Los juegos de datos enormes se están volviendo comunes y muchas empresas están teniendo dificultades para manejarlos y analizarlos a su favor. La inteligencia artificial y su subconjunto, el aprendizaje automático, o machine learning (ML), pueden ser útiles. El Machine Learning toma muestras de datos, los procesa con programas de análisis estadístico y predice resultados futuros.
Esta estrategia puede ser muy útil para las empresas del sector de medioambiente. Puede ahorrar tiempo y dinero en una amplia gama de aplicaciones que van desde el manejo de materiales hasta la evaluación de ubicaciones para estaciones de monitoreo de pozos.
Por ejemplo, el equipo de Golder trabajó con un cliente para averiguar de qué manera podría ayudar el ML con la clasificación de materiales y las exigencias de la normativa para la tramitación de permisos. El proceso de separación de materiales residuales del cliente había estado malgastando tiempo y dinero. El proceso estaba pensado para separar los residuos en tres clases: inocuos, moderados y de manejo especial. Si bien el cliente tenía un juego de datos abundante en su base de datos de ensayos, solo estaba utilizando dos o tres parámetros en la segregación y el ordenamiento. Además del tiempo que gastaba por adelantado ordenando tanto material, el cliente se veía forzado a gastar tiempo adicional volviendo a ordenar materiales mal clasificados. Para colmo, se dedicaba demasiado tiempo y dinero al procesamiento de materiales inocuos que habían sido mal clasificados como de manejo especial.
Trabajamos con el cliente para combinar su base de datos de ensayos con herramientas de ML y así encontrar parámetros útiles para el ordenamiento, adicionales a los que ya estaban utilizando. La solución creó perspectivas predictivas con resultados sobresalientes. El cliente pudo constatar que el ML puede entregar nociones sobre cómo manejar el material de mejor manera, lo que puede traducirse en ahorros financieros importantes para la empresa.
El mismo cliente contrató a Golder para ayudarle a reducir el tiempo y los costos asociados con la obtención de permisos mineros. El proceso de tramitación de permisos suele ser un calvario agobiantemente largo y costoso, y demandar grandes gastos en exploración y presentación de informes que incluyan mapeos geológicos, estudios geoquímicos y geofísicos, y un largo etcétera.
Con la ayuda de Golder, el cliente desarrolló un acopio de material y su sistema de cobertura para minimizar los impactos en las aguas subterráneas y superficiales de un proyecto de sobrecarga portadora de sulfuros. Junto con esto, Golder realizó un balance de aguas, modelamiento de infiltraciones y evaluaciones de impacto geoquímico para optimizar el diseño de la cobertura y ayudar con la tramitación de permisos en un clima normativo exigente.
Entre los desafíos técnicos estuvieron las condiciones cambiantes del flujo de aguas subterráneas y la necesidad de considerar una zona de roca dañada en el contorno del pit (que sirvió para almacenamiento). Se emplearon diversas herramientas como el modelo de evaluación hidrológica de desempeño de rellenos sanitarios, o HELP (por Hydrologic Evaluation of Landfill Performance), para el balance de aguas y el modelamiento de infiltraciones; la suite The Geochemist’s Workbench® para el modelamiento geoquímico de los materiales de sobrecarga de sulfuros; y GoldSim para el modelamiento de balance de masas. La evaluación de impacto tuvo en cuenta las condiciones operacionales hasta el final de la explotación para incluir los escenarios posteriores al cierre.
Los costos de permisos pueden volverse excesivos de un momento a otro, ya que la tramitación de permisos en la región donde opera el cliente sigue siendo compleja. La última alianza de Golder con este cliente implica el uso de ML para predecir el potencial de neutralización para ampliar la mina. El plan es tomar los datos actuales para crear un modelo que pueda predecir el potencial de neutralización y así abaratar costos por ensayos de laboratorio. Golder trabajará codo a codo con el cliente y con los reguladores a medida que los planes comiencen a dar certezas de que se cumplen todas las exigencias.
Estos son apenas algunos ejemplos del trabajo que ha estado desarrollando Golder en proyectos de medioambiente en los que ha empleado Machine Learning. Dadas sus capacidades predictivas y las posibilidades de ahorro de tiempo y dinero que ofrece, se espera que más empresas adopten esta solución con sus datos.
