Desarrollo de un modelo predictivo del tiempo de espera de camiones en punto de descarga de mineral de una unidad mina superficial chilena utilizando machine learning

• Autores: Rojas Telles, Nicolás Lucas, Bravo Obregón, Sebastián Fabrizio
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Tesis
• Lenguaje: español
• OAI Identifier: oai:tesis.pucp.edu.pe:20.500.12404/29638
• Enlace del recurso: http://hdl.handle.net/20.500.12404/29638
• Nivel de acceso: acceso abierto
• Materia: Industria minera--Planificación--Chile; Análisis predictivo; Aprendizaje automático (Inteligencia artificial); https://purl.org/pe-repo/ocde/ford#2.07.05

El presente trabajo busca desarrollar un modelo predictivo que permita tener un mejor control en los procesos de carguío y acarreo dentro de una unidad minera superficial utilizando herramientas de Machine Learning. La minería, al no poder influir en el precio de los metales (producto de venta), tiene como uno de sus objetivos principales la regulación de costos. Las actividades que generan la mayor cantidad de costos son el carguío y el acarreo; por tanto, se debe tener un monitoreo de estos procesos para así controlar y no exceder en los costos. Actualmente, en las diferentes industrias, se viene implementando distintos modelos predictivos basados en Machine Learning mediante diversas metodologías. Este trabajo se basa en el desarrollo de un modelo predictivo aplicando la metodología desarrollada por IBM (CRISP-DM) en la industria minera. Esta consta de cinco pasos fundamentales: entendimiento del negocio, entendimiento de la data, preparación de la data, modelamiento e implementación del modelo. En el presente trabajo, solo se realizará los primeros trespasos, puesto que realizar la implementación del modelo desarrollado no está dentro del alcance de la tesis. Como primera etapa de la metodología, Entendimiento del Negocio, se analizó la data, proporcionada de manera confidencial, y se detectar distintas variables para una posible mejora. De todas estas variables se escogió el tiempo de espera en el punto de descarga ya que presentaba mayor variabilidad y era posible hacer una mejora a partir de un modelo predictivo porque se contaba con la data. Una vez elegida esta variable se continua con los demás pasos de la metodología hasta finalmente obtener el modelo predictivo entrenado y evaluado. En el presente trabajo se probarán tres algoritmos: Random Forest, Regresión Logística y Adabbost. Los resultados presentados por los algoritmos mostrados fueron buenos en precisión según los indicadores obtenidos en el proceso de evaluación. Sin embargo, se deben optimizar más los modelos para obtener resultados más acertados en los otros indicadores como sensibilidad y especificidad.