SEMINARIO DE INVESTIGACIÓN APLICADA II

2019-2

PLANTILLA 04_INFORME PARCIAL_ TEMA DE INVESTIGACIÓN

DATOS GENERALES
Apellidos y nombres estudiante 1: León Código: U201211769
Plasencia, Erick Samir
Apellidos y nombres estudiante 2: Ramos Código: u201412803
Barrial , Juan jose
Carrera profesional: Ingeniería de gestión minera
Sección: IV-82
Profesor Asesor Metodología (sesión clase): Enrique Sigarrostegui
Profesor Asesor Temático (sesión asesoría): Pehovaz Álvarez, Humberto Ivan
Línea de Investigación: Minería subterránea
Área de Investigación: Ventilación

1. TÍTULO DEL TEMA DE INVESTIGACIÓN

“ANÁLISIS PARAMÉTRICO DE LOS FACTORES INFLUYENTES EN EL FLUJO DE

AIRE MEDIANTE EL USO DE REDES NEURONALES EN UNA MINA
SUBTERRANEA DEL SUR DEL PERU”

2. PROBLEMA DE INVESTIGACIÓN:
2.1 DESCRIPCIÓN E IMPORTANCIA DEL PROBLEMA
En el Perú, el sector minero es uno de los pilares de la economía peruana, ya que tiene
un aporte considerable en el PBI (15%) y una participación en las exportaciones (60%).
Además, es uno de los sectores con más empleabilidad del país. Sin embargo, es un
sector en el que también existe un alto índice de accidentes leves y graves. Estos son
ocasionados por muchos factores, pero en su mayoría por sucesos como desprendimiento
de roca y asfixias por acumulación de gases tóxicos por una ineficiente ventilación. En
dichos lugares, el flujo de aire se ve alterado por alta concentración de gases nocivos o
la ausencia del oxígeno. Este problema en el 2018 representó un índice de 17.4% del
total de muertes en mina, ocupando así, el tercer lugar entre las causalidades más
frecuentes para accidentes fatales en el sector.
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

Fuente: OSINERGMIN

Asimismo, debe ser de conocimiento que en minería subterránea el consumo de aire que
requiere una persona para estar en condiciones óptimas de trabajo es de 3 metros cúbicos
por minuto. Este es un factor muy importante; sin embargo, varía a medida que aumenta
la profundidad de producción de la mina. A continuación se presenta una tabla con la
cantidad de oxígeno que debe tener una por persona dependiendo del nivel que se
encuentre.

Fuente: OSINERGMIN

Por otro lado, cuando hablamos de flujo de aire nos referimos a la velocidad mínima que
se requiere en toda mina subterránea para cumplir los estándares de condiciones
laborales que la ley lo estipula en sus artículos (DS 024-2016EM). El Decreto Supremo
024-2016EM, al que se rige toda la industria minera dice que la velocidad deberá estar
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

entre el intervalo de 20m/min a 250m/min en las labores de explotación. Las velocidades

van a variar dependiendo si son labores de acceso, exploración, explotación o factores
que intervienen en las condiciones laborales de una mina. Las condiciones laborales
también dependen de la concentración de gases tóxicos y para controlarlos hay que saber
cuáles son los límites máximos permisibles de cada uno de ellos.

Fuente: OSINERGMIN
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

2.2 ANÁLISIS DEL PROBLEMA

Pérdidas
Humanas

INCENDIOS Y ENFERMEDADES ACCIDENTES Y

ALTAS PROFESIONALES BAJO
TEMPERATURAS RENDIMIENTO

DEFICIENTE FLUJO DE
AIRE EN
MINAS SUBTERRÁNEAS

TERMODINÁ RUGOSIDAD DE CONCENTRACIÓN

MICA HUMEDAD
LAS PAREDES DE GASES

-Por la roca
 Anhídrido Es la relación que
-Auto
carbónico existe entre presión
compresión del
aire  Monóxido de de vapor de agua en
-Calor Generado carbono una mezcla dada y
por el personal,  Gases nitrosos la presión de vapor
equipos y de agua para esa
 Anhídrido
motores misma mezcla a la
-Procesos sulfuroso
misma temperatura.
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

2.3 FORMULACIÓN DEL PROBLEMA

La existencia de un flujo irregular de aire que se origina por muchos factores, por citar
a uno de ellos tenemos la temperatura, la presión, la acumulación de gases, polvo y
otros. Los factores mencionados. han ocasionado una inestabilidad en el confort que
afecta el desempeño de máquinas y personal es por eso que varias empresas mineras
buscan un método eficiente para poder interpretar la importancia de cada factor que
origina este problema. Por ello, nos planteamos la siguiente pregunta. ¿En qué aportaría
el análisis paramétrico de los factores influyentes del flujo de aire en una mina
subterránea?

