4 results
Search Results
Now showing 1 - 4 of 4
Item Sistema de ventilación para una mina caving mediante inteligencia artificialAutores: Leiva Bustamante, Brayan AntonioProfesor Guía: Reyes Jara, Manuel RolandoA medida que los yacimientos mineros se van agotando, las minas a cielo abierto se ven la necesidad de cambiar sus métodos de explotación, de cielo abierto a subterráneo, mientras que las minas subterráneas se ven la obligación de planificar sus explotaciones a mayores profundidades en búsqueda de mineral, lo que provoca que los requerimientos y costos en ventilación incrementen. Asimismo, generar las condiciones ambientales idóneas para garantizar la seguridad de los trabajadores y un correcto funcionamiento de los equipos, además, de evitar las enfermedades respiratorias provocadas por los contaminantes presentes en el aire. El presente trabajo busca desarrollar modelos de predicción para controlar el sistema de ventilación, mediante inteligencia artificial. La metodología se desarrolla con una base de datos generados de manera artificial, y está basado en la creación de tres modelos de predicción, regresión lineal, árbol de regresión y redes neuronales. Ajustado mediante escenarios creados por planes ortogonales. Las variables que controlan los modelos son los ventiladores de refuerzo, de inyección y extracción, y las puertas de ventilación. Los resultados muestran que los modelos logran predecir de buena manera el comportamiento de los caudales en los puntos evaluados. Los modelos de árbol de regresión y redes neuronales logran predecir más del 50% de los escenarios de prueba. Esto demuestra que los modelos son capaces de predecir el cambio de los caudales al variar ciertos parámetros. Los resultados obtenidos por los modelos demuestran que un sistema de ventilación puede ser controlado mediante inteligencia artificial y se recomienda la evaluación de todos los puntos del sistema de ventilación, además de crear modelos con un mayor número de variables para ratificar el desempeño de los modelos.Item Clasificación de litología y estimación de vetas en testigos de sondajes diamantino usando machine learning y visión computacionalAutores: Arriagada Silva, Sebastián IgnacioProfesor Guía: Reyes Jara, Manuel RolandoLa exploración geológica y la descripción de muestras de corteza terrestre son de suma importancia para la evaluación de yacimientos minerales. Por esta razón, existen múltiples esfuerzos por mejorar la metodología de descripción o de mapeo de rocas, siendo los algoritmos de machine learning basados en redes neuronales una potencial herramienta para estandarizar, automatizar y agilizar estos procesos. Este trabajo aborda la aplicación de dos tipos de modelos de machine learning, con el objetivo de clasificar la litología y estimar la presencia de vetas utilizando fotografías digitales de sondajes tipo diamantino. El primer tipo de modelo es generado a través del proceso Automated Machine Learning (AutoML), el cual adapta modelos de clasificación preexistentes con buenos rendimientos en bases de datos estandarizadas y los optimiza para ser entrenados en una nueva base de datos. La clasificación de imágenes fue utilizada para la inferencia de la litología, del estado geotécnico y de la presencia de vetas. El segundo tipo, correspondiente un modelo cGAN (Conditional Generative Adversarial Networks), está compuesto por dos redes neuronales enfrentadas en un juego de suma cero, en donde si uno gana el otro pierde, obteniendo destacados resultados en tareas como la transferencia de estilos en imágenes. Este modelo fue utilizado para la segmentación de mineralización en vetas. Para cuantificar el desempeño de los modelos se utilizaron 5 métricas derivadas de las correspondientes matrices de confusión. Con respecto a los resultados de la clasificación litológica, el mejor rendimiento se consiguió utilizando la etiqueta binaria correspondiente a “litología de interés” y “otro tipo”, junto con entrenar un modelo diferente especializado en cada estado geotécnico presente (roca fracturada, molida, intacta y semi intacta). Se obtiene en conjunto un acierto del 79% de las veces y un 59% de posibilidades de que al reconocer la litología de interés, esta sea correctamente etiquetada. El mayor rendimiento se obtiene dentro de la roca intacta con 78% y 79% respectivamente. Al analizar los datos clasificados erróneamente según la información obtenida por observación directa (verdad fundamental), se detectan casos que corresponden a potenciales zonas de transición entre la litología de interés y otras. Por lo tanto, si bien aún no se obtiene un nivel de asertividad necesario para automatizar por completo el proceso de mapeo, esta metodología presenta una potencial utilidad para realizar un perfil coherente de cada litología y detectar errores dentro de mapeos anteriores. Con respecto a la estimación de vetas, al segmentar las zonas de mineralización observable en las fotografías, es posible estimar su área con una exactitud del 97% y una precisión del 83% con respecto a los datos de prueba segmentados manualmente por un humano. La efectividad de estimación se ve reducida por factores como la variabilidad de tonalidades a lo largo de la roca y la presencia de zonas de alto brillo en la superficie. Aplicando ambas metodologías, es posible realizar inferencias dentro de nuevos sondajes a una rapidez por sobre 1 metro por segundo. Se recomienda utilizar esta herramienta como apoyo para agilizar el proceso de mapeo, pre clasificando y segmentando las zonas con altos niveles de certeza y señalar las zonas con mayor incerteza para la validación manual por parte del equipo de geología. // ABSTRACT: Geological exploration and description of earth's crust samples are of prime importance for the evaluation of mineral deposits. For this reason, there are multiple efforts to improve the methodology of description or rock mapping, being machine learning algorithms based on neural networks a potential tool to standardize, automate and streamline these processes. This work addresses the application of two types of machine learning models, with the objective of classifying lithology and estimating the presence of veins using digital photographs of diamond drill holes. The first type of model is generated through the Automated Machine Learning (AutoML) process, which adapts pre-existing classification models with good performance in standardized databases and optimizes them to be trained on a new database. The image classification was used for inference of lithology, geotechnical state and presence of veins. The second type, corresponding to a cGAN (Conditional Generative Adversarial Networks) model, is composed of two neural networks facing each other in a zero-sum