Estimación de la velocidad pico de partícula mediante Machine Learning: Casos de estudio
INTRODUCCIÓN
La estimación de la velocidad pico de partícula (PPV, por sus siglas en inglés) durante las voladuras en la industria minera es esencial para optimizar el proceso de voladura y garantizar la seguridad de las estructuras y las personas cercanas a las operaciones mineras. El PPV es una medida de la máxima velocidad alcanzada por las partículas en respuesta a las vibraciones generadas durante una voladura y en los últimos años, las técnicas de Machine Learning (aprendizaje automático) han surgido como una herramienta prometedora para mejorar la precisión y la eficiencia en la estimación del PPV en este contexto específico.
En este artículo, nos enfocamos en la aplicación de técnicas de Machine Learning para la estimación precisa del PPV en voladuras mineras. Exploraremos las definiciones teóricas fundamentales relacionadas con el PPV en el contexto de la minería, así como las principales técnicas de Machine Learning utilizadas para optimizar el proceso de voladura y mejorar la precisión en la estimación del PPV.
Además, presentaremos una serie de casos de estudio relevantes en los cuales se han aplicado estas técnicas con éxito para lograr una estimación precisa del PPV en operaciones mineras. Estos casos de estudio proporcionarán ejemplos concretos de cómo el Machine Learning ha sido utilizado para abordar los desafíos asociados con las voladuras mineras y la estimación del PPV.
FUNDAMENTOS TEÓRICOS
Velocidad Pico de Partícula (PPV):
La velocidad pico de partícula es una medida fundamental utilizada para cuantificar las vibraciones generadas durante una voladura en la industria minera. Representa la máxima velocidad alcanzada por las partículas del terreno en respuesta a las ondas de presión generadas por la explosión. El PPV se mide en unidades de velocidad, como centímetros por segundo (cm/s) o milímetros por segundo (mm/s), y es un indicador importante para evaluar el impacto de las vibraciones en las estructuras y el entorno circundante. La precisión en la estimación del PPV es esencial para garantizar la seguridad de las personas y las infraestructuras cercanas a las operaciones mineras.
Vibraciones del Suelo:
Las vibraciones del suelo son oscilaciones o movimientos que ocurren en el terreno como resultado de una voladura. Durante una explosión, la liberación repentina de energía provoca una propagación de ondas de presión a través del suelo. Estas ondas se transmiten en forma de vibraciones y se desplazan desde el punto de detonación en todas las direcciones. Las vibraciones del suelo pueden afectar a las estructuras cercanas, como edificios, puentes y tuberías, así como a elementos sensibles en el entorno, como cuerpos de agua, suelos frágiles y hábitats naturales. La evaluación y el control de las vibraciones del suelo son cruciales para minimizar los impactos negativos y garantizar la integridad estructural y la seguridad de las operaciones mineras.
Proceso de Voladura:
El proceso de voladura es un conjunto de operaciones y técnicas utilizadas para fragmentar el material rocoso en una mina mediante el uso controlado de explosivos. Involucra una serie de etapas, que incluyen la planificación de la voladura, la selección y colocación de cargas explosivas, la secuencia de detonación y el monitoreo de las vibraciones resultantes. La planificación cuidadosa del proceso de voladura es esencial para maximizar la eficiencia de la fragmentación de la roca y minimizar los impactos negativos, como las vibraciones del suelo y el lanzamiento de fragmentos peligrosos. Los avances en la tecnología de voladura, incluido el uso de técnicas de modelado y simulación, han permitido optimizar el proceso de voladura para lograr resultados más seguros y eficientes.
Estimación del PPV:
La estimación del PPV es el cálculo o predicción de la velocidad pico de partícula que se espera que ocurra durante una voladura específica. Esta estimación se basa en una variedad de factores, como datos históricos de voladuras previas, características geológicas del terreno, parámetros de voladura (como la cantidad y distribución de explosivos) y mediciones in situ. Se utilizan métodos y modelos matemáticos para predecir el comportamiento de las ondas de presión y las vibraciones resultantes. Las técnicas de Machine Learning han demostrado ser eficaces para mejorar la precisión en la estimación del PPV, ya que pueden analizar grandes conjuntos de datos y reconocer patrones complejos que influyen en las vibraciones del suelo.
