Por Matthew Hastings, geólogo principal de recursos, SRK, y Alex Wilson, científico de datos principal, Seequent
Incluso los conjuntos de datos de yacimientos con abundantes perforaciones pueden deparar sorpresas y, a medida que aumenta la densidad de datos, suelen surgir patrones geológicos importantes que cuestionan las interpretaciones iniciales y abren nuevas posibilidades para construir modelos de mayor calidad.
Esa era la situación que enfrentaba Matthew Hastings, geólogo principal de recursos de SRK, cuando retomó un proyecto de un cliente que se beneficiaría de una nueva revisión de una interpretación histórica. El sitio, que permaneció varios años en estado de conservación y mantenimiento, se está reevaluando para determinar su potencial latente. La revisión se inició tras reconocer que, pese a las numerosas perforaciones, muestreos y actividades mineras llevados a cabo, el trabajo geológico de base sigue desactualizado y se sustenta en supuestos heredados.
Estas limitaciones se deben en gran medida a las capacidades del software de principios de la década de los 2000 y a las restricciones inherentes del conjunto de datos original. Ante la posibilidad de que el proyecto inicie una nueva etapa, SRK observó que actualizar el recurso mediante métodos heredados, dependientes de software ya no compatible, resultaría poco práctico y consumiría mucho tiempo. Así surgió el desafío de tomar un recurso heredado y adaptarlo a la era moderna.
En colaboración con el cliente, SRK quiso aprovechar la oportunidad para ir más allá de los métodos manuales tradicionales y determinar si la IA podía ayudar a crear un modelo implícito de dominios de alta calidad en Leapfrog Geo de manera rápida. Aunque el proyecto contaba con un modelo geológico, históricamente este tenía poca influencia sobre la distribución de leyes, que se modelaba mediante envolventes indicadoras globales rígidas basadas en valores de corte de oro (Au).
El entorno geológico
Se presentaron a SRK dos yacimientos adyacentes con mineralización aurífera alojada en zonas de cizalla de cuarzo, las cuales cortan rocas encajantes metamórficas, intrusivas y sedimentarias.
En el primer yacimiento, la mineralización está fuertemente controlada por una estructura regional dentro del área del yacimiento y a lo largo de sus márgenes. Aunque no se conoce bien la interacción con fallas de alto ángulo asociadas a esta estructura regional, la mineralización parece seguir una tendencia regional general de rumbo definido y buzamiento bajo.
El segundo yacimiento presenta mineralización en varias zonas de cizalla discretas, cada una con orientaciones del plano de buzamiento con leves diferencias. La perforación histórica mediante circulación inversa y las prácticas heredadas de recopilación de datos han dificultado una interpretación geológica detallada de las relaciones de ley, lo que ha dado lugar a una interpretación estructural heredada relativamente simplificada de la tendencia de la mineralización. Esta interpretación aproximaba la mineralización en cada área mediante un rumbo y buzamiento globales, con un buzamiento suave y siguiendo en líneas generales los principales contactos litológicos.
Análisis con IA mediante Evo y Driver
Un primer análisis del conjunto de datos en Leapfrog Geo puso de manifiesto las limitaciones del modelo estructural heredado. Si bien esta interpretación resultaba aceptable como aproximación inicial, SRK consideró que sería insuficiente para abordar las características geológicas más intrincadas del yacimiento, pues sugerían complejidades locales significativas, incluidos posibles cambios en el ángulo de buzamiento principal, discontinuidades abruptas de ley y la presencia de varias estructuras amplias y abiertas similares a pliegues.
SRK oyó hablar de Evo y Driver por primera vez en una demostración durante una conferencia sobre minería y de inmediato pensó en sus posibles aplicaciones para este desafío. SRK no tardó en colaborar con el científico de datos principal, el Dr. Alexander Wilson, para examinar el proyecto y explorar estas nuevas capacidades en la nube, junto con un nuevo flujo de trabajo conectado y desarrollado en Leapfrog Geo.
