Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE INGENIERÍA
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS
Modelo matemático para pronosticar los costos diarios de operación mina en Unidad
TESIS
PARA OBTENER EL TÍTULO PROFESIONAL DE
INGENIERO DE MINAS
TRUJILLO – PERÚ
2023
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
i
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Jurado evaluador
____________________________________
PRESIDENTE
Mg. Gonzales Torres Jorge Omar
CIP: 161335
____________________________________
SECRETARIO
Mg. Ayala Orihuela Ghercy Gustavo
CIP: 76469
____________________________________
VOCAL
Mg. Siccha Ruiz Orlando Alex
CIP: 68633
ii
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Dedicatoria
A Dios, por ser mi guía, mi fortaleza, mi soporte ante cualquier adversidad y orientarme
A mi madre Filomena por ser el pilar más importante de mi vida, quien con esfuerzo,
A mi padre Cipriano por su amor, tiempo y por enseñar a luchar por cada sueño para
hacerlo realidad.
A mis hermanos Cristina, Guadalupe, Juana, Paula, Martín y Valentín por su apoyo
A mis hermanos Francisco, Salomé y Silverio que me guían desde el cielo por el buen
camino.
profesional.
iii
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Agradecimiento
Agradezco principalmente a Dios, por protegerme y llevarme por el camino correcto para
mis metas.
iv
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Índice de contenido
Jurado evaluador...............................................................................................................................ii
Dedicatoria ......................................................................................................................................iii
Agradecimiento ............................................................................................................................... iv
Resumen ......................................................................................................................................... xv
1.3.2. Específicos.................................................................................................................... 3
v
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
1.4.1. General ......................................................................................................................... 4
vi
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
vii
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
3.3.3. Random Forest ........................................................................................................... 65
viii
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Índice de figuras
ix
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Figura 23 Box Plot de los datos antes de ser tratados los outliers 48
Figura 31: Representación gráfica luego de aplicar el modelo del Árbol de Decisión 65
Figura 40 Comparación del valor de la métrica de Varianza Explicada de todos los modelos 78
Figura 41 Comparación del valor de la métrica de Error Máximo de todos los modelos 79
x
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
xi
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Índice de tablas
xii
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
xiii
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Índice de ecuaciones
Ecuación 3 SVR 13
Ecuación 12 R2 23
xiv
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Resumen
Esta investigación tuvo como objetivo principal desarrollar un modelo matemático que
permita pronosticar los costos diarios de operación mina en la Unidad Minera Huinchos. La
modelos de regresión lineal, random forest, árbol de decisión, máquina de vector soporte,
gradient boosting y una red neuronal perceptrón, luego se validó el modelo con el 20% restante
de los datos mediante métricas. La muestra utilizada para desarrollar esta investigación fue un
conjunto de datos de humedad, stripping ratio, producción diaria y costos diarios de operación
mina con un total de 462 días reportados. Los resultados de la importancia de la variable
producción diaria según el modelo de gradient boosting se obtuvo un valor de 92% de aporte al
pronóstico de los costos diarios de operación mina, el modelo de mejores predicciones fue el de
concluyó que a medida que la producción aumente también aumentan los costos diarios de
operación mina pero en menor medida y el mejor modelo para realizar esta predicción es el
gradient boosting, este modelo predictivo permitirá tomar medidas correctivas operativas cuando
se pronostique un costo diario de operación mina con un valor menor a un 90% de exactitud
frente al real.
xv
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Abstract
The main objective of this research was to develop a mathematical model that allows
forecasting the daily costs of mine operation at the Huinchos Mining Unit. The methodology used
in the research was applied, explanatory level and quasi-experimental design. To carry out the
training, 80% of the sample was used, linear regression models, random forest, decision tree,
support vector machine, gradient boosting and a perceptron neural network were used, then the
model was validated with the remaining 20%. of data using metrics. The sample used to develop
this research was a set of data on humidity, stripping ratio, daily production and daily mine
operating costs with a total of 462 days reported. The results of the importance of the daily
production variable according to the gradient boosting model, a value of 92% contribution to the
forecast of daily mine operation costs was obtained, the model with the best predictions was the
gradient boosting model with a coefficient of determination greater than 92% and an RMSE of
0.67, it is concluded that as production increases, the daily costs of mine operation also increase
and the best model to make this prediction is gradient boosting, this predictive model will allow
operational corrective measures to be taken when forecast a daily cost of mine operation with a
gradient boostin
xvi
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Capítulo I: Introducción
actividad de operación mina adjunto con los costos operativos que a estos involucra, sin embargo,
existe un bajo interés por pronosticar la ocurrencia de este plan relacionado a una probabilidad de
éxito o falla. Esto genera un escenario de incertidumbre frente a los costos venideros respecto a
cómo se está llevando la operación minera. Tener un pronóstico que se acerque a mejorar los
resultados obtenidos puede brindar un escenario de toma de decisiones mucho más adecuado y
operación minera, una optimización del proceso que permite un ahorro significativo en términos
de costos operativos. Realizar estimaciones de costos operativos basados en una media aritmética
ha demostrado no ser fiable cuando se trata de pronosticar estos, es entonces que debemos buscar
nuevas herramientas que permitan realizar mejores pronósticos. Donde toma relevancia el uso del
correctos cercanos del real de estos costos diarios de operación, por lo cual la toma de decisiones
es reactiva y no proactiva, en consecuencia, esto genera un lento actuar a eventos que puedan
proyecciones muy erráticas de los costos operativos diarios en la Unidad Minera Huinchos, nace
esta propuesta de implementar un modelo matemático que permita pronosticar los costos diarios
de operación mina en la Unidad Minera Huinchos mediante el uso de seis algoritmos de regresión
1
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
de Machine Learning con programación en Python.
1.1.2. Justificación
1.1.2.1.Práctica.
el pronóstico de los costos operativos diarios de mina, para tomar acciones proactivas, cuando
1.1.2.2.Económica
se optó por el Machine Learning supervisado por regresión, para aplicarse en pronosticar los
ayuda a tomar medidas proactivas. Este planteamiento permitirá mejorar la proyección de los
1.1.2.3.Metodológica
Realizo esta investigación para generar conocimiento productivo sobre Machine Learning
1.1.3. Propósito
costos diarios de operación mina, que permita alcanzar una confiabilidad de éxito alta, acorde a
2
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
actualmente existe deficiente control operativo de todas las operaciones unitarias. Por ende, hay
los costos diarios de operación mina en Unidad Minera Huinchos – Apurímac - 2023?
posibles?
estudio.
1.3. Objetivos
1.3.1. General
Desarrollar un modelo matemático que permita pronosticar los costos diarios de operación
1.3.2. Específicos
3
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
diarios mediante un análisis exploratorio de datos (EDA).
estudio.
Huinchos.
1.4. Hipótesis
1.4.1. General
1.4.2. Específicas
• La variable de producción guarda mayor relación con los costos operativos diarios
Para Parra (2002), es una forma de analizar un conjunto de datos que emplea el resumen
numérico y visual para buscar patrones no anticipados. El EDA es un diagrama de análisis que
fortalece las probabilidades del experto para encontrar nuevas respuestas a las interrogantes
4
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
o percentiles y el promedio. Su principal uso de este diagrama es para visualizar aquellos datos
que están muy alejados conocidos como valores atípicos. El resumen representativo de la
estadística descriptiva de los datos que muestra este diagrama son: valor mínimo, primer cuartil,
Figura 1
Fuente: https://towardsdatascience.com/understanding-boxplots-5e2df7bcbd51
Diagrama que muestra la relación que guardan dos variables de estudio entre sí. Se
5
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
representa en un plano cartesiano para representar los datos y observar el tipo de relación que
guardan si la hubiera (Betancourt, 2023). Existen tipos de correlación que guardan las variables;
observar en la
Figura 4.
