Investigadores estadounidenses crearon un modelo capaz de simular el movimiento de fluidos y las reacciones químicas que transportan metales en el subsuelo. La tecnología podría mejorar la recuperación de minerales críticos mediante lixiviación in situ y reducir los recursos computacionales necesarios para estudiar estos procesos.
Un equipo de científicos de la Universidad de Houston y el Laboratorio Nacional del Noroeste del Pacífico (PNNL), en Estados Unidos, desarrolló un sistema de inteligencia artificial capaz de predecir cómo se desplazan los fluidos y las sustancias químicas disueltas a través de las rocas. La tecnología combina redes neuronales con principios de física y química para simular procesos subterráneos que influyen en la distribución, concentración y eventual recuperación de minerales críticos.
La investigación fue publicada el 13 de marzo de 2026 en la revista científica Transport in Porous Media, mientras que el Laboratorio de Ciencias Moleculares Ambientales (EMSL), perteneciente al Departamento de Energía estadounidense, presentó sus aplicaciones para la recuperación de recursos minerales durante julio.
El avance se concentra en uno de los principales desafíos de la exploración y extracción de minerales: comprender cómo interactúan el agua, los compuestos químicos y las formaciones rocosas bajo condiciones que resultan difíciles de observar directamente.
Los investigadores demostraron que el nuevo modelo reproduce procesos de transporte reactivo en medios porosos heterogéneos y puede representar fenómenos químicos complejos con menores exigencias computacionales que las simulaciones convencionales utilizadas en las pruebas.
Una inteligencia artificial que aprende las leyes de la física
La tecnología utiliza un enfoque conocido como redes neuronales informadas por la física, o PINN, por sus siglas en inglés.
A diferencia de los modelos convencionales de aprendizaje automático, que identifican patrones principalmente a partir de grandes cantidades de datos, estas redes incorporan ecuaciones científicas directamente en su proceso de entrenamiento.
Esto significa que el sistema no solo intenta encontrar relaciones estadísticas entre las variables, sino que también debe respetar las leyes que gobiernan el movimiento de los fluidos y las reacciones químicas.
Por ejemplo, cuando el agua circula a través de una formación rocosa, su desplazamiento está condicionado por factores como la permeabilidad, la porosidad y las diferencias de presión.
Al mismo tiempo, las sustancias disueltas pueden reaccionar entre sí, transformarse en otros compuestos o cambiar su concentración.
El nuevo sistema integra estas interacciones para calcular cómo evolucionan las concentraciones químicas dentro del material.
Kalyana Nakshatrala, profesor asociado de ingeniería de la Universidad de Houston y responsable principal del proyecto, explicó que el objetivo es desarrollar herramientas capaces de estimar variables que no pueden medirse fácilmente mediante experimentos tradicionales.
El modelo permite trabajar con información limitada, incorporando conocimiento científico para restringir las soluciones posibles.
Cómo se desplazan los minerales a través de las rocas
El transporte de elementos minerales en el subsuelo depende de procesos físicos y químicos que ocurren simultáneamente.
Las rocas contienen redes de poros, pequeñas cavidades y fracturas por donde pueden circular fluidos.
Cuando estos fluidos entran en contacto con determinados minerales, las reacciones químicas pueden provocar la disolución de elementos metálicos.
Una vez disueltos, estos elementos pueden desplazarse con el agua, reaccionar con otras sustancias o concentrarse en determinadas zonas.
Este mecanismo es relevante tanto para comprender la formación de depósitos minerales como para diseñar procedimientos de recuperación mediante soluciones químicas.
Uno de sus usos potenciales es la lixiviación in situ, una técnica que busca recuperar determinados componentes minerales mediante la circulación controlada de soluciones dentro de una formación geológica.
Para estudiar este tipo de procesos, los investigadores deben resolver varias interrogantes: por dónde circulará la solución, cuánto tiempo permanecerá en contacto con la roca, cómo se mezclarán los reactivos y dónde se concentrarán los productos químicos.
