Modelo predictivo de Machine Learning para optimizar factor de carga en equipo de carguío

Abstract

Anualmente, las operaciones mineras se proponen nuevos desafíos y metas en producción con tal de tener una mejora continua de los procesos en búsqueda de un negocio fructífero. Es en este contexto de aumento de productividad mina que Los Bronces, mina a rajo abierto perteneciente a Anglo American, ha propuesto una iniciativa de transformación de disponer de la pala eléctrica más productiva dentro de su universo de 7 equipos de carguíos (al año 2019) de esta categoría. Con lo anterior en mente sumado al propósito de cumplir con las expectativas del área de Project Management Office (PMO) & Análisis, se propuso aprovechar el sistema de monitoreo instalado y calibrado en palas eléctricas y utilizar tecnologías nuevas que permiten ampliar el rango de soluciones y/o fuentes de información para hacer gestión a través de la creación de un modelo predictivo de factor de carga de una pala Bucyrus de 79 yd3 basado en la información del proceso de carguío durante el 03 de Enero y 21 de Mayo del 2021. En cuanto a la metodología utilizada, esta se puede categorizar en la búsqueda de información que dé paso al entendimiento del negocio, abarcando las variables que afecten la cantidad de tonelaje por baldada y la viabilidad de las metas propuestas por la mina. Luego de contextualizar la problemática se da paso a la creación de la base de datos utilizando la información de sensores que en gran medida se basan solo la retroalimentación en línea, pero no en la data acumulada que presenta la oportunidad de aprender de la historia de la operación para cumplir objetivos futuros. Posteriormente, se da paso al tratamiento de datos y búsqueda de la base de datos final que permita alimentar los modelos. Luego, se da paso a la creación del modelo de predicción a través de Machine Learning Studio que represente de mejor manera los datos reales, se recogen los errores asociados y se define el modelo predictivo a utilizar. De manera extraordinaria, se visualiza dicho modelo por medio de Excel para generar una interfaz servicio cliente de fácil uso. Considerando lo anterior, se instauró una herramienta de Machine Learning, a partir de análisis de datos, que logra identificar variables que inciden en el carguío del balde mediante el entrenamiento de modelos por medio de algoritmos de regresión en Azure Machine Learning de Microsoft, obteniendo un mayor ajuste y menor error utilizando Boosted Decision Tree sin restricción de cantidad de árboles que puede generar, alcanzando un coeficiente de determinación alrededor del 0.7. Finalmente, y de forma general, se presenta como un gran potencial el uso e instauración de algoritmos de regresión en la predicción de variables claves dentro de la operación ya que presenta ventajas significativas con respecto al uso de datos, mejoras en el desempeño y apoyo en toma de decisiones.