Una publicación académica plantea un marco integrado para enfrentar riesgos de percepción, conectividad, ciberataques y mantenimiento predictivo en minas inteligentes. El enfoque combina IA, aprendizaje federado seguro, sensores IoT y comunicación tolerante a interrupciones.
La minería inteligente avanza hacia un modelo operacional cada vez más dependiente de inteligencia artificial, sensores distribuidos, vehículos autónomos, monitoreo remoto y análisis de datos en tiempo real. En ese contexto, una investigación titulada “Future Mining: Learning for Safety and Security” propone una arquitectura de seguridad orientada a minas subterráneas y entornos extremos, donde la continuidad operacional depende tanto de la robustez tecnológica como de la protección frente a fallas y ataques ciberfísicos.
El trabajo fue desarrollado por Md Sazedur Rahman, Mizanur Rahman Jewel y Sanjay Madria, vinculado a Missouri University of Science and Technology, y publicado como artículo de conferencia en COMSNETS 2026, con versión definitiva asociada a IEEE. La investigación no reporta una implementación industrial específica ni una inversión minera asociada, sino una propuesta de arquitectura para operaciones inteligentes que integran percepción multimodal, aprendizaje federado seguro, comunicación DTN, monitoreo IoT y mantenimiento predictivo.
Qué plantea la investigación
El eje del estudio es una Unified Smart Safety and Security Architecture, diseñada para responder a uno de los desafíos más complejos de la digitalización minera: cómo mantener seguridad operacional cuando los sistemas de IA trabajan en ambientes con polvo, oscuridad, obstrucciones, mala conectividad, ausencia de GPS y alta variabilidad geotécnica.
Según el resumen académico, las minas reales imponen restricciones que degradan la percepción de los sistemas inteligentes, interrumpen la conciencia situacional y debilitan la confiabilidad de los modelos distribuidos. En minería subterránea, ese problema es crítico: una cámara, un sensor de gas, un sistema de localización o un modelo predictivo pueden operar con datos incompletos, ruidosos o directamente comprometidos.
La propuesta busca integrar esos componentes en una “tela” de seguridad digital capaz de detectar peligros, apoyar respuestas ante emergencias, guiar trabajadores por rutas obstruidas, identificar sensores o modelos comprometidos y monitorear equipos críticos.
Cinco módulos para una mina más resiliente
La arquitectura se organiza en cinco módulos principales: Miner-Finder, Multimodal Situational Awareness, Backdoor Attack Monitor, TrustFED-LFD e IoT-driven Equipment Health Monitoring. Cada uno apunta a una brecha operacional distinta.
El módulo Miner-Finder se enfoca en localización de trabajadores en ambientes subterráneos sin GPS. Este punto es relevante para operaciones con túneles extensos, zonas de acceso restringido o escenarios posteriores a incidentes, donde la ubicación de personas puede ser decisiva para una evacuación o rescate.
El componente de percepción multimodal combina distintas fuentes de datos —como cámaras, sensores, señales de movimiento, condiciones ambientales o equipos IoT— para construir una visión más completa del entorno. En minería, esto puede ayudar a interpretar riesgos que no siempre son visibles con una sola fuente de información, como polvo, caída de rocas, baja iluminación, humo, fallas de maquinaria o presencia de gases.
El módulo Backdoor Attack Monitor aborda una amenaza menos visible, pero creciente: la manipulación de modelos de IA mediante ataques que alteran su comportamiento. En sistemas autónomos, un modelo comprometido podría entregar una clasificación errónea de riesgo, ignorar una anomalía o responder de forma insegura ante una condición crítica.
Aprendizaje federado seguro: entrenar modelos sin mover datos sensibles
Uno de los elementos más relevantes del estudio es el uso de aprendizaje federado seguro. Esta técnica permite entrenar modelos de IA en varias operaciones o nodos sin trasladar todos los datos crudos a un servidor central. En minería, esa característica puede ser clave por razones de privacidad, ciberseguridad, continuidad operacional y protección de información sensible sobre procesos, equipos, seguridad o geología.
