Más de 2,200 científicos de datos y geocientíficos han competido durante meses para revelar nuevos depósitos minerales económicos en el sur de Australia.

De este esfuerzo masivo de colaboración colectiva, aquí están los ganadores del pozo de premios de 250,000 dólares australianos, patrocinado por el Departamento de Energía y Minería de Australia del Sur.

La región de Gawler, en Australia del Sur, es uno de los dominios geológicos más prometedores del mundo. Contiene yacimientos como Olympic Dam de BHP y los yacimientos de cobre y oro Prominent Hill y Carrapateena de OZ Minerals. Científicos de datos y geocientíficos de más de 100 países han competido durante meses para generar nuevas soluciones para la exploración minera.

El desafío de ExploreSA: Gawler refleja un apetito por que la ciencia de datos tome una posición más prominente junto con las técnicas tradicionales de exploración minera, donde las metodologías emergentes pueden mitigar el riesgo, optimizar los resultados y ofrecer estrategias de exploración específicas. Los resultados del desafío indican a los inversores que Australia del Sur está lista y dispuesta a facilitar operaciones mineras a gran escala y la economía se beneficiará de las actividades en torno a los proyectos multimillonarios que puedan surgir de los resultados de este desafío.

Las soluciones novedosas presentadas por los participantes del desafío han demostrado ser diversas y se han generado muchos objetivos utilizando múltiples métodos. Estos resultados se recogen en un mapa interactivo, en el que Los resultados completos del desafío ya están disponibles en SARIG. 

Lea también: Se anuncian los ganadores del premio Data Prep de ExploreSA: The Gawler Challenge

Primer premio de 100,000 dólares australianos: Por onza 

Team Per-Oz es un esfuerzo colaborativo de Paul Pearson de Latin Global y John McLellan de GMEX. Se especializan en geología estructural, análisis de prospectividad, ciencia de datos, aprendizaje automático y modelado para la industria minera y de exploración global. Paul tiene su base en Lima, Perú, y John en Queensland, Australia. Ambos trabajan como consultores de la industria.

Resumen de envío

Una metodología basada en datos (aprendizaje automático) que prueba sistemáticamente la importancia relativa de una gran cantidad de factores geológicos en depósitos conocidos. El enfoque integra un enfoque de sistemas minerales que enfatiza y analiza los procesos operativos en el paso de fluidos minerales y metales a sus sitios de deposición final. Per-Oz identificó ingredientes esenciales en los diferentes niveles de la corteza del sistema mineral teórico como 100 criterios mapeables en los datos de exploración. Estos criterios se ingresan en el algoritmo de aprendizaje automático y se utilizaron para hacer predicciones sobre las áreas menos conocidas. Además, se aplicó una metodología basada en análogos para probar procesos geológicos (modelado geomecánico) que simula la falla de la roca y el flujo de fluidos minerales en sitios potenciales de trampas de metales en la corteza superior para perfeccionar aún más la orientación a escala de distrito.

¿Cómo ven entonces los doctores Paul Pearson y John McLellan su solución funcionando en un entorno de producción?

Creemos que los conjuntos de información que hemos proporcionado abarcan tanto los enfoques de ciencia de datos como de aprendizaje automático, pero se han centrado en gran medida en la geología, que creemos que es fundamental para proporcionar una base de información significativa que haya destacado los mejores objetivos potenciales en la región. Nuestra metodología es clara, ya que nos centramos en los factores geológicos críticos al supervisar el aprendizaje automático y lo combinamos con uno de los factores "localizadores de minerales" más importantes, que es el historial de deformación y la respuesta geomecánica de la corteza superior. Este enfoque beneficiará a los exploradores al alentarlos a pensar en cómo los eventos de deformación han proporcionado ubicaciones clave para la concentración de fluidos y la formación de depósitos minerales.

El Jurado El jurado quedó impresionado por el novedoso enfoque de Per-Oz, que demostró una integración eficaz de los sistemas minerales y la geomecánica, con técnicas de aprendizaje automático adecuadas, presentadas con una calidad técnica excelente. Los jueces señalaron que la propuesta del Dr. John McLellan y el Dr. Paul Pearson sería muy accesible y útil para los exploradores de la región de Gawler.

Segundo premio de 50,000 dólares australianos: Analítica de Caldera 

Caldera Analytics es una consultora de ciencia de datos formada por los ganadores del año pasado Desafío exploradorCaldera se centra en utilizar el aprendizaje automático para ayudar a los exploradores a buscar metales básicos encubiertos, reduciendo el riesgo de explorar en estas áreas desafiantes.

