El artículo de Alberto Fernández, docente del Departamento de Ingeniería en Minas de la Universidad de Santiago (Dimin USACH), busca sumar valor en las etapas de exploración y producción minera. 

“Ore/waste identification in underground mining through geochemical calibration of drilling data using machine learning techniques” es el nombre de la investigación del académico del Departamento de Ingeniería en Minas USACH Alberto Fernández, publicada de forma indexada en la revista “Ore Geology Reviews” y que se centra en el uso de técnicas de Inteligencia Artificial para procesar datos generados desde la operación de perforación , con el fin de construir modelos ingenieriles de predicción de propiedades del macizo rocoso, ajustado a las características del yacimiento y tecnología de perforación disponible en las operaciones mineras. 

La importancia de integrar en el proceso minero este modelo, construido a través de la calibración de diferentes patrones y niveles en las señales de perforación con información geológica, geotécnica y/o geoquímica; es sumar valor tanto en las etapas de exploración, para una mejor caracterización de los recursos estudiados, como de producción, puesto que permite adaptar el diseño de tronadura. 

“La investigación continúa una línea de trabajo del grupo Explosives and Blasting Lab de la Escuela Técnica Superior de Ingenieros (ETSI) de Minas y Energía de la Universidad Politécnica de Madrid, la que comenzó hace 9 años con la participación en proyectos de investigación aplicada”, detalla el docente Dimin USACH, agregando que los principales académicos que han llevado esta línea son José Ángel Sanchidrián y Pablo Segarra, quienes colaboraron en el artículo de “Ore Geology Reviews”, además de Rafael Navarro del Instituto de Geológico y Minero de España.

En ese sentido, la experiencia previa de Fernández en el área estuvo enfocada en entender las correlaciones entre los parámetros de trabajos de la perforadora y crear modelos de clasificación de la roca en base a combinaciones lineales de parámetros, así como también modelos de Machine learning, tal como se evidencia en su pasado artículo “Rock mass structural recognition from drill monitoring technology in underground mining using discontinuity index and machine learning techniques”.

“Estas publicaciones han sido pasos muy relevantes en mi carrera. Tener la oportunidad de crear conocimiento y difundirlo, tanto hacia el área minera como geológica, me han entregado una visión más avanzada de la investigación científica, potenciada con el trabajo efectuado en proyectos de investigación aplicada con equipos de múltiples áreas y operacionales. Esta experiencia, además, contribuye a mi formación académica y científica, para luego entregar ese valor en el Dimin USACH”, concluyó el académico.