Machine Learning (Aprendizaje Automático):
El Machine Learning es una rama de la inteligencia artificial que se centra en el desarrollo de algoritmos y modelos que permiten a las computadoras aprender y mejorar su rendimiento a partir de los datos. En el contexto de la estimación del PPV, las técnicas de Machine Learning se utilizan para analizar datos históricos de voladuras, características geológicas, parámetros de voladura y mediciones de vibraciones del suelo. Estos algoritmos pueden identificar relaciones y patrones complejos en los datos, lo que permite desarrollar modelos predictivos precisos. Al entrenar estos modelos con conjuntos de datos etiquetados, se puede lograr una estimación más confiable del PPV y mejorar la comprensión de los factores que influyen en las vibraciones del suelo durante las voladuras mineras.
El Factor De Potencia Y/O Factor De Carga:
La relación entre el número de kilogramos de explosivos empleados en una voladura determinada y el número de toneladas a romper producto de esa voladura o el volumen correspondiente en metros cúbicos a romper. Las unidades son kg/TM o kg/m. 2.8.33.
Disparo soplado:
Hacen referencia a las voladuras que fueron ineficientes, ya que en ellas algunos de los taladros cargados no explosionaron o ninguno de los taladros cargados de la malla de voladura explosiono.
Espaciamiento:
Es la distancia entre taladros cargados con explosivos de una misma fila o de una misma área de influencia en una malla de perforación.
Burden:
Es la distancia entre un taladro cargado con explosivos a la cara libre de una malla de perforación. El burden depende básicamente del diámetro de perforación, de las propiedades de la roca y las características del explosivo a emplear.
Cara libre o taladro de alivio:
Permite que las ondas de compresión producto de la voladura se reflejen contra ella, originando fuerzas de tensión que permiten producir la fragmentación de la roca.
ESTIMACIÓN DE LA VELOCIDAD PICO PARTÍCULA POR MÉTODOS CONVENCIONALES
Varios investigadores han realizado investigaciones y propuesto diversos predictores convencionales de vibración para estimar la velocidad pico de partícula (PPV), los cuales se resumen en la Tabla 1. Las ecuaciones sugeridas por los predictores convencionales permiten predecir el PPV en función de dos parámetros clave: la distancia entre el área de voladura y el punto de monitoreo, y la carga máxima por retardo.
Tabla 1. Métodos Convencionales para estimar el PPV
Aunque algunos investigadores también han considerado el factor de atenuación o amortiguamiento, es importante destacar que el PPV se ve afectado por numerosos factores, como las condiciones geológicas y geotécnicas, la geometría de la voladura y las propiedades explosivas. Sin embargo, ninguno de los predictores existentes ha incorporado todos estos parámetros.
Los parámetros afectados, como la distancia, la carga máxima por retardo, el espaciamiento y la carga por perforación, son bastante extensos y su interrelación es compleja. Como resultado, los métodos de predicción convencionales pueden no ser adecuados y los predictores existentes no son capaces de estimar otros parámetros significativos, como la frecuencia, el ruido aéreo y la proyección de fragmentos de roca.
Recientemente, muchos investigadores han recurrido a herramientas computacionales, como redes neuronales artificiales (RNA), algoritmos genéticos (AG) y regresión de vectores de soporte (RVS), para predecir el PPV. Estos enfoques ofrecen métodos alternativos que pueden manejar la complejidad de los factores interrelacionados y potencialmente capturar parámetros adicionales más allá de los predictores convencionales.
ESTIMACIÓN DE LA VELOCIDAD PICO PARTICULA MEDIANTE ALGORITMOS DE MACHINE LEARNING
En la era actual, donde la tecnología y el Machine Learning están en constante evolución, se han desarrollado enfoques innovadores para abordar este desafío específico. El uso de algoritmos de Machine Learning en la estimación de la velocidad pico de partículas en voladuras ha demostrado ser una herramienta poderosa. En este contexto, exploraremos tres investigaciones que se han destacado en la estimación de la velocidad pico de partículas en voladuras utilizando técnicas de Machine Learning.
