Aplicación de Modelos No Supervisados de Machine Learning y Análisis Estadísticos sobre zonas con potencial mineral para la delimitación de anomalías y targets: estudio de caso del depósito de Au Toldafría, Vereda Montaño, Villamaría (Caldas)

tablas, figuras

Autores:

Tipo de recurso:

Fecha de publicación:: 2025

Institución:: Universidad de Caldas

Repositorio:: Repositorio Institucional U. Caldas

Idioma:: spa

id	REPOUCALDA_0e5bc412e34393d76848c0a45db1936e
oai_identifier_str	oai:repositorio.ucaldas.edu.co:ucaldas/22153
network_acronym_str	REPOUCALDA
network_name_str	Repositorio Institucional U. Caldas
repository_id_str
dc.title.none.fl_str_mv	Aplicación de Modelos No Supervisados de Machine Learning y Análisis Estadísticos sobre zonas con potencial mineral para la delimitación de anomalías y targets: estudio de caso del depósito de Au Toldafría, Vereda Montaño, Villamaría (Caldas)
title	Aplicación de Modelos No Supervisados de Machine Learning y Análisis Estadísticos sobre zonas con potencial mineral para la delimitación de anomalías y targets: estudio de caso del depósito de Au Toldafría, Vereda Montaño, Villamaría (Caldas)
spellingShingle	Aplicación de Modelos No Supervisados de Machine Learning y Análisis Estadísticos sobre zonas con potencial mineral para la delimitación de anomalías y targets: estudio de caso del depósito de Au Toldafría, Vereda Montaño, Villamaría (Caldas) 550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología Mineral 1. Ciencias Naturales Geoquímica Exploración minera Aprendizaje automático Geoestadística Geochemistry Mineral exploration Machine learning Geostatistics Geología
title_short	Aplicación de Modelos No Supervisados de Machine Learning y Análisis Estadísticos sobre zonas con potencial mineral para la delimitación de anomalías y targets: estudio de caso del depósito de Au Toldafría, Vereda Montaño, Villamaría (Caldas)
title_full	Aplicación de Modelos No Supervisados de Machine Learning y Análisis Estadísticos sobre zonas con potencial mineral para la delimitación de anomalías y targets: estudio de caso del depósito de Au Toldafría, Vereda Montaño, Villamaría (Caldas)
title_fullStr	Aplicación de Modelos No Supervisados de Machine Learning y Análisis Estadísticos sobre zonas con potencial mineral para la delimitación de anomalías y targets: estudio de caso del depósito de Au Toldafría, Vereda Montaño, Villamaría (Caldas)
title_full_unstemmed	Aplicación de Modelos No Supervisados de Machine Learning y Análisis Estadísticos sobre zonas con potencial mineral para la delimitación de anomalías y targets: estudio de caso del depósito de Au Toldafría, Vereda Montaño, Villamaría (Caldas)
title_sort	Aplicación de Modelos No Supervisados de Machine Learning y Análisis Estadísticos sobre zonas con potencial mineral para la delimitación de anomalías y targets: estudio de caso del depósito de Au Toldafría, Vereda Montaño, Villamaría (Caldas)
dc.contributor.none.fl_str_mv	Llanos Castaño, Juan Sebastian Cortés Salamanca, Lucas Hernández González, Juan Sebastian Universidad de Caldas Loaiza García, Diego Germán
dc.subject.none.fl_str_mv	550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología Mineral 1. Ciencias Naturales Geoquímica Exploración minera Aprendizaje automático Geoestadística Geochemistry Mineral exploration Machine learning Geostatistics Geología
topic	550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología Mineral 1. Ciencias Naturales Geoquímica Exploración minera Aprendizaje automático Geoestadística Geochemistry Mineral exploration Machine learning Geostatistics Geología
description	tablas, figuras
publishDate	2025
dc.date.none.fl_str_mv	2025-04-29T21:14:02Z 2025-04-29T21:14:02Z 2025-04-29
dc.type.none.fl_str_mv	Trabajo de grado - Pregrado http://purl.org/coar/resource_type/c_7a1f Text info:eu-repo/semantics/bachelorThesis
dc.identifier.none.fl_str_mv	https://repositorio.ucaldas.edu.co/handle/ucaldas/22153 Universidad de Caldas Repositorio Institucional Universidad de Caldas repositorio.ucaldas.edu.co
url	https://repositorio.ucaldas.edu.co/handle/ucaldas/22153
identifier_str_mv	Universidad de Caldas Repositorio Institucional Universidad de Caldas repositorio.ucaldas.edu.co
dc.language.none.fl_str_mv	spa
language	spa
dc.relation.none.fl_str_mv	Aguirre Sanchez, R. & López Isaza, J. A. (2003). Cartografía geológica y petrografía del Stock de Manizales y su relación con sus rocas encajantes. Trabajo de grado, Universidad de Caldas, Departamento de Ciencias Geológicas. Amedjoe, C. G., & Adjovu, I. T. (2013). Application of the mobile metal ion geochemical technique in the location of buried gold mineralization in Essase Concession, Eastern Region, Ghana. Department of Geological Engineering, College of Engineering, Kwame Nkrumah University of Science and Technology. Álvarez, A. J. (1983). Geología de la cordillera Central y el occidente colombiano y petroquímica de los intrusivos granitoides mesocenozoicos. Boletín Geológico. https://doi.org/10.32685/0120-1425/bolgeol26.2.1983.53 Balaram, V. and Sawant, S.S. (2022) Indicator Minerals, Pathfinder Elements, and Portable Analytical Instruments https://doi.org/10.3390/min12040394 in Mineral Exploration Studies. Minerals. Bayona, G., Cardona, A., Jaramillo, C., Mora, A., Montes, C., Valencia, V., Ayala, C., Montenegro, O. & Ibañez-Mejia, M. (2012). Early Paleogene magmatism in the northern Andes: Insights on the effects of Oceanic Plateau-continent convergence. Earth and Planetary Science Letters. 