Modelo predictivo de fragmentación usando machine learning para optimizar los parámetros de perforación y voladura en la U.M. San Marcos

Simple item page
dc.contributor.advisorCotrina Teatino, Marco Antonio
dc.contributor.authorGarcia Miranda, Fabrizio Saúl
dc.date.accessioned2023-07-13T17:19:33Z
dc.date.available2023-07-13T17:19:33Z
dc.date.issued2023-07
dc.descriptionThe main objective of this research was to optimize the drilling and blasting parameters at the M.U. San Marcos by using a predictive machine learning model. A quantitative-experimental research method was used and the technique used was the training of 5 different machine learning models, to then evaluate the model that has the best prediction metric, the models used were: Linear regression, decision tree, forest random, extreme gradient boost, and support vector machines. After selecting the optimal model for this study, fragment size analysis cases were performed by varying the drilling and blasting parameters. To develop this research, instruments such as data collection guides were used for both study variables. The population used for this research consisted of 5225 blasting and the sample was 1812 (34.68%) of these blasting that were carried out from July 2019 to March 2022 at the M.U. San Marcos. The results obtained in this study were the following: Using linear regression an R2 of 65.31% was obtained, using decision trees an R2 of 67.21% was obtained, using random forest an R2 of 71.72% was obtained, using extreme gradient reinforcement an R2 of 71.9% was obtained and using vector support machines an R2 of 60.15% was obtained. The main conclusion was that by tuning the predictive model of extreme gradient reinforcement it was possible to improve the coefficient of determination (R2 ) to a value of 74%es_PE
dc.description.abstractEl objetivo principal de esta investigación fue optimizar los parámetros de perforación y voladura en la U.M. San Marcos mediante el uso de un modelo predictivo de machine learning. Se utilizó un método de investigación cuantitativo – experimental y la técnica utilizada fue el entrenamiento de 5 modelos distintos de machine learning, para luego evaluar el modelo que tenga la mejor métrica de predicción, los modelos utilizados fueron: Regresión lineal, árbol de decisión, bosque aleatorio, refuerzo de gradiente extremo y máquinas de soporte vectorial. Luego de seleccionar el modelo óptimo para este estudio se realizaron casos de análisis del tamaño de fragmento variando los parámetros de perforación y voladura. Para desarrollar esta investigación se emplearon instrumentos como las guías de recolección de datos para ambas variables de estudio. La población utilizada para esta investigación se constituyó de 5225 voladuras y la muestra fue de 1812 (34.68%) de estas voladuras que fueron realizadas desde julio del 2019 a marzo del 2022 en la U.M. San Marcos. Los resultados obtenidos en este estudio fueron los siguientes: Utilizando regresión lineal se obtuvo un R2 de 65.31%, utilizando árboles de decisión se obtuvo un R2 de 67.21%, utilizando bosque aleatorio se obtuvo un R2 de 71.72%, utilizando el refuerzo de gradiente extremo se obtuvo un R2 de 71.9% y utilizando máquinas de soporte vectorial se obtuvo un R2 de 60.15%. La conclusión principal fue que sintonizando el modelo predictivo de refuerzo de gradiente extremo se consiguió mejorar el coeficiente de determinación (R2 ) a un valor de 74%es_PE
dc.description.uriTesises_PE
dc.identifier.urihttps://hdl.handle.net/20.500.14414/18454
dc.language.isospaes_PE
dc.publisherUniversidad Nacional de Trujilloes_PE
dc.relation.ispartofseriesTmin;
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttps://creativecommons.org/licenses/by/2.5/pe/es_PE
dc.sourceUniversidad Nacional de Trujilloes_PE
dc.sourceRepositorio Institucionales_PE
dc.subjectModelo predictivo de fragmentación usando machine learninges_PE
dc.titleModelo predictivo de fragmentación usando machine learning para optimizar los parámetros de perforación y voladura en la U.M. San Marcoses_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.disciplineIngenieríaes_PE
thesis.degree.grantorUniversidad Nacional de Trujillo Escuela de Ingeniería de Minases_PE
thesis.degree.levelTítulo Profesionales_PE
thesis.degree.nameIngeniero de Minases_PE
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Garcia Miranda.pdf
Size:
5.78 MB
Format:
Adobe Portable Document Format
Description:
Modelo predictivo de fragmentación usando machine learning
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Tesis de Minas