Optimización de la voladura en una mina superficial a través de un modelo predictivo para determinar el nivel de fragmentación aplicando machine learning

Abstract

La tesis se centra en la implementación de una metodología de Machine Learning supervisado para desarrollar un programa predictivo que optimice los fenómenos de voladura en una unidad minera a tajo abierto en Perú. Se propone el uso de un algoritmo de regresión lineal generalizado multivariable para analizar diversos parámetros operativos, como la resistencia del macizo rocoso, burden, espaciamiento, factor de potencia y tiempos de retardo, entre otros. A través de la revisión de datos históricos de voladuras desde 2016 hasta 2020, se identificaron variaciones significativas en los resultados, lo que indica que la operación de voladura no es uniforme. Este estudio destaca la importancia de la preparación de datos, donde se abordaron problemas como datos omisos y desordenados, seleccionando aquellos con menor cantidad de fallas para el desarrollo del modelo. Se realizó un análisis de la fragmentación de las voladuras, enfocándose en los parámetros P80 y porcentaje de finos, que mostraron suficiente variabilidad para desarrollar el modelado predictivo. Además, se revisan estudios previos que aplican técnicas de regresión y redes neuronales artificiales (ANN) en contextos similares, subrayando la relevancia de estos enfoques en la optimización de procesos mineros. La tesis concluye que la implementación de modelos predictivos puede mejorar la eficiencia en la voladura, contribuyendo a una mejor gestión de los recursos y a la seguridad en las operaciones mineras. Este trabajo no solo busca mejorar los resultados de voladura, sino también contribuir al desarrollo tecnológico de la minería en Perú, un sector clave para la economía del país.