1% de la base de datos para asegurar la robustez estadística.
• Validación de Coherencia Espacial: Se verifica que los grupos resultantes sean espacialmente coherentes en secciones y plantas, asegurando que la interpretación geológica respalde la agrupación estadística.

4. Machine Learning y el Algoritmo K-Means

Ante la lentitud y subjetividad del método tradicional, la industria está adoptando algoritmos de Machine Learning (ML) como una alternativa eficiente y menos sesgada.

Funcionamiento de K-Means (K-Medias)

El algoritmo K-Means es un método de aprendizaje no supervisado diseñado para agrupar datos (clustering) de forma automática. Su funcionamiento es iterativo: el algoritmo asigna cada dato (composósito de sondaje) al grupo cuyo centroide sea el más cercano, minimizando una función objetivo basada habitualmente en la distancia euclidiana. En el contexto minero, se alimentan al algoritmo variables como las leyes de múltiples elementos y coordenadas espaciales. El resultado es una partición del yacimiento en “clusters” u objetos que comparten propiedades estadísticas multidimensionales.

Ventajas sobre los Métodos Tradicionales

1. Velocidad y Eficiencia: Mientras que el proceso tradicional puede tomar semanas de análisis manual, el ML procesa grandes volúmenes de datos en minutos.
2. Menor Subjetividad: Reduce la dependencia del criterio individual de diferentes geólogos, aplicando reglas matemáticas consistentes en todo el depósito.
3. Manejo Multidimensional: El ML puede identificar patrones complejos entre múltiples metales y variables físicas que el ojo humano no detecta fácilmente en gráficos bidimensionales.
4. Evolución a K-Prototypes: Aunque K-Means es ideal para variables continuas (leyes), su derivado K-Prototypes permite integrar simultáneamente variables numéricas y categóricas (litologías), superando la limitación de trabajar solo con números.

5. Incertidumbre en la Definición de Dominios

La incertidumbre es inherente a cualquier modelo geológico y proviene de datos limitados, errores en el logueo de testigos o interpretaciones subjetivas de secciones. La incertidumbre no es una propiedad física, sino una característica del modelo elegido.

Existen múltiples fuentes de riesgo en esta etapa:

• Incertidumbre de Contactos: Los límites geológicos no son líneas perfectas; existe una zona de duda sobre la ubicación exacta de las fronteras entre unidades.
• Mezcla de Poblaciones por Falta de Datos: A menudo, dominios con controles distintos deben combinarse por no tener suficientes muestras, inyectando variabilidad no controlada al modelo.
• Incertidumbre Local: Un modelo puede ser preciso a escala global (error del 6.5%), pero presentar variaciones críticas a escala local (hasta 42%), lo que impacta directamente en la dilución minera y el cumplimiento del plan de producción.

La herramienta primordial para cuantificar este riesgo es la simulación estocástica, que permite generar múltiples “realidades alternativas” del dominio para evaluar el rango de posibles escenarios.

6. Mejores Prácticas y Estándares Internacionales

Para que una evaluación de recursos sea auditable y confiable, debe seguir protocolos estrictos y códigos internacionales como JORC, NI 43-101 (CIM) y CRIRSCO. Las mejores prácticas incluyen:

• Documentación Exhaustiva: Se debe registrar cada paso de la definición de dominios, justificando las agrupaciones realizadas y las suposiciones de estacionariedad.
• Mantenimiento de la Base de Datos: La calidad del dominio depende de la calidad de los datos de entrada; un error en los códigos geológicos mayor al 5% invalida el modelo.
• Reconciliación Dinámica: Es imperativo comparar el modelo de dominios contra la producción real y actualizarlo periódicamente con la nueva información de perforación.
• Validación Cruzada (Jackknifing): Utilizar subconjuntos de datos para verificar si los dominios definidos predicen correctamente valores conocidos.
• Supervisión Calificada: El proceso debe ser liderado o supervisado por una Persona Competente (QP) que asuma la responsabilidad técnica del modelo.

7. Tratamiento de Contactos y Modelamiento de Tendencias

Una vez definidos los dominios, se debe analizar la interacción en sus límites mediante el Análisis de Contactos. Se clasifican principalmente en:

• Contactos Duros (Hard Boundaries): Transiciones abruptas donde no se deben usar datos de un dominio para estimar el otro.
• Contactos Blandos (Soft Boundaries): Transiciones graduales donde se permite el flujo de información entre dominios para suavizar la estimación en la frontera.

Asimismo, si dentro de un dominio se detecta que la ley cambia sistemáticamente (ej. disminuye con la profundidad), se debe modelar una tendencia (trend). El método estándar es remover el componente determinista de la tendencia, estimar los residuales y luego reincorporar la tendencia para evitar sesgos locales.

8. Casos de Estudio Relevantes

• Mina Escondida (Chile): El modelo de recursos evolucionó de 64 dominios excesivamente complejos en los años 90 a menos de 30 más robustos. Se descubrió que la alteración hidrotermal tiene un control mucho más fuerte que la litología en la zona de enriquecimiento secundario, simplificando y mejorando la precisión del modelo.
• Depósito Punta Alegre (Cuba): Se utilizó simulación para evaluar la incertidumbre litológica, revelando que la variabilidad local en los contactos generaba un riesgo de dilución del 27.6% en el volumen de los paneles mineros, lo que obligó a reajustar los planes de minado.

Conclusiones

La definición de dominios de estimación es el puente crítico entre la geología descriptiva y la evaluación económica numérica. Mientras que el juicio geológico sigue siendo el pilar fundamental, la integración de algoritmos de Machine Learning como K-Means y técnicas de simulación de incertidumbre permite a los profesionales crear modelos más robustos, rápidos y menos sesgados. En un mercado cada vez más exigente, un dominio bien definido no es solo un requisito técnico; es la mejor garantía de rentabilidad y cumplimiento operativo en el mundo real.

Bibliografía

• Arias, J. A., et al. (2025). New Methodology for Evaluating Uncertainty in Mineral Resource Estimation. Applied Sciences.
• CIM. (2019). Estimation of Mineral Resources and Mineral Reserves Best Practice Guidelines.
• Mahboob, M. A., et al. (2022). Review of machine learning-based Mineral Resource estimation. Journal of the Southern African Institute of Mining and Metallurgy.
• Nube Minera. (2021). Dominios de estimación de recursos minerales con machine learning.
• Rossi, M. E., y Deutsch, C. V. (2014). Mineral Resource Estimation. Springer Science+Business Media Dordrecht.
• Dimitrakopoulos, R. (2018). Advances in Applied Strategic Mine Planning. Springer International Publishing.