Los modelos de árboles de decisión se han convertido en una herramienta clave para la selección del sostenimiento adecuado en la minería subteránea, ya que permiten clasificar y predecir tipos de sostenimiento basados en datos geomecánicos, condiciones de esfuerzo y características del macizo rocoso. Su facilidad de interpretación y manejo de datos heterogéneos los hace ideales para aplicaciones en tiempo real, como la identificación de factores críticos y la optimización del diseño de estructuras de refuerzo. Aunque presentan limitaciones en problemas complejos comparados con modelos avanzados como bosques aleatorios o redes neuronales, los árboles de decisión ofrecen una solución accesible y efectiva que mejora la seguridad y la eficiencia en operaciones mineras subterráneas

La automatización en minería, liderada por la implementación de camiones autónomos, está transformando las operaciones al mejorar la productividad, la seguridad y la eficiencia. Estos vehículos operan mediante sistemas avanzados como GPS de alta precisión, redes de comunicación, sensores y LIDAR, e inteligencia artificial, que garantizan un desempeño seguro y continuo. Entre los beneficios destacan una mayor eficiencia operativa, optimización del tiempo, extracción precisa del mineral y monitoreo en tiempo real, mientras que su contribución a la seguridad elimina riesgos para los operadores humanos. Aunque su adopción enfrenta desafíos como la alta inversión inicial y la integración tecnológica, casos reales como las minas Quellaveco en Perú, Gabriela Mistral en Chile, y Boddington en Australia demuestran su impacto positivo en la industria, posicionando la automatización como un pilar esencial para el futuro de la minería.

Este estudio propone el desarrollo de un modelo predictivo basado en el algoritmo de Random Forest para anticipar estallidos de roca en operaciones mineras subterráneas. El modelo busca gestionar las relaciones no lineales de los datos geomecánicos y mejorar la toma de decisiones en tiempo real, aumentando la seguridad y reduciendo los costos por interrupciones. Se recopilaron datos históricos y de monitoreo para entrenar y validar el modelo, con el objetivo de identificar los factores críticos que desencadenan estos eventos y optimizar el monitoreo en tiempo real. La investigación pretende ofrecer una herramienta predictiva innovadora frente a métodos convencionales.

Este artículo analiza la correlación entre el Rock Mass Rating (RMR) y otros parámetros geotécnicos en proyectos de minería e ingeniería civil, utilizando Power BI como herramienta de visualización. Los datos originales proporcionados por la mina fueron corregidos previamente en Excel para eliminar inconsistencias y outliers, y luego importados a Power BI para su análisis. A través del proceso de Extracción, Transformación y Carga (ETL), se generaron visualizaciones dinámicas que permitieron comparar los valores de RMR antes y después de las correcciones. Los gráficos de dispersión y barras mostraron cómo la resistencia y el espaciamiento de discontinuidades se correlacionan con el RMR, revelando que las correcciones mejoraron significativamente la precisión del análisis. Los resultados mostraron una mayor coherencia en los datos corregidos, destacando la importancia de las correcciones para una mejor interpretación de las condiciones del macizo rocoso. El uso de Power BI facilitó una comparación clara entre los datos originales y corregidos, lo que permitió una toma de decisiones más informada y eficaz en los proyectos geotécnicos.

El artículo presenta un análisis estadístico del índice RQD de un sondaje de 1000 metros en una mina superficial en Perú, utilizando Python para evaluar la calidad del macizo rocoso. Los resultados muestran una notable variabilidad en la calidad de la roca, con valores altos y bajos de RQD a distintas profundidades. Esta variabilidad sugiere diferencias significativas en la estructura geológica, identificando zonas críticas con fracturas o alteraciones. La relación entre la profundidad y el RQD debe ser considerada para una planificación eficaz y segura de las operaciones mineras futuras.

El artículo explora el uso de Python para automatizar la ventilación en minas subterráneas, destacando cómo esta tecnología no solo mejora la seguridad y la salud, sino que también optimiza el consumo de energía y reduce los costos operativos. Python facilita la integración con hardware de sensor y sistemas de control en tiempo real, permitiendo la recolección y análisis de datos críticos, el modelado y la simulación de condiciones de la mina, y la automatización del control de ventilación. A través de casos de estudio como las minas en Sudáfrica y Canadá, el artículo muestra reducciones significativas en el consumo energético y mejoras en la seguridad, ilustrando cómo Python está estableciendo nuevos estándares en la operación y gestión minera.