Asiex 2004

Anlisis de Cluster para

Evaluacin de Tronaduras.

Proyecto IM2-72/01 : Consolidacin del Uso de Detonadores

Electrnicos en Mina Chuquicamata

Introduccin
Las clasificaciones son un proceso fundamental de la praxis en las ciencias,
los sistemas de clasificacin contienen los conceptos necesarios para el
desarrollo de teoras dentro de una ciencia.
Anlisis de cluster es el nombre genrico para una amplia variedad de
procedimientos que pueden ser utilizados para generar clasificaciones, estos
procedimientos empricamente formas clusters o grupos de entidades
altamente similares. Especficamente, un mtodo de clusterizacin es un
procedimiento estadstico multivariado que utiliza un conjunto de datos que
contienen informacin respecto de una muestra de entidades e intenta
reorganizar estas entidades dentro de grupos relativamente homogneos.

Que es el anlisis de Cluster ?

Es una herramienta para anlisis exploratorio de datos, que permite
resolver problemas de clasificacin, el objetivos es agrupar datos en
conjuntos que tienen algn grado de similitud.
La idea es agrupar objetos, de manera tal, que en un mismo grupo
(cluster) sus elementos son mas similares entre ellos, en comparacin a
elementos que pertenecen a otro conjunto.
Maximizar la homogeneidad de objetos dentro de un cluster mientras se
maximiza la heterogeneidad entre clusters distintos.

La idea nace del siguiente problema:

Se dispone de muchos datos de granulometra y se hace necesario establecer un
caso base que sirva como elemento de comparacin para evaluar los nuevos
resultados obtenidos, sin embargo, la alternativa de clasificar los resultados
(expresados en curvas de granulometra) en funcin de parmetros tales como :
aspectos geolgicos, geotcnicos, geometras de diseo, factores energticos y
otros. Obliga a suponer que es uno de estos aspectos el factor de mayor
incidencia en los resultados de tronaduras expresados en trminos de
fragmentacin.
Se tienen n casos individuales, cada uno con p mediciones, se busca asignar
cada caso a solo uno, de un pequeo nmero de grupos, de tal forma que los
miembros de cada grupo son similares entre s pero dismiles de los elementos
de otros grupos.

Enfoque que Privilegia Sectorizaciones Conocidas

Ante la falta de caracterizaciones de macizos rocosos orientadas
especficamente al diseo de tronaduras, utilizamos caracterizaciones
existentes, las que fueron concebidas segn criterios que no necesariamente se
ajustan a los requerimientos de tronadura.
Esto nos obliga a SUPONER que, por ejemplo, las categorizaciones geotcnicas,
de uso frecuente en las minas de rajo abierto,son utilizables, en la definicin de
diseos de tronadura.

Enfoque que Busca Nuevas Asociaciones

Modelo 1
Modelo 2
Anlisis de
Cluster

Parmetro i

Modelo n

Incompatibilidad en la Comparacin de Resultados

Macizo Rocoso
Tronaduras Ci

Diseo
Tronadura

Modelo Predictivo de
Fragmentacin

Granulometras
Interaccin de
Ondas

Tronaduras Ei

Decisin Sobre el Parmetro de Clusterizacin

Debido a que los fenmenos fsicos que ocurren tanto en tronaduras
convencionales como en aquellas que aprovechan la interaccin de ondas de
esfuerzo, no son evidentemente comparables. Los resultados obtenidos
desde tronaduras con detonadores electrnicos, en trminos de
fragmentacin, no pueden ser directamente atribuidos a factores habituales
del diseo de tronaduras (factores de carga, explosivo, configuraciones de
carguo.). Por lo tanto, se requiere de un parmetro que dependa del
medio y a la vez, pueda ser relacionado con los resultados de la tronadura
por alguna ecuacin conocida y aceptada. Desde esta perspectiva el factor
de Roca de la ecuacin de Kuznetsov se considera adecuado.

Decisin Sobre el Parmetro de Clusterizacin

Anlisis de Fotos
Resultado

Diseo de Tronadura

k 50 = A q 4 / 5 Qe

Macizo Rocoso

1/ 6

E
e
1090

19 / 30

k50 = Tamao promedio de los fragmentos (cm).