97–111. https://doi.org/10.1016/j.epsl.2012.03.015 Barton, P. B., & Skinner, B. J. (1979). Sulphide mineral stabilities. En H. L. Barnes (Ed.), Geochemistry of Hydrothermal Ore Deposits. Bergen, K. J., Johnson, P. A., de Hoop, M. V., & Beroza, G. C. (2019). Machine learning for data-driven discovery in solid Earth geoscience. Berger, B. R., & Eimon, P. I. (1983). Epithermal deposits. Economic Geology. Brandmeier, M., Cabrera Zamora, I. G., Nykänen, V., & Middleton, M. (2020). Boosting for Mineral Prospectivity Modeling: A New GIS Toolbox. Natural Resources Research. https://doi.org/10.1007/s11053-019-09483-8 Brobs, Donald A. (1958): Barite Resources of the United States. Geological Survey Bulletin. Cameron, E. M., Hamilton, S. M., McClenaghan, M. B., Hall, G. E. M., Leybourne, M. A., Sader, J. A., & Cranston, D. R. (2002). Thick overburden geochemical methods: Studies over volcanogenic massive sulphide mineralization and kimberlite. In Summary of Fieldwork and Other Activities, 2002. Cochrane, R., Spikings, R., Gerdes, A., Ulianov, A., Mora, A., Villagómez, D., Putlitz, B., & Chiaradia, M. (2014). Permo-Triassic anatexis, continental rifting and the disassembly of western Pangaea. Lithos. https://doi.org/10.1016/j.lithos.2013.12.020 Cohen, D., & Bowell, R. (2013). Exploration geochemistry. En H. D. Holland & K. K. Turekian (Eds.), Treatise on Geochemistry (2nd ed.). Elsevier. https://doi.org/10.1016/B978 0-08-095975-7.01127-X De la Fuente Fernández, S. (2011). Análisis de conglomerados. Facultad de Ciencias Económicas y Empresariales, Universidad Autónoma de Madrid. Ehsin, S., Khan, W., & Minallah, N. (2023). Remote sensing-based prospectivity maps generation for exploration of minerals in Pakistan using machine learning techniques. International Journal of Innovations in Science & Technology Everitt, B. S., Landau, S., Leese, M., & Stahl, D. (2011). Cluster Analysis (5th ed.). Wiley. Feininger, T., Barrero, L. D., & Castro, Q. N. (1972). Geología de parte de los departamentos de Antioquia y Caldas. ESRI. (s.f.). How inverse distance weighted interpolation works. ArcGIS Pro Documentation. García Cabrejo, O. J., & Moreno Sánchez, G. (2006). Herramientas de análisis estadístico y espacial aplicadas en la separación línea base – anomalía geoquímica. Implicaciones en exploración de recursos naturales. Parte 2: Zinc en sedimentos activos Plancha 5-09 y 208 – Villeta, Colombia. Geología Colombiana. Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O’Reilly Media. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Griem-Klee. (28 de noviembre de 2016). Apuntes Geología. Obtenido de https://www.geovirtual2.cl/EXPLORAC/TEXT/0300-geoquimica-exploracion.htm Groves, D. I., Goldfarb, R. J., Gebre-Mariam, M., Hagemann, S. G., & Robert, F. (1998). Orogenic gold deposits: A proposed classification in the context of their crustal distribution and relationship to other gold deposit types. Ore Geology Reviews. Jolliffe, I. T. (2002). Principal Component Analysis (2ª ed.). Springer. Heald, P., Foley, N. K., & Hayba, D. O. (1987). Comparative anatomy of volcanic hosted epithermal deposits. Economic Geology. Hedenquist, J. W., Arribas, A. R., & Gonzalez-Urien, E. (1999). Exploration for Epithermal Gold Deposits. Economic Geology. Heinrich, C. A. (2007). Fluid-fluid interactions in magmatic-hydrothermal ore formation. In Reviews. Heinrich, C. A., & Candela, P. A. (2014). Fluids and ore formation in the Earth's crust. In Mineralogy and Geochemistry. 65, 363–387. https://doi.org/10.2138/rmg.2007.65.11 Hincapié, G., da Silva, J. C. & Sánchez-Torres, L. (2021). Andesitic (SiO2: ~60 wt%) monogenetic volcanism in the northern Colombian Andes: Crystallisation history of three Howarth, R. J. (1983). Mapping. En R. J. Howarth (Ed.), Statistics and Data Analysis in Geochemical Prospecting. Karpatne, A., Atluri, G., Faghmous, J. H., Steinbach, M., Banerjee, A., Ganguly, A., Shekhar, S., Samatova, N., & Kumar, V. (2018). Theory-guided data science: A new paradigm for scientific discovery from data. IEEE Transactions on Knowledge and Data Engineering. Kesler, Stephen & Simon, Adam. (2018). Mineral Resources, Economics and the Environment. 1-10. 10.1017/cbo9781139871426.002. Leal-Mejía, H. (2011). Phanerozoic gold metallogeny in the Colombian Andes: A tectono-magmatic approach [Tesis de doctorado, Universitat de Barcelona]. Universitat de Barcelona. Leybourne, M. I., & Cameron, E. M. (2000). Composition of groundwaters at the Spence deposit: Part B—Metals associated with supergene Cu mineralization [Report]. Canadian Mining Industry Research Organization (CAMIRO). Lindgren, W. (1922, 1933). Caracterización de los depósitos epitermales. En: Estudios sobre depósitos hidrotermales. Leal-Mejía, H., Shaw, R. P., & Melgarejo i Draper, J. C. (2019). Spatial-temporal migration of granitoid magmatism and the Phanerozoic tectono-magmatic evolution of the Colombian Andes. In Frontiers in https://doi.org/10.1007/978-3-319-76132-9_5 Earth Sciences. Springer Verlag. Maffini, M. N., Ducart, D. F., Radice, S., Coniglio, J., D’Eramo, F., Demartis, M., Pinotti, L., Moreira