El problema, advierten los autores, es que el aprendizaje federado también introduce riesgos. Entre ellos figuran ataques de envenenamiento de modelos, manipulación de etiquetas, actualizaciones maliciosas o datos de baja calidad enviados por clientes poco confiables. La investigación identifica estas amenazas como un punto crítico para minas que quieran usar inteligencia colaborativa entre equipos, faenas o centros de control.
Por eso, el módulo TrustFED-LFD se orienta a robustecer el aprendizaje federado frente a actualizaciones no confiables y ataques. En términos prácticos, el objetivo es que una mina inteligente no solo aprenda de múltiples fuentes, sino que pueda distinguir cuándo una fuente está degradada, manipulada o entregando señales que podrían afectar la seguridad de la operación.
[Imagen] https://www.redimin.cl/wp-content/uploads/2026/06/Imagen-Referencial-51.jpg
Por qué importa para la minería chilena
Aunque la investigación no está centrada en Chile, su lectura es pertinente para la minería nacional. Las grandes operaciones chilenas avanzan en automatización, centros integrados de operación, analítica avanzada, perforación autónoma, monitoreo remoto y sistemas de mantenimiento predictivo. A medida que esos sistemas ganan peso en la toma de decisiones, la ciberseguridad deja de ser un asunto administrativo y pasa a formar parte de la seguridad operacional.
La principal implicancia para la industria es que la mina inteligente no puede depender solo de más sensores o más datos: necesita mecanismos para validar la calidad, integridad y confiabilidad de esos datos.
En operaciones de cobre, litio, oro o hierro, una falla en percepción, comunicación o predicción puede traducirse en detenciones, exposición de trabajadores, daño a equipos o pérdida de continuidad en procesos críticos. En minería subterránea, el margen de error es aún más estrecho por la complejidad geomecánica, las rutas confinadas y la dependencia de ventilación, monitoreo geotécnico y comunicación interna.
El caso chileno también muestra que la seguridad minera sigue siendo un foco regulatorio central. Tras incidentes graves en operaciones subterráneas, Sernageomin ha exigido planes de monitoreo, evaluación geotécnica continua y condiciones reforzadas para reinicios operacionales, según reportes de Reuters sobre la mina El Teniente de Codelco en 2025.
Datos clave
Investigación: “Future Mining: Learning for Safety and Security”.
Autores: Md Sazedur Rahman, Mizanur Rahman Jewel y Sanjay Madria.
Publicación: COMSNETS 2026, con versión IEEE.
Enfoque: arquitectura de seguridad para minería inteligente.
Tecnologías consideradas: IA, percepción multimodal, aprendizaje federado seguro, comunicación DTN, sensores IoT, aprendizaje por refuerzo y mantenimiento predictivo.
Aplicación potencial: minas subterráneas, operaciones autónomas, monitoreo de trabajadores, detección de peligros y continuidad operacional.
Estado: propuesta académica y visión de arquitectura; no corresponde a un proyecto minero en ejecución reportado por una compañía.
El desafío de pasar de la arquitectura al terreno
La propuesta se ubica en un punto donde convergen automatización, seguridad minera y ciberseguridad industrial. Su valor está en ordenar los riesgos de una mina inteligente como un sistema integrado, no como soluciones aisladas. Sensores, comunicaciones, modelos de IA, mantenimiento predictivo y monitoreo de trabajadores deben operar bajo una misma lógica de resiliencia.
El paso siguiente para la industria será probar este tipo de arquitecturas en condiciones reales: túneles con baja conectividad, equipos móviles, sensores con autonomía limitada, interferencias, polvo, vibración, datos incompletos y escenarios de emergencia. También será necesario definir estándares de interoperabilidad, gobernanza de datos, auditoría de modelos y responsabilidades operacionales cuando un sistema de IA participe en decisiones de seguridad.
Para la minería, el mensaje de fondo es concreto: la digitalización solo aportará valor sostenible si los sistemas inteligentes son capaces de operar bajo condiciones adversas, detectar intentos de manipulación y mantener continuidad cuando la conectividad o los datos fallen. En faenas cada vez más automatizadas, la seguridad de la IA empieza a ser parte de la seguridad de la mina.