Las simulaciones tradicionales permiten abordar estas preguntas, pero pueden necesitar importantes recursos de procesamiento, especialmente cuando las características geológicas son complejas.
El modelo desarrollado por el equipo estadounidense busca representar esas interacciones de manera más eficiente.
El sistema evita predicciones químicamente imposibles
Uno de los problemas que enfrentan los modelos computacionales es la aparición de resultados matemáticos que no tienen sentido físico.
Por ejemplo, una simulación puede calcular concentraciones negativas de una sustancia, aunque en condiciones reales no pueda existir una cantidad de material inferior a cero.
Este problema adquiere especial importancia cuando se estudian minerales críticos presentes en concentraciones extremadamente pequeñas.
Maruti Mudunuru, científico de PNNL y participante de la investigación, explicó que pequeños errores numéricos pueden provocar resultados inconsistentes cuando las concentraciones se aproximan a cero.
Para enfrentar esta dificultad, los investigadores desarrollaron una formulación que permite controlar los errores y mantener las predicciones dentro de límites físicamente admisibles.
El sistema también incorpora restricciones relacionadas con las ecuaciones de transporte y reacción química.
De esta manera, el modelo busca evitar que las predicciones contradigan principios fundamentales del fenómeno estudiado.
Esta característica resulta importante para aplicaciones industriales, donde errores en la estimación de concentraciones pueden alterar el cálculo de reactivos, los tiempos de operación o las estrategias de recuperación.
Las pruebas reprodujeron reacciones químicas complejas
La investigación fue desarrollada por Kripa Adhikari, Md. Lal Mamud, Maruti Kumar Mudunuru y Kalyana Nakshatrala.
El equipo evaluó el sistema mediante problemas de referencia diseñados para representar el movimiento de fluidos y las reacciones químicas en materiales porosos.
Los experimentos computacionales incluyeron formaciones heterogéneas, donde las propiedades del material varían según su ubicación.
Estas diferencias generan trayectorias de flujo complejas y modifican la forma en que los reactivos se mezclan.
Los investigadores utilizaron un modelo de reacción bimolecular rápida, en el que dos sustancias reaccionan para formar un nuevo producto.
La inteligencia artificial logró representar las distribuciones espaciales de los reactivos y del producto generado, incluyendo zonas de reacción con cambios pronunciados de concentración.
También reprodujo fenómenos de mezcla y dispersión relacionados con el movimiento de sustancias a través de materiales de distinta permeabilidad.
Los resultados fueron contrastados con métodos tradicionales de simulación numérica.
Las pruebas mostraron una buena correspondencia con las soluciones de referencia y un menor requerimiento de recursos computacionales.
Sin embargo, la investigación no establece una reducción universal del tiempo de cálculo ni demuestra todavía un aumento de recuperación de minerales en operaciones reales.
Las validaciones corresponden a problemas computacionales simplificados que representan procesos relevantes para la extracción.
Aplicaciones potenciales en minería y recuperación de metales
El desarrollo podría utilizarse en distintas actividades relacionadas con la recuperación de minerales críticos y la gestión de recursos subterráneos.
Una de las principales posibilidades es mejorar el diseño de sistemas de lixiviación in situ.
Mediante simulaciones, los especialistas podrían evaluar diferentes condiciones de inyección antes de realizar pruebas experimentales o industriales.
Esto permitiría estudiar cómo influyen las velocidades de circulación, las concentraciones de reactivos y las características del terreno en la distribución de las sustancias disueltas.
Los investigadores también identifican aplicaciones potenciales en biolixiviación, drenaje ácido de minas y recuperación de metales desde residuos o aguas industriales.
En estos procesos, las interacciones entre los fluidos y los minerales determinan qué elementos pueden movilizarse y bajo qué condiciones es posible recuperarlos.
Otra aplicación corresponde al estudio del almacenamiento subterráneo de fluidos y de determinados procesos asociados a recursos energéticos.
La posibilidad de simular reacciones químicas en formaciones heterogéneas podría mejorar la evaluación de escenarios antes de ejecutar intervenciones en el terreno.
