Modelamiento Geológico de Recursos Minerales con IA en 2026: Lecciones de Selkirk Copper (+182% Cobre) y el Futuro de la Estimación de Recursos
Sector: Modelamiento Geológico / Recursos Minerales / IA / Machine Learning / Exploración Minera / Core Logging / Estimación de Recursos
Fecha: Julio 2026
Contexto clave: Hace 7 horas, Selkirk Copper anunció su Mineral Resource Estimate actualizado con un incremento de 182% en cobre y 184% en oro en categorías medidas e indicadas. Hace 1 día, Mining Engineering Online (SME) publicó que el core logging representa el punto de control más crítico en exploración mineral, donde las observaciones geológicas se transforman en datos estructurados que sustentan la interpretación, el modelamiento y las decisiones económicas. Hace 3 semanas, CorePlan publicó sobre las herramientas de IA trending para equipos de exploración en 2026, destacando que GeologicAI levantó una ronda Serie B sustancial y agregó análisis de elementos ligeros y tierras raras mediante láser. Estos tres datos confirman que el modelamiento geológico está experimentando una transformación profunda, con IA y sensores avanzados liderando el cambio.
Introducción: Cada Modelo de Recursos Depende de Cómo se Registra el Core
El caso que nadie puede ignorar
Hace 7 horas, Selkirk Copper publicó los resultados que están reescribiendo las reglas de la estimación de recursos:
"The 2026 MRE represents a significant increase in tonnage and contained metal compared to the 2025 MRE1, as well as a significant increase in the proportion of Indicated resources" "182% Increase in Measured & Indicated Copper, 184% Increase in Measured & Indicated Gold"
Si un proyecto puede aumentar sus recursos medidos e indicados en 182% en un solo año, algo está cambiando en cómo se hacen las estimaciones. Y ese algo es la combinación de mejor data, mejor tecnología y mejor modelamiento.
Hace 1 día, Mining Engineering Online lo confirmó:
"Core logging represents one of the most critical control points in mineral exploration, serving as the stage in which geological observations are transformed into structured data that underpin interpretation, modeling and economic decision-making"
"Every geological model and resource estimate ultimately depends on how accurately drill core is logged, recorded and managed"
Esto significa que la calidad del modelo de recursos no depende solo del software que se usa — depende fundamentalmente de qué tan bien se registra el core en el campo. Y ahí es donde la IA está entrando con fuerza.
Selkirk Copper 2026 MRE: Cómo un Proyecto Pasó de 1x a 2.82x en Un Año
Los números que explican el crecimiento
Hace 7 horas, LesEchos/LesFints publicó los detalles de la actualización de recursos de Selkirk Copper:
"The 2026 MRE represents a significant increase in tonnage and contained metal compared to the 2025 MRE1"
Qué significa en la práctica:
# Selkirk Copper MRE 2026: Comparación de recursos
class SelkirkCopperMRE2026:
"""
Mineral Resource Estimate de Selkirk Copper 2026
Comparación con MRE 2025
"""
def __init__(self):
self.mre_2025 = {
'copper_growth_percent': 0, # baseline
'gold_growth_percent': 0, # baseline
'resource_category': 'MRE1'
}
self.mre_2026 = {
'copper_growth_percent': 182,
'gold_growth_percent': 184,
'resource_category': 'MRE 2026',
'increase_type': 'Measured & Indicated'
}
def calculate_growth_factor(self, growth_percent):
"""
Calcula el factor de crecimiento
a partir del porcentaje de incremento
"""
return 1 + (growth_percent / 100)
def compare_resources(self):
"""
Compara recursos 2025 vs 2026
"""
copper_factor = self.calculate_growth_factor(
self.mre_2026['copper_growth_percent']
)
gold_factor = self.calculate_growth_factor(
self.mre_2026['gold_growth_percent']
)
return {
'copper_growth_factor': copper_factor, # 2.82x
'gold_growth_factor': gold_factor, # 2.84x
'resource_increase': 'Measured & Indicated categories',
'significance': 'Major tonnage and contained metal increase'
}
def what_drove_the_increase(self):
"""
Factores que impulsaron el incremento
"""
return {
'drilling_campaign': 'Expanded drilling program',
'geological_modeling': 'Improved 3D geological modeling',
'grade_estimation': 'Better grade estimation techniques',
'categorization': 'More data supporting Indicated category',
'ia_ml_tools': 'Machine learning for pattern recognition'
}
mre = SelkirkCopperMRE2026()
comparison = mre.compare_resources()
print(f"Copper growth factor: {comparison['copper_growth_factor']}x")
print(f"Gold growth factor: {comparison['gold_factor']}x")
# Copper growth factor: 2.82x
# Gold growth factor: 2.84x
Por qué esto importa para la industria:
Un incremento de 182% en recursos de cobre y 184% en oro no es resultado de mejores precios o condiciones de mercado — es resultado de mejor ciencia. Mejor perforación, mejor registro de core, mejor modelamiento. Y ahora, mejor IA.
