Look-up in Google Scholar
Title: Aplicación de técnicas de análisis multivariado y aprendizaje automático para reducir la variabilidad en la estimación de la densidad para la evaluación de recursos mineros en una mina mecanizada subterránea
Advisor(s): Díaz Huaina, Guillermo Nicanor
OCDE field: https://purl.org/pe-repo/ocde/ford#2.00.00; https://purl.org/pe-repo/ocde/ford#2.07.05
Issue Date: 11-Nov-2023
Institution: Universidad Peruana de Ciencias Aplicadas (UPC)
Abstract: The estimation of mineral resources in Peruvian mining is one of the processes that has evolved over the years, however, currently there are still difficulties with respect to specifying the density, quantity, quality, and type of rock. and exact location of the mineralized bodies in the rock mass, as well as other significant aspects for decision-making based on the possibility of commercial exploitation of the estimated mineral. Consequently, one of the greatest challenges during this process is uncertainty, since it can occur at the geological, operational, and even criteria and understanding of the values ​​obtained, thus increasing the gap between the exact data and that obtained after endless simulations, consequently, it has become increasingly difficult to carry out exploration work for new mineral deposits, the discoveries of mining deposits, the future work that involves their exploitation and the economic income that they represent unlike the rest of sectors at the national level. Likewise, given that the estimation stage is essential to specify the degree of feasibility of a mining project, it is important to mention that new techniques, methods and technologies are currently being developed that make estimates increasingly more accurate, for example Of this, it is artificial intelligence, machine learning, deep's, among other techniques that have allowed estimates of mineralized bodies to have less uncertainty and be more reliable. For all the above, the main objective of this research is to use a statistical method in combination with machine learning to predict density in order to generate more reliable block models and reduce uncertainty.

La estimación de recursos de minerales en la minería peruana, es uno de los procesos que ha evolucionado a medida del paso de los años, sin embargo, en la actualidad aún existen dificultades con respecto a precisar la densidad, cantidad, calidad, tipo de roca y localización exacta de los cuerpos mineralizados en el macizo rocoso, como también, otros aspectos significativos para la toma de decisiones en base a la posibilidad de explotación comercial del mineral estimado. Por consiguiente, uno de los mayores desafíos durante este proceso es la incertidumbre, dado que se puede presentar a nivel geológico, operacional, e incluso de criterio y comprensión de los valores obtenidos, incrementando así la brecha entre el dato exacto y el obtenido luego de un sinfín de simulaciones, en consecuencia, se ha vuelto cada vez más difícil realizar los trabajos de exploración de nuevos depósitos de minerales, los hallazgos de yacimientos mineros, los trabajos a futuro que implican su explotación y los ingresos económicos que representan a diferencia del resto de sectores a nivel nacional. Asimismo, dado que la etapa de estimación es indispensable para precisar el grado de factibilidad de un proyecto minero, es importante mencionar, que actualmente se vienen desarrollando nuevas técnicas, métodos y tecnologías que dan paso a que las estimaciones sean cada vez más exactas, ejemplo de ello, es la inteligencia artificial, machine learning, deep´s, entre otras técnicas que han permitido que las estimaciones de los cuerpos mineralizados posean menos incertidumbre y sean más confiables. Por todo lo mencionado, la presente investigación tiene como objetivo principal utilizar un método estadístico en combinación del aprendizaje automático, para predecir la densidad con el fin de generar modelos de bloques más confiables y reducir la incertidumbre.
Discipline: Ingeniería Minera
Grade or title grantor: Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Ingeniería
Grade or title: Ingeniero de Gestión Minera
Juror: Pimentel Casquero, Victor Daniel; Perales Orellana, Javier Eduardo
Register date: 16-Jan-2024; 16-Jan-2024



This item is licensed under a Creative Commons License Creative Commons