1. Evaluation and prediction of blast-induced peak particle velocity using artificial neural network: A case study
En este estudio del año 2018, Ragam P. y Nimaje D. utilizaron una red neuronal artificial con tres capas y seis parámetros de entrada: distancia desde la cara de la explosión, carga máxima por retardo, espaciado, carga de roca, profundidad del pozo y número de pozos. El parámetro de salida fue la velocidad pico de partículas. La red neuronal fue entrenada con el algoritmo de Levenberg-Marquardt utilizando 25 registros experimentales de eventos de explosiones en una mina de mineral de hierro en la India.
Figura 1. Monitoreo de vibraciones de explosiones en campo.
Para evaluar la eficiencia y precisión del modelo de red neuronal artificial desarrollado, se aplicaron siete modelos predictores convencionales propuestos por el US Bureau of Mines, Ambraseys-Hendron, Langefors-Kihlstrom, entre otros. Los resultados obtenidos revelaron que el modelo de red neuronal artificial propuesto puede estimar las vibraciones del suelo de manera más precisa en comparación con los diversos modelos predictores convencionales disponibles.
Figura 2. Resultados de la estimación del PPV por métodos convencionales. (a) Predictor USBM, (b) Predictor Langefors-Kihlstrom, (c) Predictor general, (d) Predictor Ambraseys-Hendron, (e) Predictor del Bureau of Indian Standards, (f) Predictor Ghosh-Daemen y (g) Predictor del CMRI.
El estudio también discute la importancia de monitorear y predecir los niveles de vibración del suelo inducidos por explosiones para reducir sus efectos dañinos. Se mencionan los diversos parámetros que influyen en las vibraciones del suelo y se destaca la necesidad de considerar factores geológicos, geotécnicos, de geometría de explosión y explosivos al predecir la velocidad máxima de partículas. Además, se mencionan otras herramientas de computación, como algoritmos genéticos y regresión de vectores de soporte, que se han utilizado en investigaciones recientes para predecir la velocidad máxima de partículas.
Figura 3. Resultados de la estimación del PPV por redes neuronales.
2. Estimation of blast-induced peak particle velocity using ensemble machine learning algorithms: A case study
En este estudio del año 2022, Ragam P. et al. se enfocan en la medición y evaluación de la vibración del suelo inducida por explosiones en una mina en India, utilizando datos de campo en tiempo real de 121 eventos de explosiones.
Se seleccionaron ocho parámetros de entrada, que incluyen el número de perforaciones, carga explosiva máxima por retardo, diámetro de perforación, profundidad de perforación, distancia, carga máxima explosiva por retardo, espaciamiento y tope superior, para el desarrollo de los algoritmos de aprendizaje automático en conjunto.
Se desarrollaron modelos de conjunto utilizando el algoritmo de mejora de gradiente extremo (XGBoost), bosques aleatorios (RF) y árbol de decisión para evaluar los niveles de PPV.
Figura 4. Resultados de la estimación del PPV por XGBoost Random Forest.
Se aplicaron cuatro modelos predictores empíricos propuestos por el US Bureau of Mines, Langefors-Kihlstrom, Central Mining Research Institute y Bureau of Indian Standards para establecer una relación entre el PPV y sus parámetros influyentes.
Se evaluó la precisión y eficiencia de los modelos desarrollados utilizando métricas de evaluación de rendimiento, como el coeficiente de determinación (R2) y el error cuadrático medio (RMSE).
El modelo de conjunto del árbol de decisión mostró los mejores resultados, con un R2 de 0.9549 y un RMSE de 0.0444, lo que lo convierte en el modelo óptimo más preciso para evaluar el PPV.
Figura 5. Resultados de la estimación del PPV por un árbol de decisión.
Además, se realizó un análisis de sensibilidad para determinar el papel de los parámetros de entrada en la estimación del PPV, y se encontró que la carga, el número de perforaciones y el tope superior son los parámetros más influyentes en la intensidad de los niveles de PPV.
Tabla 2. Comparación del rendimiento de la estimación del PPV por métodos convencionales y métodos de machine learning ensamblados.
