En un relave espesado, el contenido de humedad no es solo un dato técnico: es un indicador crítico de estabilidad física. A mayor humedad, menor resistencia al corte y mayor riesgo de falla. Pero medir esa humedad en terreno, depósito por depósito, es caro, lento y difícil de escalar a nivel nacional.

El equipo AI-MineSafe PUCV abordó ese problema con machine learning y teledetección. Usando imágenes satelitales y redes neuronales artificiales, el paper publicado en IEEE Access 2021 (Vol. 9, doi: 10.1109/ACCESS.2021.3053767) demuestra que es posible estimar el contenido de humedad en tranques de relaves espesados sin necesidad de medir directamente en terreno.

El enfoque combina las bandas espectrales de imágenes de satélite —sensibles a la reflectancia superficial del depósito— con modelos de aprendizaje automático entrenados para correlacionar esas señales con el porcentaje de humedad. El resultado: una herramienta que permite monitorear remotamente un parámetro geotécnico clave para la estabilidad, a una fracción del costo de una campaña de terreno.

Cuando la humedad de cientos de depósitos puede estimarse desde imágenes satelitales, el monitoreo preventivo pasa de ser aspiracional a ser operativo.

#AIMineSafe #MachineLearning #Relaves #Sentinel2 #PUCV #IAMinería #EstabilidadFísica #Teledetección