3. CASO DE ESTUDIO
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

3.1. DATOS GENERALES

En el presente estudio se escogió a la COMPAÑÍA MINERA BUENAVENTURA
como escenario. Dicha empresa actualmente presenta depósitos de mineral con una alta
calidad, cabe añadir nos enfocaremos en su Unidad Orcopampa la cual es productora de
Oro y plata.

MISION: Ser el operador minero de elección y de mayor aceptación para las

comunidades, las autoridades y la opinión pública en general. Además de Generar la
más alta valoración de la compañía ante todos sus públicos de interés (stakeholders).

VISION: Desarrollar recursos minerales generando el mayor valor posible a la

sociedad.

VALORES: Entre los que fomentan encontramos

 SEGURIDAD: es un valor central que promueve el respeto a la vida de nuestros
colaboradores y que está presente en todos nuestros procesos, operaciones y
actividades.
 HONESTIDAD: actuamos de manera recta y proba, sin mentir, engañar u omitir la
verdad.
 LABORIOSIDAD: sentimos pasión por nuestro trabajo; damos lo mejor de nosotros y
actuamos de manera eficiente, segura y responsable.
 LEALTAD: estamos comprometidos con nuestra empresa, misión, visión y valores.
Somos parte de un mismo equipo.
 RESPETO: demostramos consideración y trato cortés hacia las personas, sus ideas, su
cultura y sus derechos.
 TRANSPARENCIA: nuestras comunicaciones y actos son veraces, claros, oportunos
y sin ambigüedad
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

UNIDAD MINERA ORCOPAMPA:

Orcopampa está ubicada en la provincia de Castilla, Departamento y Región de
Arequipa, al noreste de la provincia, en la Sierra Sur a una altura promedio de 3,800
sobre el nivel del mar. Se encuentra ubicada a 1,350 Km. de la ciudad de Lima. Y desde
la ciudad de Arequipa a una distancia de 350 kilómetros por carretera, de las cuales 190
Km. corresponden a pista asfáltica por la ruta Orcopampa- ViracoTipan – Valle de
Majes. Yacimiento epitermal-mesotermal hospedado en roca volcánica del terciario. Su
producción inicial fue netamente argentífera en las minas Tudela, Manto, Santiago y
Calera hasta la década del 90. A partir del año 2000 se opera la mina Chipmo que es
principalmente aurífera.
Actualmente su producción ha bajado en comparación con los años anteriores con lo
que respecta al oro como se detalla en la gráfica.

Fuente: Buenaventura
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

Por otra parte, se dio un receso en lo que respecta al mineral explotado y la ley de
cabeza.

Fuente: Buenaventura

3.2. DATOS ESPECIFICOS

MINERALIZACION
La mineralización de Chipmo pertenece a un sistema epitermal del tipo relleno de
fractura. • La mineralización de vetas Nazareno, Prometida y Natividad en esta área
consisten principalmente de oro nativo asociado a teluros, así como a cobres grises y
piritas en cuarzos lechosos, venas de dickita-alumita y bandas de baritina. • El principal
mineral de oro es la calaverita (75%) y minoritariamente (15%) oro nativo, los cobres
grises petzita y hessita son constituyentes menores, el tamaño de la mineralización es a
promedio menor a 30 micras para la calaverita y 50 micras para oro nativo, aunque hay
partes donde se observa microscópicamente.
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

CICLO DE MINADO

4. FUNDAMENTACIÓN TEÓRICA DE LA TÉCNICA:

 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

Una red neural artificial (ANN) se define como el esquema computacional distribuida
inspirado en la estructura del sistema nervioso de los seres humanos. Su estructura está
formada por la conexión de múltiples procesadores elementales, formando así, un
sistema adaptativo. Este sistema posee un algoritmo para ajustar los parámetros libres y
alcanzar los requisitos del desempeño del problema basado en muestra representativas.

Por ello, podemos señalar que una ANN es un sistema de computación distribuida
caracterizada por:

 Conjunto de unidades elementales con baja capacidad de procesamiento.

 Una densa estructura interconectada utilizando enlaces ponderados.
 Parámetros que pueden ser ajustados para satisfacer los requerimientos de
desempeño

Además, es importante señalar que la propiedad más importante de las redes neuronales
artificiales es la capacidad de adquirir conocimientos en base al entrenamiento, es decir,
son capaces de encontrar un modelo que se ajuste a los datos. El proceso de aprendizaje
también es conocido como entrenamiento de la red neuronal.

