Investigadores de Estados Unidos combinaron aprendizaje automático con leyes físicas y químicas para predecir el movimiento subterráneo de fluidos y sustancias disueltas
Redactor: Camila Herrera R.
Editor: Eduardo Schmitz
Investigadores de la Universidad de Houston y del Laboratorio de Ciencias Moleculares Ambientales de Estados Unidos desarrollaron una herramienta de inteligencia artificial capaz de predecir cómo se desplazan los fluidos y las sustancias químicas disueltas por las rocas y otros materiales porosos. El avance podría contribuir a localizar y recuperar minerales críticos con modelos más rápidos y ajustados a las leyes naturales.
La investigación se concentra en un proceso geológico decisivo para la formación de yacimientos: mientras los fluidos circulan por el subsuelo, pueden disolver, transportar y concentrar minerales en lugares determinados. Reconstruir ese recorrido ayuda a explicar dónde se acumulan los recursos y cómo podrían recuperarse, pero la complejidad de los poros, fracturas y reacciones químicas dificulta las predicciones.
El nuevo método utiliza una red neuronal informada por la física, conocida por la sigla PINN. A diferencia de los sistemas convencionales de aprendizaje automático, que dependen principalmente de grandes volúmenes de datos, este modelo incorpora las ecuaciones que gobiernan el flujo de fluidos y las reacciones químicas.
La física controla el aprendizaje de la inteligencia artificial
El equipo diseñó el sistema para que cada resultado sea contrastado con principios físicos y químicos conocidos. Cuando una predicción contradice esas reglas, el modelo modifica sus cálculos hasta encontrar una solución compatible tanto con la información disponible como con el comportamiento esperado del sistema subterráneo.
Este control busca resolver una limitación frecuente de la inteligencia artificial aplicada a procesos naturales. Un algoritmo entrenado únicamente con datos puede generar respuestas rápidas, pero no necesariamente realistas, especialmente cuando la información procede de ambientes subterráneos que no pueden observarse directamente y solo han sido estudiados mediante muestras o mediciones parciales.
Las simulaciones numéricas tradicionales, por su parte, pueden representar con precisión el transporte subterráneo, aunque suelen necesitar recursos informáticos considerables. También pueden resultar difíciles de aplicar cuando faltan datos sobre la estructura interna de las rocas, las condiciones del flujo o la distribución inicial de las sustancias químicas.
La red desarrollada por los investigadores intenta combinar las ventajas de ambos enfoques: aprovecha la velocidad del aprendizaje automático, pero conserva las restricciones impuestas por la ciencia. Kalyana Nakshatrala, profesor asociado de ingeniería de la Universidad de Houston e investigador principal del proyecto, explicó que el marco puede estimar rápidamente parámetros importantes que no se obtienen mediante experimentos tradicionales.
Evitar concentraciones negativas y otros resultados imposibles
Una de las prioridades del trabajo fue impedir que el modelo produjera concentraciones negativas. Aunque una cantidad de mineral inferior a cero es físicamente imposible, pequeños errores matemáticos pueden ocasionar ese resultado en las simulaciones, sobre todo cuando se analizan elementos presentes en proporciones extremadamente reducidas.
Maruti Mudunuru, científico de la Tierra del Laboratorio Nacional del Noroeste del Pacífico y miembro del proyecto, comparó la búsqueda de estos recursos con encontrar una aguja en un pajar. Cuando las concentraciones se aproximan a cero, incluso una desviación pequeña puede cambiar sustancialmente la interpretación del modelo.
El sistema fue configurado para conservar valores realistas y, simultáneamente, respetar las ecuaciones de flujo, difusión y reacción. La investigación también evaluó su capacidad para representar frentes químicos estrechos y procesos de mezcla dentro de materiales porosos heterogéneos.
Los resultados mostraron que la red neuronal podía reproducir la distribución espacial de reactivos y productos generados durante reacciones químicas rápidas. Esta información es importante porque la interacción entre el flujo, la composición de la roca y los reactivos determina dónde se movilizan los minerales y en qué sectores pueden volver a concentrarse.
Los fluidos revelan cómo se forman los depósitos minerales
El movimiento de soluciones por fracturas y poros desempeña un papel central en numerosos yacimientos. El agua caliente u otros fluidos pueden desprender elementos de una formación rocosa, transportarlos y depositarlos cuando cambian la temperatura, la presión o las condiciones químicas.