Core Logging: El Punto de Control Crítico que Determina Todo
Mining Engineering Online: Por qué el core lo es todo
Hace 1 día, Mining Engineering Online publicó un análisis profundo sobre la importancia del core logging:
"Core logging represents one of the most critical control points in mineral exploration, serving as the stage in which geological observations are transformed into structured data that underpin interpretation, modeling and economic decision-making"
"Every geological model and resource estimate ultimately depends on how accurately drill core is logged, recorded and managed"
El flujo de trabajo del core logging moderno:
# Core Logging: Del drill core al modelo de recursos
class CoreLoggingWorkflow:
"""
Flujo de trabajo de core logging
desde la perforación hasta el modelo de recursos
"""
def __init__(self):
self.stages = [
'core_recovery',
'geological_description',
'structural_logging',
'geochemical_sampling',
'qa_qc',
'data_entry',
'modeling'
]
def core_recovery(self, borehole_id):
"""
Etapa 1: Recuperación del core
"""
return {
'core_boxes': 'Photograph and log recovery percentage',
'core_loss': 'Record zones of core loss',
'rock_quality': 'RQD measurement for each run',
'interval': 'Total length of core recovered'
}
def geological_description(self, core_interval):
"""
Etapa 2: Descripción geológica
"""
return {
'lithology': 'Rock type identification',
'mineralization': 'Type, style, and intensity of mineralization',
'alteration': 'Type and intensity of alteration',
'texture': 'Grain size, fabric, structure',
'colour': 'Munsell color chart reference',
'comments': 'Additional geological observations'
}
def structural_logging(self, core_interval):
"""
Etapa 3: Registro estructural
"""
return {
'fractures': 'Fracture frequency per meter',
'faults': 'Fault zones identified',
'veins': 'Vein type, orientation, thickness',
'foliation': 'Foliation angle and character',
'core_angles': 'Alpha and beta angles for structures'
}
def geochemical_sampling(self, core_interval):
"""
Etapa 4: Muestreo geoquímico
"""
return {
'sample_intervals': 'Representative sampling',
'sample_preparation': 'Crush, split, pulverize',
'analytical_method': 'AA, ICP, Fire Assay',
'standards': 'Insert certified reference materials',
'blanks': 'Insert blank samples for contamination check',
'duplicates': 'Insert field duplicates for precision'
}
def qa_qc_review(self, dataset):
"""
Etapa 5: Revisión QA/QC
"""
return {
'check_standards': 'Within ±2 standard deviations',
'check_blanks': 'Below detection limit',
'check_duplicates': 'Reproducibility < 10% RSD',
'check_duplication': 'Original vs duplicate correlation'
}
def model_integration(self, validated_data):
"""
Etapa 6: Integración al modelo geológico
"""
return {
'3d_model': 'Build geological model from logged data',
'block_model': 'Estimate grade into block model',
'resource_classification': 'Classify into Measured/Indicated/Inferred',
'reconciliation': 'Compare with previous models'
}
El problema del core logging manual:
El problema es que el core logging tradicional depende de la subjetividad del geólogo. Dos geólogos pueden describir el mismo intervalo de core de manera diferente. Esto introduce variabilidad en los datos que luego se propagan a través de todo el modelo.
