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...

Descripción completa

Detalles Bibliográficos
Autor: Zenteno Gomez, Floro Pagel
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
id RUNF_d4ea327397fb2c676ab3992efa954184
oai_identifier_str oai:repositorio.unfv.edu.pe:20.500.13084/10844
network_acronym_str RUNF
network_name_str UNFV-Institucional
repository_id_str 4837
dc.title.es_PE.fl_str_mv Influencia de la inteligencia artificial y machine learning en la predicción y prevención de accidentes laborales en la minería subterránea del Perú
title Influencia de la inteligencia artificial y machine learning en la predicción y prevención de accidentes laborales en la minería subterránea del Perú
spellingShingle Influencia de la inteligencia artificial y machine learning en la predicción y prevención de accidentes laborales en la minería subterránea del Perú
Zenteno Gomez, Floro Pagel
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
title_short Influencia de la inteligencia artificial y machine learning en la predicción y prevención de accidentes laborales en la minería subterránea del Perú
title_full Influencia de la inteligencia artificial y machine learning en la predicción y prevención de accidentes laborales en la minería subterránea del Perú
title_fullStr Influencia de la inteligencia artificial y machine learning en la predicción y prevención de accidentes laborales en la minería subterránea del Perú
title_full_unstemmed Influencia de la inteligencia artificial y machine learning en la predicción y prevención de accidentes laborales en la minería subterránea del Perú
title_sort Influencia de la inteligencia artificial y machine learning en la predicción y prevención de accidentes laborales en la minería subterránea del Perú
author Zenteno Gomez, Floro Pagel
author_facet Zenteno Gomez, Floro Pagel
author_role author
dc.contributor.advisor.fl_str_mv Aroquipa Velasquez, Hector
dc.contributor.author.fl_str_mv Zenteno Gomez, Floro Pagel
dc.subject.es_PE.fl_str_mv Construcción sostenible y sostenibilidad ambiental del territorio
Accidentes laborales
Minería subterránea
Inteligencia artificial
Seguridad laboral
topic 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
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.01.01
description 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.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2025-06-30T14:46:02Z
dc.date.available.none.fl_str_mv 2025-06-30T14:46:02Z
dc.date.issued.fl_str_mv 2024
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/doctoralThesis
dc.type.version.es_PE.fl_str_mv info:eu-repo/semantics/publishedVersion
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.13084/10844
url https://hdl.handle.net/20.500.13084/10844
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es_PE.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.es_PE.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Nacional Federico Villarreal
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.es_PE.fl_str_mv Universidad Nacional Federico Villarreal
Repositorio Institucional - UNFV
dc.source.none.fl_str_mv reponame:UNFV-Institucional
instname:Universidad Nacional Federico Villarreal
instacron:UNFV
instname_str Universidad Nacional Federico Villarreal
instacron_str UNFV
institution UNFV
reponame_str UNFV-Institucional
collection UNFV-Institucional
bitstream.url.fl_str_mv https://repositorio.unfv.edu.pe/bitstream/20.500.13084/10844/1/UNFV_EUPG_Zenteno_Gomez_D_2025.pdf
https://repositorio.unfv.edu.pe/bitstream/20.500.13084/10844/2/reporte.pdf
https://repositorio.unfv.edu.pe/bitstream/20.500.13084/10844/3/formulario.pdf
https://repositorio.unfv.edu.pe/bitstream/20.500.13084/10844/4/license.txt
bitstream.checksum.fl_str_mv c4db2361ec191dab08b650ced097b2d7
6756384b468b75bbad5583fbdf7976bd
34d9d5f786a1ea81c13a82d38914fb3f
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UNFV
repository.mail.fl_str_mv repositorio.vrin@unfv.edu.pe
_version_ 1837185160755281920
spelling Aroquipa Velasquez, HectorZenteno Gomez, Floro Pagel2025-06-30T14:46:02Z2025-06-30T14:46:02Z2024https://hdl.handle.net/20.500.13084/10844El 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.application/pdfspaUniversidad Nacional Federico VillarrealPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/Universidad Nacional Federico VillarrealRepositorio Institucional - UNFVreponame:UNFV-Institucionalinstname:Universidad Nacional Federico Villarrealinstacron:UNFVConstrucción sostenible y sostenibilidad ambiental del territorioAccidentes laboralesMinería subterráneaInteligencia artificialSeguridad laboralhttps://purl.org/pe-repo/ocde/ford#2.01.01Influencia de la inteligencia artificial y machine learning en la predicción y prevención de accidentes laborales en la minería subterránea del Perúinfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersionSUNEDUDoctor en Ingeniería CivilIngeniería CivilUniversidad Nacional Federico Villarreal. Escuela Universitaria de Posgrado04011804https://orcid.org/0000-0002-6502-561841907984https://purl.org/pe-repo/renati/type#tesis732038https://purl.org/pe-repo/renati/level#doctorChavarry Vallejos, Carlos MagnoGarcía Urrutia Olavarria, Roque Jesús LeonardoDíaz García, Martin FernandoORIGINALUNFV_EUPG_Zenteno_Gomez_D_2025.pdfUNFV_EUPG_Zenteno_Gomez_D_2025.pdfZenteno Gomez, Floro Pagel (EUPG - Doctorado)application/pdf7612957https://repositorio.unfv.edu.pe/bitstream/20.500.13084/10844/1/UNFV_EUPG_Zenteno_Gomez_D_2025.pdfc4db2361ec191dab08b650ced097b2d7MD51open accessreporte.pdfreporte.pdfReporte de similitudapplication/pdf22635276https://repositorio.unfv.edu.pe/bitstream/20.500.13084/10844/2/reporte.pdf6756384b468b75bbad5583fbdf7976bdMD52metadata only accessformulario.pdfformulario.pdfFormulario de autorizaciónapplication/pdf1951677https://repositorio.unfv.edu.pe/bitstream/20.500.13084/10844/3/formulario.pdf34d9d5f786a1ea81c13a82d38914fb3fMD53metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unfv.edu.pe/bitstream/20.500.13084/10844/4/license.txt8a4605be74aa9ea9d79846c1fba20a33MD54open access20.500.13084/10844oai:repositorio.unfv.edu.pe:20.500.13084/108442025-06-30 14:46:10.819open accessRepositorio Institucional UNFVrepositorio.vrin@unfv.edu.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
score 13.968331
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).