Predicción de vibraciones producidas por tronaduras mediante redes neuronales artificiales

Abstract

Esta memoria investiga la posibilidad de utilizar redes neuronales artificiales como parte de una metodología operativa, integrando tanto la información procedente de la empresa minera como la información capturada a diario por las estaciones de monitoreo que la empresa contratista mantiene en terreno. Uno de los principales propósitos es mejorar la precisión en la predicción de la magnitud de las vibraciones producidas por tronaduras en la minería a cielo abierto, lo cual es fundamental para asegurar la estabilidad de los taludes y reducir los riesgos asociados a las posibles inestabilidades. Los modelos tradicionales, como el desarrollado en este proyecto (la Ley Escalar de Devine), siguen siendo ampliamente utilizados en la minería chilena. Estos modelos presentan ciertas limitaciones basadas en simplificaciones al asumir ciertos supuestos y en la poca capacidad de gestionar adecuadamente grandes volúmenes de datos. El objetivo principal del trabajo es desarrollar una metodología que integre la predicción de vibraciones mediante redes neuronales artificiales (ANN) y emplear la mayor cantidad de datos disponibles. Al comparar los valores del coeficiente de determinación (R2) y del error cuadrático medio (MSE) entre el método de modelado tradicional y el desarrollado con redes neuronales artificiales, se demuestra que es posible utilizar técnicas de aprendizaje avanzado, que tienen la capacidad de incluir un mayor número de datos de entrada, captar relaciones que las funciones matemáticas tradicionales no pueden identificar y ofrecer adaptabilidad a cambios en las condiciones iniciales, manteniendo e incluso aumentando la precisión. El proceso de investigación contempló una exploración exhaustiva de los datos, la creación de modelos tanto con métodos tradicionales como con redes neuronales artificiales. La investigación también incluyó la justificación y selección del mejor estimador en función de los valores del coeficiente de determinación y el error cuadrático medio. Los resultados muestran una mejora significativa al utilizar la metodología con redes neuronales artificiales, que hace más robustas las predicciones y, al mismo tiempo, disminuye los riesgos de seguridad asociados.

This report investigates the potential for utilising artificial neural networks as an integral component of an operational methodology, integrating both the data provided by the mining company and the data captured on a daily basis by the monitoring stations maintained by the contractor in the field. One of the primary objectives is to enhance the precision of forecasting the intensity of blasting vibrations in open-pit mining, which is crucial for maintaining slope stability and mitigating the risks associated with potential instabilities. Traditional models, such as the one developed in this project (Devine's Scalar Law), remain widely employed in Chilean mining. These models are constrained by certain limitations, namely the simplifications made in assuming certain assumptions and the limited capacity to adequately manage large volumes of data. The principal aim of this study is to develop a methodology that integrates vibration prediction using artificial neural networks (ANN) and makes use of the largest possible amount of available data. A comparison of the values of the coefficient of determination (R²) and mean square error (MSE) between the traditional modelling method and the one developed with artificial neural networks demonstrates that it is feasible to utilise advanced learning techniques, which possess the capacity to incorporate a greater number of input data, identify relationships that traditional mathematical functions are unable to discern, and offer adaptability to changes in initial conditions, thereby maintaining and potentially enhancing accuracy. The research process entailed a comprehensive data exploration, the development of models using both traditional methods and artificial neural networks. The research also included the justification and selection of the best estimator based on the values of the coefficient of determination and the mean square error. The results demonstrate a significant improvement when using the methodology with artificial neural networks, which makes the predictions more robust while simultaneously reducing the associated safety risks.