Figura 2
Diagrama de dispersión
Fuente: https://datavizcatalogue.com/ES/metodos/images/anatomy/SVG/diagrama_de_dispersion.svg
Figura 3
Fuente: https://datavizcatalogue.com/ES/metodos/images/anatomy/SVG/diagrama_de_dispersion.svg
6
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 4
Fuerza de correlación
Fuente: https://datavizcatalogue.com/ES/metodos/images/anatomy/SVG/diagrama_de_dispersion.svg
1.5.1.3.Histogramas de frecuencia
Es un gráfico que indica la distribución de los datos de una muestra o una población, solo
correspondería a una sola variable. En los histogramas se usan barras, cuya altura dependerá de la
frecuencia de los datos en ciertos intervalos (Westreicher, 2020). La importancia del histograma
es encontrar la tendencia en los datos, es decir cuál de ellos se encuentra más presente.
Figura 5
Histograma de frecuencia
Fuente: https://www.plandemejora.com/wp-content/uploads/Partes-del-histograma.png
7
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
El término de IA se acuñó desde el siglo anterior generando gran perspectiva al avance de
la ciencia. Las preguntas que pueden representar y resaltar el concepto de la inteligencia artificial
son: “¿pueden pensar las máquinas?”, “juego de imitación” y “¿vale la pena investigar la
Existen dos tipos de IA que se definen a continuación cada una de ellas: IA débil seria “la
ciencia e ingeniería que permite diseñar y programar ordenadores de forma que realicen tareas
que requieran inteligencia” y IA fuerte como “la ciencia e ingeniería que permitiría replicar la
inteligencia humana mediante máquinas” (López, 2020, citado por Ciudad, 2022).
El Machine Learning se encuentra dentro de la IA, que a partir de una base de datos
sistema computacional pueda aprender a partir de una base de datos, imitando de esta forma las
Figura 6
Machine Learning
Nota. Adaptado de Modelos de Machine Learning para AAPP y donde aplicarlos, por S. Jiménez, 2021,
(https://sergiojimenez.net/wp-content/uploads/2021/03/ML-1.jpg).
1.5.2.1.1. Supervisado
8
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
variable objetiva. Las dificultades del modelo supervisado son: el tipo de pregunta que deseamos
resolver, la disponibilidad de datos y la correlación que exista entré las variables de predicción y
inputs o feature relacionados a resultados a outputs o label nombrados por humanos expertos
(Jenni & Chris, 2019). El aprendizaje supervisado es en donde las computadoras ganan
experiencia con innumerables datos, aprende los patrones para luego ingresar y poner a prueba la
regresión es cuando la variable objetiva es un valor real por ejemplo la predicción de los costos
A. Regresión lineal.
Ecuación 1
Regresión lineal
Donde:
9
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
todos los predictores tienen valor cero.
En muchos de los casos, los valores 𝛽0 y 𝛽𝑗 poblacionales son desconocidos, por lo que, a
partir de una muestra, se obtienen sus estimaciones 𝛽^0 y 𝛽^𝑗 . Ajustar el modelo consiste en
estimar, a partir de los datos disponibles, los valores de los coeficientes de regresión que
maximizan la verosimilitud (likelihood), es decir, los que dan origen al modelo que con mayor
B. Árbol de decisión
Son modelos conformados por reglas binarias(si/no) con las que se consiguen dividir las
observaciones en función de sus atributos para predecir el valor de la variable objetiva como se
visualiza en la Figura 7. No requiere mucha limpieza de datos, no se influencian por los outliers,
más influyentes.
disponibles desde la librería scikit-learn a través de las clases Decision Tree Classifier y Decision
en cada región. El criterio con mayor uso para identificar las divisiones es el Residual Sum of
10
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Ecuación 2
Donde:
Figura 7
Árbol de decisión
Fuente: Tomado de Árboles de decisión con Python: regresión y clasificación (p, 3) por R. Joaquín, 2020, Ciencia de
datos.
Formado por múltiples árboles de decisión individuales, cada árbol es entrenado con una
muestra diferente a los datos de entrenamiento mediante una técnica conocida como
11
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
bootstrapping. Al momento de realizar predicciones sobre nuevas observaciones se mezclan todas
de los árboles que integran el modelo. No necesita una limpieza a detalle de los datos, poco
predecir de forma eficiente las variables independientes más importantes. (Joaquín, 2023a).
Figura 8
Random Forest
Fuente: Tomado de Random Forest con Python (p, 6) por R.Joaquín, 2023, Ciencia de datos.
Classifie este término difiere del concepto del hiperplano. El hiperplano en un espacio p-
dimensional, se define como con un subespacio plano (p-1) si pasar por el origen. Como ejemplo
(Joaquín, 2020d).
12
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Ecuación 3
SVR
𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑝 𝑥𝑝 < o
𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑝 𝑥𝑝 > o
Donde:
- 𝛽0 , 𝛽p son los parámetros, todos los pares de valores 𝑥 = (𝑥1 , 𝑥p ) que cumplen la
Figura 9
Fuente: Tomado de Aprendizaje Automático (p, 1) por K.Rojas, 2022, Ciencia de Datos para Ciencias Naturales.
E. Gradiente Bosting
Está conformado por un conjunto de árboles de decisión individual, cada árbol nuevo
generado trata de corregir los errores de los anteriores, comúnmente es utilizado para analizar
13
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
ser escalados los datos, son muy poco susceptibles a la influencia de los datos atípicos. En
Python los más utilizados son Gradient Boosting Classifier y Gradient Boosting Regressor estos
no realizan binning, utilizan un core, permiten trabajar sobre métricas sparse. El método de
Ecuación 4
Gradient Boosting
𝑓1 (𝑥) ≈ 𝑦
Donde:
- 𝑓1 , 𝑓𝑚 árbol con nudos (weak learner), cada error cometido se va corrigiendo con
ensambles.
es necesario que un humano intervenga para procesar un conjunto de datos; los modernos avances
videojuegos, etc. son generados por la aplicación de esta inteligencia (Bobadilla, 2020).
14
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
información (Callejas et al., 2013). Las ANN tienen la capacidad de solucionar funciones no
lineales de manera eficiente, puesto que aprenden de los inputs que se les establece en su
arquitectura.
las neuronas biológicas (Raissi et al., 2019). Las ANN tienen una organización jerárquica en sus
elementos, la cual permite realizar múltiples interacciones para dar una respuesta ante un
estímulo externo.
A. Función de entrada
Ecuación 5
Función de entrada
Donde:
- n: cantidad de inputs
B. Función de activación
donde el rango para este valor va de 0 a 1 o de -1 a 1. Cuando la neurona esta inactiva toma
valores de 0 o -1, en cambio al estar activada será 1. Las funciones para la activación que más se
utilizan son:
15
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Ecuación 6
Función sigmoide
𝟏
𝒇(𝒙) =
(𝟏 + 𝒆−𝒙 )
Donde:
Figura 10
Función sigmoide
Fuente: Tomado de Explicación de las funciones de activación en Redes Neuronales y práctica con Python (p, 1) por
A. Rubiales, 2020, Medium.
Ecuación 7
𝑓(𝑥) = max(0, 𝑥)
Donde:
16
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 11
Fuente: Tomado de La función de activación (p, 1) por M. Sotaquirá, 2018, Codificando Bits.
Ecuación 8
(𝐞𝐱 − 𝐞−𝐱 )
𝐟(𝐱) =
(𝐞𝐱 + 𝐞−𝐱 )
Donde:
17
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Figura 12
Fuente: Tomado de La función de activación (p, 1) por M. Sotaquirá, 2018, Codificando Bits.
C. Función de salidas
Determina el valor para las nueronas que se encuentran vinculadas, cuando la función
está por debajo de un determinado valor, no existirá salida en las neuronas predecesoras.
1.5.2.2.3. Hiperparámetros
Son los parámetros que se modifican de manera manual en el ANN. Estos son importantes
para conseguir el buen desempeño, por ellos se debe utilizar los que mejor se adapten a la
predicción.
18
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
y optimización.
descendente (Adam).
