F.A.I.N. E.S.M.I.

UNIVERSIDAD NACIONAL “JORGE BASADRE GROHMANN”

FACULTAD DE INGENIERÍA
ESCUELA PROFESIONAL DE MINAS

ESTUDIANTES

- Alex Johan Mamani Mamani 2018-101038

- Jhunior Mitchell Llanos Vilca 2018-101028
- Orlando Antonio Navarro Ramírez 2018-101017
- Cleyson Noryman Apaza Catarí 2018-101010

CURSO

PRACTICAS PRE-PROFESIONALES II

TEMA

MACHINE LEARNING

INGENIERO

Ing. Salomon

TACNA - 2023

1
F.A.I.N. E.S.M.I.

ÍNDICE
INTRODUCCION ............................................................................................................................. 3
RESUMEN ...................................................................................................................................... 4
CAPÍTULO II ................................................................................................................................... 5
COMO EL MACHINE LEARNING ESTA REVOLUCIONANDO LA EFICIENCIA MINERA...................... 5
1. IA Y ML EN LA ACTUALIDAD .................................................................................................. 5
2. TECNICAS DE PROSPECCION Y EXPLORACION....................................................................... 5
3. AUMENTO DE PRODUCTIVIDAD OPTIMIZANDO LA GESTION DE EQUIPOS .......................... 6
3.1 RECOPILACION DE DATOS ............................................................................................... 6
3.2 PRE-PROCESAMIENTO DE DATOS ................................................................................... 6
3.3 IDENTIFICACION DE PROBLEMMAS Y OBJETIVO ............................................................. 6
3.4 SELECCIÓN DE ALGORITMOS DE MACHINE LEARNING ................................................... 6
3.5 ENTRENAMIENTO DE MODELO ....................................................................................... 6
3.6 MONITOREO Y OPTIMIZACION EN TIEMPO REAL ........................................................... 7
3.7 IMPLEMENTACION DE MANTENIMIENTO PREDICTIVO .................................................. 7
3.8 USO DE SENSORES Y TECNOLOGIAS AVANZADAS ........................................................... 7
3.9 CAPACITACION DEL PERSONAL ....................................................................................... 7
3.10 SEGURIDAD Y ETICA ...................................................................................................... 7
4. MEJORA DE LA SEGURIDAD Y LA REDUCCION DE RIESGOS .................................................. 7
5. RECOMENDACIONES ............................................................................................................. 8
6. CONCLUSIONES ..................................................................................................................... 8
7. BILIOGRAFIA .......................................................................................................................... 8

2
F.A.I.N. E.S.M.I.

INTRODUCCION

La minería es una industria de gran importancia, que contribuye significativamente al

desarrollo económico mundial. Sin embargo, se enfrenta a problemas de eficiencia,
seguridad y sostenibilidad que repercuten directamente en su viabilidad económica y
su impacto medioambiental.

En la búsqueda de soluciones, la Inteligencia Artificial (IA) y el Machine Learning (ML)

están emergiendo como fuerzas transformadoras en el sector minero. Tienen el
potencial de revolucionar la eficiencia y la seguridad de la minería y fomentar prácticas
mineras sostenibles. Mediante la integración de la IA y el ML con el análisis de
imágenes de observación de la Tierra, podemos generar valiosa inteligencia
geoespacial, lo que permite el mantenimiento predictivo y la toma de decisiones
basada en datos en la minería.

La industria minera es la columna vertebral de la economía mundial, ya que

proporciona las materias primas que impulsan el desarrollo y la innovación. Sin
embargo, las prácticas mineras tradicionales a menudo se enfrentan a retos que limitan
la eficiencia, la seguridad y la sostenibilidad. Entre ellos se encuentran las
incertidumbres geológicas, los entornos de trabajo peligrosos y los elevados costos
operativos. Aunque la demanda de minerales y metales aumenta, estas limitaciones
han dejado claro que se necesitan soluciones innovadoras para impulsar la industria.

La inteligencia artificial (IA) y el aprendizaje automático (AM) son tecnologías que están
revolucionando varios sectores, incluida la minería. Combinadas con la inteligencia
geoespacial, ofrecen una oportunidad sin precedentes para optimizar las operaciones
mineras. Al aprovechar la IA y el ML, las empresas mineras pueden obtener
información valiosa de las imágenes de satélites y drones, predecir patrones
geológicos y tomar decisiones basadas en datos que mejoren significativamente la
eficiencia de la minería.

3
F.A.I.N. E.S.M.I.

RESUMEN
Al implementar el machine Learning en la gestión de equipos mineros, se pueden lograr
mejoras significativas en la eficiencia, seguridad y productividad de las operaciones
mineras, lo que puede conducir a una ventaja competitiva y un uso más sostenible de
los recursos naturales. Sin embargo, es importante tener en cuenta que la
implementación exitosa requiere una planificación cuidadosa, colaboración
interdisciplinaria y la capacidad de adaptarse a los cambios tecnológicos y operativos
en curso.