Un ejemplo de estos mecanismos aparece en las investigaciones sobre la formación de depósitos de oro en las montañas Tianshan de China, donde el estudio de la geoquímica y la separación de fases de los fluidos permitió explicar parte de la concentración del metal.
En el nuevo modelo, la inteligencia artificial puede complementar ese conocimiento geológico al reconstruir variables que normalmente permanecen ocultas. Entre ellas figuran las condiciones del flujo, la abundancia inicial de las sustancias, las velocidades de reacción, la porosidad y la permeabilidad de las rocas.
Sin embargo, la herramienta no localiza automáticamente un yacimiento ni sustituye las campañas de campo. Sus predicciones dependen de la información suministrada, las condiciones representadas y la posterior validación mediante experimentos, análisis geoquímicos, imágenes de las rocas y observaciones directas.
Aplicaciones en recuperación minera y tratamiento de residuos
Los investigadores consideran que el método podría utilizarse en la extracción de minerales mediante fluidos inyectados directamente en una formación geológica. Antes de realizar una prueba sobre el terreno, el modelo permitiría estudiar virtualmente qué sustancia conviene introducir, con qué velocidad debe circular y durante cuánto tiempo tendría que permanecer en contacto con el material.
Estas simulaciones podrían orientar el uso de reactivos, mejorar la recuperación y reducir ensayos costosos. El sistema también presenta aplicaciones potenciales en biominería, drenaje ácido de minas, aguas procedentes de actividades industriales y recuperación de minerales desde acumulaciones de residuos.
La posibilidad de aprovechar desechos mineros resulta relevante porque las pilas y relaves pueden conservar materiales de interés que no fueron recuperados durante las operaciones originales. Un modelo capaz de representar el transporte químico ayudaría a estudiar si esos recursos pueden separarse y qué consecuencias ambientales tendría el procedimiento.
La publicación científica señala que comprender la formación de los productos químicos y su movimiento a través de medios porosos también puede contribuir a reducir la cantidad de reactivos empleados y la generación de sustancias secundarias. No obstante, esos beneficios deben demostrarse para cada aplicación y no pueden deducirse únicamente de una simulación.
El modelo todavía trabaja con problemas simplificados
El equipo advierte que la investigación constituye una etapa inicial. Hasta ahora, el marco fue probado con problemas simplificados que reproducen procesos fundamentales relacionados con la recuperación de minerales críticos, pero no toda la diversidad química, geológica y biológica presente en una explotación real.
Las próximas versiones podrían incorporar reacciones adicionales, actividad microbiana y estructuras subterráneas más complejas. Los científicos también pretenden contrastar las predicciones con experimentos desarrollados en chips de laboratorio, imágenes estructurales y químicas, y diferentes materiales porosos.
La validación es esencial porque un modelo matemáticamente coherente puede seguir ofreciendo una representación incompleta de un ambiente natural. La composición irregular de las rocas, las fracturas no detectadas, los cambios de presión y la presencia de microorganismos pueden modificar el transporte de sustancias.
El objetivo a largo plazo es avanzar hacia gemelos digitales de las operaciones de lixiviación y recuperación de minerales. Estos modelos computacionales podrían actualizarse a medida que reciban nuevos datos procedentes de experimentos y observaciones de campo, creando un ciclo continuo entre medición, predicción y ajuste.
Una herramienta para planificar la extracción con mayor precisión
Los minerales considerados críticos son necesarios para numerosas tecnologías energéticas, electrónicas e industriales, pero su extracción puede producir alteraciones del suelo, consumo de agua, residuos y contaminación si no se planifica adecuadamente. Mejorar la caracterización de los yacimientos puede ayudar a concentrar las operaciones en sectores con mejores condiciones y evitar intervenciones que ofrezcan escasas posibilidades de recuperación.
El modelo no elimina los impactos ambientales ni resuelve los aspectos regulatorios y sociales de la minería. Su aporte consiste en proporcionar una herramienta adicional para examinar, antes de una intervención, cómo podrían comportarse los fluidos y las sustancias químicas dentro de la roca.
La combinación de experimentos, observación geológica e inteligencia artificial informada por la física podría reducir parte de la incertidumbre que acompaña a la exploración y recuperación de recursos subterráneos. El siguiente paso será comprobar si la precisión conseguida en los ensayos simplificados se mantiene al representar yacimientos reales y operaciones sometidas a condiciones cambiantes.
Fuentes referenciales:
Phys.org
Laboratorio de Ciencias Moleculares Ambientales
Transport in Porous Media