Resumen de envío

Caldera Analytics creó un modelo de aprendizaje automático que predijo la prospectividad de los depósitos de IOCG alojados en el basamento en el cratón de Gawler. Todos los conjuntos de datos de entrada tenían que ser adecuados para el propósito; cada característica tenía que estar respaldada por una justificación sólida y no se incluyeron predictores con correlaciones tenues. Después de extensas investigaciones, los únicos conjuntos de datos adecuados para el propósito que son útiles para el mapeo de prospectividad a gran escala son los de gravedad, magnetismo, magnetotelúricos y fallas a escala de la corteza. 

El modelo se realizó en un escenario de validación espacial conservador, lo que garantiza que podría funcionar de manera confiable sin importar cuán único fuera el terreno geológico. Las regiones prospectivas a gran escala del modelo indican que la región de Mabel Creek y la región de Peake y Denison deberían tomarse más en serio para la mineralización de IOCG, lo que respalda los desarrollos recientes de Petratherm y Minotaur con respecto a estas áreas. Mabel Creek es el área más interesante debido a la presencia de un conductor magnetotelúrico que se adentra más al norte en regiones de estudio de baja gravedad sin estacas, lo que brinda nuevas oportunidades para todos los exploradores.

¿Qué consejo tiene Caldera Analytics para los innovadores emergentes?

Concéntrese en ser lo más transparente posible y no ignore los modelos de aprendizaje automático simples. Crear modelos efectivos que generen valor comercial para los exploradores siempre será mejor que desarrollar un enfoque analítico brillante pero difícil de seguir.

El Jurado Se señaló que la presentación de Caldera Analytics incluyó un debate sólido sobre qué datos se utilizaron y por qué, incluido el escepticismo en torno a los enfoques de aprendizaje automático. También se los elogió por utilizar pozos de perforación negativos como datos de entrenamiento y una aplicación innovadora de datos de gravedad, que resulta práctica para los científicos de datos en exploración.

Premio para estudiantes de 20,000 dólares australianos: Esparveón 

Sparveon representó a un equipo internacional de estudiantes que desarrolló soluciones de aprendizaje automático y big data para rastrear los patrones de imágenes satelitales y numerosos conjuntos de datos geológicos, que esperaban pudieran generar de manera rápida y precisa el área objetivo prospectiva de recursos minerales y energéticos.

Resumen de envío

Una metodología basada en datos (aprendizaje automático) que prueba sistemáticamente la importancia relativa de una gran cantidad de factores geológicos en depósitos conocidos. El enfoque integra un enfoque de sistemas minerales que enfatiza y analiza los procesos operativos en el paso de fluidos minerales y metales a sus sitios de deposición final. Sparveon identificó ingredientes esenciales en los diferentes niveles de la corteza del sistema mineral teórico como 100 criterios mapeables en los datos de exploración. Estos criterios se ingresan en el algoritmo de aprendizaje automático y se utilizaron para hacer predicciones sobre las áreas menos conocidas. Además, se aplicó una metodología basada en análogos para probar procesos geológicos (modelado geomecánico) que simula la falla de la roca y el flujo de fluidos minerales en sitios potenciales de trampas de metales en la corteza superior para perfeccionar aún más la orientación a escala de distrito.

Entonces, ¿qué pensó el equipo Sparveon del desafío ExploreSA?

Si pudiéramos definir ExploreSA: Gawler Challenge en una sola frase, sería "un desafío divertido". Tener la oportunidad de participar en este desafío es lo mejor que nos podría pasar este año. Gawler Challenge no solo nos brinda la oportunidad de experimentar con los datos, sino también la comunidad en la que puedes colaborar con tus ideas con otros participantes, discutir tu problema y, tal vez, obtener la respuesta. La comunidad que crea esta competencia nos motiva a desafiarnos aún más.

El Jurado Me impresionó el intenso debate sobre qué datos se utilizaron y por qué, incluido el escepticismo en torno a los enfoques de aprendizaje automático, junto con el uso de perforaciones negativas como datos de entrenamiento y la aplicación inteligente de datos de gravedad.

Premio Undercover de 15,000 XNUMX dólares australianos: Desnieblar

El equipo de DeMIST reúne experiencia en geociencia y aprendizaje automático de todos los rincones de la Tierra. DeMIST trabaja en conjunto en la histórica ciudad minera de Freiberg y comparte la pasión por aplicar las ciencias de la Tierra de vanguardia para garantizar el uso sostenible de los recursos minerales. 