Los sectores capaces de extraer valor en los datos que generan diariamente tienen
una ventaja entre sus competidores, ya que mejorarán su productividad, reducirán los
costos y podrán identificar nuevas oportunidades de negocio con mayor antelación.

En el sector de la minería, el machine Learning aporta una amplia gama de beneficios

a las empresas ayudando a superar desafíos que afectan directamente a la fluidez de
su cadena de valor, desde procesos operativos como la perforación, la voladura o la
molienda hasta el procesamiento del producto final incluido el transporte y
mantenimiento.

4
F.A.I.N. E.S.M.I.

CAPÍTULO II
COMO EL MACHINE LEARNING ESTA
REVOLUCIONANDO LA EFICIENCIA MINERA
1. IA Y ML EN LA ACTUALIDAD
En el panorama minero actual, los operadores se están orientando hacia un proceso de
toma de decisiones basado en datos, integrando a la perfección datos de sensores, datos
geoespaciales y otras fuentes de información. Los análisis avanzados constituyen la
columna vertebral de este enfoque, con algoritmos de IA y ML que examinan conjuntos
de datos masivos para proporcionar información valiosa. Por ejemplo, los datos de los
sensores de los equipos de minería pueden indicar patrones de rendimiento, mientras
que los datos geoespaciales pueden poner de relieve zonas ricas en minerales o
topografías complicadas. Esta información es fundamental para optimizar las estrategias
de minería y la asignación de recursos, una práctica que las principales operaciones
mineras mundiales están empezando a adoptar.

2. TECNICAS DE PROSPECCION Y EXPLORACION

La IA y el ML están dando pasos significativos en la mejora de los procesos de
prospección y exploración en la industria minera. Con la ayuda de la inteligencia
geoespacial, la identificación de posibles yacimientos minerales es ahora más eficaz y
rentable. Por ejemplo, las imágenes de satélite pueden introducirse en algoritmos de ML
para identificar las formaciones geológicas que suelen albergar yacimientos minerales.
Mediante la integración de estas tecnologías avanzadas, las empresas mineras pueden
racionalizar sus esfuerzos de prospección, mejorando el descubrimiento de recursos y
los beneficios económicos.

Los sistemas robóticos en la minería no son cosa del futuro: están sucediendo ahora. El
sector está asistiendo a una fase de transformación, desde las máquinas autónomas de
perforación y excavación hasta los sistemas de transporte controlados por IA. Un
elemento central de esta transformación es la integración de datos geoespaciales, que
permite a estos sistemas autónomos navegar por terrenos mineros complejos con una
precisión milimétrica. Como resultado, la extracción de minerales es cada vez más
eficiente y los procesos logísticos y de manipulación de materiales se están
racionalizando.

5
F.A.I.N. E.S.M.I.

3. AUMENTO DE PRODUCTIVIDAD OPTIMIZANDO LA

GESTION DE EQUIPOS
Se pueden lograr mejoras significativas en la eficiencia, seguridad y productividad de
las operaciones mineras.

Optimizar la gestión de equipos en la industria minera mediante el uso del machine

Learning implica aplicar técnicas y algoritmos de aprendizaje automático para mejorar
la eficiencia, seguridad y productividad de las operaciones mineras. A continuación, te
proporciono algunos pasos clave para implementar el machine Learning en la gestión
de equipos mineros:

3.1 RECOPILACION DE DATOS

El primer paso es reunir y almacenar datos relevantes relacionados con las
operaciones mineras y el desempeño de los equipos. Esto puede incluir datos de
sensores, registros de mantenimiento, datos de producción, condiciones ambientales y
cualquier otra información relevante.
3.2 PRE-PROCESAMIENTO DE DATOS
Los datos recopilados pueden estar desorganizados o contener ruido. Es fundamental
limpiarlos y preprocesarlos adecuadamente para garantizar que sean adecuados para el
análisis. Esto puede implicar eliminar datos duplicados, tratar valores faltantes o
aplicar técnicas de normalización.
3.3 IDENTIFICACION DE PROBLEMMAS Y OBJETIVO
Define claramente los problemas específicos que deseas resolver o los objetivos que
deseas alcanzar con el uso del machine Learning. Pueden ser mejorar la eficiencia de
los equipos, reducir los tiempos de inactividad, optimizar la planificación
de mantenimiento, entre otros.
3.4 SELECCIÓN DE ALGORITMOS DE MACHINE LEARNING
Existen varios algoritmos de aprendizaje automático que se pueden aplicar a
problemas en la industria minera, como regresión, clasificación, agrupamiento y
algoritmos de redes neuronales, entre otros. Es importante seleccionar los algoritmos
más adecuados según los objetivos y los datos disponibles.
3.5 ENTRENAMIENTO DE MODELO
Utiliza los datos preprocesados para entrenar los modelos de machine Learning. Divide
los datos en conjuntos de entrenamiento y prueba para evaluar el rendimiento del
modelo y ajustar los parámetros según sea necesario.