Silva, A., & Bemfica Toledo, C. L. (2023). Estudio petrográfico, espectral y de susceptibilidad magnética de la alteración hidrotermal asociada con depósitos polimetálicos de Pb-Zn-Cu-Ag-Au, Sierra de Comechingones, Córdoba (Argentina). Universidad Nacional de Río Cuarto (UNRC) y Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Maya, M., & González, H. (1995). Unidades litodémicas en la cordillera Central de Colombia. Boletín Geológico. https://doi.org/10.32685/0120-1425/bolgeol35.2-3.1995.316 Moreno-Sanchez, M., & Pardo-Trujillo, A. (2003). Stratigraphical and Sedimentological Constraints on Western Colombia; Implications on the Evolution of the Caribbean Plateau. In The Circum-Gulf of Mexico and the Caribbean Hydrocarbon Habitats, Basin Formation and Plate Tectonics, 79. American Association of Petroleum Geologists. https://doi.org/10.1306/M79877C40 Naranjo, A., Horner, J., Jahoda, R., Diamond, L., Castro, A., Uribe, A., Pérez, C., Paz, H., Mejía, C., & Weil, J. (2018). La Colosa Au Porphyry Deposit, Colombia: Mineralization Styles, Structural Controls, and Age Constraints. Economic Geology, 113(3), 553-578. doi: 10.5382/econgeo.2018.4562; 26 p. Newbold, M. A., Danyushevsky, L. V., Maas, R., Gilbert, S. E., & Goemann, K. (2013). The application of trace element and Sr–Nd isotope geochemistry to exploration for mineral deposits: Insights from the Mount Isa Inlier, Australia. Geochimica et Cosmochimica Acta. https://doi.org/10.1016/j.gca.2013.06.020 Oye, E., Frank, E., & Owen, J. (2024). Unsupervised and Supervised Models in Machine Learning. Osorio, P., Botero-Gómez, L. A., Murcia, H., Borrero, C. & Grajales, J. A. (2018). Campo Volcánico Monogenético Villamaría-Termales, Cordillera Central, Andes colombianos (Parte II): Características composicionales. https://doi.org/10.18273/revbol.v40n3-2018006 Boletín de Geología. Panteleyev, A. (1988). Geologic framework of the Canadian Cordillera: Implications for epithermal gold mineralization. Geological Association of Canada Special Paper. Pohl, Walter L., Metallogenic models as the key to successful exploration – a review and trends, Mineral economics, 2022. Quishpe Caranqui, D. P. (2013). Interpretación geoquímica de los resultados de laboratorio de las muestras de sedimentos fluviales correspondiente a la zona Sigchos Totorillas (500 km²), con aplicación minera y ambiental [Tesis de grado, Universidad Central del Ecuador]. Ramones Tapia, R. (2017). Aplicación de métodos geoquímicos y geofísicos en la exploración de depósitos minerales: Un enfoque integrador. Revista Geológica Latinoamericana. Reyes, A. (1990). Petrology of Philippine geothermal systems and the application of alteration mineralogy to their assessment. Journal of Volcanology and Geothermal Research. Reyes, A. (1991). Mineralogical indicators of hydrothermal evolution. Geothermics. Richards, J. P. (2009). Postsubduction porphyry Cu-Au and epithermal Au deposits: Products of remelting of https://doi.org/10.1130/G25451A.1 subduction-modified lithosphere. Geology. Salazar-Muñoz, J. L., Cardona, A., & Valencia, V. A. (2021). Geochronology and geochemistry of the Mesozoic–Cenozoic magmatism in the northern Andes: Implications for arc migration and metallogenesis. Journal of South American Earth Sciences. Sillitoe, R. H. (1988). Gold and silver deposits in porphyry systems. En R. W. Schafer, J. J. Cooper & P. G. Vikre (Eds.), Bulk Mineable Precious Metal Deposits of the Western United States. Geological Society of Nevada. Sillitoe, R. H., & Hedenquist, J. W. (2003). Linkages between volcanotectonic settings, ore-fluid compositions, and epithermal precious-metal deposits. Society of Economic Geologists Special Publication. Shafiq, S. B., & Khatun, L. (2023). Exploring the potential of artificial intelligence and machine learning in mineral exploration: A review article. International Research Journal of Modernization in Engineering, Technology and Science. Spikings, R. A., & Paul, J. (2019). Crustal thickening and tectonic evolution of the Colombian Andes: Insights from zircon U-Pb and Lu-Hf geochronology. Lithos. Taboada, A., Rivera, L. A., & Fuentes, L. (2000). Active tectonics of the northern Andes: Subductions and intracontinental deformation in Colombia. Tectonophysics. Tafuri, William J. (1973). A Geochemical Study of the Barite Deposits of Mineral County. Torrenguera-Barraza, W. D., Rojas-Martínez, E. E., Rozo-Guzmán, J. E., & Lascarro Navarro, F. (Año). Mineralogénesis y geoquímica del emplazamiento de las manifestaciones de barita en el corregimiento de Caracolí, Cesar, Colombia. Toro, L. M., Hincapié, G. & Ossa, C. A. (2010). Petrografía y geoquímica de los metagabros del río Olivares sector NNW de Manizales (Caldas). Boletín de Geología. Villagómez, D., Spikings, R., & Mora, A. (2011). Thermochronology and tectonics of the Colombian Andes: A record of Cenozoic exhumation. Tectonophysics. Vinasco, C., Cardona, A., García, V., & Valencia, V. (2006). Geochronology and tectonic implications of Paleozoic metamorphic basement and Mesozoic intrusive rocks in the Colombian Andes. Geologica Acta. Vinasco, C. J., Valencia, V. A., & Cardona, A. (2019). Geochronology and geochemistry of the magmatic and metamorphic basement of the Colombian Andes. Journal of South American Earth Sciences.
