Desarrollo de un modelo predictivo del tiempo de espera de camiones en punto de descarga de mineral de una unidad mina superficial chilena utilizando machine learning

Abstract

El presente trabajo busca desarrollar un modelo predictivo que permita tener un mejor control en los procesos de carguío y acarreo dentro de una unidad minera superficial utilizando herramientas de Machine Learning. La minería, al no poder influir en el precio de los metales (producto de venta), tiene como uno de sus objetivos principales la regulación de costos. Las actividades que generan la mayor cantidad de costos son el carguío y el acarreo; por tanto, se debe tener un monitoreo de estos procesos para así controlar y no exceder en los costos. Actualmente, en las diferentes industrias, se viene implementando distintos modelos predictivos basados en Machine Learning mediante diversas metodologías. Este trabajo se basa en el desarrollo de un modelo predictivo aplicando la metodología desarrollada por IBM (CRISP-DM) en la industria minera. Esta consta de cinco pasos fundamentales: entendimiento del negocio, entendimiento de la data, preparación de la data, modelamiento e implementación del modelo. En el presente trabajo, solo se realizará los primeros trespasos, puesto que realizar la implementación del modelo desarrollado no está dentro del alcance de la tesis. Como primera etapa de la metodología, Entendimiento del Negocio, se analizó la data, proporcionada de manera confidencial, y se detectar distintas variables para una posible mejora. De todas estas variables se escogió el tiempo de espera en el punto de descarga ya que presentaba mayor variabilidad y era posible hacer una mejora a partir de un modelo predictivo porque se contaba con la data. Una vez elegida esta variable se continua con los demás pasos de la metodología hasta finalmente obtener el modelo predictivo entrenado y evaluado. En el presente trabajo se probarán tres algoritmos: Random Forest, Regresión Logística y Adabbost. Los resultados presentados por los algoritmos mostrados fueron buenos en precisión según los indicadores obtenidos en el proceso de evaluación. Sin embargo, se deben optimizar más los modelos para obtener resultados más acertados en los otros indicadores como sensibilidad y especificidad.

Mining is a business which does not have control over sales prices since the value of metals is set by the market. For this reason, one of the primary objectives for all mining companies is to control costs. Consequently, you must have control of all the processes included in the mining cycle. The processes that represent the highest percentage of costs in mining cycle are loading and hauling. In that sense, this work aims to improve the productivity and costs of these processes through a predictive model to reflect a reduction in costs throughout the mining value chain. Today, there are different companies from various sectors that use Machine Learning tools through a wide variety of methodologies; however, in Peruvian mining units it is not a common tool. This research follows the CRISP-DM methodology since it is supported by a company with vast experience in the field (IBM). Through this methodology, the aim is to develop a predictive model in the hauling process of a Chilean surface mining unit. As the first stage of the methodology, Business Understanding, the data was analyzed, and different variables were detected for possible improvement. Of all these variables, the waiting time at the discharge point was chosen since it presented greater variability and it was possible to make an improvement from a predictive model because the data was available. Once this variable has been chosen, the other steps of the methodology were performed until finally obtaining the trained and evaluated predictive model. In the present work, three algorithms will be tested: Random Forest, Logistic Regression and Adabbost. The development of this model will not only allow predicting the target variable: queueing time at the mineral dumping point, but also, it will be possible to visualize a general panorama of what is happening in the process to make decisions that allow achieve what was planned and not generate negative impacts on the expected costs or productivity.