Publicado 2023-03-31
Palabras clave
- Avance por disparo, longitud de taladro, machine learning, minería subterránea, perforación, voladura.
Derechos de autor 2023 Hitler Juan Poma Cruz
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Cómo citar
Resumen
El estudio se ha realizado en la Unidad Minera San Rafael, distrito Antauta, provincia Melgar, donde se identificó el problema para el modelo adecuado de machine learning en geomecánica minera para el control eficaz de perforación y voladura en labores de avance, siendo el objetivo principal evaluar los modelos machine learning en geomecánica minera para el control eficaz de perforación y voladura en labores de avance. Los datos de operación referidos a malla y longitud de perforación, tipo de agentes de voladura, tipo y sección de la labor, tipo de roca, mineral y desmonte, número de taladros, avance esperado, avance logrado, estructura, tipo de perforación, equipo y operador, todos estos datos se registraron en formato de reporte, consolidados ellas en una hoja de cálculo y exportados a programación lineal R, las muestras sirvieron para elaborar diferentes modelos, para ser analizados, evaluados y determinados los factores más importantes en el control de avance lineal de las labores de exploración, desarrollo y preparación, el estudio es de tipo descriptivo correlacional y diseño no experimental longitudinal, con los cuales se ha obtenido como resultado que nos permite identificar el objetivo que es el modelo de aprendizaje supervisado que es aplicable y aceptable, cuya conclusión es el uso de modelos de machine learning en el contexto es factible desde un punto de vista computacional, sin embargo, se requiere un fuerte trabajo adicional en la curatoría de datos.
Referencias
- Agnieszka, T.; Werbinska-Wojciechowska, S.; Wroblewski, A. 2020. Risk Assessment Methods in Mining Industry. Revista Applied Sciences, 01 (15). https://doi.org/10.3390/app10155172
- Calvo, L. 2016. Strategy based on machine learning to deal with untagged data sets using rough sets and/or information gain, 4-15. http://dx.doi.org/10.18845/tm.v29i5.2581
- Castem soporte subterráneo, 2022. Ficha de productos CASTEM. https://castem.com.pe/
- Correa, A. & Rueda, J. 2021. RMR and type of explosive: incidence in underground blasting, 19(1), 41-50, Pamplona-Colombia. https://doi.org/10.24054/bistua.v19i1.959
- Correa, A.; Rueda, J.; Rodríguez, J. 2021. Expresión propuesta para el diseño de voladuras en túneles de carretera, caso colombiano, 19(1), 31-40. Pamplona-Colombia. https://doi.org/10.24054/bistua.v19i1.957
- Cuervas, J.; Bordehore, L.; Nazareno. J.; Escobar, K. 2015. Evaluation of the stability of small diameter mining excavations using geomechanical classifications and empirical analysis: the case of the San Juan mine, Ecuador, 35, 19-28, Guayaquil, Ecuador. https://dialnet.unirioja.es/servlet/articulo?codigo=6054936
- Depaz, L. M., y Caceres, C. M. 2018. Geomecánica aplicada al diseño de malla de perforación de la GA-475e del nivel 2050 en la unidad Alpacay, MY SAC año 2016. http://www.repositorio.unasam.edu.pe/handle/UNASAM/2387
- Diéguez, Y. 2014. Metodología para el diseño de voladuras de contorno en el laboreo de excavaciones subterráneas horizontales. http://ninive.ismm.edu.cu/bitstream/handle/123456789/1414/Yoandro.pdf
- Fernández, J.; Espinoza, A.; Quispe, C.; Asencio, E.; Aponte, R. 2022. Importancia del desarrollo de modelos geomecánicos 3d en entornos geológicos complejos, aplicado a la mina catalina huanca, Instituto de ingeniero de minas del Perú. https://revistamineria.com.pe/tecnico-cientifico/importancia-del-desarrollo-de-modelos-geomecanicos-3d-en-entornos-geologicos-complejos,-aplicado-a-la-mina-catalina-huanca, aya#:~:text=La%20importancia%20del%20modelo%20geomec%C3%A1nico,lo%20largo%20de%20la%20operaci%C3%B3n
- Handelma, G.S.; Kok, H.K.; Chandra, R.V.; Razavi, A.H.; Huang, S.; Brooks, M.; Lee, M.J.; Asadi, H. Peering 2019. Into the Black Box of Artificial Intelligence: Evaluation Metrics of Machine Learning Methods. Am. J. Roentgenol. 212, 38–43. https://doi.org/10.2214/AJR.18.20224
- Hergenrether, P. 2017. Consideraciones geomecánicas en el diseño de secciones tipo para un túnel minero. https://digibuo.uniovi.es/dspace/bitstream/handle/10651/43716/TFM_PabloDanielHergenretherPerez.pdf?sequence=6&isAllowed=y
- Isheyskiy, V. & Sanchidrián, J. 2020. Prospects of Applying MWD Technology for Quality Management of Drilling and Blasting Operations at Mining Enterprises, Minerales. 10-925. https://doi:10.3390/min10100925
- Jung, D., & Choi, Y. 2021. Systematic review of machine learning applications in mining: Exploration, exploitation, and reclamation. Minerals, 11(2), 1–20. https://doi.org/10.3390/min11020148
- Kirsanov, A.; A Vokhmin, S.; & S Kurchin, G. 2016. A brief history of the development of blasting and the modern theory of rock breaking. Journal of Degraded and Mining Lands Management, 3(4), 617–623. https://doi.org/10.15243/jdmlm.2016.034.617