dc.rights.none.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2
dc.format.none.fl_str_mv	113 páginas application/pdf application/pdf application/pdf application/pdf
dc.publisher.none.fl_str_mv	Universidad de Caldas Facultad de Ciencias Exactas y Naturales Colombia, Caldas, Manizales Geología
publisher.none.fl_str_mv	Universidad de Caldas Facultad de Ciencias Exactas y Naturales Colombia, Caldas, Manizales Geología
institution	Universidad de Caldas
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_	1836145034278207488
spelling	Aplicación de Modelos No Supervisados de Machine Learning y Análisis Estadísticos sobre zonas con potencial mineral para la delimitación de anomalías y targets: estudio de caso del depósito de Au Toldafría, Vereda Montaño, Villamaría (Caldas)550 - Ciencias de la tierra::551 - Geología, hidrología, meteorologíaMineral1. Ciencias NaturalesGeoquímicaExploración mineraAprendizaje automáticoGeoestadísticaGeochemistryMineral explorationMachine learningGeostatisticsGeologíatablas, figurasEl Proyecto Toldafría corresponde a un depósito de oro ubicado en la vereda Montaño, municipio de Villamaría (Caldas), sobre el flanco occidental de la Cordillera Central de los Andes Colombianos. El área se encuentra compuesta principalmente por cuerpos intrusivos mesozoicos y rocas metamórficas del Complejo Cajamarca, que conforman el basamento polimetamórfico pre-Jurásico de la Cordillera Central, así como rocas metasedimentarias del Complejo Quebradagrande. En este contexto geológico, la mineralización ha sido reconocida de manera preliminar como de tipo epitermal, encajada en las rocas metamórficas, con un aparente control estructural y litológico. El objetivo principal de este estudio es identificar y definir targets de interés minero para la empresa Aura Minerals en el área de estudio, con el fin de orientar futuras campañas exploratorias. Para ello, se integró información geoquímica, estructural y geofísica, utilizando técnicas de análisis estadístico y de aprendizaje automático. Se analizaron los resultados de muestras geoquímicas de suelo obtenidos mediante la metodología de iones metálicos móviles (MMI) e ICP-MS y de roca a partir de ICP-MS y EICP. En principio, se realizaron mapas de anomalías geoquímicas para las muestras de suelo y roca por el método de inverso de la distancia (IDW por sus siglas en inglés). Para el procesamiento e interpretación de los datos geoquímicos de suelo, se aplicaron técnicas de aprendizaje automático (Machine learning), como el análisis de componentes principales (PCA) y cluster jerárquico, con el objetivo de identificar asociaciones geoquímicas y correlacionar la distribución de los clusters con otras variables del estudio, como información geofísica, estructural y geoquímica. A partir del análisis cuantitativo de los clusters, que consideró variables como la presencia de subanomalías de elementos de interés, rocas sub-volcánicas, su relación con dominios magnéticos y lineamientos estructurales, se identificaron zonas con potencial de mineralización. Entre ellas, destaca la zona lineamiento noreste (NE), ya que, además presenta concentraciones de los clusters con mayor concentración de los elementos analizados, por lo que se definió como target exploratorio. Se destacaron, además las zonas noroeste (NW) y centro oriental, proponiendo una mayor densidad de muestreo de rocas en la zona centro oriental para profundizar en su caracterización y definir con mayor claridad su potencial mineralizado. La implementación del aprendizaje automático en exploración mineral demostró ser una herramienta útil en este estudio, ya que facilitó la reducción de la dimensionalidad de los datos geoquímicos de muestras de suelo, optimizando su interpretación en el área de estudio. Además, permitió identificar asociaciones geoquímicas relacionadas con la mineralización aurífera y definir targets exploratorios con mayor precisión.The Toldafría Project corresponds to a gold deposit located in the Montaño village, municipality of Villamaría (Caldas), on the western flank of the Central Cordillera of the Colombian Andes. The area is primarily composed of Mesozoic intrusive bodies and metamorphic rocks of the Cajamarca Complex, which constitute the pre-Jurassic polymetamorphic basement of the Central Cordillera, as well as metasedimentary rocks of the Quebradagrande Complex. In this geological context, mineralization has been preliminarily classified as epithermal, hosted in metamorphic rocks, with apparent structural and lithological control. The main objective of this study is to identify and define exploration targets of mining interest for the company Aura Minerals within the study area, in order to guide future exploration campaigns. To achieve this, geochemical, structural, and geophysical data were integrated using statistical analysis and machine learning techniques. The study analyzed geochemical soil sample results obtained using