XIV CONGRESO INTERNACIONAL DE PROSPECTORES Y EXPLORADORES DESCUBRIENDO RECURSOS MINERALES PARA UN MUNDO MEJOR 104 REVISE PAPER El uso de la inteligencia artificial está cada vez más presente en nuestras vidas. No solo el hardware ha avanzado exponencialmente en los últimos años, sino también el desarrollo e implementación de algoritmos utilizados en la minería de datos. Por esta razón, los autores consideran factible implementar métodos de machine learning en la predicción de variables submuestreadas/secundarias, basadas en variables críticas. Se denomina variables secundarias a aquellas características o propiedades químicas, físicas o metalúrgicas que son poco muestreadas (en comparación a variables primarias como la química de los elementos económicos o el RQD) dentro de un depósito mineral, ejemplos de estas variables son la densidad, propiedades metalúrgicas, elementos contaminantes, susceptibilidad magnética, caudal, etc. El presente trabajo implementa una metodología de previsión de variables secundarias basado en la correlación espacial existente con variables primarias. Las cuales son muestreadas de manera sistemática debido a su importancia económica. Resumen Predicción del Carbono Orgánico Total en un depósito de oro aplicando elementos de machine learning Bloque I Autores: José Enrique Gutiérrez Octavio Vargas Machuca Eliott Hidalgo Compañía de Minas Buenaventura.
RkJQdWJsaXNoZXIy MTM0Mzk2