3. Estimation of Blast-Induced Peak Particle Velocity through the Improved Weighted Random Forest Technique
En este estudio del año 2022, Biao He et al. desarrollaron un modelo de Random Forest (RF) utilizando 102 muestras de explosiones recopiladas de una mina de granito a cielo abierto. El modelo se construyó con seis parámetros de entrada, que incluyeron características como la carga máxima por retardo (MC), el apuntalamiento (ST), la distancia desde la estación de medición hasta el frente de la explosión (DI), el factor de polvo (PF) y la profundidad del pozo (HD), mientras que la salida del modelo fue la PPV.
Tabla 3. Estadísticos de las variables de entrada y de salida.
Con el fin de mejorar el rendimiento del modelo RF regular, se propusieron cinco técnicas, entre las cuales se incluyeron pesos refinados basados en la precisión de los árboles de decisión y la optimización de tres algoritmos metaheurísticos. Estas técnicas se implementaron para mejorar la capacidad predictiva del modelo RF regular. Los resultados obtenidos demostraron que todos los modelos RF con pesos refinados presentaron un mejor rendimiento en comparación con el modelo RF regular. En particular, el modelo RF con pesos refinados utilizando el algoritmo de optimización de ballenas (WOA) mostró el mejor desempeño en la predicción de la PPV.
Figura 6. Error cuadrático medio (MSE) con respecto al número de árboles.
Además, se realizó un análisis de sensibilidad para evaluar la influencia de cada parámetro en la predicción de la PPV. Los resultados revelaron que el factor de polvo (PF) tuvo el impacto más significativo en la predicción de la PPV en el caso de estudio analizado. Esto indica que el control del tamaño del factor de polvo puede ser una estrategia efectiva para gestionar la magnitud de la PPV durante las operaciones de explosión.
Tabla 4. Rendimiento de los distintos modelos de Random Forest mejorados.
CONCLUSIONES
1. El uso de técnicas de machine learning como redes neuronales artificiales, árboles de decisión y bosques aleatorios han demostrado ser efectivas para mejorar la precisión en la estimación de la velocidad pico de partícula durante voladuras mineras, obteniendo resultados más precisos que los modelos predictores convencionales.
2. Los modelos desarrollados con técnicas de machine learning pueden considerar múltiples parámetros de entrada que influyen en las vibraciones del suelo, a diferencia de los métodos predictores convencionales que generalmente solo toman en cuenta la distancia y carga máxima. Esto aumenta la precisión de la estimación.
3. La aplicación de técnicas de aprendizaje automático en conjunto, como el XGBoost y algoritmos metaheurísticos de optimización, pueden contribuir a mejorar aún más el rendimiento de los modelos individuales como los árboles de decisión y bosques aleatorios para la estimación precisa de la velocidad pico de partícula.
REFERENCIAS
He, B., Lai, S., Mohammed, A., Sabri, M., Sabri, S., & Ulrikh, D. (2022). Estimation of Blast-Induced Peak Particle Velocity through the Improved Weighted Random Forest Technique. Applied Sciences, 12. https://doi.org/10.3390/app12105019
Ragam, P., Komalla, A., & Kanne, N. (2022). Estimation of blast-induced peak particle velocity using ensemble machine learning algorithms: A case study. Noise & Vibration Worldwide, 53, 095745652211146. https://doi.org/10.1177/09574565221114662
Ragam, P., & Nimaje, D. S. (2018). Evaluation and prediction of blast-induced peak particle velocity using artificial neural network: A case study. Noise & Vibration Worldwide, 49(3), 111-119. https://doi.org/10.1177/0957456518763161
Tovar Llocclla, F. A. (2015). Aplicación del principio de la velocidad pico partícula (VPP), para minimizar el daño macizo rocoso—Utilizando retardos—Veta Lourdes consorcio Minero Horizonte—La Libertad. Universidad Nacional del Centro del Perú. http://repositorio.uncp.edu.pe/handle/20.500.12894/1351
Comentarios
Registrate o Inicia Sesión para comentar y obtener Cursos de pago gratis