the Mobile Metal Ion (MMI) and ICP-MS methodologies, as well as rock samples analyzed by ICP-MS and EICP. Initially, geochemical anomaly maps were generated for both soil and rock samples using the Inverse Distance Weighting (IDW) method. For the processing and interpretation of soil geochemical data, machine learning techniques such as Principal Component Analysis (PCA) and hierarchical clustering were applied, with the aim of identifying geochemical associations and correlating the distribution of the clusters with other variables in the study, such as geophysical, structural, and geochemical information. Based on the quantitative analysis of the clusters — which considered variables such as the presence of sub-anomalies of key elements, subvolcanic rocks, and their relation to magnetic domains and structural lineaments — zones with mineralization potential were identified. Among them, the northeast-trending lineament zone stands out, as it contains the highest concentrations of clusters enriched in the analyzed elements and was therefore defined as an exploration target. Additionally, the northwest and central-eastern zones were highlighted, with a recommendation to increase the density of rock sampling in the central-eastern zone to improve its characterization and more clearly define its mineral potential. The implementation of machine learning in mineral exploration proved to be a valuable tool in this study, as it facilitated dimensionality reduction of soil geochemical data and optimized its interpretation across the study area. Moreover, it enabled the identification of geochemical associations related to gold mineralization and allowed for the more precise definition of exploration targets.Introducción -- Objetivo general -- Objetivos específicos -- Localización -- Contexto tectónico y regional -- Marco teórico -- Iones metálicos móviles (MMI) -- Asociación de elementos -- Elemento indicador (target) --Elemento explorador (pathfinder) -- Umbrales geoquímicos -- Background -- Treshold -- Anomalía -- Aprendizaje automático (Machine Learning) -- Aprendizaje no supervisado -- Cluster -- Cluster jerárquico -- Análisis de componentes principales -- Interpolación de distancia inversa ponderada (IDW) -- Estadística -- Transformaciones de datos -- Media aritmética -- Cuartiles -- Sesgo positivo (asimetría a la derecha) -- Depósitos epitermales -- Metodología -- Fuente y contenido de los datos utilizados en el estudio -- Procesamiento y análisis de datos químicos -- Limpieza y normalización de la base de datos de muestras de suelo -- Limpieza de la base de datos muestras de roca -- Mapa de anomalías geoquímicas -- Cálculo de umbrales geoquímicos a partir de muestras de suelo -- Mapas de anomalías geoquímicas de muestras de suelo -- Cálculo de umbrales geoquímicos a partir de muestras de roca -- Mapas de anomalías geoquímicas de muestras de roca -- Análisis multivariado -- Análisis de componentes principales (PCA) -- Cluster jerárquico -- Zonificación área de estudio -- Cluster jerárquico metales base y preciosos -- Cluster jerárquico elementos indicadores (pathfinders) -- Cluster jerárquico primera componente principal -- Cluster jerárquico bario (Ba) y estroncio (Sr) -- Cluster jerárquico segunda componente principal -- Evaluación cuantitativa de los clusters -- Resultados -- Procesamiento y análisis de datos geoquímicos -- Limpieza y normalización base de datos de muestras de suelo -- Limpieza base de datos muestras de roca -- Mapas de anomalías geoquímicas -- Cálculo de umbrales geoquímico a partir de muestras de suelo -- Mapas de anomalías geoquímicas de muestras de suelo -- Cálculo de umbrales geoquímicos a partir de muestras de roca -- Mapas de anomalías geoquímicas de muestras de roca -- Análisis multivariado -- Análisis de componentes principales -- Cluster jerárquico -- Zonificación área de estudio -- Cluster jerárquico para elementos base y metales preciosos -- Cluster jerárquico elementos pathfinders -- Cluster jerárquico primera componente principal (20 elementos) -- Cluster jerárquico bario (Ba) y estroncio (Sr) -- Cluster jerárquico segunda componente principal -- Evaluación cuantitativa de los clusters -- Conclusiones -- Referencias -- AnexosPregradoLa empresa Aura Minerals, la cual opera el proyecto de exploración Toldafría en zona rural del municipio de Villamaría (Caldas), suministró una base de datos la cual consta de 522 resultados de análisis de muestras de suelo por Espectrometría de Masas con Plasma Acoplado Inductivamente (ICP-MS por sus siglas en inglés) realizadas por el laboratorio SGS COLOMBIA S.A., siguiendo el método de Iones Metálicos Móviles (MMI), Este análisis incluye los siguientes elementos: plata (Ag), aluminio (Al), arsénico (As), oro (Au), bario (Ba), bismuto (Bi), calcio (Ca), cadmio (Cd), cerio (Ce), cobalto (Co), cromo (Cr), cesio (Cs), cobre (Cu), disprosio (Dy), erbio (Er), europio (Eu), hierro (Fe), galio (Ga), gadolinio (Gd), mercurio (Hg), indio (In), potasio (K), lantano (La), litio (Li), magnesio (Mg), manganeso (Mn), molibdeno (Mo), niobio (Nb), neodimio (Nd), níquel (Ni), fósforo (P), plomo (Pb), paladio (Pd), praseodimio (Pr), platino (Pt), rubidio (Rb), antimonio (Sb), escandio (Sc), selenio (Se), samario (Sm), estaño (Sn), estroncio (Sr), tantalio (Ta), terbio (Tb), telurio (Te), torio (Th), talio (Tl), uranio (U), vanadio (V), wolframio (W), itrio (Y), iterbio (Yb), zinc (Zn) y circonio (Zr). Adicionalmente, se incluyeron 354 muestras de roca, de la cuales 122 son subterráneas y 232 son superficiales. Estas muestras fueron analizadas por el método de ensayo al fuego (códigos del laboratorio FAA313 e ICM40B) para determinar un paquete de 55 elementos químicos, aplicando técnicas de Espectrometría de Masas con fuente de Plasma de Acoplamiento Inductivo (ICP-MS) y de Espectroscopía de Emisión en Plasma Inductivamente Acoplado (E-ICP), análisis realizados en el mismo laboratorio. Además, cada muestra cuenta con una descripción detallada que específica el tipo de roca, si presenta algún tipo de alteración y los minerales presentes (minerales de alteración). Los elementos analizados fueron oro (Au), aluminio (Al), bario (Ba), calcio (Ca), cromo (Cr), cobre (Cu), hierro (Fe), potasio (K), litio (Li), magnesio (Mg), manganeso (Mn), sodio (Na), fósforo (P), azufre (S), estroncio (Sr), titanio (Ti), vanadio (V), zinc (Zn), circonio (Zr), plata (Ag), arsénico (As), berilio (Be), bismuto (Bi), cadmio (Cd), cerio (Ce), cobalto (Co), cesio (Cs), galio (Ga), germanio (Ge), hafnio (Hf), indio (In), lantano (La), lutecio (Lu), molibdeno (Mo), niobio (Nb), níquel (Ni), plomo (Pb), rubidio (Rb), antimonio (Sb), escandio (Sc), selenio (Se), estaño (Sn), tantalio (Ta), terbio (Tb), telurio (Te), torio (Th), talio (Tl), uranio (U), wolframio (W), itrio (Y) e iterbio (Yb) Asimismo, Aura Minerals proporcionó información sobre la geología estructural del área de estudio, la cual incluye la identificación de lineamientos y fallas principales. Por último, se aportó un mapa de dominios magnéticos realizado por la empresa Revo Geoscience en el que se delimitan áreas clasificadas como muy bajo, bajo, intermedio, alto y muy alto magnético.Geólogo(a)Universidad de CaldasFacultad de Ciencias Exactas y NaturalesColombia, Caldas, ManizalesGeologíaLlanos Castaño, Juan SebastianCortés Salamanca, LucasHernández González, Juan SebastianUniversidad de CaldasLoaiza García, Diego GermánGiraldo Giraldo, Alejandro2025-04-29T21:14:02Z2025-04-29T21:14:02Z2025-04-29Trabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesis113 páginasapplication/pdfapplication/pdfapplication/pdfapplication/pdfhttps://repositorio.ucaldas.edu.co/handle/ucaldas/22153Universidad de CaldasRepositorio Institucional Universidad de Caldasrepositorio.ucaldas.edu.cospaAguirre Sanchez, R. & López Isaza, J. A. (2003). Cartografía geológica y petrografía del Stock de Manizales y su relación con sus rocas encajantes. Trabajo de grado, Universidad de Caldas, Departamento de Ciencias Geológicas.Amedjoe, C. G., & Adjovu, I. T. (2013). Application of the mobile metal ion geochemical technique in the location of buried gold mineralization in Essase Concession, Eastern Region, Ghana. Department of Geological Engineering, College of Engineering, Kwame Nkrumah University of Science and Technology.Álvarez, A. J. (1983). Geología de la cordillera Central y el occidente colombiano y petroquímica de los intrusivos granitoides mesocenozoicos. Boletín Geológico. https://doi.org/10.32685/0120-1425/bolgeol26.2.1983.53Balaram, V. and Sawant, S.S. (2022) Indicator Minerals, Pathfinder Elements, and Portable Analytical Instruments https://doi.org/10.3390/min12040394 in Mineral Exploration Studies. Minerals.Bayona, G., Cardona, A., Jaramillo, C., Mora, A., Montes, C., Valencia, V., Ayala, C., Montenegro, O. & Ibañez-Mejia, M. (2012). Early Paleogene magmatism in the northern Andes: Insights on the effects of Oceanic Plateau-continent convergence. Earth and Planetary Science Letters. 97–111. https://doi.org/10.1016/j.epsl.2012.03.015Barton, P. B., & Skinner, B. J. (1979). Sulphide mineral stabilities. En H. L. Barnes (Ed.), Geochemistry of Hydrothermal Ore Deposits.Bergen, K. J., Johnson, P. A., de Hoop, M. V., & Beroza, G. C. (2019). Machine learning for data-driven discovery in solid Earth geoscience.Berger, B. R., & Eimon, P. I. (1983). Epithermal deposits. Economic Geology.Brandmeier, M., Cabrera Zamora, I. G., Nykänen, V., & Middleton, M. (2020). Boosting for Mineral Prospectivity Modeling: A New GIS Toolbox. Natural Resources Research. https://doi.org/10.1007/s11053-019-09483-8Brobs, Donald A. (1958): Barite Resources of the United States. Geological Survey Bulletin.Cameron, E. M., Hamilton, S. M., McClenaghan, M. B., Hall, G. E. M., Leybourne, M. A., Sader, J. A., & Cranston, D. R. (2002). Thick overburden geochemical methods: Studies over volcanogenic