Acceso Abierto
Aplicación de machine learning para la estimación de vida útil y reducción de costos en brocas triconicas de 11 en minería superficial
Cargando...
Fecha
2025-10-01
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Católica de Santa María
Resumen
La presente investigación tiene como finalidad el desarrollo de un modelo predictivo en
lenguaje Python, basado en técnicas de machine learning, para estimar la vida útil de brocas
tricónicas de 11” utilizadas en una mina superficial. Este enfoque se orienta a resolver una
problemática recurrente en minería: el reemplazo prematuro o tardío de brocas de perforación, lo
que impacta directamente en los costos operativos, la eficiencia del ciclo de minado y el uso óptimo
de insumos. El estudio parte del análisis de una base de datos histórica conformada por parámetros
operativos registrados en campo, tales como el pulldown (presión de empuje), revoluciones por
minuto (RPM), presión de aire y velocidad de penetración (ROP). A través de una adecuada
limpieza, estructuración y análisis de estos datos, se logró determinar la correlación entre dichas
variables y la vida útil real de las brocas. Este análisis permitió identificar a la velocidad de
penetración como el parámetro con mayor grado de correlación directa con la vida útil, lo cual
sirvió de base para el desarrollo posterior del modelo predictivo.
El modelo fue implementado en Python usando Regresión Lineal Múltiple, Random Forest
y XGBoost. Se entrenó con 80% de los datos y probó con 20%, evaluándose mediante R², MAE y
RMSE. Los resultados evidencian alta capacidad predictiva, destacando la regresión lineal entre
vida útil y velocidad de penetración, con R² superior a 0.99. Finalmente, se estimó el impacto
económico del modelo mediante un análisis de ahorro, considerando el uso eficiente de las brocas
en función de su vida útil estimada. Este análisis demuestra que, al anticipar con mayor precisión
la duración de cada broca, es posible optimizar los ciclos de cambio, reducir pérdidas por desgaste
prematuro y minimizar interrupciones operativas.
Descripción
Palabras clave
Brocas Triconicas, Machine Learning, Vida Útil