UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE INGENIERÍA DE MINAS

ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS

CURSO: MODELOS Y SIMULACIÓN DE MINAS

TEMA: MACHINE LEARNING

PROFESOR: Ing. GRIMALDO EDMUNDO SAAVEDRA FRÍAS

ALUMNO: JHAIRO CRIOLLO MERINO

CICLO: IX

SEMESTRE: 2020-1

Piura, 14 de octubre del 2020

 ÍNDICE

Introducción………………………………..………………………………………1

Objetivos………………………………………………………………………..…..2

Machine Learning………………………………………………………….……...3

Machine Learning en la geología de minas……………………………………...4

Predicción de facies sedimentarias…………………………………………….…5

Tipos de aprendizaje…………………………………….………………………...6

Algoritmos……………………………………………………………………….…7

Algoritmos lineales de Problemas de clasificación………..……………………...7

Ciclo de machine learning………………………………………………………...8

Machine learning aplicado en la geología……………………………….…….…9

Parámetros de HOWARTH AND ROWLANDS (1987)………………………10

Aplicaciones de machine learning en la geología……………… ……………......11

Conclusiones……………………..……………………………………………….....12
 1

Introducción

Las técnicas de aprendizaje automático (o Machine Learning) están experimentando un auge

sin precedentes en diversos ámbitos, tanto en el mundo académico como en el empresarial, y

constituyen una importante palanca de transformación. Si bien estas técnicas eran conocidas

en los dos ámbitos, diversos factores están provocando que su uso sea más intensivo cuando

antes era minoritario, y que se extienda a otros campos cuando antes prácticamente no eran

utilizadas, tanto por los elevados costes de implantación como por los escasos beneficios

inicialmente esperados de su aplicación.

Las técnicas de aprendizaje automático pueden definirse como un conjunto de métodos

capaces de detectar automáticamente patrones en los datos15. Bajo esta definición, el

concepto de aprendizaje automático lleva existiendo al menos desde los años 50, periodo en el

que se descubrieron y redefinieron diversos métodos estadísticos y se aplicaron al aprendizaje

automático a través de algoritmos simples, aunque circunscritos casi exclusivamente al

ámbito académico.

Este concepto de aprendizaje automático incluye desde entonces el uso de los patrones

detectados para realizar predicciones, o para tomar otros tipos de decisiones en entornos de

incertidumbre.

Frente a las técnicas estadísticas clásicas, la introducción de técnicas de Machine Learning

permite mejorar el proceso de estimación de modelos, no solo con relación al aumento del

poder predictivo a través de nuevas metodologías y técnicas de selección de variables, sino

también en la mejora de la eficiencia de los procesos a través de la automatización.

 2

Objetivo general

Utilización Técnica, algoritmos de Machine Learning para mejorar las herramientas

predictivas.

Objetivo especifico

Conocer a machine Learning como herramienta predictiva en geología atreves de tratamiento

y transformación de datos.

Aplicación de algoritmos machine learning en ámbito de la geología y la minería.

Proceso de estimación de modelos, no solo con relación al aumento del poder predictivo a

través de nuevas metodologías y técnicas de selección de variables.

 3

Machine Learning

Definición

Es una técnica que se refiere al estudio y construcción de sistemas que pueden aprender a

partir de datos.

Conceptos y tendencias de aprendizaje automático

La transformación digital es el aprendizaje automático o Machine Learning: la aplicación de

técnicas y algoritmos capaces de aprender a partir de distintas y nuevas fuentes de

información, construyendo algoritmos que mejoren de forma autónoma con la experiencia.

Esto permite disponer de métodos capaces de detectar automáticamente patrones en los datos,

y usarlos para predecir sobre datos futuros en un entorno de incertidumbre.

Componentes principales del aprendizaje automático se pueden clasificar en cuatro grupos:

 Las fuentes de información, que pueden aportar datos tanto estructurados como no

estructurados, y que son la base del resto de componentes.

