Machine Learning aplicado al control de la fragmentación de rocas en la voladura de minas a tajo abierto

• Autor: Idrogo Zamora, Yessica Pamela
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/22525
• Enlace del recurso: http://hdl.handle.net/20.500.14076/22525
• Nivel de acceso: acceso abierto
• Materia: Voladura de rocas; Machine learning; Mina a tajo abierto; https://purl.org/pe-repo/ocde/ford#2.07.05

La presente tesis desarrolla el análisis de datos y modelamiento predictivo en la voladura para una mina a tajo abierto. La primera etapa consiste en el planteamiento del problema a resolver, esto incluye identificar los objetivos, y en el caso de un modelamiento de machine learning, definir cuál o cuáles son las variables objetivo que se van a predecir, esta variable a predecir será vital para resolver el problema en cuestión. En esta etapa se identifica cuál es el algoritmo o los algoritmos que se van a utilizar para resolver el problema en cuestión. La segunda etapa consiste en el análisis de datos, donde se analiza los tipos de variables, la cantidad de datos disponibles, las categorías que se presentan, las correlaciones entre variables, y la distribución estadística de estas variables. La tercera etapa es el tratamiento de datos, donde se realizan transformaciones sobre las variables de la base de datos. En la presente tesis se realizó los tratamientos de estandarización para homogeneizar el rango de cada parámetro del modelo y la transformación de Yeo Johnson para normalizar las distribuciones de datos que poseen un alto sesgo. La cuarta etapa consiste en realizar el modelo de machine learning para conseguir la variable de interés, en este caso se usaron redes neuronales artificiales, que tuvieron como variables de entrada los parámetros que ya fueron analizados y tratados en las etapas anteriores; y el output fue la variable de interés que permite resolver el problema planteado en la primera etapa. La quinta etapa consistió en análisis de resultados donde se evaluó el impacto del programa basado en inteligencia artificial para cumplir el objetivo deseado de generar la ubicación de perforación de los holes que cumpla con el target de fragmentación; y, esto mediante una comparativa de los resultados obtenido mediante el método tradicional versus el método usando redes neuronales artificiales. Mencionar que, la flexibilidad de la red neuronal artificial permite a los ingenieros generar modelos que se adecuen a sus necesidades de diseño, costo y objetivo de la Fragmentación como llevar a un chancado y molienda.