Definición de sets estructurales mediante técnicas de Clustering

Abstract

El presente trabajo de investigación aborda el desafío de analizar y agrupar datos geotécnicos, específicamente las orientaciones de discontinuidades. La capacidad de comprender estas orientaciones es fundamental para la seguridad y eficiencia de proyectos en el área de ingeniería de minas y la geotecnia. En este contexto, se revisó una amplia gama de algoritmos de clustering para identificar patrones y estructuras en este tipo de datos. El análisis se centró en la evaluación de varios algoritmos de clustering aplicados a un caso sintético y a dos casos de estudio reales. Entre los algoritmos considerados, se destacaron el KMeans y el Spectral Clustering por su efectividad y simplicidad en la especificación del número de clústeres. Para definir el número de clústers se aplicaron métodos estadísticos, como el método del codo, el método de la silueta y el método Gap Statistic, donde se obtuvo que el número óptimo de clústeres era 6. Eso se condice con los resultados esperados del caso sintético. Los casos de estudio demostraron que los algoritmos de clustering pueden identificar patrones significativos en las orientaciones de las discontinuidades geotécnicas, a pesar de las diferencias en las distribuciones de datos y la complejidad geológica.

This research work addresses the challenge of analyzing and clustering geotechnical data, specifically the orientations of discontinuities. The ability to understand these orientations is fundamental for the safety and efficiency of projects in the fields of mining engineering and geotechnics. In this context, a wide range of clustering algorithms was reviewed to identify patterns and structures in this type of data. The analysis focused on evaluating several clustering algorithms applied to a synthetic case and two real case studies. Among the algorithms considered, K-Means and Spectral Clustering stood out for their effectiveness and simplicity in specifying the number of clusters. To determine the number of clusters, statistical methods were applied, such as the elbow method, the silhouette method, and the Gap Statistic, which consistently indicated that the optimal number of clusters was 6. This aligns with the expected results from the synthetic case. The case studies demonstrated that clustering algorithms can identify significant patterns in the orientations of geotechnical discontinuities, despite differences in data distributions and geological complexity.