Figura 13
Gradiente descendente
19
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
A. Monocapa
Son la forma más sencilla de ANN. Tiene una sola capa, cuyo objetivo es buscar una capa
de salida en donde se realizarán los cálculos, para los inputs de la capa de entrada.
Figura 14
Perceptrón simple
Fuente: Adaptado de Redes neuronales artificiales aplicadas al reconocimiento de patrones (p, 19) por W. Rivas y B.
B. Multicapa
En esta existe un conjunto de capas ocultas. En este tipo de ANN la conectividad puede
Figura 15
Fuente: Adaptado de Qué son las redes neuronales y sus aplicaciones, por P. Huet, 2023, OpenWebinars
(https://openwebinars.net).
20
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
A. Recurrentes
Esta ANN permiten realizar una retroalimentación empleando lazos, los cuales pueden ser
las neuronas de una misma capa o de otra distinta, por ello permite que el output de una neurona
se pueda utilizar como input para otra neurona. Para este tipo se utilizan algoritmos de
aprendizaje como el de retroprogramación a través del tiempo para mejorar el resultado de salida.
Figura 16
Fuente: Adaptado de Qué son las redes neuronales y sus aplicaciones, por P. Huet, 2023, OpenWebinars
(https://openwebinars.net).
B. Feedforward
Este tipo de ANN se mueve hacia adelante, por lo que no existe una retroalimentación.
Este tipo de red se emplea para la clasificación, como la identificación de imágenes o detectar
21
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
estimado y valor real es el error. Existen técnicas para determinar el rendimiento y evaluar el
Es el indicador más empleado y el más básico, se define como el valor medio de los
Ecuación 9
Donde:
- n, cantidad de datos
Existe una forma de entender mejor el cálculo del error es la raíz del error cuadrático
medio (RMSE), genera una media interpretable del promedio de error de estimación en la misma
unidad que la variable objetiva; muy empleado porque penaliza más los errores mayores que los
menores.
Ecuación 10
𝑛
1 2
𝑅𝑀𝑆𝐸 = √ ∑(𝑦𝑛 − 𝑦̂)
𝑖
𝑛
𝑖=1
22
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
valores extremos porque no incluye el error cuadrado, proporciona una media lineal del error de
predicción promedio.
Ecuación 11
Donde:
- n, cantidad de datos
variación de la variable dependiente explicada por el modelo, tiene un rango desde 0 (no hay
Ecuación 12
R2
2
∑𝒏𝒊=𝟏(𝒚𝒏 − 𝒚̂𝒊 )2
𝑅 = 1−
∑𝒏𝒊=𝟏(𝒚𝒏 − 𝒚𝒂𝒗𝒈 )
Donde:
- n, cantidad de datos
23
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
1.5.3. Inteligencia Artificial en minería
Las características cambiantes en el proceso de extracción del mineral hacen que el costo
operativo aumente; también mucho depende del precio de los metales en donde hay la
intervención de la oferta y la demanda, ante todo ello hay la obligación de implementar la IA que
ayude en la optimización del proceso productivo y así se logre la gran anhelada reducción de
costos. Las técnicas de inteligencia artificial aplicable a este proceso son: redes neuronales,
digitalización pueden solucionar grandes cantidades de datos y generar soluciones, es por ello que
las grandes empresas mineras han optado por aplicarlas en su proceso productivo.
• Datos medioambientales: Puede darse uso para identificar áreas que ayuden a
identificar objetivos y generar información relevante del cuerpo, genera una gran
24
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
posibles riesgos en las operaciones mineras, para tener una fuerza laboral muy
segura.
pensante.
procesamiento.
mejor decisión, producto que al mismo tiempo considera los factores claves.
• Vehículos autónomos: Ayudan a que los trabajos en las operaciones sean más
importantes denominadas:
• Área Central o Huinchos de 1.5 km x 0.4 km, la cual contiene una zona con mayor
25
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
concentración de hematita.
• Área Norte de 1.4 km x 0.4 km de ancho, ubicada a 200 m al Norte del Área
Este depósito es del tipo Skarn, yacimiento de reemplazo metasomático de contacto en las
calizas de la formación Ferrobamba, las cuales fueron instruidas por stocks de composición
región.
mineral de hierro del orden de 200 Mt a 500 Mt, que lo ubica como un importante depósito de
características geológicas del yacimiento para poder cumplir con las metas establecidas. Las
26
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 17
Perforación y
Clasificación
voladura
Carguío y acarreo
1.5.5.1.Perforación y voladura
En esta etapa del proceso se empieza con la perforación y voladura para conseguir una
granulometría óptima para el siguiente proceso del ciclo productivo. Se realizan bancos de 6
metros de alto, ángulo del talud de 78º y ancho de bancos de 5 metros. Se usa una perforadora de
superficie SWDH102S, sola para casos puntuales donde hay presencia de masivo, hay zonas en
Figura 18
27
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
1.5.5.2.Carguío y acarreo
Etapa que consiste en el traslado del material hacia una zaranda mecánica oh fija y a una
desmontera si no contiene leyes rentables. Los equipos que se utilizan para esta operación son dos
cargadores frontales (CAT 950G, VOLVO L120C), seis excavadoras (VOLVO EC340DL2, CAT
1.5.5.3.Clasificación
Etapa del tratamiento del material que contiene concentraciones altas del mineral de hierro
mediante zarandas mecánicas móviles y fijas. Se obtienen productos con un P75 mayor a ¼” en
verano y en invierno un P60 mayor a un ½ pulgadas para mineral brechoso y masivo. Se cuenta
con una zaranda mecánica móvil que produce 150 a 300 tn/hr y una de 85 a 150 tn/hr, aparte de
ello se cuenta con cribas fija de 6 X 3 metros con un ángulo de inclinación del 45º con varillas de
2 pulgadas de diámetro.
Figura 19
28
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Son los que están presentes directamente en las operaciones mineras, estos costos son
variables de acuerdo a cada operación unitaria que permite la explotación del recurso minero. La
Figura 20
Costos operativos de
perforación y voladura
Costos diarios de Costos operativos de
operación mina carguío y acarreo
Costos operativos de
clasificación
Fuente: Adaptado de Unidad Minera Huinchos, por J. Jiménez, 2022.
Son aquellos que permiten la separación de mineral de hierro a través de una zaranda
29
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Es el costo total de operación en donde va a depender mucho de la granulometría del
material va desde ¼” a 2”, este costo tiene variables controlables y no controlables. En las
controlables un ejemplo son el uso adecuado y óptimo de las horas máquina, las no controlables
destaca la geología, por ejemplo, el material con presencia de brecha disminuirá notablemente el
Para poder encontrar un modelo que ayude a predecir el costo diario de operación mina, a
la base de datos se le sumó todos los costos operativos antes mencionados pero con un indicador
de desmonte que se desea mover para extraer determinada cantidad de mineral. La gran mayoría
de empresas mineras consideran su string ratio antes de empezar una operación, esto mucho
Ecuación 13
Stripping ratio
𝑤𝑎𝑠𝑡𝑒(𝑡𝑛)
𝑆𝑅 =
𝑜𝑟𝑒 (𝑡𝑛)
1.5.8. Producción
empleador, a fin de generar una rentabilidad económica. Cada objetivo de la empresa debe
producir 3000 tn de mineral de hierro, es ahí donde se deben aplicar métodos adecuados para
llegar a lo solicitado.