- Kumar, D. & Kumar, D. 2016. Rational Implementation of Mining Technology. Management of Coking Coal Resources, 113–176. https://www.researchgate.net/publication/301244393_Rational_Implementation_of_Mining_Technology
- Leica Geosystems AG, 2021. Estaciones totales manuales. https://www.instop.es/instop/leica_geosystems.php
- Locatello, F.; Bauer, S.; Lucic, M.; Rätsch, G.; Gelly, S.; Schölkopf, B.; Bachem, O. 2019. Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations. Proceedings of the 36th International Conference on Machine Learning, PMLR 97, 4114-4124. http://proceedings.mlr.press/v97/locatello19a/locatello19a.pdf
- Malhotra, R. A. 2015. Systematic review of machine learning techniques for software fault prediction. Appl. Soft Comput. 27, 504–518. http://dx.doi.org/doi:10.1016/j.asoc.2014.11.023
- Martínez, R.; Parkinson, C.; Caruso, M.: López, D.; Vargas, R.; Rojas, N. 2022. Propuesta de técnicas de validación para la calidad de datos abiertos e identificación de patrones para predicciones con machine learning. http://sedici.unlp.edu.ar/handle/10915/143365
- Miranda, S. & Ortiz, J. A. 2020. Los paradigmas de la investigación: un acercamiento teórico para reflexionar desde el campo de la investigación educativa. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 11(21). https://doi.org/10.23913/ride.v11i21.717
- Montaño, J.; Rincón, J.; Vargas, W.; Alvarado, H. 2021. Increased performance of the drilling and blasting system at the El Lucero mining operation. 19(1), 70-74. Pamplona-Colombia. https://doi.org/10.24054/bistua.v19i1.946
- Mosavi, A.; Salimi, M.; Ardabili, S.F.; Rabczuk, T.; Shamshirband, S.; Varkonyi-Koczy, A.R. 2019, State of the Art of Machine Learning Models in Energy Systems, a Systematic Review. Energies, 12, 1301. https://doi.org/10.3390/en12071301
- Moyano, C. 2022. Aproximación metodológica para validar parámetros geomecánicos e hidráulicos en un medio fracturado (caso túnel de La Línea), Universidad Nacional de Colombia Facultad de Ingeniería, Departamento de Ingeniería Civil y Agrícola Bogotá, Colombia. https://repositorioslatinoamericanos.uchile.cl/handle/2250/3409300
- Ortega, C.; Jaramillo, A.; Molina, J. 2016. Drilling grid blasting upgrading based on Geological Strength Index (GSI), case “La Maruja” mine, Colombia, 40, 32-38, Facultad de Minas, Universidad Nacional de Colombia, Medellín, Colombia. https://repositorio.unal.edu.co/handle/unal/59224
- Pachón, Y.; Cardenas, J.; Ortiz, O.; Quintero, Y. 2015. Estimación del potencial de producción de un pozo horizontal posfracturado hidráulicamente en una formación de shale gas con aplicación geomecánica.https://revistas.uamerica.edu.co/index.php/rinv/article/view/167
- Palaniappan, R.; Sundaraj, K.; Ahamed, N.U. 2013. Machine learning in lung sound analysis: A systematic review. Biocybern. Biomed. Eng. 33, 129–135. https://doi.org/10.1016/j.bbe.2013.07.001
- R Core Team 2019. R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing. https://cran.r-project.org/
- Revuelta, R. 2018. Aplicación de técnicas de machine learning, un caso práctico. https://repositorio.unican.es/xmlui/handle/10902/15652
- Rincón, J. & Molina, J. 2017, Improvement of the breakage through the drilling deviations control, case “El Roble” mine, Colombia, 42, 45-54, Facultad de Minas, Universidad Nacional de Colombia, Medellín, Colombia.
- Sabah, M.; Talebkeikhah, M.; Wood, D. A.; Khosravanian, R.; Anemangely, M.; Younesi, A. 2019. A machine learning approach to predict drilling rate using petrophysical and mud logging data. Earth Science Informatics, 12(3), 319–339. https://link.springer.com/article/10.1007/s12145-019-00381-4
- Sahu, R. 2018. How harnessing computer vision and machine learning will revolutionize global mining. Mining Engineering, June, 33–35. https://blog.strayos.com/harnessing-computer-vision-and-machine-learning/
- Sandvik, (2020). Manual del operario de Jumbo Sandvik. Manual del operario, SANDVIK. https://es.scribd.com/document/400212117/Manual-Perforadora-Jumbo-Dd311-Sandvik-pdf#
- Simeone, O. 2018. A Very Brief Introduction to Machine Learning With Applications to Communication Systems. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8542764
- Song, Z.; Rinne, M.; Van, A. 2013. A review of real-time optimization in underground mining production. Journal of the Southern African Institute of Mining and Metallurgy, 113(12), 889–897. http://www.scielo.org.za/scielo.php?script=sci_arttext&pid=S2225-62532013001200004
- Sun, T.; Chen, F.; Zhong, L.; Liu, W.; Wang, Y. 2019. GIS-based mineral prospectivity mapping using machine learning methods: A case study from Tongling ore district, eastern China. Ore Geol., 109, 26–49. https://doi.org/10.1016/j.oregeorev.2019.04.003
- Vemba Mucuta, H.; Cartaya, M.; Cuni, J. 2019. Rock mass geomechanical assessment on exploitation areas of Castellanos polymetallic deposit. Minería y Geología. 35(4), 430-440.
- http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1993-80122019000400430
- Zhang, Q.; Huang, X.; Zhu, H.; Li, J. 2019. Quantitative assessments of the correlations between rock mass rating (RMR) and geological strength index (GSI), 83, 73-81. https://doi.org/10.1016/j.tust.2018.09.015