VENTAJAS QUE OFRECEN LAS REDES NEURONALES.

Debido a su constitución y a sus fundamentos, las redes neuronales artificiales presentan

un gran número de características semejantes a las del cerebro. Por ejemplo, son capaces
de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de
abstraer características esenciales a partir de entradas que representan información
irrelevante, etc. Esto hace que ofrezcan numerosas ventajas y que este tipo de tecnología
se esté aplicando en múltiples áreas. Entre las ventajas se incluyen:

 APRENDIZAJE ADAPTATIVO. Capacidad de aprender a realizar tareas basadas

en un entrenamiento o en una experiencia inicial.
 AUTO-ORGANIZACIÓN. Una red neuronal puede crear su propia organización
o representación de la información que recibe mediante una etapa de aprendizaje.
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

 TOLERANCIA A FALLOS. La destrucción parcial de una red conduce a una

degradación de su estructura; sin embargo, algunas capacidades de la red se pueden
retener, incluso sufriendo un gran daño.
 OPERACIÓN EN TIEMPO REAL. Los cómputos neuronales pueden ser
realizados en paralelo; para esto se diseñan y fabrican máquinas con hardware especial
para obtener esta capacidad.
 FÁCIL INSERCIÓN DENTRO DE LA TECNOLOGÍA EXISTENTE. Se pueden
obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas
tareas. Ello facilitará la integración modular en los sistemas existentes.

5. DESCRIPCIÓN DE LA TÉCNICA INNOVADORA

Las redes neuronales artificiales (RNA) son ampliamente usadas en muchas
aplicaciones de la industria. Estas son muy populares en la modelación de sistemas
debido a su alta eficiencia en la adaptación y en el aprendizaje mediante el
reconocimiento de patrones, el cual requiere una relación entre variables independientes
y dependientes. Dado que el objetivo de las redes neuronales consiste en identificar
patrones o tendencias en los datos. Su uso está extendido en casos de predicción o
pronóstico, proyecciones de ventas, control de procesos industriales, estudios de
mercado, validación de datos, evaluación de riesgo y marketing son algunos de los
ejemplos de aplicación. Sin embargo, el uso de la técnica no se basa solamente en
simples proyecciones de datos. Por ello, las redes neuronales han revolucionado el
reconocimiento de patrones aplicado a diversas redes neuronales. Algunos ejemplos
incluyen: reconocimiento de voz, diagnósticos médicos, identificación de minas
submarinas, análisis de texturas, reconocimiento tridimensional de objetos, manejo de
maquinaria, reconocimiento de escritura a mano, asignación de crédito y
reconocimiento facial [Stergiou y Siganos, 1996]. Desde usos militares en misilística
hasta controles de calidad, desciframiento del código genético e incluso la prevención
de ataques terroristas [Davis, 2005], el campo de acción es amplio.
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

En adición a ello también se sabe que las redes neuronales tienen un buen rendimiento
en el modelado de transformación no lineal y el reconocimiento de patrones. Las redes
neuronales han sido aplicadas en diversas áreas, como reconocimiento de voz, control
inteligente, ingeniería biológica y optimización no lineal. Uno ampliamente utilizado
el método de entrenamiento se basa en el algoritmo de propagación hacia atrás (BP)
que se puede aplicar para entrenar la neuronal multicapa redes Las redes neuronales se
pueden usar para identificar la hora de llegada instantes por la capacitación efectiva a
partir del monitoreo de datos. (Linqi Huanga,2018)

6. ANTECEDENTES DE LA PROPUESTA

Un estudio realizado en la universidad nacional de san Agustín de Arequipa facultad de