30
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
1.5.9. Humedad
contacto con el agua, se generara un lodo y dificulta la clasificación del mineral, es por ello que si
se desea producir adecuadamente es necesario tener este control de humedad del mineral, con la
A nivel nacional han realizado pocos trabajos de investigación sobre modelos predictivos
regresión en la industria minera mediante el uso de algoritmo de Machine Learning” para obtener
principal fue desarrollar modelos predictivos de regresión usando Machine Learning para casos
cuantitativo y diseño transversal. Los resultados que obtuvo para el caso 1 que era estimar el
precio del oro, utilizando “SVR” las métricas fueron “R2 = 0.94, MAE=4.63 y RMSE=5.29”; en
el caso 2 del concentrado de hierro estimo el contenido se sílice, sus métricas fueron “R2 = 0.51,
MAE=0.81 y RMSE=0.81” esto se obtuvo haciendo uso de “Gradient Boosting Regressor” y para
combustible para el cual obtuvo que “R2=0.98, MAE= 0.87, RMSE=0.91”. Finalmente concluyo
que el uso del algoritmo para el caso 1 puede identificar que variables inciden en la variación del
precio del oro, realizar análisis cuando el precio baja; en el caso 2 el autor recalca para que haya
un mejor desempeño del algoritmo hacía falta datos con por ejemplo algunos parámetros de
31
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
molienda, leyes del relave, la cantidad del concentrado producido y datos que inciden en el
proceso de flotación; para el caso 3 el algoritmo proporción resultados excelentes porque este
podía identificar los parámetros que más inciden en el consumo, predecir el consumo de
combustible en relación al real pudiendo así reconocer qué equipo consume más y poder tomar
medidas.
la empresa OPEMIP S.A.C. – U.M. San Rafael” para optar el título de ingeniero de minas en la
Universidad Tecnológica del Perú. Su objetivo principal fue utilizar un modelo de regresión
aplicada y descriptiva. Los resultados mostraron que la producción incremento en 539. 695 tn
acarreadas, ya que se consideró que las horas efectividad incrementan en una 1 hora. Finalmente
para solucionar problemas operativos mineros e incluimos aquellos estudios donde apliquen la IA
operacionales para Minera Centinela” para obtener el título de ingeniero civil de minas en la
Universidad de Chile. Su objetivo fue desarrollar un modelo que estime los costos operacionales
32
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
es de tipo aplicada y de diseño experimental. Los resultados que obtuvo de la implantación del
modelo es una precisión de costos en un 5%, también recalco que el modelo tuvo deficiencias
para calcular el ciclo y el rendimiento de los equipos. Finalmente concluyo que el modelo le
entrego a la Unidad Minera Centinela ya este aportaba a las operaciones una estimación
razonable y servía como una herramienta de planeamiento pudiendo así tomar decisiones
for optimization of blasting costs due to air overpressure constraints in open-pit mines” de la
Universidad de Teherán, Irán. Su objetivo fue proponer un modelo matemático para tener costos
mínimos en las operaciones de voladura en una mina de yeso dado por el fenómeno de
Los resultados que obtuvo del modelo no lineal en relación con las restricciones que optimizó
mediante recocido simulado, determinó que las variables de decisión en este caso el costo fue
igual a 2259$ por 7700 tn esto indica que es menor a comparación de los costos de la voladura de
la mina de yeso y el costo de los parámetros de voladura referente a los bloques de la mina fue de
2974 $ por 7700 tn. Finalmente concluyo que la implementación del modelo mejoraba el costo de
voladura en un 24%.
mining capital cost estimation” tuvo como finalidad desarrollar un modelo de estimación para
predecir los costos de capital minero mediante árboles de regresión. La metodología empleada
fue descriptiva y tipo correlacional con un enfoque cuantitativo. Los resultados que obtuvieron al
validar el modelo del árbol de regresión fueron un MAE de 178.5 y un RMSE de 219.36.
Finalmente se concluyen que el modelo es aceptable para predecir los costo de capital mineros y
33
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Navia et al. (2017), en su artículo de investigación “Análisis del VPN en función de la
tasa de descuento y el costo de remanejo implementando SIMSCHED DBS para una explotación
desarrollar un análisis de un deposito de cobre y oro e identificar cambios en VPN según la tasa
de tipo aplicada. Como resultados obtuvo que la tasa de descuento del proyecto incremento 0.5 es
decir del 5% a15%; para el costo de remanejo obtuvo un valor máximo de 0.5 $/tn y un mínimo
de 0.025, posteriormente obtuvo un valor más rentable para la tasa descuento de 10%
considerando el costo de remanejo siendo así el VPN $1230.026. Finalmente concluyó que la tasa
de descuento óptima es de 10% y el costo de remanejo puede variar ya que este no afecta al flujo
de caja.
operaciones de una mina subterránea explotada por block caving” para obtener el grado de
fue diseñar e implementar un modelo que pueda determinar el costo específico en relación a todas
tipo aplicada, diseño experimental y enfoque cuantitativo. Los resultados que obtuvo al implantar
la metodología Activity Based Costing (ABC) es que logro estimar los costos de la operación y
reducir el margen de error a 3,7% referente al costo real, además brinda información de cómo se
construye los costos de cada actividad minera. Finalmente concluyó que el modelo ayuda a tener
Universidad de Chile. Su objetivo fue predecir los costos de operación a través de una función de
34
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
identificó que las características más sobresalientes en los costos son el % de mineral, el
indicador de dureza, la ley del mineral; recalco que para la extracción a tajo abierto es necesario
considera la cantidad del mineral que se extrajo y la distancia que será transportado y para los
insumos los costos sobresalientes son el acero, consumo de combustible, explosivos, neumáticos,
35
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Capítulo II: Materiales y métodos
2.1.Tipo de estudio
2.2.Unidad de análisis
provincia de Andahuaylas, distrito del mismo nombre y centro poblado Huinchos. Presenta una
geología donde sobresale un gran depósito de mineral de hierro como se puede visualizar en la
Figura 48.
Sus coordenadas según WGS84 que se encuentran en la zona 18S son las siguientes:
• Este:679024
• Norte:8484114
2.3. Población
La población finita son la base de datos de los costos diarios de operación, producción
diaria, la humedad del material y el stripping ratio de la empresa Unidad Minera Huinchos de
2.4. Muestra
base de datos de los costos diarios de operación, producción diaria, la humedad del material y el
36
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
stripping ratio de la empresa Unidad Minera Huinchos desde el 17 de enero del 2022 hasta el 18
2.5. Instrumentos
• Libreta de apuntes
• Guías de observación
Tabla 1
Expertos validadores
2.7. Procedimiento
37
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
• Descripción de objetivos y metodología: Constitución de objetivos y la
• Redacción del informe: Organización del informe del estudio final, incluyendo el
conclusiones y recomendaciones.
38
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 21
Se realiza el cargado de la base de datos en formato CSV UTF-8 (delimitado por comas),
posteriormente se realiza una revisión de estructura de los datos para finalmente realizar una
descripción estadística.
39
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
En primer lugar se identifican los datos faltantes por columna lo cual están expresadas por
las variables, después de generar un diagrama de Box Plot para visualizar los Outliers para poder
Después del paso anterior se realiza un estudio de distribución de los datos mediante
gráficas de frecuencia para determinar que tipo de función forma. A continuación se realizan
gráficas de dispersión y una matriz de correlación para visualizar la relación que guardan las
variables.
En este paso se empleó el algoritmo de Radom forest para poder realizar el cálculo de las
Se escalan los datos, pero de acuerdo a la necesidad del modelo si este lo requiere, para
este estudio según las investigaciones realizadas solamente los modelos de regresión lineal, SVR
definen las métricas y finalmente se realiza una validación cruzada para la sintonización de
40
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
modelos usando GridSearchCV (técnica de optimización que busca los mejores hiperparámetros
para un modelo, basándose en el rendimiento del mismo durante la validación cruzada) esta
En este paso se representan los valores de todos los modelos de regresión usados con la
Consideraciones éticas:
Consideraciones de rigor:
Honestidad: los datos obtenidos del proceso del estudio serán auténticos y exactos.