 Las técnicas y algoritmos para el tratamiento de información no estructurada (texto,

voz, video, etc.) y para la obtención de patrones a partir de los datos.

 La capacidad de autoaprendizaje, que permite que el Algoritmo se adapte a los

cambios en los datos.

 El uso de sistemas y software como vehículo para la visualización de la información y

la programación.
 4

El desarrollo de estos componentes supone una evolución con respecto al enfoque que

tradicionalmente ha tenido la modelización. Ello implica, entre otros elementos, el uso de un

mayor número y tipos de fuentes de información, la capacidad de detección de patrones

ocultos en los datos a partir de métodos inductivos, el mantenimiento del poder predictivo

durante más tiempo, así como la necesidad de una mayor capacidad de almacenamiento y

procesamiento de los datos.

Machine Learning en la geología de minas

En los zonas de cordilleras donde los procesos endógenos y exógenos de erosión,

magmatismo que permiten las zonas de mineralización, podemos estudiar y caracterizar

atreves de machine Learning podemos cuantificar las variables involucradas.

En los fenómenos geológicos que ocurren procesos físicos, que pueden ser cuantificados lo

cual necesita ser entendido bajo un concepto matemático, expresado atreves un lenguaje de

programación para poder implementarse, minimizando y generando una red neuronal un

valor predicho que sea semejante a la realidad.

Machine Learning es una caja negra lo cual es complicado entender el proceso que ocurre

dentro y su ves realizar predicciones y modelado.

Machine Learning en la geología

En la geología de exploración el gawler challenge técnicas de análisis de datos o machine

Learning que permite determinar zonas mineralizadas, la importancia de estas técnicas se

vuelto de vital importancia para empresas relacionadas a la industria minera en determinación

de nuevos yacimientos.

Estudios de predicción de rocas ígneas en el machine Learning previo tratamiento y

trasformación de datos. Modelamiento y técnicas para determinar los valores.

 5

Predicción de facies sedimentarias

 Atreves de la realización de taladros y estudios geofísicos podemos clasificarlas y

diferenciarlas facies sedimentarias aplicando machine Learning que permita predecir

las facies a partir de la información obtenida (formación, datos de los sensores)

obteniendo tipos de facies y precisión.

 Predicción de configuración tectónica, la información convergente atreves de los

componentes, elementos que definen podemos predecir el comportamiento, precisión

que permita tomar daciones.

Caja negra machine Learning: atreves de “datos” podemos realizar predicciones

En un análisis matemático, estos análisis de datos que realiza dentro de la caja negra del

sistema.

¿Qué es machine Learning?

Programación tradicional
 6

Machine Learning

Atreves del testeo validamos la data si esta funcionando así como la predicción acertada.

Tipos de aprendizaje

 Supervised learning

 Unsupervised learning

 Reinforcement learning

Supervised learning: determinamos la variable que queremos predecir, datos de entrada

para generar el programa de machine learning atreves de problemas de regresión.

Unsupervised learning: no indicamos al programa de machine learning la variable

objetico, consiste en encontrar patrones asociar valores numéricos encontrar minerales

asociados donde podemos ubicar los minerales en agrupamiento.

 7

Reinforcement learning: modelos computacionales.

Algoritmos

Existen múltiples

Algoritmos asociados encontrar una función lineal, que represente el comportamiento de

datos.

 Regresión lineal

 Lasso

 Ridge regresión

 Elástica net

Algoritmos lineales de Problemas de clasificación

Logistic regression

Linear discriminant analysis

Algoritmos no lineales

Toma predicciones en base datos de vecinos cercanos, clasificación, regresión, arboles de

decisión para realizar las predicciones.

 K-nearest neighborhs

 Naive bayes

 Support vector machine

 Classification and regression trees

 8

Algoritmos ensamblados: utilización de algoritmos asociados para realizar predicciones.

Algoritmos de Unsupervised learning

Clustering: predecir patrones internos dentro de nuestros datos en base a simeralidad.