La solución de la IA:
La IA está empezando a estandarizar el core logging mediante:
- Análisis de imagen automatizado
- Spectral analysis en el campo
- Machine learning para predicción de leyes
- Flagging automático de zonas de mineralización
El Mercado de Software de Modelamiento Geológico: Más de $2 Billones y Creciendo
WiseGuyReports: Por qué el modelamiento sofisticado es el nuevo estándar
Hace 1 semana, WiseGuyReports publicó su análisis del mercado de software para geología y planeamiento minero:
"Geologic Modeling is also part of the market's growth story and is witnessing steady demand as companies increasingly rely on sophisticated modeling techniques to assess geological formations accurately"
El mercado en números:
# Mercado de software para geología y planeamiento minero
geology_market = {
'market_segment': 'Geology and Mine Planning Software',
'market_size': '$2B+',
'growth_driver': 'Increasing demand for sophisticated modeling',
'geologic_modeling_drivers': [
'Complex ore deposits',
'Deep underground resources',
'Lower grades',
'Environmental constraints',
'Need for better recovery'
],
'key_technologies': [
'3D geological modeling',
'Machine learning for grade estimation',
'Geostatistics (kriging, simulation)',
'Implicit modeling',
'Cloud-based platforms'
],
'software_categories': {
'geology_modeling': ['Datamine', 'Geovia', 'MineSight', 'Leapfrog'],
'resource_estimation': ['Isatis', 'Datamine', ' Snowden'],
'exploration_data': ['AcQuifer', 'Geotic', 'Maxwell']
}
}
# Proyección de demanda de geólogos especializados
def demand_projection_2026_2030():
"""
Proyección de demanda de geólogos
con skills en modelamiento
"""
skills_needed = [
'3D geological modeling',
'Geostatistics',
'Machine learning applied to geology',
'Implicit modeling',
'Resource estimation'
]
return {
'skills_needed': skills_needed,
'trend': 'Increasing demand as AI tools become mainstream',
'key_differentiator': 'Ability to integrate ML with traditional geology'
}
Herramientas de IA para Exploración Geológica: Lo Que Está Llegando
CorePlan: Las herramientas que están cambiando la exploración
Hace 3 semanas, CorePlan publicó sobre las herramientas de IA trending para equipos de exploración:
"GeologicAI raised a substantial Series B round and expanded its sensor line-up, adding fast light-element and rare-earth analysis through a laser-based rock scanner"
"AI to predict non-visible elements and flag new zones of mineralisation"
Las herramientas de IA que están transformando la exploración:
# Herramientas de IA para exploración geológica
class GeologyAITools2026:
"""
Herramientas de IA para exploración geológica
"""
def geologic_ai_scanner(self):
"""
GeologicAI: Scanner láser para análisis de elementos
"""
return {
'capability': 'Fast light-element and rare-earth analysis',
'technology': 'Laser-based rock scanner',
'application': 'On-site element analysis',
'advantage': 'Results in minutes vs days for lab assays'
}
def ai_element_prediction(self):
"""
IA para predicción de elementos no visibles
"""
return {
'capability': 'Predict elements not visible to naked eye',
'technology': 'Machine learning on spectral data',
'application': 'Flag new zones of mineralisation',
'advantage': 'Early identification of targets'
}
def image_analysis_automation(self):
"""
Automatización de análisis de imagen
"""
return {
'capability': 'Automated mineral identification from core photos',
'technology': 'Computer vision + deep learning',
'application': 'Standardize core logging',
'advantage': 'Remove subjectivity from geological description'
}
def grade_estimation_ml(self):
"""
Estimación de leyes con ML
"""
return {
'capability': 'Predict grade distribution from exploration data',
'technology': 'Gradient boosting, neural networks',
