Modelo de redes neuronales para maximizar la cobertura de camiones en chancadoras para Soc. Minera Cerro Verde S.A.A

• Autor: Chiarot Villegas, Teddy Vinicio
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional Pedro Ruiz Gallo
• Repositorio: UNPRG-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unprg.edu.pe:20.500.12893/10738
• Enlace del recurso: https://hdl.handle.net/20.500.12893/10738
• Nivel de acceso: acceso abierto
• Materia: Carguío de mineral; Software de gestión de flota; Capacidad de acarreo; http://purl.org/pe-repo/ocde/ford#2.02.00

Actualmente, durante los procesos de refrigerio y cambio de turno en las operaciones de la mina, se presentan retrasos en los equipos de acarreo, provocando una caída en el suministro de mineral en los chancadores a menos del 82% en promedio en una hora regular. Por ello, desarrollé un modelo de redes neuronales de aprendizaje profundo por refuerzo tipo Q-learning que asegura al menos el 90% del suministro de mineral, para lo cual generé un entorno de simulación análogo al entorno real, con datos obtenidos del análisis de la situación actual, permitiéndome probar a los agentes, en este caso los camiones, en diferentes escenarios considerando como acciones la selección de los equipos de carga y como recompensa el tiempo de ciclo, el tiempo de cola en los destinos y el tipo de material cargado, con estos resultados, entrené una red neuronal profunda, con la cual verifiqué que la solución propuesta asegura una cobertura de camiones en la trituradora superior al 90% durante las horas de refrigerio y cambios de turno, con tiempos de ejecución promedio menores a un milisegundo.