Influencia de la inteligencia artificial y machine learning en la predicción y prevención de accidentes laborales en la minería subterránea del Perú
Descripción del Articulo
El objetivo de esta investigación es reducir los accidentes laborales por desprendimiento de rocas en la minería subterránea peruana mediante la aplicación de un modelo predictivo basado en técnicas de inteligencia artificial y machine learning, con un enfoque en mejorar la seguridad y las condicion...
| Autor: | |
|---|---|
| Formato: | tesis doctoral |
| Fecha de Publicación: | 2024 |
| Institución: | Universidad Nacional Federico Villarreal |
| Repositorio: | UNFV-Institucional |
| Lenguaje: | español |
| OAI Identifier: | oai:repositorio.unfv.edu.pe:20.500.13084/10844 |
| Enlace del recurso: | https://hdl.handle.net/20.500.13084/10844 |
| Nivel de acceso: | acceso abierto |
| Materia: | Construcción sostenible y sostenibilidad ambiental del territorio Accidentes laborales Minería subterránea Inteligencia artificial Seguridad laboral https://purl.org/pe-repo/ocde/ford#2.01.01 |
| Sumario: | El objetivo de esta investigación es reducir los accidentes laborales por desprendimiento de rocas en la minería subterránea peruana mediante la aplicación de un modelo predictivo basado en técnicas de inteligencia artificial y machine learning, con un enfoque en mejorar la seguridad y las condiciones de trabajo. La metodología, se emplearon algoritmos de machine learning, como Random Forest, para predecir la severidad de los accidentes, comparando su efectividad con otros algoritmos como Support Vector Machines (SVM) y Naive Bayes. Además, se optimizó el preprocesamiento de datos textuales y la gestión del desbalance de clases para mejorar la precisión del modelo predictivo. Los resultados revelaron que la mayoría de los accidentes ocurren en la minería subterránea, con el 60% de las víctimas fatales pertenecientes a empresas subcontratistas. El análisis identificó 49 subcategorías de factores de riesgo, agrupados en factores humanos, de gestión, de instalaciones y ambientales. El algoritmo Random Forest mostró una precisión del 85%, superando a otros algoritmos evaluados en términos de precisión (82% para SVM y 78% para Naive Bayes), sensibilidad (87% para Random Forest frente a 80% para SVM) y especificidad (84% para Random Forest frente a 79% para SVM). Las conclusiones destacan que la implementación de estrategias basadas en inteligencia artificial puede mejorar significativamente la seguridad en la minería, recomendándose la adopción de sistemas de gestión integral de seguridad y la mejora continua de las políticas de prevención. |
|---|
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).