K-means de Unsupervised learning: algoritmo no supervisado tenemos datos, pero no las

etiquetas. Asociados al concepto, distancias, error, matemático, estadístico depende del

criterio del geólogo donde aplicar esta herramienta.

Algoritmo de deep learning

Forward propagation: el ingreso de datos es a partir de varios brazos (valores de entrada) para

formar una red neuronal, generando una ecuación no lineal en una salida.

Percepción simplista: valores de entrada se ponderan ,lo que genera una distorsión para

generar una nueva salida de cada neurona ,que luego va ser una entrada para las siguientes

neuronas.

Ciclo del machine learning

 9

Técnicas aplicativas de machine learning en minería

 Predecir la existencia de mineral.

 Predecir una zona si es económica.

 Predecir deslizamientos.

Con la utilización de la ingeniería y machine learning podemos optimizar y modelar la

función objetivo mejorando el proceso o una nueva predicción.

 Problemas de procesamiento de datos (análisis, procesamiento y transformación)

 Estandarización y normalización de datos, Valores NaN

 Selección de principales características, OVERFITTED, re -muestreó, métricas,

trasformación. Red neuronal petrográfica

Machine learning aplicado en la geología

Predicción de la resistencia de una roca usando deep learning en sus características

microscópicas.

Se puede predecir el comportamiento de una roca, partir de sus características macroscópicas?

Si se puede predecir en base de caracteres macro-a partir de la característica microscópica.

Como se realiza????

A partir de características microscópicas.

Área-perímetro-longitud mayor-longitud menor-proporción grano matriz-angulosidad-

inclinación-alargados-consistencia etc. A Partir de aquí podemos predecir una característica

microscópica, de su resistencia uniaxial.

 10

Parámetros de HOWARTH AND ROWLANDS (1987)

Área de granos –perímetro de granos-redondas de granos-longitud máximo de granos-

longitud mínima del grano-inclinación de granos alargados.

Estos parámetros tienen relación con el COEFICIENTE TEXTURAL (características) VS

UCS (macroscópico) que permite realizar predicciones.

Precisión de coeficiente textual (los errores son mínimos entre lo experimental (ucs) vs ucs

estimado) con errores menores al 6% aunque en algunas veces alcanza los 15% lo cual es

necesario realizar un buen trabajo aplicando una red neuronal, regresión lineal, inteligencia

artificial.

Deep learning para predicciones de propiedades de la roca

Características macro-a partir de características microscópicas

 11

Aplicaciones de machine learning en la geología.

 Algoritmo para el reconocimiento de litologías basados en fotos de cores y

generación de pseudoregistros (pseudo-long).

 Entrenamiento de un algoritmo para reconocimiento de mineralización de oro

“invisible”

 Detección automática de fracturas.

 Mapeo geoquímico.

 Prospección de mineral.

 Identificación de características geológicas de cubos sísmicos.

 12

Conclusiones

 La inteligencia artificial y el uso de herramientas como machine learning y deep

learning son utilizados en la actualidad en distintas ramas de la ciencia lo cual

conlleva a su aplicación en distintas industrias.

 La persona que desarrolle un programa de un determinado tema, es el profesional o

especialista debe tener conocimiento sobre los datos e interrelaciones.

 Machine Learning se encarga de definir estos patrones y parámetros para su posterior

análisis.

 Machine learning es una herramienta que permite optimizar procedimientos que se

realizan actualmente y a su vez crear un nuevo conocimiento.

 Se enfoca en la predicción basada en las propiedades conocidas aprendidas a partir de

datos de entrenamiento.

 En la actualidad tenemos una gran cantidad y base de datos y la tecnología necesaria

para procesarlo atreves del uso de la inteligencia artificial.

 Utilización de nuevas herramientas de predicción, aplicados a diferentes ámbitos tanto

en geología y minería.

 Los algoritmos machine Learning podemos predecir sucesos en el menor tiempo, con

una precisión para lo cual es indispensable buena base de datos.

13