Machine learning aplicado a la prospectividad de depósitos de Fe al norte de Suecia

La creación de nuevas tecnologías y el continuo aumento de la población global ha llevado a una mayor demanda de recursos minerales, al mismo tiempo que el descubrimiento de nuevos depósitos minerales se ha ralentizado y es progresivamente más difícil. El uso de herramientas computacionales permite realizar un mapeo de prospectividad mineral (probabilidad de encontrar un nuevo depósito), mediante la integración de diferentes capas de información sobre áreas que van desde unos pocos hasta miles de km2. En este trabajo se presenta un mapa de prospectividad mineral para depósitos de Fe en un área de ~14500 km2 al norte de Suecia, dentro del Escudo Fennoescandiano. La geología está compuesta por rocas magmáticas intrusivas, rocas volcánicas félsicas y rocas sedimentarias siliciclásticas del Paleoproterozoico pertenecientes a la unidad litotectónica de Norrbotten las cuales fueron afectadas por el evento orogénico Svecokareliano (2.0-1.8 Ga). Existen varios distritos metalogenéticos de Fe en el área asociados a depósitos IOA o tipo Kiruna y depósitos tipo skarn. El depósito Kirunavaara localizado dentro del área, es el único depósito de clase mundial en toda Suecia con al menos 2 Gt al 60% de Fe, de las cuales 1 Gt ya han sido minados.

Utilizando el lenguaje de programación Python se crearon cuatro modelos de prospectividad mediante los algoritmos Support Vector Machines (SVM), Random Forest y Multi Layer Percepcion (regressor y classifier) tomando como input la litología, geoquímica, fallas, lineamientos, magnetometría, radiometría y ocurrencias minerales, obtenidos del Servicio Geológico de Suecia (SGU). Todas las capas de información fueron rasterizadas e integradas en una misma base de datos para un menor manejo.

Los mapas de prospectividad mineral obtenidos muestran de manera gráfica las áreas con mayor probabilidad de éxito teniendo en cuenta las mineralizaciones presentes en la región, lo que provee información importante para seleccionar futuros targets (IOA y skarn) de exploración. Se realiza una comparación entre los cuatro modelos, analizando herramientas usadas en la evaluación de modelos como curvas de aprendizaje, validación, Receiver Operating Characteristic curve (ROC curve) y matrices de confusión, y simultáneamente se estudian los mapas para seleccionar los mejores modelos basado en criterio geológico.

0

  • Nicolás José Porras Plata, Gabriel Julián Ariza Benavidez, Juan Pablo Jaimes Bermúdez
  • porrasn15@gmail.com, gabriel_ariza_97@hotmail.com, juanjaimesb21@gmail.com
  • Poster