A = factor de roca
3
q = factor de carga (kg/m )
Qe = cantidad de explosivo (kg)
E e = Potencia en peso absoluta del explosivo (cal/gr)

CURVAS GRANULOMETRICAS PARA BASE COMPARATIVA

1
0.9

0.8

Datos de 17
polvorazos realizados
con detonadores
pirotcnicos

0.7

Se calcul un valor
para el Factor de
Roca (A) en cada
uno de ellos.

% de pasante

0.6

0.5

0.4

0.3
0.2

0.1

0
-1
10

10

10
Tamao en cm

Matriz de Cluster
3

16

0.01

12

0.01

14

0.01

19

11

0.01

20

0.04

13

17

0.04

23

21

0.07

22

15

0.07

18

25

0.13

27

0.16

26

24

0.23

28

29

0.38

Es necesario verificar la validez de la informacin de clusterizacin, para ello

se requiere que los objetos agrupados en el rbol de cluster tengan relacin
con la distancia entre los objetos originales (matriz de distancias), para ello se
utiliza el coeficiente de correlacin cophenet (tambien conocido como
distancia cophenetic en anlisis de taxonomas), que se describe a
continuacin :
[(Z(i, j) z) (Y(i, j) y)]

i< j
C=
(Z(i, j) z) 2 (Y(i, j) y)2
Para este trabajo

i< j
i< j
resulto.

Y (i , j ) = Distancia entre elementos i y j

y = Media de Y(i, j)
Z(i, j) = Distancia entre clusters i y j
z = Media de Z(i, j)

C=0,9152

Una forma para determinar las divisiones en clusters de un conjunto de datos

es comparar la longitud de cada eslabn en el rbol de clusters con la
longitud de los eslabones vecinos que se ubican por debajo en jerarqua.
Si un eslabn es de aproximadamente la misma longitud que su eslabn
vecino, esto indica que existe similitud entre los objetos agrupados a ese
nivel de jerarqua, se dice que estos eslabones presentan un alto nivel de
consistencia.
Si la longitud entre eslabones vecinos es evidentemente dismil, esto indica
que se tienen diferencias entre los elementos a ese nivel del rbol de
cluster, se dice que este eslabn es inconsistente con los eslabones a su
alrededor

La figura adjunta detalla la

aplicacin del concepto de
consistencia entre eslabones
vecinos en el rbol de jerarqua
del grfico dendrograma.
Es
posible
calculara
un
parmetro de inconsistencia
utilizando el valor promedio de
la longitud de los eslabones que
se ubican jerrquicamente por
debajo de cada uno de estos
mismos eslabones, por lo tanto
se tendrn n-1 (n = nmero de
elementos originales) valores
de inconsistencia

Columna 1

Es el valor promedio de la longitud de todos los eslabones incluidos en el

clculo

Columna 2

Desviacin estndar de todos los eslabones incluidos en el clculo.

Columna 3

Nmero de eslabones considerados en el clculo

Columna 4

Coeficiente de Inconsistencia.

El nmero de filas queda definido por el nmero de elementos originales 1.

El coeficiente de inconsistencia se define como :

Matriz con Coef. de Inconsistencia Y(k,4) =

z(k,3) - Y(k,1)
Y(k,2)

Y(k,1) : Promedios de la longitud de los eslabones bajo el eslabn k

Y(k,2) : Desviacin estndar de la longitud de los eslabones bajo el eslabn k
Y(k,4) : Valor de los coeficientes de Inconsistencia para cada k eslabn
Z(k,3) : Elementos de la tercera columna de la matriz de agrupamiento (longitud de eslabn k)

Para nuestro caso la matriz de inconsistencia fue calculada como :

Matriz de Inconsistencias =

0.00
0.01
0.01
0.01
0.01
0.03
0.04
0.04
0.04
0.07
0.15
0.11
0.26
0.38
0.45
0.90

0.00
0.00
0.00
0.00
0.00
0.02
0.00
0.03
0.04
0.07
0.02
0.10
0.11
0.00
0.09
0.55

1
1
1
1
2
2
1
3
2
3
2
3
3
2
2
2

0.000
0.000
0.000
0.000
0.000
0.707
0.000
1.000
0.707
0.973
0.707
1.142
1.097
0.000
0.707
0.707

Los valores 0 para el coeficiente ocurren para los valores que se ubican al fondo del rbol de
jerarqua, el mximo valor obtenido es de 1.142.
Para generar las familias de cluster es necesario definir un valor aceptable para el coeficiente de
inconsistencia, segn la literatura revisada, se usa un valor menor y muy cercano al mximo
coeficiente obtenido, para este caso usaremos 1.100.