6
F.A.I.N. E.S.M.I.

3.6 MONITOREO Y OPTIMIZACION EN TIEMPO REAL

Una vez que los modelos están implementados, es importante monitorear
constantemente su rendimiento en tiempo real y realizar ajustes si es necesario. Los
datos en tiempo real pueden utilizarse para predecir problemas potenciales y tomar
decisiones informadas
3.7 IMPLEMENTACION DE MANTENIMIENTO PREDICTIVO
Utiliza el machine Learning para desarrollar modelos de mantenimiento predictivo que
ayuden a identificar cuándo es probable que ocurran fallos en los equipos. Esto permite
realizar mantenimiento preventivo en lugar de reactivo, lo que puede reducir los
tiempos de inactividad y los costos operativos.
3.8 USO DE SENSORES Y TECNOLOGIAS AVANZADAS
La implementación de sensores avanzados y tecnologías de IoT (Internet de las cosas)
puede proporcionar datos en tiempo real sobre el estado de los equipos, lo que permite
una mejor toma de decisiones y una gestión más eficiente.
3.9 CAPACITACION DEL PERSONAL
Es crucial capacitar al personal en el uso y comprensión de las herramientas de
machine Learning para que puedan aprovechar al máximo las capacidades de estas
tecnologías y tomar decisiones informadas.
3.10 SEGURIDAD Y ETICA
Asegúrate de abordar adecuadamente las preocupaciones de seguridad y ética en el uso
de datos y algoritmos de machine Learning. La privacidad de los datos y la seguridad
de la información son aspectos cruciales que deben tenerse en cuenta.

4. MEJORA DE LA SEGURIDAD Y LA REDUCCION DE RIESGOS

La seguridad sigue siendo una prioridad absoluta en las explotaciones mineras, y la IA
es fundamental para mejorarla. La supervisión de la seguridad de los trabajadores en
tiempo real es ahora posible gracias a dispositivos portátiles con IA que detectan signos
de fatiga, estrés o exposición a sustancias peligrosas. Además, la inteligencia
geoespacial desempeña un papel vital en la identificación y prevención de riesgos.
Mediante el análisis de datos geoespaciales, los sistemas de IA pueden identificar
posibles zonas de corrimiento de tierras o áreas de acumulación de gases tóxicos, lo que
permite adoptar medidas preventivas. Como resultado, la integración de la IA en la
supervisión de la seguridad mejora drásticamente la mitigación de riesgos en las
operaciones mineras.

7
F.A.I.N. E.S.M.I.

5. RECOMENDACIONES
- Cabe denotar que hasta que no se haga una Introspección donde quede claro que las
maquina por medio del machine Learning no van a sobrepasar las 3 leyes de Isaac,
por el contrario, van a discernir en entre qué está bien o qué está mal, que ellas
nunca van a ser superiores al ser humano y que su misión al fin y al cabo es ayudar
al desarrollo del ser humano y no convertirse en una amenaza para la humanidad.

6. CONCLUSIONES
- Para concluir la mente humana está dotada para trabajar en el desarrollo de
diferentes habilidades como: emoción, pensamiento, razonamiento, aprendizaje,
lenguaje, visión y sobre todo está llena de sentido común y conciencia de nosotros
mismos, algo que no está en las máquinas, las cuáles, por ejemplo, no son capaces
de negociar, de emocionarse, de pensar por sí solas y de socializar.
- Por otro lado, gracias a los aportes de la inteligencia artificial y al machine learning
en los diferentes campos mencionados se ha hecho posible hacer la vida del ser
humano más fácil, permitiendo el progreso económico, tecnológico y social en
todos los ámbitos de nuestra existencia. Ya que se trata de tareas repetitivas,
mecánicas y monótonas que se pueden encargar a seres no emocionales, que además
no se quejan y tampoco piden aumento salarial. Aunque esto conllevaría a una ola
de desempleo para los años futuros, es aquí donde se necesitara revisar las
desventajas y los beneficios de dotar a las maquinas con la inteligencia para
remplazar a los humanos.

7. BILIOGRAFIA
- Adext (2018). INTELIGENCIA ARTIFICIAL. [online] Available at:
https://blog.adext.com/es/machine-learning-guia-completa [Accessed 8 May
2018].
- Lab.elmundo.es. (2018). La Inteligencia artificial no es como en las pelculas.
- Qu es? | EL MUNDO. [online] Available at: http://lab.elmundo.es/inteligencia-
artificial/que- es.html [Accessed 20 May 2018].
- Ramon, R. Machine Learning es un área de la inteligencia artificial que busca
desarrollar técnicas para que las computadoras aprendan. (2014). [online] Available
at: https://www.youtube.com/watch?v=jBsUx-xiK88.
- Martínez, H. Todos podemos aprender Machine learning. (2017). [online]
Available at: https://www.youtube.com/watch?v=7ClLKBUvmRk.