Modelo de gestión de inventarios para el abastecimiento de repuestos de una flota de operaciones aplicando Machine Learning en una mina subterránea del sur del Perú

Abstract

El uso de machine learning como disciplina científica en el ámbito de la inteligencia artificial aplicada al campo de la industria minera presenta ventajas como la obtención de predicciones y estimaciones basadas en la recopilación electrónica de información y la experiencia adquirida durante todos los procesos. En este sentido, el presente trabajo tiene como objetivo proporcionar un modelo de gestión de inventarios con uso de machine learning como solución para el abastecimiento de repuestos de una flota de operaciones en una mina subterránea del sur del Perú. Luego de una investigación de antecedentes, se observó que no existe algún modelo de machine learning para predecir el stock de repuestos de flotas, existen investigaciones de nuevas tecnologías para este mismo problema, pero no aplicación la solución propuesta. Esto debido al tipo de demanda que requieren estos repuestos. Por ello, se procedió a capturar información en un período de tiempo de Julio a Diciembre del año 2023, donde se conoce la gestión de inventarios del mes de diciembre de ese mismo año y actúa como testing data, y se va a tratar de predecir con los 5 meses anteriores con data conocida como training data. Antes de aplicar cualquier modelo de machine learning, primero se debe conocer que muestra de datos se va a utilizar. En este caso, se utilizó el método ABC para mediante el porcentaje acumulado, conocer la criticidad de los productos más importantes de nuestro scoop entre todos los demás repuestos. Luego de que se obtuvo la muestra, esta se procede a ser estructurada y procesada en línea en un espacio de trabajo bajo IDLE de Python, como es Google Colab. Una vez que los datos fueron normalizados y analizados estadísticamente, se procede al entrenamiento y testeo de la data, para que luego ejecutar su funcionamiento y conocer cuál es la predicción en la gestión de inventarios de los repuestos de equipo de flota pesada

The use of machine learning as a scientific discipline in the field of artificial intelligence applied to the field of the mining industry presents advantages such as obtaining predictions and estimates based on the electronic collection of information and the experience acquired during all processes. In this sense, the objective of this work is to provide an inventory management model with the use of machine learning as a solution for the supply of spare parts for an operations fleet in an underground mine in southern Peru. After a background investigation, it was observed that there is no machine learning model to predict the stock of fleet spare parts, there is research into new technologies for this same problem, but the proposed solution is not applied. This is due to the type of demand that these spare parts require. For this reason, information was captured in a period of time from July to December 2023, where the inventory management for the month of December of that same year is known and acts as testing data, and an attempt will be made to predict with the previous 5 months with data known as training data. Before applying any machine learning model, you must first know which data sample is going to be used. In this case, the ABC method was used to, through the accumulated percentage, know the criticality of the most important products in our scoop among all the other spare parts. After the sample is obtained, it is structured and processed online in a workspace under the Python system or IDLE, such as Colab. Once the data was normalized and statistically analyzed, we proceeded to train and test the data, to then execute its operation and know what the prediction is in the inventory management of the scoop spare parts.