Aplicación de técnicas de análisis de regresión y aprendizaje automático para la estimación de sobre dilución en el método de Sub Level Stoping - Compañía Minera Condestable

• Autor: Penadillo Palomino, Cristina Tessa
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/655994
• Enlace del recurso: http://hdl.handle.net/10757/655994
• Nivel de acceso: acceso abierto
• Materia: Análisis de Regresión Lineal Múltiple; Máquinas de Vectores de Soporte; Bosques aleatorios; Minería subterránea; Multiple Linear Regression Analysis; Support Vector Machines; Random forests; Underground mining; http://purl.org/pe-repo/ocde/ford#2.00.00; https://purl.org/pe-repo/ocde/ford#2.07.05

El presente trabajo de investigación tiene como objetivo aplicar técnicas de análisis de regresión y aprendizaje automático (ML) para mejorar los resultados de estimación de sobre dilución en tajos explotados por el método de Sub Level Stoping (SLS) de la Compañía Minera Condestable (CMC) a través de la generación de ecuaciones de regresión y código en lenguaje de Python para las técnicas de ML. Para la estimación de sobre dilución se analizaron las reconciliaciones de tajos explotados con el método de SLS del período 2017-2019 con la aplicación de las técnicas: Análisis de Regresión Lineal Múltiple (ARLM), regresión no lineal múltiple (ARNM) y métodos de aprendizaje automático (ML) como Máquinas de Vectores de Soporte (SVM) y bosques aleatorios (RF), lo que permitió establecer comparaciones entre los resultados a nivel predictivo y tecnológico con la metodología de O’Hara aplicada actualmente en CMC para la estimación de sobre dilución de tajos SLS. La aplicación de las técnicas mencionadas implicó variables operativas como: nivel, buzamiento, densidad, burden, espaciamiento, altura, longitud, ancho, RQD, RMR y ratio de tonelada por metro de perforación (TMP) de los tajos evaluados, mientras que el objetivo o variable dependiente fue la sobre dilución. Ello permitió inicialmente identificar que las técnicas de regresión ARLM y ARNM mejoraron el coeficiente de determinación R2 de O’Hara en 5.5% y 4.4%. Luego, con la aplicación de herramientas de aprendizaje automático se identificó que ambas técnicas (SVM y RF) lograron la mejora en 0.3% y 18.5% respectivamente. El resultado de ello fue la reducción de la diferencia de costos estimados obtenidos con la metodología de O’Hara relacionados al costo adicional por carguío y transporte de carga rota de dilución.