Resumen de envío

DeMiST caracteriza la generación y el transporte potencial de fluidos metalíferos a escala regional, basándose en el sistema mineral hierro-óxido-cobre-oro (IOCG), y luego apunta a estructuras de trampa en áreas fértiles que pueden haber acumulado cantidades económicamente significativas de cobre y/o oro.

DeMiST aplica múltiples enfoques de aprendizaje automático supervisados ​​y semisupervisados ​​e integra sus predicciones utilizando un marco bayesiano para identificar seis regiones de alto potencial en el cratón de Gawler. Luego se mapearon las posibles estructuras de trampa para identificar anomalías superficiales y subterráneas consistentes con la huella distal de un depósito mineral. Este flujo de trabajo les permitió identificar objetivos de alto potencial con

1. un entorno cortical fértil propicio para la generación y transporte de fluidos mineralizados,

2. trampas estructurales apropiadas para desencadenar la precipitación del metal y la formación de un depósito, y

3. datos geoquímicos anómalos de superficie o subsuelo típicos de la huella distal de los depósitos IOCG.

¿Tiene DeMIST algún consejo para que los innovadores emergentes creen propuestas exitosas?

No hay sustituto para comprender los conjuntos de datos con los que trabaja y cómo se recopilaron. El diablo está en los detalles, e incluso los algoritmos de aprendizaje automático más sofisticados pueden verse fácilmente sesgados por errores, datos desequilibrados y ruido. La Tierra está formada por interacciones complejas entre procesos naturales que varían en el tiempo y el espacio, por lo que es necesario comprender la formación de depósitos minerales para desdibujar los datos disponibles y aplicar con éxito el aprendizaje automático a la exploración de minerales.

El Jurado elogió a DeMIST por su enfoque multiescala, una buena combinación de enfoques geológicos y de aprendizaje automático, y un enfoque de aprendizaje automático de varios pasos que incorporó retroalimentación.

Premio Rock Licker de 15,000 XNUMX dólares australianos: Jack Maughan

Jack Maughan es geólogo de formación y científico de datos autodidacta que actualmente reside en Adelaida, Australia del Sur. La experiencia de Jack como geólogo incluye funciones de exploración y producción de Cu, Au y U, tanto en Australia como en Canadá. Más recientemente, ha desarrollado un gran interés en la ciencia de datos y ha adquirido experiencia en "desenmascarar y desmitificar la caja negra del aprendizaje automático" en lo que respecta a la exploración minera.

Resumen de envío

La presentación de Calculating Copper es un flujo de trabajo interactivo y reproducible para crear mapas de predicción de minerales mediante aprendizaje automático. En particular, Calculating Copper utiliza resultados de perforaciones regionales, datos geofísicos y geológicos de todo el cratón de Gawler para predecir áreas de mineralización de metales básicos (Cu, Zn, Pb, Au) utilizando un enfoque de sistemas minerales. Se crean múltiples mapas de predicción de minerales utilizando y comparando varios algoritmos de aprendizaje automático. Los modelos se validan utilizando minas/depósitos existentes y luego se utilizan para proponer futuras ubicaciones de perforaciones.

¿Y cómo imagina Jack que los exploradores se beneficiarán con su modelo?

Espero que los exploradores puedan beneficiarse de mi propuesta desglosando mi metodología y desarrollándola, personalizando el flujo de trabajo para que se adapte a su propia región o a sus necesidades específicas. El objetivo principal de mi propuesta es proporcionar a los exploradores una comprensión y una visión que invite a la reflexión sobre el aprendizaje automático, por lo que espero que pueda ser una base a partir de la cual puedan surgir más ideas.

El Jurado Se elogió el enfoque combinado de Jack, que tenía en cuenta variables que otros equipos no tenían en cuenta, como la profundidad del sótano. Se señaló que el enfoque de Jack sería una base beneficiosa para quienes buscan aplicar el aprendizaje automático a las actividades de segmentación.