«Tenía mucha curiosidad por probar Driver, una de las nuevas herramientas de modelado de Seequent, la cual utiliza IA para generar tendencias locales cuantitativas de ley de forma directa a partir de los datos de perforación sin procesar. Quería ver si podía validar con rapidez la hipótesis heredada de buzamiento global y, de ser factible, mejorarla al introducir algunos controles estructurales locales que reflejaran mejor la complejidad geológica”, comentó Hastings.
Driver se basa en Seequent Evo, una plataforma de datos y computación para geociencias que permite flujos de trabajo integrados y la colaboración entre los productos de Seequent y soluciones de terceros. Al utilizar las funcionalidades conectadas de Evo dentro de Leapfrog Geo, Hastings pudo cargar con rapidez los datos de perforación en la nube, donde se formatearon de manera automática y quedaron listos para un análisis con Driver. Luego creó un nuevo proyecto y comenzó a analizar los datos con la ayuda de los algoritmos avanzados de Driver.
Driver incorpora nuevas funcionalidades de IA al modelado estructural de yacimientos (Figura 1). El algoritmo central, mapeo de continuidad espacial (SCM, por las siglas en inglés de
Contenido relacionado:
* La apertura dará forma al futuro de la geociencia
* Vea: Driver, la próxima generación de soluciones geológicas inteligentes
* Vea: BlockSync está redefiniendo la forma en que la industria minera trabaja con datos de modelos de bloques
* Presentamos la nueva integración entre Seequent Evo y Deswik
Figura 1: Driver, una nueva aplicación web desarrollada sobre Seequent Evo, incorpora nuevas funcionalidades de IA para la interpretación y el modelado estructural de yacimientos. La figura muestra continuidades planares de muestras de alta ley segmentadas de forma automática en clústeres con coherencia espacial que representan vetas individuales.
Descubrir una nueva historia con Driver
Las observaciones basadas en datos de Driver validaron en gran medida la interpretación estructural tradicional de buzamiento somero, lo que respalda la idea de que la continuidad de la mineralización presenta, en general, un buzamiento suave y uniforme (Figura 2). Sin embargo, Driver también proporcionó una evaluación rápida de la anisotropía localmente variable (LVA, por sus siglas en inglés), la cual aportó información clave sobre las complejidades estructurales locales que no habían sido capturadas en las interpolaciones globales tradicionales. Los elipsoides generados automáticamente por Driver indican la presencia de un amplio sinclinal abierto en la parte norte del yacimiento, así como numerosas áreas donde el buzamiento local de las zonas de cizalla se desvía en más de 10–15 grados respecto de la tendencia general dominante.
Lo más importante es que en un área que se prevé será objetivo de explotación minera en el corto plazo, los elipsoides de continuidad espacial revelaron una desviación marcada respecto del patrón global, con un incremento del buzamiento de la continuidad de la ley que delineaba la traza aparente de un pliegue cerrado e invertido. Aunque aún no se comprende del todo la naturaleza de este aparente pliegue, los resultados de Driver aportan indicios convincentes de una posible complejidad estructural asociada a la falla y a la deformación regionales con orientación norte-sur (Figura 2).
«Cuanto más lo observaba, más indicios encontraba de un sistema muy deformado. Driver mostraba con claridad que la mineralización se curvaba hacia arriba dentro de una estructura invertida, antes de volver al buzamiento somero típico hacia el oeste”, señaló Wilson.
Figura 2: Resultados del análisis de Driver coloreados por agrupaciones automáticas de clústeres. A) Stereonet que muestra los polos de los planos de la tendencia global de mineralización heredada (estrella amarilla) y los elipsoides locales generados por Driver (puntos de colores). B) Corte transversal que muestra datos de perforación dentro del área propuesta para la futura explotación minera, coloreados según los ensayos de Au. C) Elipsoides locales generados por Driver que delimitan la posible presencia de un pliegue invertido. D) Corte transversal de cizallas inclinadas en el segundo depósito, coloreadas según agrupaciones automáticas de clústeres.
