Como subconjunto de la inteligencia artificial, las capacidades del aprendizaje automático, o Machine Learning (ML), han mejorado mucho y esto ha permitido a las empresas optimizar y potenciar una amplia gama de operaciones de negocios. Las empresas mineras no son la excepción y están aprovechando el ML para mejorar sus operaciones y su producción, desde el mantenimiento predictivo hasta el logro de la interoperabilidad dentro de diferentes equipos operacionales. Es muy común que los programas de ML exitosos terminen generando grandes eficiencias de tiempo y recursos. A la larga, esto genera ahorros financieros, por lo que no es de extrañar que el ML sea tan atractivo para la minería.
Los desafíos del proyecto
En los últimos 12 meses, Golder ha estado trabajando en un proyecto innovador de ML para ayudar a un cliente con sus operaciones de minería del oro. De hecho, el proyecto fue el primero de su clase en adjudicarse financiamiento del Programa de Innovación de Golder. (El Programa de Innovación de Golder fomenta la innovación en todas sus formas, desde tecnologías revolucionarias hasta mejoras incrementales en servicios ya existentes que prestamos a nuestros clientes).
El proyecto se concentró en resolver un problema común en las minas: la clasificación de materiales en las categorías correspondientes de procesamiento y residuos. Un cliente que iniciaba operaciones en una mina en EE. UU. pidió ayuda a Golder. Personal del cliente y de Golder tenían contactos en común en la academia y cuando el cliente se dio cuenta de que Golder había integrado el ML en operaciones mineras de otros clientes, se pusieron en contacto.
El cliente quería ayuda con el desarrollo de un método más eficiente y exacto para el control de leyes mediante mineralogía hiperespectral, que es un tipo de análisis de imágenes espectrales que detecta el espectro electromagnético y, como resultado, identifica los minerales. En concreto, el cliente quería saber si Golder podía crear un flujo automatizado para la clasificación de testigos de perforación a partir de imágenes generadas mediante análisis hiperespectral. Le interesaban tres clasificaciones:
- Material lixiviable para extracción del oro
- Material para continuar el procesamiento en planta
- Material estéril
Trabajo colaborativo
El equipo de Golder confiaba en su capacidad de crear soluciones eficaces de ML para ayudar al cliente a mejorar la eficiencia mediante procesamiento de imágenes y visualización por computadora. Para permitir el acceso a la máxima especialización y conseguir las mejores soluciones de vanguardia para el cliente, Golder incorporó a otras empresas innovadoras al trabajo.
Se sumaron programas de software y equipos de personas que trabajaron codo a codo en el proyecto:
- Golder desplegó a su equipo de ML especializado en programación y puso a disposición del proyecto a especialistas en geoquímica, geomecánica, mineralogía y otras disciplinas.
- Microsoft llevó el soporte y los conocimientos de sus equipos de inteligencia artificial y el acceso a su plataforma en la nube Microsoft Azure, junto con el servicio de computación distribuida por clústeres Databricks y su servicio Custom Vision.
- TerraCore prestó apoyo con su especialización en análisis de imágenes geoespectrales en profundidad.
Con este método colaborativo, Golder pudo entregar la mejor solución posible al cliente.
La solución más avanzada
Un problema común y conocido en toda la industria se origina en las dificultades para el registro de profundidades en las cajas de testigos. Aunque los ingenieros y técnicos de campo siguen procedimientos estandarizados para cumplir los requerimientos de calidad pertinentes, suelen surgir incongruencias. Estas incongruencias obedecen algunas veces a las longitudes variables de las muestras de la columna de roca, a que los testigos de perforación se gastan o se pierden, o a la incongruencia en los espacios dentro de las cajas de testigos. No obstante, gracias a un sólido equipo colaborativo que abarca las distintas industrias, Golder y sus colaboradores lograron idear procesos novedosos que resuelven estos problemas de registro. Los datos resultaron ser mucho más congruentes.
A la larga, el equipo del proyecto liderado por los especialistas de Golder pudieron:
- Cargar imágenes hiperespectrales de las muestras de material en Azure Cloud
- Combinar las imágenes con otros metadatos como ensayos de elementos, mineralogía y litología para su clasificación
- Entrenar algoritmos de redes neuronales para analizar datos para su clasificación
- Crear un flujo de trabajo basado en la nube para la incorporación, el procesamiento y el análisis de imágenes hiperespectrales de testigos que permita realizar el control predictivo de leyes
Gracias a estos aprendizajes, se han desarrollado nuevos procedimientos de registro de testigos para los programas actuales y futuros de perforación de Golder, donde se busca emplear análisis digital de testigos y procesamiento de imágenes para la automatización de los procesos. Así se logra evitar el considerable trabajo dedicado a la corrección de los registros de profundidad y de otros problemas relacionados para proseguir con el análisis de datos.
Un desenlace positivo
Las imágenes y los datos se dividieron en conjuntos de entrenamiento y pruebas, y el equipo pudo usar con éxito el ML para clasificar los materiales. El resultado es que el cliente ahorrará tiempo y recursos en su proceso de clasificación de materiales y esto le significará importantes ahorros financieros. Además, el proceso de clasificación con ML es congruente y logra más exactitud que un proceso similar hecho a mano, lo que significa tener un producto más valioso con mucha menor pérdida de trabajo. Al final, la solución verdaderamente es provechosa para todos.