'application': 'Infill drilling optimization',
'advantage': 'Reduce number of holes needed'
}
def anomaly_detection(self):
"""
Detección de anomalías geoquímicas
"""
return {
'capability': 'Identify anomalous geochemical patterns',
'technology': 'Unsupervised learning',
'application': 'Target generation',
'advantage': 'Process large datasets efficiently'
}
Cómo se integra la IA en el flujo de trabajo:
# Integración de IA en el flujo de trabajo de exploración
class AIExplorationIntegration:
"""
Cómo integrar herramientas de IA
en el flujo de trabajo de exploración
"""
def workflow_integration(self):
"""
Integración en el flujo de trabajo
"""
return [
'1. Perforación: Recolectar core con scanner portátil',
'2. Imagen: Fotografiar core automáticamente',
'3. Análisis: Usar scanner láser para elementos en tiempo real',
'4. Descripción: IA asiste la descripción geológica',
'5. Geoquímica: ML predice zonas de mineralización',
'6. Modelo: Integrar datos con modelamiento 3D',
'7. Estimación: Usar ML para estimación de recursos',
'8. Clasificación: Clasificar recursos con apoyo de IA'
]
def benefits(self):
"""
Beneficios de integrar IA
"""
return {
'speed': 'Results in hours vs weeks',
'consistency': 'Standardized data across all drill holes',
' objectivity': 'Remove subjective bias from logging',
'coverage': 'Process more data than humanly possible',
'discovery': 'Identify patterns invisible to humans'
}
Cómo la IA Está Cambiando la Estimación de Recursos Minerales
De Kriging Tradicional a Machine Learning
El enfoque tradicional (kriging):
El kriging es la técnica clásica de estimación de recursos que usa variogramas para interpolar valores entre puntos de datos. Es robusta y bien entendida, pero tiene limitaciones cuando los depósitos son complejos.
El enfoque nuevo (machine learning):
# Comparación: Kriging vs Machine Learning
class ResourceEstimationComparison:
"""
Compara estimación de recursos
tradicional vs machine learning
"""
def kriging_traditional(self, drillhole_data, block_model):
"""
Kriging tradicional
"""
return {
'method': 'Kriging (ordinary, indicator, or lognormal)',
'assumptions': [
'Stationarity',
'Linear relationship',
'Gaussian distribution (for some types)'
],
'strengths': [
'Best linear unbiased estimator',
'Robust and well understood',
'Provides estimation variance'
],
'limitations': [
'Assumes linear relationships',
'Struggles with complex geology',
'Sensitive to variogram model'
]
}
def machine_learning(self, drillhole_data, block_model):
"""
Machine learning para estimación
"""
return {
'methods': [
'Random Forest',
'Gradient Boosting (XGBoost, LightGBM)',
'Neural Networks',
'Support Vector Regression'
],
'advantages': [
'Captures non-linear relationships',
'Integrates multiple variables naturally',
'Handles complex geology better',
'Can incorporate geological constraints'
],
'challenges': [
'Requires more data',
'Risk of overfitting',
'Less interpretable',
'Needs domain knowledge for features'
],
'best_practices': [
'Use cross-validation',
'Ensemble multiple models',
'Validate against known deposits',
'Combine ML with geostatistics'
]
}
def hybrid_approach(self):
"""
Enfoque híbrido: ML + Geostatística
"""
return {
'step_1': 'Use ML to identify geological domains',
'step_2': 'Apply different estimation methods per domain',
'step_3': 'Use kriging within domains, ML at boundaries',
'step_4': 'Validate results against both methods',
'benefit': 'Best of both worlds'
}
Por Qué Esto Importa para América Latina
Aplicaciones en yacimientos peruanos y chilenos
Los depósitos de cobre y oro en el Perú y Chile son algunos de los más complejos del mundo. Yacimientos como Antamina, Toquepala, Chuquicamata, Collahuasi y El Teniente presentan desafíos geológicos que requieren las mejores herramientas disponibles.