Ninguna de estas complejidades estaba representada en las distribuciones de ley heredadas, lo que abre la posibilidad a Driver para que proporcione una base respaldada en datos para construir un modelo geológico más coherente.
«La estructura de pliegue aparente que surgió del análisis encaja bien con el contexto estructural regional. Sin duda, esto sugiere que, dada la ampliación y la producción mineras previstas a corto plazo, esta zona merece un estudio más detallado mediante nuevas perforaciones para comprobar la posible nueva interpretación. Además, los modelos de anisotropía variable generados por Driver capturan mucho mejor y con mayor rapidez la variabilidad local de las tendencias regionales de buzamiento somero en ambos yacimientos, lo que podría utilizarse para mejorar significativamente la continuidad local del modelo final de ley”, afirmó Hastings.
Una cadena de modelado integrada basada en datos
En cuestión de minutos, el análisis de Driver genera un tipo de información estructural cuantitativa que puede utilizarse para observaciones a escala de yacimiento y como datos de entrada para una nueva cadena integrada de modelado compartida con Leapfrog Geo. Cada elipsoide local indica la continuidad prevista de una característica geológica (en este caso, ley elevada de Au), que se extiende más allá de los puntos de análisis locales. El conjunto de elipsoides constituye un campo de anisotropía que varía de manera local y que ahora puede integrarse directamente en la función Structural Trend (tendencia estructural) de Leapfrog, donde puede guiar y regular el motor de modelado implícito basado en RBF™.
Luego de filtrar los elipsoides locales con baja fiabilidad y métricas deficientes de respaldo de datos, Hastings creó una serie de volúmenes indicadores basados en la ley para distintos valores de corte y umbrales de probabilidad. Al utilizar la nueva funcionalidad Triaxial-Blending Structural Trend (tendencia estructural con mezcla triaxial) como entrada (disponible en Leapfrog 25.1), las superficies implícitas resultantes ajustan la intensidad y la magnitud de la anisotropía local en función de las tendencias de ley detectadas por Driver.
Figura 3: Comparación entre los dominios implícitos de Leapfrog y los modelos numéricos construidos mediante Triaxial-Blending Structural Trend informado por Driver (colores púrpura y cálidos), frente al buzamiento global heredado (rojo). Los resultados delinean la estructura de pliegue invertido en el área propuesta para la explotación minera futura (A). y un amplio sinclinal abierto en el norte (B).
El nuevo enfoque, que combina Driver y Leapfrog Geo, ofrece ventajas significativas frente a la interpretación heredada al generar de forma eficiente modelos con mayor coherencia estructural. Los volúmenes indicadores generados reflejan con mayor fidelidad las complejidades estructurales del yacimiento, y delinean con claridad rasgos como el pliegue cerrado e invertido en el área propuesta para explotación minera y el amplio sinclinal abierto en el norte (Figura 3). Este modelo, que presenta mayor flexibilidad local, puede generarse en cuestión de minutos y con una escasa intervención manual —mediante la digitalización de polilíneas, la creación de discos de control estructural o la construcción de interpolantes de forma—, un proceso que antes podía requerir horas o incluso días si se realizaba de forma manual.
«Lo que más me llamó la atención fue la eficiencia con la que se podían generar las nuevas entradas estructurales”, afirmó Hastings. «Como consultor que trabaja en muchos proyectos y con plazos muy ajustados, me entusiasma poder construir un modelo de dominios más coherente desde el punto de vista geológico y mejor conectado con los datos, mucho más rápido y con mayor eficiencia que con un enfoque implícito o explícito convencional».
El flujo de trabajo híbrido de IA y modelado implícito que ofrecen Evo, Driver y Leapfrog Geo brinda una forma práctica de mejorar la coherencia estructural de los modelos con poco esfuerzo manual, al tiempo que mantiene rapidez, objetividad y un carácter plenamente dinámico.