Modelo predictivo de fragmentación usando machine learning para optimizar los parámetros de perforación y voladura en la U.M. San Marcos

Abstract

El objetivo principal de esta investigación fue optimizar los parámetros de perforación y voladura en la U.M. San Marcos mediante el uso de un modelo predictivo de machine learning. Se utilizó un método de investigación cuantitativo – experimental y la técnica utilizada fue el entrenamiento de 5 modelos distintos de machine learning, para luego evaluar el modelo que tenga la mejor métrica de predicción, los modelos utilizados fueron: Regresión lineal, árbol de decisión, bosque aleatorio, refuerzo de gradiente extremo y máquinas de soporte vectorial. Luego de seleccionar el modelo óptimo para este estudio se realizaron casos de análisis del tamaño de fragmento variando los parámetros de perforación y voladura. Para desarrollar esta investigación se emplearon instrumentos como las guías de recolección de datos para ambas variables de estudio. La población utilizada para esta investigación se constituyó de 5225 voladuras y la muestra fue de 1812 (34.68%) de estas voladuras que fueron realizadas desde julio del 2019 a marzo del 2022 en la U.M. San Marcos. Los resultados obtenidos en este estudio fueron los siguientes: Utilizando regresión lineal se obtuvo un R2 de 65.31%, utilizando árboles de decisión se obtuvo un R2 de 67.21%, utilizando bosque aleatorio se obtuvo un R2 de 71.72%, utilizando el refuerzo de gradiente extremo se obtuvo un R2 de 71.9% y utilizando máquinas de soporte vectorial se obtuvo un R2 de 60.15%. La conclusión principal fue que sintonizando el modelo predictivo de refuerzo de gradiente extremo se consiguió mejorar el coeficiente de determinación (R2 ) a un valor de 74%