TABLA 2 : FACTOR DE ROCA AGRUPADO Y ASIGNACIN DE COLOR

POSICIN

VALOR DEL FACTOR DE ROCA

N DE CLUSTER

COLOR

POLVORAZO

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

4.19

4
3
2
2
2
2
2
2
1
6
1
2
5
2
1
1
5

CYAN

1A-2549

MAGENTA

11B-2549
11D-2549
4B-2549
3C-2549
11D-2549
3E-2549
11C-2549

2.90
1.85
1.72
1.85
1.67
2.01
1.59
1.12
2.39
1.14
1.71
0.89
1.60
1.21
1.13
0.85

ROJO

AZUL
NEGRO
AZUL
ROJO
VERDE
ROJO
AZUL
VERDE

20C-2549
314A-K1
20C-2549
316A-K1
18C-2549
4C-2549
318A-K1
18B-2549
5C-2549

Cluster 1

Cluster 2

0.5

0.5

0
-1
10

10

Cluster 3

10

10

0
-1
10

0.5

0.5

0
-1
10

10

Cluster 5

10

10

0
-1
10

0.5

0.5

0
-1
10

10

10

10

0
-1
10

10

10

10

Cluster 4

Cluster 6

10

10

10

10

10

10

Comparacion Conv-Elect

1
0.9
0.8

Pasante %

0.7

7B-8B_2515
Marzo 15/03

0.6
0.5
0.4
0.3
0.2
0.1
0 -2
10

-1

10

10
Tamao (inch)

10

10

Comparacion Conv-Elect

1
0.9
0.8

Pasante %

0.7

1B-4C-5C-17A-18A_2515
Abril 02/03

0.6
0.5
0.4
0.3
0.2
0.1
0 -2
10

-1

10

10
Tamao (inch)

10

10

1
0.9
0.8

Pasante %

0.7

Comparacion Conv-Elect
5B-6B-7C-9A-12A_2515
Marzo 26/03

0.6
0.5
0.4
0.3
0.2
0.1
0 -2
10

-1

10

10
Tamao (inch)

10

10

Comparacion Conv-Elect

1
0.9
0.8

Pasante %

0.7

2A_2480
Julio 07/03

0.6
0.5
0.4
0.3
0.2
0.1
0 -2
10

-1

10

10
Tamao (inch)

10

10

Comparacion Conv-Elect
1

Ejemplo de una
tronadura con
detonadores
electrnicos pero con
secuencia de tiempos
pirotcnica.

0.9

0.8

0.7

Pasante %

0.6

(4,35)

0.5

Se observa que no hay

efecto visible en la
fragmentacin sobre
las 4, las mejoras
solo podran ser
atribubles a la
precisin de los
detonadores

0.4

0.3

0.2

0.1

0
-2
10

-1

10

10

Tamao (inch)

10

10

Conclusiones
1.- El anlisis de cluster es una herramienta de fcil uso que permite
encontrar semejanzas entre datos que no son obvias, especialmente cuando se
cuenta con una gran cantidad de ellos.
2.- El anlisis de cluster evita imponer modelos predefinidos a datos que no se
ajusten a ellos de la mejor forma.
3.- Una desventaja de los anlisis de este tipo es que no se adquiere
conocimiento respecto a los fenmenos fsicos que producen los agrupamientos
de datos, esto porque las variables que intervienen en este tipo de
asociaciones no son todas necesariamente conocidas.

1.- La disminucin en el tamao resultante, producto de la aplicacin de un

tronadura precisa, puede se expresada por los siguientes indicadores :

Polv-1

Polv-2

Polv-3

Polv-4

P80

10

10.2

10.2

10

11

10

10.2

P50

5.2

10.4

4.5

P20

1.8

1.5

2.5