massive sulphide mineralization and kimberlite. In Summary of Fieldwork and Other Activities, 2002.Cochrane, R., Spikings, R., Gerdes, A., Ulianov, A., Mora, A., Villagómez, D., Putlitz, B., & Chiaradia, M. (2014). Permo-Triassic anatexis, continental rifting and the disassembly of western Pangaea. Lithos. https://doi.org/10.1016/j.lithos.2013.12.020Cohen, D., & Bowell, R. (2013). Exploration geochemistry. En H. D. Holland & K. K. Turekian (Eds.), Treatise on Geochemistry (2nd ed.). Elsevier. https://doi.org/10.1016/B978 0-08-095975-7.01127-XDe la Fuente Fernández, S. (2011). Análisis de conglomerados. Facultad de Ciencias Económicas y Empresariales, Universidad Autónoma de Madrid.Ehsin, S., Khan, W., & Minallah, N. (2023). Remote sensing-based prospectivity maps generation for exploration of minerals in Pakistan using machine learning techniques. International Journal of Innovations in Science & TechnologyEveritt, B. S., Landau, S., Leese, M., & Stahl, D. (2011). Cluster Analysis (5th ed.). Wiley.Feininger, T., Barrero, L. D., & Castro, Q. N. (1972). Geología de parte de los departamentos de Antioquia y Caldas.ESRI. (s.f.). How inverse distance weighted interpolation works. ArcGIS Pro Documentation.García Cabrejo, O. J., & Moreno Sánchez, G. (2006). Herramientas de análisis estadístico y espacial aplicadas en la separación línea base – anomalía geoquímica. Implicaciones en exploración de recursos naturales. Parte 2: Zinc en sedimentos activos Plancha 5-09 y 208 – Villeta, Colombia. Geología Colombiana.Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O’Reilly Media.Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Griem-Klee. (28 de noviembre de 2016). Apuntes Geología. Obtenido de https://www.geovirtual2.cl/EXPLORAC/TEXT/0300-geoquimica-exploracion.htmGroves, D. I., Goldfarb, R. J., Gebre-Mariam, M., Hagemann, S. G., & Robert, F. (1998). Orogenic gold deposits: A proposed classification in the context of their crustal distribution and relationship to other gold deposit types. Ore Geology Reviews.Jolliffe, I. T. (2002). Principal Component Analysis (2ª ed.). Springer. Heald, P., Foley, N. K., & Hayba, D. O. (1987). Comparative anatomy of volcanic hosted epithermal deposits. Economic Geology.Hedenquist, J. W., Arribas, A. R., & Gonzalez-Urien, E. (1999). Exploration for Epithermal Gold Deposits. Economic Geology.Heinrich, C. A. (2007). Fluid-fluid interactions in magmatic-hydrothermal ore formation. In Reviews.Heinrich, C. A., & Candela, P. A. (2014). Fluids and ore formation in the Earth's crust. In Mineralogy and Geochemistry. 65, 363–387. https://doi.org/10.2138/rmg.2007.65.11Hincapié, G., da Silva, J. C. & Sánchez-Torres, L. (2021). Andesitic (SiO2: ~60 wt%) monogenetic volcanism in the northern Colombian Andes: Crystallisation history of threeHowarth, R. J. (1983). Mapping. En R. J. Howarth (Ed.), Statistics and Data Analysis in Geochemical Prospecting.Karpatne, A., Atluri, G., Faghmous, J. H., Steinbach, M., Banerjee, A., Ganguly, A., Shekhar, S., Samatova, N., & Kumar, V. (2018). Theory-guided data science: A new paradigm for scientific discovery from data. IEEE Transactions on Knowledge and Data Engineering.Kesler, Stephen & Simon, Adam. (2018). Mineral Resources, Economics and the Environment. 1-10. 10.1017/cbo9781139871426.002.Leal-Mejía, H. (2011). Phanerozoic gold metallogeny in the Colombian Andes: A tectono-magmatic approach [Tesis de doctorado, Universitat de Barcelona]. Universitat de Barcelona.Leybourne, M. I., & Cameron, E. M. (2000). Composition of groundwaters at the Spence deposit: Part B—Metals associated with supergene Cu mineralization [Report]. Canadian Mining Industry Research Organization (CAMIRO).Lindgren, W. (1922, 1933). Caracterización de los depósitos epitermales. En: Estudios sobre depósitos hidrotermales.Leal-Mejía, H., Shaw, R. P., & Melgarejo i Draper, J. C. (2019). Spatial-temporal migration of granitoid magmatism and the Phanerozoic tectono-magmatic evolution of the Colombian Andes. In Frontiers in https://doi.org/10.1007/978-3-319-76132-9_5 Earth Sciences. Springer Verlag.Maffini, M. N., Ducart, D. F., Radice, S., Coniglio, J., D’Eramo, F., Demartis, M., Pinotti, L., Moreira Silva, A., & Bemfica Toledo, C. L. (2023). Estudio petrográfico, espectral y de susceptibilidad magnética de la alteración hidrotermal asociada con depósitos polimetálicos de Pb-Zn-Cu-Ag-Au, Sierra de Comechingones, Córdoba (Argentina). Universidad Nacional de Río Cuarto (UNRC) y Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET).Maya, M., & González, H. (1995). Unidades litodémicas en la cordillera Central de Colombia. Boletín Geológico. https://doi.org/10.32685/0120-1425/bolgeol35.2-3.1995.316Moreno-Sanchez, M., & Pardo-Trujillo, A. (2003). Stratigraphical and Sedimentological Constraints on Western Colombia; Implications on the Evolution of the Caribbean Plateau. In The Circum-Gulf of Mexico and the Caribbean Hydrocarbon Habitats, Basin