Construcción de un modelo predictivo de productividad de las palas aplicando el aprendizaje automático Random Forest Regressor de Machine Learning

• Autor: Juarez Racchumi, Victor Alexander
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/27171
• Enlace del recurso: http://hdl.handle.net/20.500.14076/27171
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Random Forest Regressor; Palas; Productividad; https://purl.org/pe-repo/ocde/ford#2.07.05

La Tesis se enfoca en la creación de un modelo predictivo de productividad de palas con un nivel de confianza aceptable, que a diferencia del método tradicional, incluye no solo las variables de tonelaje minado, tiempo de carguío y tiempo hang; sino que considera también otras variables cuantitativas y cualitativas como el tiempo queue, tiempo spot, tiempo viaje cargado, tiempo queue en el destino, tiempo spot en el destino, tiempo de descarga, tiempo de viaje vacío, guardia, turno, mes, flota de pala, pala, efh vacío, efh cargado, material, tipo de material, fase de origen, fase de destino, hora, disponibilidad de camiones y palas. El objetivo principal es mejorar la predicción de la productividad de palas aplicando Machine Learning, así como determinar el mejor modelo de predicción de la productividad de palas y determinar el grado de importancia de cada una de las variables independientes para nuestra variable predictora, a través de varias librerías y con ayuda del Jupyter Notebook, asegurando que nuestros resultados sean los más confiables. La investigación comenzará con la hipótesis general que el modelo de productividad desarrollado con Random Forest Regressor de Machine Learning mejora la predicción de la productividad de palas que otros modelos. Para el modelo de machine learning se utilizó todas las variables presentes en el DataSet, incluyendo las variables cualitativas, las cuales fueron categorizadas antes del entrenamiento. De los modelos de machine learning el modelo que mejor predice la productividad de las palas es el "Random Forest Regressor” con una precisión del 99.7% para el entrenamiento y 91.1% para el DataSet de testeo; mientras que el peor modelo de machine learning es "Dummy Regressor” con - 0.03% de precisión. Además, la variable de mayor grado de importancia es la Flota de pala con 24.92%.