Estimación de la fragmentación producto de la tronadura de rocas en minería a cielo abierto utilizando modelos predictivos y algoritmos de regresión.

Abstract

El presente trabajo surge de la necesidad de proponer como mejorar la estimación de fragmentación producto de la tronadura en minería a cielo abierto, para lo cual se desarrolló una investigación aplicada con la finalidad de entender cómo es que se produce la estimación de fragmentación desde un punto de vista teórico, y también, exponer cómo es que ésta se integra dentro de un proceso industrial. Para esto se realizó una exhaustiva investigación de los modelos empíricos utilizados y se indagó en el contexto industrial en el que estos son aplicados. En este contexto surge la idea de la aplicación de algoritmos de máquinas de aprendizaje, conocidos como algoritmos de Machine Learning (ML) para la estimación de fragmentación, basándose en una serie de estudios realizados con otras herramientas de la inteligencia artificial aplicadas a la estimación de fragmentación. De este modo se determinó que el objetivo general fuese indagar si la estimación de fragmentación, específicamente el P50, podría ser eventualmente mejorada mediante la incorporación de algoritmos de Machine Learning. Tras perseverar en la búsqueda de recursos y enfrentar una serie de limitaciones, fue posible acceder a una base de datos provenientes de Minera Los Pelambres con información de diseño, explosivo y granulometría. Esta permitió realizar la estimación de fragmentación utilizando los modelos Kuz-Ram y Kuznetsov-Cunningham-Ouchternoly (KCO), donde se obtuvo un R2 nulo para ambos modelos y altos valores del error cuadrático medio. Posteriormente se entrenaron varios modelos utilizando la aplicación Regression Learner de MATLAB combinando diferentes predictores, donde se obtuvieron una serie de modelos predictivos entre los cuales, el mejor resultado de estimación fue uno basado en arboles de decisión, el que tuvo una bondad de ajuste del 0.73 y un RMSE de 16.21 utilizando una base de datos sin normalizar. Adicionalmente se estudió el impacto que tiene en la estimación la normalización de la base de datos, debido a la variedad en los órdenes de magnitud de las variables involucradas. Finalmente, en base a los resultados obtenidos, se pudo concluir que existe un gran potencial en la incorporación de algoritmos de regresión para la estimación de la fragmentación, ya que estos presentan una serie de ventajas relacionadas a la cantidad mínima de información requerida para su aplicación y a un mejor desempeño en comparación con los modelos semiempíricos.