Predicción de la ocurrencia de depósitos minerales tipo pórfido usando técnicas de aprendizaje automático

Mantilla Dulcey, Ana Gabriela

Predicción de la ocurrencia de depósitos minerales tipo pórfido usando técnicas de aprendizaje automático

dc.contributor.advisor	Goyes Peñafiel, Yesid Paul
dc.contributor.author	Mantilla Dulcey, Ana Gabriela
dc.contributor.evaluator	Mantilla Figueroa, Luis Carlos
dc.contributor.evaluator	Bernal Olaya, Rocío del Pilar
dc.date.accessioned	2023-02-27T13:45:35Z
dc.date.available	2023-02-27T13:45:35Z
dc.date.created	2023-02-27
dc.date.issued	2023-02-27
dc.description.abstract	Los mapas de prospectividad mineral son un insumo esencial para delimitar zonas potenciales fuentes de materia prima en el nuevo paradigma de transición energética. Las técnicas usadas generalmente consideran la regresión logística, los pesos de evidencia, los métodos heurísticos y la estadística bivariada. No obstante, en los métodos heurísticos se deben asignar pesos basados en el criterio experto, en los bivariados se deben clasificar las capas de valores continuos a valores categóricos o nominales, y finalmente la regresión logística considera una clasificación lineal de los datos. Por otro lado, los métodos de aprendizaje automático proporcionan un enfoque flexible y preciso en el uso de variables continuas y permiten encontrar modelos que aproximan de manera adecuada un conjunto de datos o factores condicionantes con valores de probabilidad relacionados con la ocurrencia mineral. En este trabajo se presenta una aplicación detallada y sistemática de los métodos de aprendizaje automático redes neuronales artificiales, bosques aleatorios y máquinas de soporte vectorial. Adicionalmente, se realizó un flujo de preprocesamiento (estandarización, análisis de componentes principales, análisis de distribución) de las variables de entrada con el objetivo de representar el problema de predicción mineral con un problema de clasificación con superficies de decisión. Para comprobar la efectividad y el flujo de trabajo propuesto se analizó una zona del territorio de Yukón (Canadá), donde se inició a partir de una revisión exhaustiva de las variables o criterios mapeables de exploración relacionados con ocurrencia minerales. Los mapas de probabilidad calculados tuvieron una precisión promedio de 98.96% y la evaluación del rendimiento de los modelos de aprendizaje automático se realizó de manera cuantitativa usando matrices de confusión, curvas ROC y precisión. Finalmente, para mejorar los modelos basados en información o criterio geológico, se propuso la técnica de aumento de datos y la aritmética de bandas entre los mapas de probabilidad, lo que permitió delimitar un total de 4 zonas potenciales. Por esta razón, la incorporación del aprendizaje automático en el flujo de trabajo de exploración mineral supone una mejora considerable en la optimización de recursos y el grado de confiabilidad en los objetivos de exploración.
dc.description.abstractenglish	Mineral prospectivity maps are an essential input to delimit potential source areas of raw material in the new paradigm of the energy transition. The techniques used generally consider logistic regression, weights of evidence, heuristic methods, and bivariate statistics. However, in heuristic methods, weights must be assigned based on expert judgment, in bivariate methods, the layers of continuous values must be classified into categorical or nominal values, and finally, logistic regression considers a linear classification of the data. On the other hand, machine learning methods provide a flexible and precise approach in using continuous variables and allow finding models that adequately approximate a set of data or conditioning factors with probability values related to the mineral occurrence. This work is presented a detailed and systematic application of machine learning methods artificial neural networks, random forests, and support vector machines. Additionally, a preprocessing flow (standardization, principal component analysis, distribution analysis) of the input variables was performed with the objective of representing the mineral prediction problem with a classification problem with decision surfaces. To verify the effectiveness and the proposed workflow, an area of the Yukon Territory (Canada) was analyzed. An exhaustive review of the exploration variables or mappable criteria related to mineral occurrences began. The calculated probability maps had an average precision of 98.96% and the evaluation of the performance of the machine learning models was performed quantitatively using confusion matrices, ROC curves, and precision. Finally, to improve the models based on geological information or criteria, the data augmentation technique and the arithmetic of bands between the probability maps were proposed, which allowed for delimiting a total of 4 potential zones. For this reason, the incorporation of machine learning in the mineral exploration workflow represents a considerable improvement in the optimization of resources and the degree of confidence in exploration targets.
dc.description.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001904967
dc.description.degreelevel	Pregrado
dc.description.degreename	Geólogo
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/12289
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicoquímicas
dc.publisher.program	Geología
dc.publisher.school	Escuela de Geología
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Mapas de prospectividad mineral
dc.subject	Aprendizaje automático
dc.subject	Redes neuronales artificiales
dc.subject	Bosques aleatorios
dc.subject	Máquinas soporte vectorial
dc.subject	Pórfidos
dc.subject	Probabilidad
dc.subject.keyword	Mineral Prospectivity Maps
dc.subject.keyword	Machine Learning
dc.subject.keyword	Artificial Neural Networks
dc.subject.keyword	Random Forests
dc.subject.keyword	Support Vector Machines
dc.subject.keyword	Porphyries
dc.subject.keyword	Probability
dc.title	Predicción de la ocurrencia de depósitos minerales tipo pórfido usando técnicas de aprendizaje automático
dc.title.english	Prediction of the Occurrence of Porphyry-Type Mineral Deposits Using Machine Learning Techniques
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type