No obstante, estas aplicaciones todavía deben desarrollarse y validarse experimentalmente.
El modelo no identifica por sí solo nuevos yacimientos ni determina directamente la ubicación de reservas comerciales de minerales críticos.
Qué falta para utilizar esta inteligencia artificial en operaciones mineras
A pesar de los resultados obtenidos, los investigadores reconocen que la tecnología se encuentra en una etapa inicial.
Hasta ahora, las pruebas han considerado sistemas simplificados que reproducen aspectos fundamentales del transporte y las reacciones químicas.
Las formaciones geológicas reales presentan condiciones considerablemente más complejas.
Entre ellas se encuentran redes irregulares de fracturas, diferencias de permeabilidad, múltiples especies químicas y posibles interacciones biológicas.
Para avanzar hacia aplicaciones industriales será necesario incorporar un mayor número de reacciones y contrastar las predicciones con mediciones experimentales y datos de terreno.
El equipo también estudia la posibilidad de integrar procesos biológicos y microbianos, especialmente relevantes para determinadas tecnologías de recuperación de metales.
Una de las metas de largo plazo es desarrollar gemelos digitales de operaciones mineras, modelos computacionales que puedan actualizarse con información de sensores, ensayos y observaciones de campo.
En ese escenario, la inteligencia artificial podría comparar continuamente las condiciones observadas con sus predicciones y ayudar a evaluar cambios en los parámetros de operación.
Por ahora, esa capacidad constituye una perspectiva futura y no una función demostrada del sistema actual.
Un nuevo enfoque para la recuperación de minerales críticos
La investigación se enmarca en los esfuerzos científicos por mejorar la comprensión de procesos subterráneos relacionados con recursos minerales y energéticos.
El interés por estas tecnologías responde a las dificultades que presenta recuperar elementos presentes en bajas concentraciones y en ambientes geológicos complejos.
Comprender cómo circulan los reactivos y cómo se transforman las sustancias químicas puede contribuir al diseño de procesos más controlados y a una evaluación más precisa de sus resultados potenciales.
Para la industria minera, el aporte principal del modelo está en combinar la capacidad de aprendizaje de las redes neuronales con restricciones científicas que permitan reducir predicciones inconsistentes.
El avance no significa que la inteligencia artificial pueda extraer minerales automáticamente ni reemplazar las pruebas metalúrgicas o geológicas. Su valor reside en ofrecer una nueva herramienta para anticipar cómo podrían comportarse los fluidos y las sustancias disueltas antes de intervenir una formación rocosa.
Si las próximas etapas confirman su funcionamiento en sistemas más complejos, esta tecnología podría convertirse en un recurso para mejorar el diseño de procesos de lixiviación, evaluar alternativas de recuperación de minerales críticos y reducir la incertidumbre asociada al comportamiento químico del subsuelo.
REDIMIN Responde
¿Qué tecnología desarrollaron los investigadores estadounidenses?
Desarrollaron un modelo de inteligencia artificial capaz de simular el movimiento de fluidos y las reacciones químicas que transportan metales en el subsuelo.
¿Qué instituciones participaron en el desarrollo del modelo?
Participaron la Universidad de Houston y el Laboratorio Nacional del Noroeste del Pacífico (PNNL) en Estados Unidos.
¿Qué ventaja tiene el nuevo modelo respecto a las simulaciones convencionales?
El nuevo modelo puede representar fenómenos químicos complejos con menores exigencias computacionales que las simulaciones convencionales.
¿Qué problema común en modelos computacionales busca evitar el nuevo sistema?
El sistema busca evitar predicciones químicamente imposibles, como concentraciones negativas de una sustancia, mediante una formulación que controla los errores numéricos.
¿Qué aplicaciones potenciales tiene el desarrollo en la minería?
El desarrollo podría mejorar el diseño de sistemas de lixiviación in situ y la gestión de recursos subterráneos, permitiendo evaluar diferentes condiciones de inyección antes de realizar pruebas experimentales.
