| dc.description | Dentro de la minería una de las etapas del proceso minero que mayor
incertidumbre produce es dentro de la estimación de recursos, y para poder
realizar estimaciones se hace uso de la geoestadística. Nuevas tecnologías están
naciendo, con mayor capacidad de análisis de datos y procesamiento de ellos, y
vienen a contribuir en la búsqueda de bajar la incertidumbre geológica, que se
produce en la modelación de variables geológicas. El objetivo de la presente
investigación de memoria plantea utilizar métodos alternativos a los ya utilizados
en la minería, como por ejemplo, el Kriging de indicadores para la estimación de
variables nominales. Por lo anterior, es que se plantean dos métodos del
aprendizaje de máquinas, las redes neuronales artificiales y la regresión logística,
y se utiliza una base de datos con distintos tipos de litologías, con el objetivo de
realizar estimaciones a variables categóricas, y compararlas con el Kriging de
indicadores. De los métodos propuestos, las redes neuronales artificiales resultan
ser las que mejor estiman variables nominales de acuerdo con métricas de
desempeño, en segundo lugar se encuentra la regresión logística y muy de cerca
el Kriging de indicadores. Se concluye que a pesar del buen rendimiento de los
métodos del aprendizaje de máquinas según los estadísticos de exactitud,
precisión, sensibilidad y especificidad, no se puede asegurar que son
significativamente mejores que el representante geoestadístico, es decir, el Kriging de indicadores, y por lo tanto queda en manos del experto que herramientas prefiere utilizar para modelar las variables geológicas. // ABSTRACT: Within mining, one of the stages of the mining process that produces the greatest
uncertainty is within the estimation of resources, and in order to make estimates,
geostatistics are used. New technologies are being born, with greater capacity for
data analysis and data processing, and they come to contribute in the search to
lower geological uncertainty. The objective of the present memory research
proposes to use alternative methods to those already used in mining, such as, for
example, the Kriging of indicators for the estimation of nominal variables.
Therefore, it is that two methods of machine learning are proposed, artificial neural
networks and logistic regression, and a database with different types of lithologies
is used, in order to make estimates to categorical variables, and compare them
with the Kriging of indicators. Of the proposed methods, artificial neural networks
turn out to be the ones that best estimate nominal variables, followed by logistic
regression and very closely the Kriging of indicators. It is concluded that despite
the good performance of the machine learning methods according to the statistics
of accuracy, precision, sensitivity and specificity, it cannot be assured that they are
significantly better than the geostatistical representative, that is, the Kriging of
indicators, and therefore, it is up to the expert which tools he prefers to use to
model geological variables. | |
