Simulación Animada
Observa cómo cada método descubre la veta
Paso: 0/100
Método Tradicional
Malla Regular 25x25m
Métricas

Sondajes: 1,600

Costo: $4.0M

Eficiencia: 60%

Active Learning + IA
Optimización Inteligente
¿Cómo funciona?
1. Fase Inicial (gris): 300 muestras aleatorias
2. Entrenamiento: El modelo aprende patrones
3. Identificación (azul): 820 sondajes en zonas de alta incertidumbre
4. Resultado: Mejor cobertura con menos sondajes
Métricas

Sondajes: 1,120 (-30%)

Costo: $2.8M

Eficiencia: 90%

Ahorro con Active Learning

-480

Sondajes Ahorrados

$1.2M

Ahorro en Costos

+30%

Mejora Eficiencia
Método Tradicional
Malla Regular
Perforación sistemática sin optimización
Características
  • Malla regular predefinida
  • Espaciamiento uniforme 25m
  • No considera incertidumbre
  • Mayor cantidad de sondajes
  • Costo más alto
Métricas Estimadas

Sondajes: ~1,600

Metros: ~80,000 m

Costo: $4,000,000

Tiempo: 8-12 meses

El Active Learning puede reducir hasta 30% de sondajes manteniendo la misma cobertura.
Visualización
Control
Configuración
Búsqueda
Datos
Ejemplo
Demo Data Lake CSV

Cada archivo incluye columnas mínimas para alimentar el motor (coordenadas, leyes, densidad, hardness_index), replicando el flujo COLLAR→SURVEY→ASSAY→BLK del PDF.

Visualización
Interpretación IA

Selecciona un target para ver interpretación o genera un resumen ejecutivo

Resultados
Métricas

Iter: 0/0

Est: -

Blq: -

Ley: -

Acc: -

AUC: -

Val Acc: -

Val AUC: -

Sin consultas.
Targets

Esperando...

Leyes
Pipeline 3D: Datos → Propuesta de Sondajes
Recorrido visual continuo desde la ingesta legacy hasta la recomendación final
1. Ingesta 2. Embeddings 3. ML 4. Active Learning 5. Sondajes

Carga los CSV legacy y prepara el cubo sintético base.

Las partículas azules representan la ingesta (COLLAR/SURVEY/ASSAY/.BLK), los haces púrpura los embeddings FAISS, el grid verde el entrenamiento ML, el túnel naranja las iteraciones Active Learning y los cilindros dorados la propuesta visual de sondajes.
Escala & Bloques

Estas referencias fijan la escala espacial sobre la que el Active Learning decide perforar.

  • Dominio 1,000 m × 1,000 m × 500 m
  • Huella bloque 20 m × 20 m
  • Altura bloque 25 m
  • Resolución 50 × 50 × 20
Secuencia Active Learning
Visualiza el ciclo predictivo paso a paso
Iteración 0

Usa los tooltips para entender qué datos intervienen en cada paso antes de que el modelo recomiende nuevos sondajes.

1
Preparar Escenario
Escala, muestras iniciales y features activadas.
2
Entrenar Modelos
Random Forest / LightGBM / XGBoost.
3
Iterar Active Learning
Selección de targets + sondajes sintéticos.
Esperando datos
4
Memoria + Exportación
Vector search, RAG y exportables.
Mapa propuesto de sondajes
Se alimenta de los targets del backend en tiempo real
IA
POZO Coord (X/Y) Profundidad Ley Incert.
Sin objetivos activos.
Genera o carga una simulación para que la IA proponga coordenadas de sondaje prioritarias.
Planificación posterior

Sigue este flujo para convertir la propuesta IA en sondajes programados.

  • 1. Esperando objetivos de Active Learning.
  • 2. Se mostrarán coordenadas y profundidades sugeridas.
  • 3. Exporta el plan y programa la perforación.
Al presionar "Exportar" se descargan los puntos aprobados para incorporarlos en tu software de planificación.
Flujo hacia la Inferencia
Se actualiza automáticamente con los eventos del backend
1. Datos Legacy
COLLAR + SURVEY + ASSAY
Pendiente

Esperando sesión.

2. Embeddings & RAG
Vectorización FAISS
Pendiente

Sin actividad.

3. Modelos ML
Clasificador + Regressor
Pendiente

A la espera de entrenamiento.

4. Active Learning
Iteraciones e inferencia
Pendiente

Sin iteraciones.

5. Exportación
Reportes & Memoria Geológica
Pendiente

Los resultados aparecerán al finalizar.

Origen de Datos Geometalúrgicos

Los archivos de muestra reproducen la estructura control_mineral_auto. Úsalos como plantilla:

Archivo Columnas clave Descarga
COLLAR hole_id, x, y, rl_m, azimuth_deg, dip_deg CSV
SURVEY hole_id, depth_m, azimuth_deg, dip_deg CSV
ASSAY from_m, to_m, au_gpt, cu_pct, arsenic_ppm CSV
.BLK centroid_xyz, tonnage, density, hardness_index CSV
El puente legacy_bridge combina estos CSV, genera features (distancias, geoquímica derivada) y alimenta FAISS + Active Learning.

¿Tienes datos reales? Respeta los encabezados, usa comas como separador y mantén unidades en metros / g/t / %.

Paso a Paso hacia la inferencia
  1. Carga: sube CSV o usa data_source=legacy_bridge. El backend valida filas (MAX_CSV_ROWS).
  2. Embeddings: litologías y descripciones generan embeddings vía SentenceTransformer y se indexan en FAISS.
  3. Modelos: se entrenan clasificador/regresor (RF/LGBM/XGBoost) y se registran métricas train/val.
  4. Active Learning: cada iteración perfora donde hay mayor entropía y actualiza el modelo.
  5. Inferencia & Export: consulta RAG, descarga CSV/Excel o lleva los bloques a tu software geometalúrgico.
API Cheatsheet
POST /api/simulation/create
{
  "data_source": "legacy_bridge",
  "ml_backend": "lightgbm",
  "advanced_features": true
}

Luego ejecuta POST /api/simulation/{id}/run y monitorea los estados en tiempo real desde esta pestaña y el log.