41
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
variables en tiempo determinado, los datos obtenidos en campo se utilizarán para cumplir con los
Donde:
M: Muestra de elementos
42
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
con los formatos establecidos. Posteriormente se entrenó y testeo los modelos usados para
pronosticar los costos diarios de operación mina. Finalmente se validó el modelo con métricas
estadísticas. A continuación se presentan los resultados obtenidos en todo el proceso del proyecto
El Análisis Exploratorio de Datos (EDA, por sus siglas en inglés) es una etapa crucial en
la ciencia de datos que tiene como objetivo comprender la estructura, relaciones y patrones en los
datos antes de aplicar cualquier modelo de regresión. A continuación, se presenta una lista para
cualitativo. Lo primero que se tiene que hacer es revisar la naturaleza de los datos, que
o tipo de dato que tienen. Para cargar los datos se tienen que tener muy en cuenta el formato
como es el caso, se utilizó CSV UTF-8 (delimitado por comas), este procedimiento se realiza
para evitar problemas al momento del reconocimiento de la base de datos por parte de las
abierto para la programación en Python). El conjunto de datos abarca desde el 17 de enero del
2022 hasta el 18 de mayo del 2023, existe un total de 462 datos (filas) y 4 variables (columnas), a
43
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Tabla 2
Es muy importante reconocer las variables que se necesitaran para alimentar los modelos
y cuál es la variable objetiva o respuesta de la investigación, para ello se realiza una estructura
Tabla 3
Tipo de
Variable Condición Dimensión Tipo de dato
variable
44
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Costos diarios de
Output Operación Target Float
operación mina
Hay que tener en claro que un conjunto de datos casi siempre esta asmero a errores de
digitación y también dentro de la misma base evidenciar la ausencia de datos en cada columna de
variables identificadas; es por ello que se debe realizar una limpieza de datos para tener una
variable costo diario de operación mina con un valor de 0, este dato se atribuye a una mala
digitación porque no debe existir un valor asi en esta variable. La ausencia de valores nulos no se
Figura 22
Valores nulos
45
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
3.1.4. Análisis estadístico
3.1.4.1.Descripción estadística
Se calcularán la media, mediana, desviación estándar, percentiles, etc., para cada variable
variabilidad de las variables. Sin embargo, se debe tener en cuenta que este es solo el primer paso
y puede ser útil complementar este análisis con visualizaciones y técnicas adicionales de
Tabla 5 de realizar las correcciones de los errores en la base de datos, de la descripción estadística
Tabla 4
Costo diario de
Característica Producción
Stripping Ratio Humedad (%) operación mina
estadística (tn/día)
(US$/tn)
46
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Tabla 5
Costo diario de
Característica Producción
Stripping Ratio Humedad (%) operación mina
estadística (tn/día)
(US$/tn)
Para la variable producción, hay una amplia variabilidad, con una desviación estándar
relativamente alta en comparación con la media. Esto sugiere que hay una considerable variación
en la variable producción.
El 'Stripping Ratio' tiene una media de 0.86, lo que indica que el ratio promedio es
cercano a 1. Esto podría ser un indicador de cierta eficiencia en el proceso, pero es importante
47
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
La 'Humedad' tiene un rango que va desde 0% hasta 19%, lo cual es bastante amplio. Esto
sugiere que la humedad puede variar significativamente y puede ser un factor importante a
considerar en el proceso.
con la media, lo que indica una gran variabilidad en los costos. Esto es un área de interés para la
optimización o el control.
Identificar y decidir cómo manejar los valores atípicos que puedan afectar el rendimiento
del modelo de regresión es esencial, este análisis se realizan mediante el diagrama de Box Plot
Figura 23
48
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Para el tratamiento de los valores atípicos antes de abordarlos, depende en gran medida
del contexto y de los objetivos del análisis o modelo. Aquí se describen algunas consideraciones
generales:
• Eliminar Outliers: Si los valores atípicos son errores de entrada o datos incorrectos, es
• Transformar los datos: En lugar de eliminar los valores atípicos, se puede considerar la
posibilidad de transformar los datos. Por ejemplo, se puede aplicar una transformación
logarítmica o una transformación Box-Cox a los datos para reducir el impacto de los
soporte vectorial (SVM) o los árboles de decisión, son inherentemente, robustos ante los
• Analizar por separado: Otra opción es analizar los datos con y sin valores atípicos para
evaluar cómo afectan a los resultados. Esto puede ayudar a comprender si los valores
Algunas veces, los valores atípicos pueden ser representativos de eventos raros, pero
encontrados. Se considera como una variable que no intervienen mucho en la determinación del
modelo a la “Humedad” y tienen una varianza mínima al momento de realizar la validación del
49
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
modelo, es por ello que se procede a eliminar esos valores atípicos.
Tabla 6
Valores atípicos
Stripping ratio 2
Humedad 11
Producción 0
Tabla 7
50
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 24
Figura 25
51
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
3.1.4.3.Distribución de los datos
distribución de probabilidad más adecuada para ajustar los datos, puede tener implicaciones
lognormal.
• Precisión del modelo: Ajustar los datos a una distribución que se asemeje más a la
realidad puede mejorar la precisión del modelo de regresión. Cuando se utiliza una
distribución adecuada, es más probable que los parámetros del modelo sean estimaciones
• Predicciones más precisas: Utilizar una distribución que se ajuste bien a los datos puede
52
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 26
En los análisis de los gráficos de Q-Q(quantile-quantile) es util para verificar que tipo de
distribución sigue cada variable si es teórica oh normal. En un Q-Q plot, los cuantiles observados
de tus datos se representan en el eje vertical, mientras que los cuantiles teóricos de la distribución
de referencia se representan en el eje horizontal. Si los puntos en el gráfico están cerca de una
línea diagonal, indica que tus datos se ajustan bien a la distribución teórica.
Para analizar los gráficos Q-Q plot se debe observar cómo se comportan los puntos en
relación con la línea diagonal. Aquí hay algunas pautas generales para interpretar los resultados:
• Puntos cerca de la línea diagonal: Indica que tus datos se ajustan bien a la
53
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
distribución teórica.
• Puntos por encima de la línea diagonal: Tus datos tienen colas más pesadas que la
distribución teórica.
• Puntos por debajo de la línea diagonal: Tus datos tienen colas más ligeras que la
distribución teórica.
• Curvatura hacia arriba o hacia abajo: Sugiere que tus datos no se ajustan bien a la
La elección de la distribución de probabilidad más adecuada para ajustar los datos puede
• Precisión del modelo: Ajustar los datos a una distribución adecuada puede mejorar
la precisión.
acertadas.
En este caso en particular, la distribución más adecuada para la variable "Costo (US/TN)"
Dada la cantidad de datos, es posible que la distribución esté submuestrada. Los modelos
54
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 27
55
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
lineales y complejas.
lineales.
complejas y no lineales.
complejas.
esencial realizar pruebas adicionales y evaluaciones del modelo para determinar su adecuación.
normal referente a sus datos y por lo mencionado líneas arriba a cada algoritmo de estudio no es
necesario realizar ninguna transformación porque pueden trabajar con esta distribución sin
3.1.4.4.Correlación de variables
correlación entre las variables de estudio para poder comprender el comportamiento de sus datos.
Desde este punto es importante tener en cuenta ya un conocimiento general para aplicar
Tienen una distribución bien marcada las variables de producción y costos diarios de
operación a comparación de las demás relaciones que son muy dispersa que se puede vizualizar
en la Figura 28.
56
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 28
Este gráfico va indicando la relación más óptima entre la variable respuesta y las variables
de entrada para identificar la tendencia de la mejor correlación y así poder aplicar nuestro
Figura 29 hay un comportamiento interesante entre la varible “Costos diarios de operación mina
57
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
(US$/tn) y la variable producción con un valor del 91%.
Figura 29
selección de características. El uso del modelo Random Forest Regressor para determinar la
datos y la ciencia de datos. Existen varias razones que justifican el uso de este algoritmo, se
58
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
detallan a continuación.
basándose en la frecuencia con la que un atributo se utiliza para dividir los datos y cuánto
crea splits que son altamente "puros", ese atributo es probablemente muy importante.
• Consistencia: Mientras que un único árbol puede ser muy variable y por lo tanto,
árboles, tiende a ser más estable y proporciona una visión más confiable de la importancia
de las características.
que tiene supuestos sobre la distribución de los errores, la homoscedasticidad, entre otros
• Importancia basada en el Out-of-Bag (OOB) error: Random Forest tiene una ventaja única
59
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
construir cada árbol (estos datos son conocidos como datos "out-of-bag" o OOB). Estos
datos OOB se pueden usar para obtener una estimación imparcial del error de predicción y
aleatorizados.
