Resumen:
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.