Premio Future Data de 15,000 XNUMX dólares australianos: Sam Bost

Sam Bost presentó una propuesta individual para el desafío GawlerSA. Sam trabaja actualmente en operaciones de producción y en proyectos de análisis avanzados como ingeniero de producción en Shell, así como en proyectos de análisis avanzados como ingeniero de aprendizaje automático en SIG Machine Learning Pty Ltd. Para el desafío GawlerSA, Sam expresó su gratitud por el apoyo y la colaboración de la comunidad Unearthed, así como de amigos y colegas de todo el mundo involucrados en la geociencia y la exploración minera. Al trabajar en SIG, a Sam le apasiona empoderar a las personas y las empresas identificando nuevas oportunidades para recopilar, transformar y modelar sus datos para ofrecer formas de trabajo más seguras, inteligentes y sencillas. Sam también tiene un gran sentido del humor y una muy Lindo perro.

Resumen de envío

Un nuevo enfoque para predecir la ubicación de los depósitos minerales en la región del cratón de Gawler utilizando modelos de aprendizaje profundo deterministas basados ​​en datos. Al adoptar un enfoque integrado y colaborativo, este proyecto considera varias fuentes de datos, incluidos estudios geofísicos, imágenes satelitales de teledetección, análisis geoquímicos, mapeo geológico y datos de perforaciones del subsuelo. En particular, se descubrió que el estudio aéreo del cratón de Gawler (GCAS) era una fuente de datos clave que arrojó resultados excepcionales cuando se implementó en modelos de aprendizaje automático (ML). Este proyecto ofrece tres modelos de aprendizaje automático supervisado basados ​​en regresión. Estos modelos están empaquetados en un solo software de inteligencia artificial (IA), acertadamente llamado 'Minny'.

¿Qué es lo que más le ha impresionado a Sam del ExploreSA: Gawler Challenge?

El desafío de GawlerSA fue mi primera participación en una competencia Unearthed y me sorprendió la disposición de la comunidad ExploreSA a colaborar y compartir conocimientos. Como ingeniero petrolero, los videos introductorios y las presentaciones de preparación de datos me resultaron increíblemente útiles para entender cómo utilizar el conjunto de datos disponible para brindar información que permita avanzar en la exploración minera.

Además de un excelente vídeo de presentación, el Jurado elogió el novedoso enfoque de Sam, que incluía una buena combinación de aprendizaje automático y geología, generando objetivos verificados de forma independiente.

Premio Breaking New Ground de 15,000 XNUMX dólares australianos: Soluciones de datos Avant

Avant Data Solutions es una pequeña consultora de aprendizaje automático con experiencia en el área de minería, exploración y procesos. El enfoque de Avant se centra en el procesamiento de imágenes, la predicción de objetivos minerales y la optimización de procesos.

Resumen de envío

Se elaboró ​​un modelo de red neuronal para generar mapas de prospectividad de los productos básicos seleccionados en el cratón de Gawler. Este modelo se entrenó en varias etapas, transfiriendo los aprendizajes de una etapa a la siguiente.

La primera etapa fue una capacitación autosupervisada, sin necesidad de ejemplos, utilizando conjuntos de datos en su máxima extensión para maximizar su utilización. En la segunda etapa, el modelo se actualiza con ocurrencias de toda Australia como objetivos, lo que produce un mapa de prospectividad mineral a gran escala. La intención es extraer patrones de un dominio más amplio de contextos geológicos para incorporarlos al modelo. Por último, el modelo está orientado a tipos de mineralización específicos dentro del cratón de Gawler. 

La geoquímica se utiliza para crear un resultado alternativo "guiado por ensayo" con una capacidad de orientación significativamente mayor; sin embargo, solo es válida en áreas cercanas a los resultados de ensayo existentes.

¿Cómo cree Avant Data Solutions que los exploradores pueden utilizar o beneficiarse de su presentación y metodología?

Creemos que el valor de nuestra solución es la capacidad de los exploradores de comenzar a buscar áreas de mayor valor en la etapa inicial de la exploración. Esto permite examinar las regiones rápidamente y a gran escala, lo que le da más tiempo al equipo de exploración para reducir los riesgos e identificar objetivos para futuras tareas exploratorias.

Avant Data Solutions fue elogiada por el Jurado por su entrenamiento de modelos utilizando un conjunto de datos de toda Australia, que generó de manera efectiva objetivos de proyectos nuevos. Este equipo también se destacó por haber considerado la economía de su enfoque y por incluir ponderaciones en torno a sus predicciones. 

Unearthed se ha esforzado por capturar estos objetivos en un mapa interactivo, en el que Los resultados completos del desafío ya están disponibles en SARIG.

Si tiene alguna pregunta sobre el ExploreSA: Desafío Gawler, o si desea crear su propio desafío, contáctenos enviando un correo electrónico a sales@costex.com.