Tabla 8
Humedad 0.02
Producción 0.90
de regresión. Para poder construir un modelo de regresión se deben tener en cuenta lo siguiente:
algoritmo frente a las diferentes escalas de las variables, en muchos de los casos no
60
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
entrenamiento.
Para generar modelos con resultados muy satisfactorios para cada modelo se utilizó
hiperparámetros del modelo deseas optimizar y qué valores quieres probar para cada uno.
hiperparámetros óptimos.
En resumen, GridSearchCV es una herramienta que realiza una búsqueda exhaustiva sobre
61
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
3.3.1. Regresión Lineal
Es importante escalar los datos cuando se utiliza regularización (por ejemplo, Ridge o
Lasso), ya que estos métodos son sensibles a la escala de las características. Si no se está
utilizando regularización, la Regresión Lineal puede funcionar bien sin escalar los datos. Sin
coeficientes.
Tabla 9
Fit intercep
True
False
Tabla 10
Fit intercep
False
Tabla 11
62
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Los resultados como se pueden observar Tabla 11 y Figura 30 tienen un error positivo y
Figura 30
63
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
3.3.2. Árbol de decisión
Tabla 12
min_samples_split 2 5 10 - -
min_samples_leaf 1 2 4 - -
Tabla 13
min_samples_split - - 10 - -
min_samples_leaf - - 4 - -
splitter - random - - -
64
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 31:
Tabla 14
datos.
65
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Se designó los cinco hiperparámetros Tabla 12 y luego mediante del uso de la técnica
GridSearchCV se adaptaron 5 pliegues para cada uno de los 216, con un total de 1080 ajustes y
Tabla 15
max_depth none 10 20 30
min_samples_leaf 1 2 4 -
min_samples_split 2 5 10 -
Tabla 16
N_estimators - - 200 -
max_depth none - - -
min_samples_leaf - - 4 -
min_samples_split 2 - - -
bootstrap True - - -
66
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Tabla 17
Figura 32
características, por lo que es importante escalar los datos para que todas las características
67
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
de las características es crítica.
Se designarán los cinco hiperparámetros Tabla 18 y luego mediante del uso de la técnica
GridSearchCV se adaptaron 5 pliegues para cada uno de los 540, con un total de 2700 ajustes y
Tabla 18
Hiperparámetros SVR
c 0.1 1 10 100 -
Coef0 -1 0 1 - -
degree 2 3 4 - -
Tabla 19
Hiperparámetros SVR
c 0.1 - - - -
kernel - - poly - -
gamma - scale - - -
Coef0 - - 1 - -
degree 2 - - - -
Muestra un comportamiento del error en los primeras 5 muestras no muy lejos de cero, en
68
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Tabla 20
Figura 33
escalar los datos para utilizar Gradient Boosting. Sin embargo, si utilizamos características con
69
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
diferentes escalas, es posible que se desee considerar la estandarización para asegurarse de que el
Se designó los cinco hiperparámetros Tabla 21 y luego mediante del uso de la técnica
GridSearchCV se adaptaron 5 pliegues para cada uno de los 972, con un total de 4860 ajustes y
Tabla 21
max_depth 3 4 5 6
min_samples_split 2 3 4 -
min_samples_leaf 1 2 3 -
Tabla 22
n_estimators - 100 - -
max_depth 3 - - -
learning_rate - 0.05 - -
subsample - - 1 -
70
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
min_samples_split 2 - - -
min_samples_leaf 1 - - -
Los resultados reflejados en Tabla 23 y Figura 34 son favorables porque los errores son
Tabla 23
Figura 34
71
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Para realizar este modelo si es necesario el escalamiento de datos con la finalidad de
Perceptrón Multicapa desarrollado con Keras, diseñado para abordar problemas de regresión.
Consta de dos capas ocultas: la primera tiene 50 neuronas y la segunda 25, ambas con la función
entrenamiento. La capa de salida es densa con una única neurona, ideal para tareas de regresión.
El modelo se compila con el optimizador Adam y utiliza el Error Cuadrático Medio (MSE) como
función de pérdida. Se utiliza el método fit para entrenar el modelo en los datos de
entrenamiento. Se definen 40 épocas y un tamaño de lote de 32. Los datos de validación (en este
caso, los datos de prueba) se pasan para monitorizar la pérdida en un conjunto de datos que el
Tabla 24
72
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 35
Los resultados como se muestran en la Tabla 24 y Figura 35 tiene errores muy elevados y
está totalmente diferenciada del los demás modelos por la existencia de estos márgenes al
Figura 36
73
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
La Figura 36 representa la evolución de la pérdida (loss) y la pérdida de validación
(val_loss) a lo largo de las épocas durante el entrenamiento del modelo. Se describen las
observaciones a continuación:
embargo, esta diferencia se va reduciendo a medida que avanzan las épocas hacia
ligeramente menor que la pérdida de validación. Esta es una señal positiva porque
indica que el modelo no está sobre ajustando los datos, es decir, no está
generalización.
Finalmente cada modelo generado es validado mediante métricas que ayudan en dicha
evaluación para verificar cual de los modelos entrenados es el que se comporta mejor y tienen
mejores resultados. Para ello presentaremos cada modelo con sus valores de sus métricas que
74
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Tabla 25
Varianza Error
Tipo de datos MSE RMSE R2 MAE
explicada máximo
Tabla 26
Varianza Error
Tipo de datos MSE RMSE R2 MAE
explicada máximo
Tabla 27
Varianza Error
Tipo de datos MSE RMSE R2 MAE
explicada máximo
75
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Tabla 28
Varianza Error
Tipo de datos MSE RMSE R2 MAE
explicada máximo
Tabla 29
Varianza Error
Tipo de datos MSE RMSE R2 MAE
explicada máximo
Tabla 30
Varianza Error
Tipo de datos MSE RMSE R2 MAE
explicada máximo
Para tener mejor la visión de las métricas de validación de los modelos durante el
interpretación.
76
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 37
Figura 38
77
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Figura 39
Figura 40
78
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 41
Figura 42
79
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Tabla 31
En la Tabla 31 se visualizan los valores reales y los estimados por el mejor modelo
encontrado el Gradient Boosting, este modelo arroja los mejores resultados a comparación del
resto.
80
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
del análisis previo antes del uso de cualquier algoritmo, con la finalidad de visualizar el
comportamiento de los datos, de acuerdo a ello en mi investigación se logró analizar los datos y
esto me ayudó a tomar mejores decisiones al momento de elegir un modelo, obteniendo asi un
mejor desempeño del modelo con un valor del 5% por encima del modelo creado por anomalías.
También se logró encontrar una correlación bien marcada del 91% entre las variables produción y
variables mediante Regresión Lineal la variable de producción tuvo un valor del 80%, con
Random Forest un valor de 91% y con Gradient Boosting un valor de 93% de influencia para
predecir los costos diarios de operación mina. Siendo así el algoritmo de Gradient Boosting el
más representativo para determinar la importacia de las variable que perimitará predecir los
costos diarios de operación mina. Según Castillo (2022), en su investigación tambien identifica
las variables que más incidencia tienen en su modelo mediante el algoritmo de Random Forest y
Gradient Boosting, obteniendo así los mejores resultados con la Grandient Boosting.
de Decisión para estimar el costo de capital minero, este algoritmo les arrojó las siguientes
métricas, el RMSE tuvo un valor de 219.36 y el MAE un valor de 178.5, por lo cual concluyeron
que su modelo puede ser aplicado en cualquier mina. En el caso de mi investigación se realizó
una evaluación de la Figura 37, Figura 38, Figura 39, Figura 40, Figura 41y Figura 42 las cuales
representan las métricas, producto de la validación cruzada usando GridSearchCV en todos los
81
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
resultados fue el Gradiente Boosting con un coeficiente de determinación (R2) superior al 92% en
entrenamiento y 78% en prueba, un MAE de 0.49 y un RMSE de 0.67; estos valores refleja que
este modelo es el idóneo para la predicción de los costos diarios de operación mina. Se afirma
también que los modelos de Regresión Lineal, Árbol de Decisión y Random Forest aplicados en
esta investigación, de acuerdo a la evaluación de sus métricas pueden ser considerados también,
porque sus coeficientes de determinación son superiores al valor de 70% que se plantea como un
recolección de datos y el análisis de toda la operación, dicho modelo fue una herramienta de
apoyo en la planificación. Asimismo Vargas (2015), creó un modelo ABC para los costos basado
en actividades de gestión de la operación minera, dicho modelo generó un error del 3.7%.