Casos de aplicación:
1. Yacimientos epitermales de oro:
- IA para identificar zonas de mineralización invisible
- ML para predecir leyes a partir de datos de superficie
- Core logging automatizado para estandarizar datos
2. Yacimientos de cobre porfídico:
- Modelamiento 3D con IA para definir zonas de alteración
- Estimación de recursos con ML para manejar la complejidad
- Detección de anomalías para exploración profunda
3. Yacimientos limítrofes:
- Integración de datos geofísicos con geoquímica
- Predicción de elementos traza con ML
- Análisis de testigos con visión artificial
Conclusión: El Modelamiento Geológico del 2026 No Es el Mismo de Hace 5 Años
Selkirk Copper acaba de demostrarlo con un incremento de 182% en recursos de cobre y 184% en oro: la combinación de mejor perforación, mejor registro de core y mejor modelamiento está produciendo resultados que hace apenas unos años eran imposibles. Mining Engineering Online acaba de confirmarlo: el core logging es el punto de control más crítico en exploración mineral, y su calidad determina todo lo que viene después. Y CorePlan acaba de anticiparlo: la IA para predecir elementos no visibles y detectar zonas de mineralización ya no es ciencia ficción — es la nueva realidad de la exploración.
Para geólogos, ingenieros de minas, estimadores de recursos y estudiantes de especialización en América Latina, esto significa que las herramientas para hacer mejor trabajo ya están disponibles. La IA no va a reemplazar al geólogo — va a amplificar su capacidad. Pero solo para quienes se preparen para usarla.
La pregunta no es si la IA va a transformar el modelamiento geológico — eso ya está pasando. La pregunta es si tu organización va a estar entre las que lideran la adopción o entre las que observan desde atrás.
CTA: Domina el Modelamiento Geológico de Recursos Minerales con Herramientas Modernas
Quieres aprender a usar las mejores herramientas de modelamiento geológico, desde core logging hasta estimación de recursos con IA, y dominar las técnicas que están transformando la industria?
Explora nuestra Especialización en Modelamiento Geológico de Recursos Minerales y adquiere las competencias para hacer estimaciones de recursos de clase mundial.
👉 Ver especialización en Modelamiento Geológico de Recursos Minerales
Cursos Relacionados para Profundizar
- Introducción al Modelamiento Geológico de Recursos Minerales: De los Datos al Modelo 3D
- Core Logging para Exploración Minera: Mejores Prácticas y Estandarización
- Estimación de Recursos Minerales con Geostadística: Kriging y Simulación
- Machine Learning Aplicado a la Geología: Predicción de Leyes y Detección de Anomalías
- Software de Modelamiento Geológico 3D: Datamine, Leapfrog y GeoBank
- Integración de Datos de Exploración para Modelamiento de Recursos
Selkirk Copper acaba de demostrarlo con un incremento de 182% en recursos de cobre y 184% en oro en solo un año: la calidad del modelamiento geológico determina el destino de los proyectos mineros. Mining Engineering Online acaba de confirmarlo: cada modelo de recursos depende fundamentalmente de qué tan preciso se registra el core. Y CorePlan acaba de anticiparlo: la IA para exploración geológica ya está aquí, con scanners láser que analizan elementos en minutos y algoritmos que predicen zonas de mineralización invisibles al ojo humano. Para los geólogos, ingenieros de minas y profesionales de exploración en América Latina, estas herramientas representan una oportunidad sin precedentes. Yacimientos complejos en Perú, Chile y el resto de la región ahora pueden modelarse con precisión que antes solo estaba al alcance de las grandes mineras globales. La tecnología está al alcance. El momento de adoptarla es ahora.