Aproximadamente el 50% del uranio mundial se extrae de manera cerrada utilizando la lixiviación subterránea. En el proceso de extracción de uranio en depósitos de formación-infiltración, desempeña un papel importante la correcta identificación de las zonas de oxidación del yacimiento (ROZs), dentro de las cuales el contenido de uranio es extremadamente bajo y afecta la determinación de las reservas de mineral y los procesos mineros posteriores. La metodología actualmente utilizada para identificar ROZs requiere el uso de mano de obra altamente calificada y estudios intensivos en recursos utilizando registros de fisión de neutrones; por lo tanto, no siempre se realiza. Al mismo tiempo, los datos de las mediciones de registros eléctricos disponibles recopilados en el proceso de estudios geofísicos de pozos y datos de pozos de exploración pueden utilizarse de manera efectiva para identificar ROZs utilizando modelos de aprendizaje automático. Este estudio presenta una solución al problema de detectar ROZs en depósitos de uranio utilizando métodos de aprendizaje automático de conjunto. Este método proporciona un índice de medida armónica ponderada (f1_ponderada) en el rango de 0.72 a 0.93 (clasificador XGB), y una estabilidad suficiente en diferentes proporciones de objetos en el conjunto de datos de entrada. Los resultados obtenidos demuestran el potencial de uso práctico de este método para detectar ROZs en depósitos de uranio de formación-infiltración utilizando el aprendizaje automático de conjunto.