Además Parra (2011), construyó una función translogarítmica de costos operacionales y tuvo
como objetivo definir el costo mínimo según el nivel de producción e identificó que la variable
más importante fue los costos de producción en la evaluación económica de un proyecto minero.
En mi investigación el uso de la inteligencia artificial brinda una nueva perspectiva porque no fue
empleada anteriormente para predecir los costos diarios de operación mina, pero si se empleó
otros tipos de modelos, de acuerdo a toda la investigación, análisis y evaluación se determinó que
el mejor modelo para predecir los costos diarios de operación mina fue el Grandient Boosting con
82
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Capítulo V: Conclusiones
El análisis exploratorio de datos me permitió encontrar y tratar los valores atípicos que
fueron un 20% del total, con la finalidad de generar un modelo predictivo óptimo y también se
obtuvo un mejor modelo de predicción con un valor del 5% más con respecto al modelo con
anomalías.
Se logró identificar la variable que más contribuye en la predicción de los costos diarios
de operación mina aplicando los algoritmos de inteligencia artificial fue la producción con un
Se concluye que el modelo de Machine Learning encontrado para predecir el “costo diario
de operación mina en Unidad Minera Huinchos fue el Gradiente Boosting con un coeficiente de
determinación (R2) mayor al 92% y un RMSE de 0.67 siendo así el más favorable para cumplir
Finalmente concluye que el modelo de predicción más notable mediante las validaciones
correspondientes se destaca el Gradient Boosting para estimar los costos diarios de operación
mina. Este modelo permitirá corregir y ajustar a tiempo los parámetros operativos de la mina, si
83
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Capítulo VI: Recomendaciones
exploratorio de datos para evitar posibles sobre estimaciones del modelo encontrado.
Se recomienda designar cierto porcentaje de 80% y 20% de base de datos par entrenar y
Para generar un modelo más robusto con buenos resultados, se recomienda considerar más
variables independientes que contribuyan en la predicción del costo diario de operación mina.
predecir los costos diarios de operación mina solamente para la Unidad Minera Huinchos, porque
mina, porque permiten que haya una mejor rentabilidad de la mina, se sabe que la gran mayoría
de las empresas mineras no tienen en cuenta la predicción de los costos diarios operativos, ante
este problema se recomienda la aplicación de inteligencia artificial a este campo para tomar
Para trabajos futuros se recomienda tener la precisión adecuada en la toma de datos para
inteligencia artificial con la finalidad de predecir los costos diarios de operación mina que ayudan
84
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Aghajani, B., Mokhtari, H., Hakimiyan, M., & Bakhshandeh, H. (2019). Application of simulated
annealing for optimization of blasting costs due to air overpressure constraints in open-pit
doi:10017/49663
digital, 1-5.
Bobadilla, S. J. (2020). Machine Learning y Deep Learning. Madrid: Grupo editorial Rama.
Callejas, I., Piñeros, J., Rocha, J., Hernández, F., & Delgado, F. (2013). Implementación de una
red neuronal artificial tipo SOM en una FPGA para la resolución de trayectorias tipo
(CIIMA), 1-6.
Santiago de Chile.
mediante el uso de algoritmo de Machine Learning. Tesis para optar el título profesional
85
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
ingeniería geológica, minera, metalúrgica y geográfica; Escuela profesional de ingenieria
de minas, Lima.
Cueva, V. (2022). Control de tiempos improductivos mediante el modelo de regresión lineal para
Dougall, A. (2015). Identification of key performance areas and indicators in the southern
African underground coal mining delivery environment . 26th Annual General Meeting &
Conferenc.
Duran, S. (16 de Setiembre de 2022). Que son los costos operativos y ejemplos. Obtenido de
Horber, E., & Ladiray, D. (1995). Análisis Exploratorio de los datos. Caracas: I Seminario de
ciencias humanas”.
Jenni, A. M., & Chris, J. (2019). Machine Learning in medicine: a practical introduction. BMC
https://cienciadedatos.net/documentos/py07_arboles_decision_python
Joaquín, R. (1 de Diciembre de 2020). Máquinas de Vector Soporte (SVM) con Python. Obtenido
Joaquín, R. (1 de Octubre de 2020). Regresion lineal con Python . Obtenido de Ciencia de datos:
https://www.cienciadedatos.net/documentos/py10-regresion-lineal-python.html
86
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
datos: https://cienciadedatos.net/documentos/py09_gradient_boosting_python
Joaquín, R. (1 de Setiembre de 2023). Random Forest con Python. Obtenido de Ciencia de datos:
https://cienciadedatos.net/documentos/py08_random_forest_python
Navia, C., Monsalve, M., & Franco, G. (2017). Análisis del VPN en función de la tasa de
Nuerali, H., & Osanloo, M. (2018). A regression-tree-based model for mining capital.
Ospina, J., Osorio, J., Henao, Á., Palacio, D., & Giraldo, J. (2020). Challenges and Opportunities
23(50).
Santiago de Chile.
Parra, J. (2002). Análisis exploratorio y análisis confirmatorio de datos. Espacio Abierto, 11(1),
115-124.
Pistilli, M. (17 de Mayo de 2023). Stripping Ratios: What are They and Why are They Important?
https://investingnews.com/daily/resource-investing/base-metals-investing/copper-
investing/strip-ratio-western-copper-gold-nemaska-lithium/
87
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Raissi, M., Perdikaris, P., & Karniadakis, G. (2019). Physics-informed neural networks: A deep
learning framework for solving forward and inverse problems involving nonlinear partial
Obtenido de https://hdl.handle.net/20.500.12724/7347
Soto, D., Giraldo, J., Vargas, F., Jiménez, J., & Valderrama, A. (2020). Monitoreo de indicadores
continuo con gestión del riesgo. Revista Ingenierías Universidad de Medellí, 19(37), 93-
118.
doi:10.1093/mind/LIX.236.433
cobre de operaciones de una mina subterránea explotada por block caving. Tesis de
Chile.
https://economipedia.com/definiciones/histograma.html
88
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
89
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
ANEXO I
Carta de autorización
90
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 43
Carta de autorización
91
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
ANEXO II
92
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Tabla 32
Tabla 33
93
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Tabla 34
Tipo de
Variable Condición Dimensión Tipo de dato
variable
Tabla 35
Producción
Stripping
ratio
Humedad
Costo diario
de operación
Tabla 36
94
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Tabla 37
95
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
ANEXO II
96
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 44
Matriz de consistencia
97
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Figura 45
Operacionalización de variables
98
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
ANEXO IV
Validación de instrumentos
99
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Figura 46
100
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
ANEXO V
101
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Figura 47
102
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Figura 48
103
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
Anexo R.R. O 384-2018/UNT Pág. 1 de 5
CONDICIÓN CÓDIGO
(NOMBRADO, Docente asesor Autor
N° APELLIDOS Y NOMBRES FACULTAD CONTRATADO, Número Coautor
EMÉRITO, Matrícula del asesor
estudiante, OTROS) estudiante
SICCHA RUIZ, ORLANDO ALEX INGENIERIA AUXILIAR 5233 ASESOR
TICLIA VÁSQUEZ, HIMBER INGENIERIA BACHILLER 22134005-15 AUTOR
PALERMO
Este formato debe ser llenado, firmado Y adjuntado en et informe de Tesis y/o Trabajo de Investigación respectivamente.
