Aplicación de algoritmo de Machine Learning Regresión de Vectores de Soporte en la reducción de tiempos de espera en cola en el proceso de carguío de flota de acarreo en operaciones mineras a cielo abierto

• Autor: Coaquira Cayani, Jesus Alfredo
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/19075
• Enlace del recurso: https://hdl.handle.net/20.500.12773/19075
• Nivel de acceso: acceso abierto
• Materia: Learning; Regresión de Vectores de Soporte; tiempos de espera en cola; hiperparámetros; validación cruzada optimización.; https://purl.org/pe-repo/ocde/ford#2.07.05

En la presente tesis se tuvo como objetivo aplicar el algoritmo de Machine Learning Regresión de Vectores de Soporte (SVR), para la reducción de tiempos de espera en cola que soportan los camiones Komatsu 930E-4SE y Caterpillar 793F en el proceso de carguío en minera a cielo abierto. La metodología de investigación es de tipo aplicada/cuantitativo, el nivel de investigación es exploratorio y el diseño de la investigación es experimental. La población está compuesta por 128 camiones de las flotas Komatsu 980E-5SE (8 camiones), Liebherr T284 (2 camiones), Caterpillar 798 AC (8 camiones), Komatsu 930E-4SE (92 camiones) y Caterpillar 793F (18 camiones), y la muestra no probabilística está compuesta por 66 camiones de las flotas representativas Komatsu 930E-4SE (56 camiones) y Caterpillar 793F (10 camiones). Los datos se recopilaron con el Sistema de Gestión de Flota Dispatch v.5, mediante observación directa cuyos datos se registraron en tablas de tiempo de colas y estados de detención de procesos, seguidamente se procesó la data con estadística inferencial con Minitab v.19 y lenguaje de programación Python v.3.11 con sus librerías (Pandas, Numpy, Matplotlib, Seaborn y Scikit-learn) diseñadas para tratamiento, visualización de datos y Machine Learning. Se dividió la data en conjunto de entrenamiento y prueba, el ajuste de hiperparámetros se realizó con validación cruzada para optimizar el rendimiento del algoritmo, posteriormente se entrenó y evaluó SVR para realizar la simulación de operaciones, bajo consideraciones operativas basados en control de estados de detención de procesos de Dispatch v.5. Se concluyó que el algoritmo SVR redujo el tiempo de espera en cola en 0.99 y 0.30 minutos por ciclo, y con ello la producción se optimizó en 0.74 y 3.18 millones de toneladas anuales en camiones Caterpillar 793F y Komatsu 930E-4SE.