Formation and Plate Tectonics, 79. American Association of Petroleum Geologists. https://doi.org/10.1306/M79877C40Naranjo, A., Horner, J., Jahoda, R., Diamond, L., Castro, A., Uribe, A., Pérez, C., Paz, H., Mejía, C., & Weil, J. (2018). La Colosa Au Porphyry Deposit, Colombia: Mineralization Styles, Structural Controls, and Age Constraints. Economic Geology, 113(3), 553-578. doi: 10.5382/econgeo.2018.4562; 26 p.Newbold, M. A., Danyushevsky, L. V., Maas, R., Gilbert, S. E., & Goemann, K. (2013). The application of trace element and Sr–Nd isotope geochemistry to exploration for mineral deposits: Insights from the Mount Isa Inlier, Australia. Geochimica et Cosmochimica Acta. https://doi.org/10.1016/j.gca.2013.06.020Oye, E., Frank, E., & Owen, J. (2024). Unsupervised and Supervised Models in Machine Learning.Osorio, P., Botero-Gómez, L. A., Murcia, H., Borrero, C. & Grajales, J. A. (2018). Campo Volcánico Monogenético Villamaría-Termales, Cordillera Central, Andes colombianos (Parte II): Características composicionales. https://doi.org/10.18273/revbol.v40n3-2018006 Boletín de Geología.Panteleyev, A. (1988). Geologic framework of the Canadian Cordillera: Implications for epithermal gold mineralization. Geological Association of Canada Special Paper.Pohl, Walter L., Metallogenic models as the key to successful exploration – a review and trends, Mineral economics, 2022.Quishpe Caranqui, D. P. (2013). Interpretación geoquímica de los resultados de laboratorio de las muestras de sedimentos fluviales correspondiente a la zona Sigchos Totorillas (500 km²), con aplicación minera y ambiental [Tesis de grado, Universidad Central del Ecuador].Ramones Tapia, R. (2017). Aplicación de métodos geoquímicos y geofísicos en la exploración de depósitos minerales: Un enfoque integrador. Revista Geológica Latinoamericana.Reyes, A. (1990). Petrology of Philippine geothermal systems and the application of alteration mineralogy to their assessment. Journal of Volcanology and Geothermal Research.Reyes, A. (1991). Mineralogical indicators of hydrothermal evolution. Geothermics. Richards, J. P. (2009). Postsubduction porphyry Cu-Au and epithermal Au deposits: Products of remelting of https://doi.org/10.1130/G25451A.1 subduction-modified lithosphere. Geology.Salazar-Muñoz, J. L., Cardona, A., & Valencia, V. A. (2021). Geochronology and geochemistry of the Mesozoic–Cenozoic magmatism in the northern Andes: Implications for arc migration and metallogenesis. Journal of South American Earth Sciences.Sillitoe, R. H. (1988). Gold and silver deposits in porphyry systems. En R. W. Schafer, J. J. Cooper & P. G. Vikre (Eds.), Bulk Mineable Precious Metal Deposits of the Western United States. Geological Society of Nevada.Sillitoe, R. H., & Hedenquist, J. W. (2003). Linkages between volcanotectonic settings, ore-fluid compositions, and epithermal precious-metal deposits. Society of Economic Geologists Special Publication.Shafiq, S. B., & Khatun, L. (2023). Exploring the potential of artificial intelligence and machine learning in mineral exploration: A review article. International Research Journal of Modernization in Engineering, Technology and Science.Spikings, R. A., & Paul, J. (2019). Crustal thickening and tectonic evolution of the Colombian Andes: Insights from zircon U-Pb and Lu-Hf geochronology. Lithos.Taboada, A., Rivera, L. A., & Fuentes, L. (2000). Active tectonics of the northern Andes: Subductions and intracontinental deformation in Colombia. Tectonophysics.Tafuri, William J. (1973). A Geochemical Study of the Barite Deposits of Mineral County.Torrenguera-Barraza, W. D., Rojas-Martínez, E. E., Rozo-Guzmán, J. E., & Lascarro Navarro, F. (Año). Mineralogénesis y geoquímica del emplazamiento de las manifestaciones de barita en el corregimiento de Caracolí, Cesar, Colombia.Toro, L. M., Hincapié, G. & Ossa, C. A. (2010). Petrografía y geoquímica de los metagabros del río Olivares sector NNW de Manizales (Caldas). Boletín de Geología.Villagómez, D., Spikings, R., & Mora, A. (2011). Thermochronology and tectonics of the Colombian Andes: A record of Cenozoic exhumation. Tectonophysics.Vinasco, C., Cardona, A., García, V., & Valencia, V. (2006). Geochronology and tectonic implications of Paleozoic metamorphic basement and Mesozoic intrusive rocks in the Colombian Andes. Geologica Acta.Vinasco, C. J., Valencia, V. A., & Cardona, A. (2019). Geochronology and geochemistry of the magmatic and metamorphic basement of the Colombian Andes. Journal of South American Earth Sciences.https://creativecommons.org/licenses/by-nc-nd/4.0/Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2oai:repositorio.ucaldas.edu.co:ucaldas/221532025-04-30T08:00:48Z

Aplicación de Modelos No Supervisados de Machine Learning y Análisis Estadísticos sobre zonas con potencial mineral para la delimitación de anomalías y targets: estudio de caso del depósito de Au Toldafría, Vereda Montaño, Villamaría (Caldas)

Publicaciones similares