|
Palabras clave
|
Prospección geoquímica, sedimentos de quebrada, Machine Learning, K-Means Clustering.
|
|
Justificación del proyecto
|
El área de estudio ubicada entre los distritos de Yarabamba, Quequeña y Polobaya del departamento de Arequipa, se encuentra en un contexto geológico controlado por extensos batolitos pertenecientes a la Superunidad Yarabamba, además se sitúa dentro de la franja metalogenética de pórfidos de Cu – Mo relacionados a intrusivos del Paleoceno – Eoceno y la franja de epitermales de Au – Ag del Mio – Plioceno, las cuales albergan algunos de los principales depósitos minerales del Sur del Perú.
Sin embargo, a pesar de estas evidencias, la zona solo cuenta con un estudio regional realizado por INGEMMET (2000), titulado “Estudio de los recursos minerales del Perú, Franja 1”, el cual cuenta con escasos datos de muestreo de sedimentos de quebrada dentro del área de estudio, además que carece de un estudio detallado de prospección geoquímica que permita identificar blancos de exploración de manera eficiente.
En el campo de la exploración de recursos minerales, se han empleado métodos de estadística univariable y multivariable para el análisis de datos geoquímicos. Sin embargo, en la actualidad la aplicación de nuevas metodologías para el análisis estadístico, como el uso de machine learning y algoritmos K-Means Clustering, se presenta como una necesidad para optimizar la prospección geoquímica. La generación de resultados más precisos y la identificación más eficiente de áreas de interés pueden tener un impacto significativo en la exploración de recursos minerales en la zona.
Por lo tanto, el objetivo principal de este proyecto de investigación se centra en la prospección geoquímica de sedimentos de quebrada para la identificación de blancos exploratorios aplicando análisis estadísticos y machine learning, con el fin de contribuir en los estudios de la zona y en la implementación de nuevas metodologías para la prospección de recursos minerales.
|
|
Hipótesis del proyecto
|
La aplicación de técnicas de prospección geoquímica de sedimentos de quebrada usando análisis estadísticos y machine learning puede ser una herramienta eficaz para identificar posibles áreas de interés para la exploración de depósitos minerales en la zona de estudio comprendida entre Polobaya y Yarabamba.
|
|
Resultados esperados del proyecto
|
- 01 Artículo científico publicados en revista indizada base Scopus, Web Of Science.
- 02 Nuevos profesionales titulados
|
|
Impactos esperados
|
IMPACTO DE LOS RESULTADOS
a. Impacto Económico
La identificación de blancos exploratorios de depósitos minerales en la zona de estudio no solo facilitará la exploración de recursos minerales económicos a nivel local, sino que también fomentará un mayor interés en la región de Arequipa para la inversión y promoción en el campo de la exploración de depósitos minerales.
b. Impacto en la Investigación y Desarrollo
El desarrollo del proyecto contribuirá a los estudios y los datos geoquímicos de la zona de estudio, los cuales pueden ser útiles para futuras investigaciones y proyectos académicos como técnicos en el campo de la geoquímica y exploración de recursos minerales.
d. Impacto Ambiental
El correcto desarrollo de la campaña de muestreo de sedimentos de quebrada no afecta el medio ambiente, por lo que promueve una exploración de recursos minerales más sostenible en comparación con otros métodos; además, los datos generados podrán ser empleados en investigaciones de contaminación ambiental para una gestión más efectiva de los recursos naturales de la región.
c. Impacto Tecnológico
La aplicación de nuevas metodologías en la prospección geoquímica como el machine learning y los algoritmos k-means clustering no solo optimizan la identificación de blancos exploratorios, sino que también contribuyen al avance tecnológico en el campo de la exploración de recursos minerales.
IMPACTO DE LA INVESTIGACIÓN
a. Niveles de Madurez Tecnológica – TRL
TRL 2: Formulación conceptual de la propuesta tecnológica
El presente proyecto de investigación se encuentra en el nivel de madurez tecnológica (TRL) 2 puesto que se enfoca en la aplicación de nuevas tecnologías, como el machine learning, con el objetivo de innovar y mejorar las metodologías utilizadas tradicionalmente en la prospección geoquímica de depósitos minerales económicos en la región, de este modo se podría contribuir al campo de la exploración de recursos minerales y posteriormente subir a niveles superiores de TRL
b. Niveles De Madurez Comercial – CRL
CRL2: Identificación de las potenciales aplicaciones de manera superficial.Idea de producto en base a la tecnología es especulativa y no validada.Análisis de mercado derivada de información secundaria
El presente proyecto busca dar a conocer el potencial económico de la zona de estudio entre Polobaya y Yarabamba, además permitirá optimizar la identificación de blancos exploratorios de depósitos minerales económicos, esto en base al desarrollo de nuevos métodos, como machine learning, que pueden ser aplicados en la prospección geoquímica de recursos minerales en la región sur de Arequipa, produciendo un impacto en el desarrollo económico.
CRL3: Identificación de las potenciales aplicaciones más desarrollada. Se tiene una o más hipótesis del prototipo de producto. Análisis de mercado dependiente de información primaria
El presente proyecto busca dar a conocer el potencial económico de la zona de estudio entre Polobaya y Yarabamba, además permitirá optimizar la identificación de blancos exploratorios de depósitos minerales económicos, esto en base al desarrollo de nuevos métodos, como machine learning, que pueden ser aplicados en la prospección geoquímica de recursos minerales en la región sur de Arequipa, produciendo un impacto en el desarrollo económico.
|
