Application of Machine Learning and Gravimetric Inversion Techniques for 1D and 3D Geomechanical Characterization of Culm Group Slates in the Iberian Pyrite Belt

En los últimos años, la creciente necesidad de obtención de recursos minerales ha llevado a la industria minera a desarrollar técnicas más precisas para comprender de forma integral las propiedades del subsuelo, especialmente en entornos geológicos complejos como el de la Mina de Riotinto (RTM) en la Faja Pirítica Ibérica. Este estudio se centra en la caracterización de las propiedades geomecánicas, tanto en 1D como en 3D, de rocas de baja porosidad y baja permeabilidad asociadas al grupo litológico Culm de edad Carbonífera, que sirven de sustrato para los depósitos de desmonte de las actividades extractivas de la mina. Se utilizan registros de sondeos de exploración, técnicas de inversión gravimétrica y modelos de Machine Learning (ML) para distinguir las variaciones verticales y laterales de los parámetros de las rocas, específicamente en el flanco sur de la RTM. Se implementa un riguroso control de calidad de los registros de sondeo adquiridos, y se estiman registros de densidad aparente utilizando relaciones ML a partir de datos de superficie, calibrados posteriormente con datos de laboratorio. Esta metodología permite obtener los parámetros geomecánicos necesarios para caracterizar en 1D tres subunidades litológicas principales, que presentan valores petrofísicos contrastantes. Al combinar estas subunidades con datos de imágenes ultrasónicas de pozos y modelos de inversión gravimétrica, se logró una continuidad lateral, generando una visualización 3D multiparamétrica del área de estudio a una profundidad de 500 metros. Este estudio demuestra que el subsuelo del área exhibe parámetros geomecánicos con alto contraste en sus propiedades físicas, notablemente reflejados en los datos de pozos y, en menor medida, en los observables geofísicos. Esto establece una nueva metodología con mayor alcance de profundidad para la caracterización del subsuelo con fines geotécnicos. Adicionalmente, demuestra el potencial de utilizar técnicas de ML para resolver incertidumbres geológicas en distritos mineros, abriendo la puerta al uso de estos modelos para la caracterización tridimensional de unidades litológicas mediante la integración de datos geofísicos para la exploración minera.