Incremento de la Eficiencia en la Fragmentación de Roca Por Voladura Mediante Modelos De Machine Learning En Minería a Cielo Abierto

Jaime Guevara Rios · Revista Veritas de Difusão Cientifica. (2026) · DOI: 10.61616/rvdc.v7i1.1386

Resumen

La fragmentación de roca inducida por voladura constituye un factor crítico en la eficiencia operativa de la minería a cielo abierto, debido a su influencia directa en los procesos de carguío, transporte y conminución. Tradicionalmente, la predicción del tamaño medio de fragmentación (X₅₀) se ha basado en modelos empíricos, los cuales presentan limitaciones para representar la complejidad geomecánica y las interacciones no lineales propias de las operaciones mineras modernas. En este contexto, el presente estudio tiene como objetivo incrementar la eficiencia de la fragmentación por voladura mediante la aplicación y comparación de modelos de Machine Learning La investigación se fundamenta en una base de datos real compuesta por 500 registros de voladuras de producción ejecutadas en una operación de minería a cielo abierto. Se implementaron y evaluaron cuatro modelos predictivos: Redes Neuronales Artificiales (ANN), Random Forest, XGBoost y Regresión Lineal Múltiple, empleando como variable de salida el tamaño medio de fragmentación (X₅₀). El desempeño de los modelos fue evaluado mediante el coeficiente de determinación (R²), el error absoluto medio (MAE) y la raíz del error cuadrático medio (RMSE), utilizando una partición de datos del 80% para entrenamiento y 20% para validación Los resultados evidencian que los modelos de Machine Learning superan de manera consistente a la regresión lineal múltiple, alcanzando valores de R² superiores a 0.95. En particular, el modelo XGBoost presentó el mejor desempeño global, con el mayor coeficiente de determinación y los menores errores de predicción. El análisis de la importancia de las variables confirmó que el módulo de elasticidad del macizo rocoso, el factor de potencia, el tamaño de roca in situ y los parámetros geométricos de la malla de perforación constituyen los principales controladores del proceso de fragmentación. En conjunto, los resultados demuestran que los modelos de Machine Learning, especialmente XGBoost, representan una herramienta robusta y confiable para optimizar el diseño de voladuras y mejorar la eficiencia operativa en minería a cielo abierto

Instituciones: Universidad Nacional Micaela Bastidas de Apurímac