Seiscientos metros de testigo en dos minutos: la IA llegó a la caja de sondaje
Seequent lanzó una herramienta que lee fotos de cajas de testigos y devuelve datos como el RQD. La mayor promesa no es la velocidad — es volver repetible una etapa que siempre dependió de quién estaba mapeando.
- Seequent, del grupo Bentley, lanzó un módulo de IA para su plataforma Imago que analiza fotos de cajas de testigos de sondaje.
- En un ejemplo divulgado, 600 metros de testigo se procesaron en dos minutos, generando datos referenciados en profundidad, como el RQD.
- El geólogo revisa y valida el resultado contra la imagen original antes de llevar los datos al modelo 3D.
- La herramienta también procesa archivos antiguos de fotos — un activo que la mayoría de las empresas tiene y casi nunca usa.
El 13 de octubre, Seequent, empresa de software geológico del grupo Bentley, lanzó Imago image analysis, un módulo de inteligencia artificial para su plataforma en la nube de imágenes de sondaje. La herramienta lee fotos de cajas de testigos — nuevas o de archivo — y las transforma en datos estructurados y referenciados en profundidad, como el RQD, índice que mide la calidad del macizo rocoso. En el ejemplo divulgado por la empresa, 600 metros de testigo se procesaron en dos minutos. Un mapeo equivalente hecho a mano suele tomar días o semanas. El geólogo puede comparar el resultado con la foto original, ajustarlo y validarlo antes de usarlo. Los intervalos validados pasan a Leapfrog, software de modelamiento geológico 3D, y a MX Deposit, de gestión de datos de sondaje. Las imágenes de los clientes permanecen dentro del entorno Imago, y cada cliente decide si pueden usarse para mejorar el modelo.
El testigo es el dato más caro de la exploración — y uno de los más subjetivos. Cada metro de sondaje diamantino es caro y toma tiempo. Aun así, el mapeo de testigos siempre fue una etapa manual y cualitativa: dos geólogos mirando la misma caja pueden registrar contactos, fracturas y alteraciones de forma distinta. El propio gerente de producto de Seequent, Tim Schurr, resumió el argumento: cada caja representa una gran inversión, pero el mapeo siempre dependió de la experiencia individual. Cuando el dato de base varía de persona a persona, el modelo geológico hereda esa variación. El RQD es un buen ejemplo de lo que se puede estandarizar. El Rock Quality Designation, propuesto por Don Deere en los años 1960, es el porcentaje de la longitud de una corrida compuesto por trozos de testigo de 10 cm o más. El cálculo es simple, pero la medición es laboriosa y propensa a errores: distinguir una fractura natural de una rotura causada por la manipulación, por ejemplo, exige criterio. El RQD alimenta clasificaciones geomecánicas como el RMR y el sistema Q, que a su vez orientan la fortificación de excavaciones y los ángulos de talud. Medir de forma consistente es una cuestión de seguridad y de costo, no solo de geología. La velocidad es el argumento de venta; la repetibilidad es el argumento técnico. Procesar 600 metros en dos minutos impresiona, pero la ganancia más duradera es que el mismo criterio se aplica a todas las cajas, en todas las campañas. Esto permite comparar sondajes hechos en años distintos, por equipos distintos, sin que el cambio de geólogo aparezca como "cambio geológico" en el modelo. El archivo antiguo es un yacimiento olvidado. Casi toda minera guarda miles de fotos de cajas de sondaje de campañas pasadas — muchas veces de testigos que ya se degradaron o fueron descartados. Las herramientas que extraen datos cuantitativos de esas imágenes transforman un archivo muerto en una base de datos utilizable, sin perforar un metro más. La IA no reemplaza al geólogo — cambia su trabajo. El flujo descrito por Seequent mantiene la validación humana como etapa obligatoria antes del modelamiento. El geólogo pasa menos tiempo midiendo y más tiempo revisando, interpretando y cuestionando el modelo. Esto exige una competencia nueva: saber auditar un resultado automatizado, identificar dónde se equivoca el algoritmo (fotos con mala iluminación, testigo mojado, cajas mal ordenadas) y decidir cuándo confiar.
La exploración minera es un negocio de decisiones tomadas con datos incompletos. Cualquier cosa que vuelva más consistente el dato de testigo reduce la incertidumbre en la estimación de recursos, en el diseño geotécnico y en la planificación minera — y puede ser decisiva al reportar recursos según códigos como JORC, NI 43-101 o el estándar CBRR en Brasil. Para el profesional, el mensaje práctico es doble. Fotografiar bien las cajas — con escala, iluminación estandarizada e identificación de profundidad — pasó a formar parte del control de calidad del sondaje, porque esas imágenes ahora son datos, no solo registro. Y quien sepa combinar la lectura de testigos en terreno con la validación de resultados de IA tendrá una clara ventaja en los próximos años.
¿Qué aprendimos?
- El mapeo manual de testigos depende de quién lo hace — y esa variación pasa directo al modelo geológico.
- El RQD alimenta clasificaciones geomecánicas como RMR y Q; medirlo de forma consistente afecta la fortificación, los taludes y el costo.
- Las fotos antiguas de cajas de sondaje son un activo de datos; fotografiar bien pasó a formar parte del QA/QC del sondaje.
Radar de Competencias
- Mapeo de testigos de sondaje★★★★★
- Clasificación geomecánica (RQD, RMR, Q)★★★★★
- QA/QC de datos de sondaje★★★★★
- Validación de modelos de IA★★★★★
Competencias Desarrolladas
- Mapeo de testigos
- Geomecánica
- Datos geológicos
Tendencia al alza
Las plataformas de imágenes de sondaje ya son comunes; la capa de análisis automático tiende a extenderse a medida que las empresas buscan consistencia y reaprovechamiento de archivos antiguos.
¿Para quién es útil este contenido?
- Geólogos
- Ingenieros
- Técnicos
- Estudiantes
- Investigadores
Para profundizar en este tema
Vale la pena buscar formación en:
- Geología
- Geología de Exploración
- Geotecnia y Mecánica de Rocas
- Ciencia de Datos aplicada a la Geociencia


