Comparación de modelos empíricos tradicionales contra modelos predictivos de Machine Learning para la estimación de velocidad pico partícula en voladuras de cielo abierto
| dc.contributor.advisor | Sulla Torres, José Alfredo | |
| dc.contributor.author | Valdivia Salazar, Roger Alonso | |
| dc.date.accessioned | 2023-02-15T14:56:59Z | |
| dc.date.available | 2023-02-15T14:56:59Z | |
| dc.date.issued | 2022-12-05 | |
| dc.description.abstract | 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. | es_ES |
| dc.description.uri | Tesis | es_ES |
| dc.format | application/pdf | es_ES |
| dc.identifier.uri | https://repositorio.ucsm.edu.pe/handle/20.500.12920/12338 | |
| dc.language.iso | spa | es_ES |
| dc.publisher | Universidad Católica de Santa María | es_ES |
| dc.publisher.country | PE | es_ES |
| dc.rights | info:eu-repo/semantics/openAccess | es_ES |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | es_ES |
| dc.source | Universidad Católica de Santa María | es_ES |
| dc.source | Repositorio de la Universidad Católica de Santa María - UCSM | es_ES |
| dc.subject | Minería | es_ES |
| dc.subject | Voladura | es_ES |
| dc.subject | Velocidad pico partícula | es_ES |
| dc.subject | Modelamiento predictivo | es_ES |
| dc.subject | Machine Learning | es_ES |
| dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#1.02.01 | es_ES |
| dc.title | Comparación de modelos empíricos tradicionales contra modelos predictivos de Machine Learning para la estimación de velocidad pico partícula en voladuras de cielo abierto | es_ES |
| dc.type | info:eu-repo/semantics/bachelorThesis | es_ES |
| dc.type.version | info:eu-repo/semantics/publishedVersion | es_ES |
| renati.advisor.dni | 29612305 | |
| renati.advisor.orcid | 0000-0001-5129-430X | es_ES |
| renati.author.dni | 70765739 | |
| renati.discipline | 724026 | es_ES |
| renati.juror | Calderon Ruiz, Guillermo Enrique | es_ES |
| renati.juror | Lopez Casaperalta, Patricia Yaneth | es_ES |
| renati.juror | Delgado Ponce, Maria Azucena | es_ES |
| renati.level | https://purl.org/pe-repo/renati/nivel#tituloProfesional | es_ES |
| renati.type | https://purl.org/pe-repo/renati/type#tesis | es_ES |
| thesis.degree.discipline | Ingeniería de Minas | es_ES |
| thesis.degree.grantor | Universidad Católica de Santa María.Facultad de Ciencias e Ingenierías Físicas y Formales | es_ES |
| thesis.degree.level | Título Profesional | es_ES |
| thesis.degree.name | Ingeniero de Minas | es_ES |