Cómo el machine learning de TANGO transformará la detección de cobre, oro y litio
Noticias mineras de San Juan y Latinoamérica
Cuando un equipo de investigadores sanjuaninos viajó del 22 al 25 de abril de 2025 al prestigioso workshop de la NSF en Tucson, Arizona, llevó al continente norteamericano los avances del Proyecto Internacional TANGO (TransAndean Great Orogeny Project), y también la promesa de una nueva era para la exploración minera. El Dr. Gustavo Ortiz, coordinador del grupo de sismotectónica de la UNSJ y CONICET, explicó a ACERO Y ROCA cómo el machine learning en minería puede transformar el modo en que detectan y evalúan los depósitos minerales.
Por Yenhy Navas
El desafío de mapear lo invisible
El engrosamiento cortical y los procesos magmáticos que dieron origen a la cordillera de Los Andes son también los responsables de concentrar importantes yacimientos de cobre, oro y litio. Sin embargo, comprender esas dinámicas tectónicas requiere millones de datos sísmicos y geológicos.
“Lo que hace el aprendizaje automático es acelerar el ‘picado’ de eventos sísmicos”, resume Ortiz.
Hasta ahora, cada sismo registrado por una red densa de estaciones requería un análisis manual para extraer tiempos de llegada de las ondas P y S-ondas sísmicas.
Con algoritmos entrenados sobre los grandes volúmenes de datos de TANGO, ese proceso hoy es casi instantáneo, generando catálogos sísmicos más ricos y completos en fracción del tiempo tradicional.
Dr. Gustavo Ortiz, coordinador del grupo de sismotectónica de la UNSJ y CONICET
Machine learning al servicio de la geociencia minera
La aplicación de machine learning en minería no se limita a agilizar el procesamiento de sismogramas.
Una vez obtenidos los catálogos, los datos de velocidades de onda P y S se cruzan para calcular cocientes y detectar variaciones en densidad y rigidez del subsuelo.
“Con las relaciones de velocidades sísmicas podemos identificar cuerpos más densos, como pórfidos minerales, de manera similar a la gravimetría o la magnetometría, pero aprovechando las redes sismológicas ya instaladas”, explica Ortiz.
Esta capacidad de “ver” bajo tierra con mayor resolución y rapidez abre la posibilidad de orientar campañas exploratorias hacia zonas de mayor potencial mineral, reduciendo costos y tiempos de las etapas iniciales de un proyecto minero.
Un puente hacia futuros desarrollos
Aunque el Proyecto TANGO no se diseñó originalmente para sitios mineros —sus estaciones están distribuidas en centros urbanos como San Juan y Salta—, la experiencia adquirida en Arizona demostró el valor de trasladar estos algoritmos a áreas con actividad extractiva.
Ortiz relata su encuentro con colegas chilenos que ya aplican enfoques similares en sus propias redes. “Ellos entrenan sus máquinas con datos de sus sitios mineros y obtienen mapas de probabilidad de mineralización muy precisos”, comenta. “Esa es la próxima etapa que nos entusiasma: diseñar redes sismológicas específicas para yacimientos y entrenar modelos de machine learning con datos locales”.
Ventajas frente a métodos tradicionales
Las técnicas convencionales de exploración (muestreo de rocas, análisis geoquímicos, gravimetría) siguen siendo esenciales, pero el machine learning para la exploración minera ofrece tres grandes ventajas:
- Velocidad de procesamiento
Una vez entrenado, el sistema automático puede correr 24/7, procesando miles de eventos sísmicos mientras los geólogos se concentran en la interpretación. - Consistencia y repetibilidad
A diferencia del análisis manual, los algoritmos no fluctúan según la fatiga o la experiencia del operario, garantizando catálogos homogéneos en el tiempo. - Integración multidimensional
Los modelos pueden incorporar datos sísmicos, geológicos y geoquímicos, ofreciendo una visión integrada del subsuelo que potencia la identificación de blancos mineros.
Imagen: IStock por Khanchit Khirisutchalual
De la microzonificación sísmica a la seguridad de plantas mineras
Además de la exploración, el grupo de sismotectónica de la UNSJ destacó el rol del machine learning en la evaluación de riesgos sísmicos. La microzonificación sísmica —el mapeo de la respuesta local del suelo— es crítica para diseñar infraestructuras mineras y plantas de procesamiento resistentes a temblores.
“Con datos de ondas de corte (S), podemos predecir cómo se comportará el terreno y optimizar la ubicación de plantas y depósitos de relaves”, señala Ortiz.
Este conocimiento reduce la vulnerabilidad ante sismos y ayuda a cumplir normas ambientales y de seguridad, dos ejes cada vez más vigilados por inversores y organismos reguladores.
Camino a la transferencia tecnológica
Por ahora, el Grupo de Sismotectónica no cuenta con colaboraciones firmes con empresas mineras.
Sin embargo, Ortiz asegura que hay un interés creciente: “Vemos entusiasmo en el sector privado por incorporar estas metodologías. Nuestra misión será adaptar las redes, entrenar los modelos con datos propios de cada yacimiento y formar a los profesionales del sector en inteligencia artificial aplicada a la geociencia minera”.
Esa sinergia academia–industria, puede acortar plazos de exploración, reducir riesgos y mejorar la sustentabilidad de los proyectos.
Para San Juan, tierra de litio y cobre, es una oportunidad de repetir el éxito de innovaciones previas en geotermia y energía renovable.