Acceso Abierto
Comparación de modelos empíricos tradicionales contra modelos predictivos de Machine Learning para la estimación de velocidad pico partícula en voladuras de cielo abierto
Cargando...
Archivos
Fecha
2022-12-05
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Católica de Santa María
Nivel de acceso
Acceso Abierto
Resumen
El presente estudio busca realizar una comparación objetiva y cuantitativa de modelos
empíricos tradicionales contra modelos predictivos de Machine Learning para la estimación de
Velocidad Pico Partícula en voladuras de operaciones mineras a cielo abierto. Para ello se
seleccionó 5 formulaciones convencionales y 6 modelos predictivos desarrollados en base a
algoritmos de Machine Learning; se desarrolló un script en lenguaje de programación Python
para entrenar y optimizar cada uno de estos modelos con la finalidad de estimar que tan bien
pueden predecir los valores esperados de Velocidad Pico Partícula; y finalmente compararlos
en base a métricas de desempeño. Para el presente estudio se escogieron dos métricas de
desempeño, siendo estas el Coeficiente de Determinación (R2) y la Raíz del Error Cuadrático
Medio (RMSE). Tras la obtención y análisis de resultados, se concluyó que el modelo
desarrollado en base a Redes Neuronales Artificiales fue el que mejores métricas obtuvo, con
un valor de RMSE de 11,54 unidades y un valor de coeficiente de determinación (R2) igual a
0,88. Por otra parte, dentro de los modelos desarrollados mediante formulaciones empíricas, el
que mejores métricas entregó fue el de Rai & Singh (2004); con un valor de RMSE de 20,65
unidades y un coeficiente de determinación (R2) de 0,61. En líneas generales, los modelos
desarrollados en base a algoritmos de Machine Learning entregan mejores métricas de
desempeño comparados respecto a los modelos desarrollados en base a formulaciones
empíricas; representando así, una mejor opción en la tarea de predecir valores de Velocidad
Pico Partícula.
Descripción
Palabras clave
Minería, Voladura, Velocidad pico partícula, Modelamiento predictivo, Machine Learning