Comparación de modelos empíricos tradicionales contra modelos predictivos de Machine Learning para la estimación de velocidad pico partícula en voladuras de cielo abierto

Abstract

El presente estudio busca realizar una comparación objetiva y cuantitativa de modelos empíricos tradicionales contra modelos predictivos de Machine Learning para la estimación de Velocidad Pico Partícula en voladuras de operaciones mineras a cielo abierto. Para ello se seleccionó 5 formulaciones convencionales y 6 modelos predictivos desarrollados en base a algoritmos de Machine Learning; se desarrolló un script en lenguaje de programación Python para entrenar y optimizar cada uno de estos modelos con la finalidad de estimar que tan bien pueden predecir los valores esperados de Velocidad Pico Partícula; y finalmente compararlos en base a métricas de desempeño. Para el presente estudio se escogieron dos métricas de desempeño, siendo estas el Coeficiente de Determinación (R2) y la Raíz del Error Cuadrático Medio (RMSE). Tras la obtención y análisis de resultados, se concluyó que el modelo desarrollado en base a Redes Neuronales Artificiales fue el que mejores métricas obtuvo, con un valor de RMSE de 11,54 unidades y un valor de coeficiente de determinación (R2) igual a 0,88. Por otra parte, dentro de los modelos desarrollados mediante formulaciones empíricas, el que mejores métricas entregó fue el de Rai & Singh (2004); con un valor de RMSE de 20,65 unidades y un coeficiente de determinación (R2) de 0,61. En líneas generales, los modelos desarrollados en base a algoritmos de Machine Learning entregan mejores métricas de desempeño comparados respecto a los modelos desarrollados en base a formulaciones empíricas; representando así, una mejor opción en la tarea de predecir valores de Velocidad Pico Partícula.