ingeniería de procesos escuela profesional de ingeniería metalúrgica busco promover la
aplicación de redes neuronales artificiales para la predicción de la recuperación de planta
concentradora en minsur s.a. – unidad san Rafael. utilizando el software NeuralTools,
el cual utiliza la Red Neuronal más eficiente de acuerdo al tipo de salida que se desea
(Categoría o Numérico Dependiente) pudiendo ser: Red Neuronal Probabilística y Red
Neuronal de Regresión Generalizada. Lo que se trató de solucionar fue la problemática
escasez de mineral desde el punto de vista cuantitativo (Tonelaje) y cualitativo (Bajas
Leyes), en la búsqueda de mejorar y optimizar los procesos para tener recuperaciones
óptimas. Con el fin de predecir los resultados futuros de las recuperaciones de mineral
en la Planta Concentradora, para de algún modo tomar decisiones anticipadas y
apropiadas para el proceso. Se optó por una red neuronal artificial capaz de predecir
resultados futuros (Recuperaciones) con un error el cual sea el menor posible, para esto
se requería entrenar a la red con datos históricos de Planta Concentradora y mediante
prueba y error obtener la cantidad de datos adecuados para una óptima predicción.
Después de esto se comprobó que el modelo de regresión lineal que se estaba usando
presentaba un margen de error no aceptable. Sin embargo, el modelo de red neuronal
(backpropagation) es el que mejor se ajusta al comportamiento de las variables y para
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

la mejor predicción de las recuperaciones. Además de que se facilitó su uso por que una
RNA no necesita un algoritmo para resolver un problema ya que ellas pueden generar
su propia distribución de pesos en los enlaces mediante el aprendizaje.

Sumado a esto comprobamos que a diferencia de otros métodos de predicción o análisis

la técnica de redes neuronales mostro la superioridad de aplicar esta nueva técnica en
ingeniería minera para mejorar la seguridad de las actividades mineras. (Linqi
Huanga,2018)

7. MOTIVACION
Con este proyecto se espera lograr el análisis óptimo y preciso de factores que influyen
en el flujo de aire dentro de una mina subterránea. El análisis nos permitirá identificar
los factores más relevantes a tener en cuenta para el diseño de un sistema de ventilación.
Aplicar el método de redes neuronales es con la finalidad de obtener gran impacto por
su aporte que nos puede brindar en la minería del Perú. La implementación de la técnica
en el sector minero de por si será novedosa, ya que ha tenido gran influencia en otros
sectores como la medicina y en los negocios.

La principal motivación de realizar este informe es conseguir el objetivo de adaptar

correctamente la técnica al sistema de ventilación de Minas subterráneas y el aporte sea
representativo para su diseño. El diseño adecuado para una ventilación en interior mina
es de suma importancia porque te brinda condiciones de trabajo más seguros.

8. REFERENCIAS BIBLIOGRÁFICAS
 Manuel Sebastián, (14 de Setiembre del 2019). REDES NEURONALES
APLICADAS A LOS NEGOCIOS: ANALISIS DE UN CASO
https://ri.itba.edu.ar/bitstream/handle/123456789/1062/Tesis%20Manuel%20G
%C3%B3mez%20de%20Lima.pdf?sequence=1&isAllowed=y/
 Osinergmin(2018) Análisis Estadístico de Seguridad y Compendio Ilustrativo
de Accidentes en el Sector de Mediana Minería y Gran Minería –
2018.Recuperado de
 SEMINARIO DE INVESTIGACIÓN APLICADA II
2019-2

http://www.osinergmin.gob.pe/seccion/centro_documental/mineria/Documentos
/Publicaciones/Compendio-Ilustrativo-Accidentes-Mineria-2018.pdf
 Yoandrys, M. T., Yusimit Karina, Z. H., Paco, J. V., Mario Paúl, P. V., Joao
Lázaro Bárzaga Quesada, & López Bustamante, R. J. (2018). Comparación
entre redes neuronales artificiales y regresión múltiple para la predicción de la
rugosidad superficial en el torneado en seco. Ingenius, (19), 79-88.
doi:http://dx.doi.org/10.17163/ings.n19.2018.08.
 Matich, D. (2001). Redes Neuronales: Conceptos Básicos y Aplicaciones. (
Cátedra de Informática Aplicada a la Ingeniería de Procesos – Orientación I)
Recuperado de
https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/m
onograias/matich-redesneuronales.pdf
 José r. hilera, / víctor j. Martínez, redes neuronales artificiales, edición: addison-
weley iberoamericana España, 2000
 Linqi Huanga,, Jun Lic, Hong Haob,c, Xibing L(2018) Micro-seismic event
detection and location in underground mines by using Convolutional Neural
Networks (CNN) and deep learning, Tunnelling and Underground Space
Technology(81), 265-276
 Pedro Isasi Viñuela. Redes de Neuronas Artificiales. Ediciones PEARSON,
Pretince Hall,2005
 Carrión Osnayo, Cristian (2018). aplicación de redes neuronales artificiales para
la predicción de la recuperación de planta concentradora en minsur s.a. – unidad
san Rafael. (tesis inédita de bachillerato). universidad nacional de san Agustín
de Arequipa. Arequipa – Perú