1
Este formato en el caso de Informe de investigación científica docente debe ser llenado, firmado, escaneado y adjuntado en el sistema de
www.picfedu.unitru.edu.øe
Jr. Diego de Almagro #344 T. 051 - 044-2055B / Mesa de Partes: 044-209020 Email: rectorado@unitru.edu.pe
www.unitru.edu.pe
Anexo R.R. O 384-2018/UNT Pág. 1 de 5
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
UNIVERSIDAD NACIONAL DE TRUJILLO
RECTORADO
UNT
UNIVERSIDAD NACIONAL DE TRUJILLO
DECLARACIÓN JURADA
El a u t o r suscrito en el presente documento DECLARAMOS BAJO JURAMENTO que soy el
responsable legal de la calidad y originalidad del contenido del Proyecto de Investigación Científica, así
como, del Informe de la Investigación Científica realizado.
“Modelo matemático para pronosticar los costos diarios de operación mina en Unidad Minera
Huinchos - Apurímac -2023”
PROYECTO DE INVESTIGACIÓN CIENTIFICA INFORME FINAL DE INVESTIGACION CIENTIFICA
PROY DE TRABAJO DE INVESTIGACION ( ) TRABAJO DE INVESTIGACIÓN (PREGRADO) ( )
(PREGRADO)
PROYECTO DE TESIS PREGRADO ( ) TESIS PREGRADO (X)
PROYECTO DE TESIS MAESTRÍA ( ) TESIS MAESTRÍA ( )
PROYECTO DE TESIS DOCTORADO ( ) TESIS DOCTORADO ( )
Jr. Diego de Almagro #344 T. 051 - 044-2055B / Mesa de Partes: 044-209020 Email: rectorado@unitru.edu.pe
www.unitru.edu.pe
Jr. Diego de Almagro #344 T. 051 - 044-2055B / Mesa de Partes: 044-209020 Email: rectorado@unitru.edu.pe
www.unitru.edu.pe
TESIS TICLIA
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
INFORME DE ORIGINALIDAD
11 %
INDICE DE SIMILITUD
10%
FUENTES DE INTERNET
2%
PUBLICACIONES
6%
TRABAJOS DEL
ESTUDIANTE
FUENTES PRIMARIAS
1
Submitted to Universidad de Salamanca
Trabajo del estudiante 1%
2
hdl.handle.net
Fuente de Internet 1%
3
dspace.unitru.edu.pe
Fuente de Internet 1%
4
1library.co
Fuente de Internet <1 %
5
www.cienciadedatos.net
Fuente de Internet <1 %
6
repositorio.unap.edu.pe
Fuente de Internet <1 %
7
repositorio.utp.edu.pe
Fuente de Internet <1 %
8
www.coursehero.com
Fuente de Internet <1 %
9
renati.sunedu.gob.pe
Fuente de Internet <1 %
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
10
Submitted to imfice
Trabajo del estudiante <1 %
11
repositorio.ucv.edu.pe
Fuente de Internet <1 %
12
Submitted to Instituto Tecnologico de Costa
Rica
<1 %
Trabajo del estudiante
13
Submitted to Universidad Adolfo Ibáñez
Trabajo del estudiante <1 %
14
repositorio.utn.edu.ec
Fuente de Internet <1 %
15
Submitted to Instituto Superior de Artes,
Ciencias y Comunicación IACC
<1 %
Trabajo del estudiante
16
Submitted to Universidad Internacional de la
Rioja
<1 %
Trabajo del estudiante
17
Submitted to Universidad Continental
Trabajo del estudiante <1 %
18
Submitted to Universidad Nacional de Trujillo
Trabajo del estudiante <1 %
19
sedici.unlp.edu.ar
Fuente de Internet <1 %
20
repositorio.utmachala.edu.ec
Fuente de Internet <1 %
<1 %
21
es.scribd.com
Biblioteca Digital - Dirección de Sistemas de Informática y
Comunicación
Fuente de Internet
22
rstudio-pubs-static.s3.amazonaws.com
Fuente de Internet <1 %
23
sisbib.unmsm.edu.pe
Fuente de Internet <1 %
24
mine.ut.ac.ir
Fuente de Internet <1 %
25
www.imt.mx
Fuente de Internet <1 %
26
Submitted to Flinders University
Trabajo del estudiante <1 %
27
Submitted to Universidad Católica de Santa
María
<1 %
Trabajo del estudiante
28
Submitted to Universidad Nacional del Centro
del Peru
<1 %
Trabajo del estudiante
29
docplayer.es
Fuente de Internet <1 %
30
qdoc.tips
Fuente de Internet <1 %
31
dokumen.pub
Fuente de Internet <1 %
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
32
ibmc.umh.es
Fuente de Internet <1 %
33
repositorio.unsa.edu.pe
Fuente de Internet <1 %
34
www.dspace.espol.edu.ec
Fuente de Internet <1 %
35
www.interactivechaos.com
Fuente de Internet <1 %
36
www.scielo.cl
Fuente de Internet <1 %
37
Submitted to Universidad Católica San Pablo
Trabajo del estudiante <1 %
38
medium.com
Fuente de Internet <1 %
39
www.spell.org.br
Fuente de Internet <1 %
40
Submitted to Infile
Trabajo del estudiante <1 %
41
publicaciones.usanpedro.edu.pe
Fuente de Internet <1 %
42
Submitted to Corporación Universitaria
Minuto de Dios, UNIMINUTO
<1 %
Trabajo del estudiante
43
rubialesalberto.medium.com
<1 %
Fuente de InternetDigital - Dirección de Sistemas de Informática y
Biblioteca
Comunicación
44
Submitted to unbosque
Trabajo del estudiante <1 %
45
Submitted to Universidad Francisco de Vitoria
Trabajo del estudiante <1 %
46
Submitted to Universidad Pablo de Olavide
Trabajo del estudiante <1 %
47
dspace.udla.edu.ec
Fuente de Internet <1 %
48
go.gale.com
Fuente de Internet <1 %
49
repositorio.uasf.edu.pe
Fuente de Internet <1 %
50
revistas.udistrital.edu.co
Fuente de Internet <1 %
51
ams.confex.com
Fuente de Internet <1 %
52
blog.edx.org
Fuente de Internet <1 %
53
repositorio.uchile.cl
Fuente de Internet <1 %
54
repositorio.utp.edu.co
Fuente de Internet <1 %
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.
55
www.comtel.pe
Fuente de Internet <1 %
56
www.plandemejora.com
Fuente de Internet <1 %
57
coqui.metro.inter.edu
Fuente de Internet <1 %
58
dspace.ups.edu.ec
Fuente de Internet <1 %
59
oa.upm.es
Fuente de Internet <1 %
60
repositorio.unc.edu.pe
Fuente de Internet <1 %
61
www.jove.com
Fuente de Internet <1 %
Anexo 01
N° 237-2023-C.E/FAC.ING.-UNT
1) Investigador (es):
Ticlia Vasquez Himber Palermo DNI: 73055567 CÓDIGO: 2213400515
2) Asesor: Orlando Alex Siccha Ruiz DNI 18026960 CÓDIGO 5233
3) Finalidad del trabajo de Investigación: Título Profesional
4) Programa o escuela: Ingeniería de Minas
5) Título del trabajo de Investigación: Modelo matemático para pronosticar los costos
diarios de operación mina en Unidad Minera Huinchos-Apurimac -2023
6) Fecha de sustentación y aprobación del trabajo de Investigación: 13/10/2023
7) Fecha de evaluación de originalidad con depósito: 13/10/2023
8) Número de trabajo revisado por herramienta Turnitin: 2194753045
9) Porcentaje de reporte de similitud: 11%
10) Condición: Aprobado
Ing. Orlando Alex Siccha Ruiz Mg. Ing. Luis Alberto Julca Verastegui
Asesor Pdte. del Comité de Ética
Código: 5233 Código: 5159
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No
Comercial-Compartir bajo la misma licencia 2.5 Perú.