game, where if one wins the other loses, obtaining outstanding results in tasks such as the transfer of styles in images. This model was used for the segmentation of mineralization in veins. To quantify the performance of the models, 5 metrics derived from the corresponding confusion matrices were used. With respect to the lithological classification results, the best performance was achieved by using the binary label corresponding to "lithology of interest" and "other type", together with training a different model specialized in each geotechnical state present (fractured, ground, intact and semi-intact rock). Overall a 79% success rate is obtained and a 59% chance that when recognizing the lithology of interest, it is correctly labeled. The highest performance is obtained within intact rock with 78% and 79% respectively. When analyzing the misclassified data according to the information obtained by direct observation (ground truth), cases are detected that correspond to potential transition zones between the lithology of interest and others. Therefore, although a level of assertiveness necessary to fully automate the mapping process is not yet obtained, this methodology presents a potential utility to make a coherent profile of each lithology and to detect errors within previous mappings. With respect to vein estimation, by segmenting the zones of observable mineralization in the photographs, it is possible to estimate their area with an accuracy of 97% and an accuracy of 83% with respect to test data manually segmented by a human. The estimation effectiveness is reduced by factors such as the variability of shades along the rock and the presence of high brightness zones on the surface. By applying both methodologies, it is possible to make inferences within new drillholes at a speed of over 1 meter per second. It is recommended to use this tool as a support to speed up the mapping process, pre-classifying and segmenting the zones with high levels of certainty and pointing out the zones with higher uncertainty for manual validation by the geology team.Item Diseño de mina a cielo abierto utilizando redes neuronales de perceptrón multicapaAutores: Gajardo Amaro, Rodrigo AndrésProfesor Guía: Reyes Jara, Manuel RolandoEl uso de la Inteligencia artificial dentro del rubro minero es un acontecimiento que ha marcado el impulso de la innovación el último tiempo, optimizando procesos y recursos utilizados en los proyectos. Por este motivo, en esta investigación se analizó el rendimiento de predicción de una red neuronal de perceptrón multicapa o MLP (Multi-Layer Perceptron), entrenada con datos de diseño de minas a cielo abierto. La generación del modelo de predicción posee una metodología de desarrollo, con la que, para este trabajo, se basó en utilizar una base de datos de un modelo de bloques para diseñar 110 escenarios distintos, configurados por un diseño ortogonal, el cual define las principales variables que conforman la geometría de un rajo. Para este caso, se generaron 4 casos distintos de cantidades de datos para el entrenamiento, siendo el último, complementado con dos bases de datos externas. El análisis de las mediciones de los errores de los casos demuestra que 3 de los 4 modelos son capaces de predecir de buena manera, siendo el caso entrenado con las 3 bases de datos el de peor rendimiento. Esto confirma que la metodología desarrollada si genera un modelo capaz de predecir el retorno económico de un pit, entrenando una red neuronal de perceptrón multicapa con las principales variables que definen la geometría de un talud, considerándose como una propuesta para ser desarrollada con más profundidad. // ABSTRACT: The use of Artificial Intelligence within the mining sector is an event that has characterized the impulse of innovation in recent times, optimizing process and resource used in projects. For this reason, in this reasearch was analyzed prediction performance about a Multi-Layer perceptron, trained with open pit mine data. The creation of a prediction model have a development methodology that was based on use a data base from a block model to design 110 differents scenarios, configured from a ortogonal design, wich defined the main geometry variables of an open pit. In this case, four different cases was generated for trained the neural network, and the last one was complemented with two external database. The analyses of the error measurements variables about cases demostrate that 3 of the 4 models are capable to predict, being the case trained with 3 data base the worst model. This confirnm that the development methodology generate a qualified predictive model of an economic benefit open pit, training a multilayer perceptron with main variables being considered as a proposal to develop.Item Optimización de la transición de método cielo abierto a subterráneo usando algoritmos genéticosAutores: Bravo Albornoz, Álvaro AndrésAutor Institucional: Universidad de TalcaProfesor Guía: Reyes Jara, Manuel RolandoDurante muchos años la decisión de extraer mineral desde la tierra pasaba por elegir entre usar un método cielo abierto o un método subterráneo. Sin embargo, en los últimos años a partir del incremento de costos de extracción y la reducción de las leyes minerales, muchas operaciones han tomado la decisión de migrar de un open pit a un método subterráneo. Este trabajo propone un nuevo método usando algoritmos genéticos para buscar escenarios de diseño en dos dimensiones que maximicen el beneficio económico al pasar de un método cielo abierto a un método subterráneo. El método propuesto se fundamenta en la teoría de la evolución, donde una serie de escenarios iniciales son modificados y seleccionados según su valoración económica. El procedimiento se realiza en un modelo de bloques de libre acceso que cumple con las características para ser explotado por método cielo abierto y subterráneo. Los resultados de la utilización de algoritmos genéticos muestran que las soluciones presentan mejora con el paso de las iteraciones y tiempos de ejecución aceptables. Para realizar una comparación con otro método, se evalúa el mismo modelo de bloques usando un algoritmo heurístico que busca obtener el punto de transición de un open pit a un método subterráneo usando el VAN como factor de decisión. El VAN presentado por la solución propuesta por el algoritmo genético es superior, sin embargo, presentan similitudes en los escenarios de diseño óptimo. Al ser el método planteado en este trabajo un primer acercamiento a la utilización de los algoritmos genéticos para resolver el problema de transición de extracción cielo abierto a subterránea, se propone incorporar variables geológicas y el uso de estructuras mas complejas en tres dimensiones.
