FORMULACIÓN DEL PROBLEMA
¿Cómo es el grado de correlación de las distancias predichas por las redes neuronales de Matlab y las distancias de proyección reales?
PLANTEAMIENTO DEL PROBLEMA DE LA INVESTIGACIÓN
Efecto de la concentración de carga lineal sobre la distancia máxima recorrida por una roca voladora.
OBJETIVOS DE LA INVESTIGACIÓN
- Objetivos generales
- Objetivos específicos
ANTECEDENTES DE LA INVESTIGACIÓN
El modelo neuronal propuesto ha sido capaz de predecir la evolución horaria de la demanda eléctrica con una precisión del 98%.
GENERALIDADES
- Localización geográfica y política del proyecto minero las bambas
- Ubicación Geográfica
- Ubicación Política ................................................................................................ 1 O
- Accesibilidad
- Recursos
- Clima
- Flora
- Topografia
- Reseña histórica
- Geología
- Geomorfología e hidrogeología
- Geología regional
- Geología local
- Geología del tajo Ferrobamba
J;> 2002 - Centromín continúa el proyecto y realiza 35 pruebas químicas para oro y plata en el área de Las Bambas. La mineralización de cobre en Las Bambas se localiza principalmente en contactos calizos de la Formación Ferrobamba y rocas intrusivas de edad Terciaria (granodiorita, monzonita de cuarzo y diorita de cuarzo).
BASES TEÓRICAS
- Predicciones
- Métodos de predicciones
- Medición de Errores
- Fundamentos teóricos de las redes neuronales
- Fundamentos biológicos de las redes neuronales
- Redes neuronales artificiales
- Redes Perceptron Multicapa
- Introducción
- Arquitecturas
- Algoritmo de retropropagación
- Matlab
- l Matlab
- Neural network toolbox del Matlab
- Redes neuronales en Matlab
- Algoritmo backpropagation (Pepectrón Multicapa)
- Regresión multivariable
- Definición de análisis multivariante
- Áreas de aplicación del análisis multivariante
- Clasificación de las técnicas multivariantes
- Kinovea
- Explosivo
- O Clasificación de los explosivos
- Explosivos Mecánicos
- Explosivos Nucleares
- Explosivos Químicos
- Explosivos Comerciales
- Explosivos Deflagrantes
- Detonación y deflagración
- Propiedades de los explosivos
- Tecnología de las emulsiones
- Emulsión
- Características de una emulsión
- Geomecánica aplicado a la voladura
- Los efectos de la geología en la voladura.,
- Macizo rocoso
- Técnicas de clasificación de macizos rocosos
- Resistencia compresiva de la roca
- Índice de la calidad de la roca- RQD
- Espaciamiento de juntas
- Condición de juntas
- Corrección por orientación
- Uso de las clasificaciones geomecánicas del macizo rocoso para la estimación
- Voladura en superficie
- Objetivos de la voladura
- Voladura en bancos
- Tipos
- Parámetros de voladura en los bancos
- Criterio de selección de explosivos
En general, todas las neuronas de una capa están conectadas a todas las neuronas de la capa inmediatamente siguiente. Es el algoritmo mediante el cual se ajustan todos los parámetros de la red. Donde s(n) es la salida del modelo, y(n) la salida recibida de la red, t el número de neuronas de salida y N el número de modelos.
Estos gráficos son muy útiles para estudiar la convergencia y estabilidad de los algoritmos de aprendizaje. Esta función toma como argumentos el nombre de la red que desea entrenar (y que debe haber sido creada previamente) y patrones que consisten en vectores de entrada (concatenados en una matriz "a") y sus correspondientes salidas (todos en una matriz "p"). ). La densidad del explosivo nos permite determinar el peso de la carga explosiva por metro.
Los resultados de las voladuras están más influenciados por las propiedades de la roca que por las propiedades de los explosivos. Ejecución adecuada de cargas de explosivos a granel en terrenos cavernosos o con baches.
MARCO CONCEPTUAL
Es un fenómeno superficial donde el frente de deflagración se propaga a través del explosivo en capas paralelas, a una velocidad baja que generalmente no supera los 1.000 m/s. . e) Detonación. Al detonar explosivos, la velocidad de las primeras moléculas gaseadas es tan grande que no desprenden su calor por conducción a la zona inalterada de la carga, sino que lo transfieren por impacto, deformándola y produciendo calentamiento y explosión adiabática con la generación. . de nuevos gases. Las condiciones de carga (carga insuficiente para el diámetro utilizado o presencia de roca débil en la cara) generalmente producen Flyrock desde el frente de la cara. . g) Emulsión.
Mezcla estable de al menos dos líquidos mutuamente inmiscibles, cada uno de los cuales forma una fase independiente. h) Entrenamiento de la red neuronal. Presenta entrada y salida para que las redes neuronales ajusten la salida modificando los pesos. . i) Explosivos. Esto se dice cuando se realizan varias pruebas seguidas sobre redes neuronales artificiales, con el objetivo de que las neuronas artificiales lo sean.
HIPÓTESIS DE LA INVESTIGACIÓN
- Hipótesis específico
VARIABLES
TIPO Y ALCANCE DE LA INVESTIGACIÓN
Los cálculos realizados para encontrar la distancia mediante la regresión multivariable se muestran en la TABLA.23 y fueron calculados en una hoja de Excel, los datos son los mismos parámetros de entrada utilizados en el cálculo de la distancia predicha por las redes neuronales artificiales. El número de neuronas en la capa de salida de nuestra red es uno, porque solo estamos tratando de predecir el valor de la variable para la distancia recorrida por la roca plana en la trinchera de Ferrobamba, como se muestra en la siguiente figura. El entrenamiento de la red utiliza la técnica de descenso de gradiente inmersa en el algoritmo de retropropagación.
La implementación del modelo se realizó mediante la técnica de Redes Neuronales Artificiales. Usando el siguiente orden, estas variables se definieron como la entrada y salida de la red neuronal. El coeficiente de determinación (R 2 ) para la regresión multivariada y la red neuronal fue de 0,915 y 0,987, respectivamente, como se muestra en las figuras.
MÉTODO Y DISEÑO DE LA INVESTIGACIÓN
- Método
- Métodos de predicción
- Diseilo de la investigación
POBLACIÓN Y MUESTRA
- Población
Los datos utilizados para utilizar la regresión multivariada son: . Concentración de carga lineal, factor de carga, carga, RMR e índice de calidad de roca. Los datos de carga, vástago, profundidad de perforación y carga fueron recolectados y registrados en campo como se muestra en la TABLA 23, con mediciones reales de estos parámetros además de la comparación con los parámetros de diseño establecidos por la empresa minera. Fue el conjunto de datos que sirvió a la red neuronal para aprender los patrones presentes en los datos, es decir, obtener los pesos de la red.
Ha sido posible predecir las distancias recorridas por la roca inducida por la explosión utilizando la red neuronal artificial de Matlab, proporcionando una solución alternativa para predecir la roca inducida por la explosión en la trinchera de Ferrobamba utilizando las seis variables independientes que se han seleccionado. tales como: concentración de la carga lineal, deformación, derivación, factor de deformación, RQD y RMR. La importancia de utilizar redes neuronales Matlab, como se vio anteriormente, integra muchas variables independientes para un análisis más completo de la predicción de fenómenos incontrolables como fly rock, además de un adecuado ajuste a distancias reales. Los datos geológicos y geotécnicos son de crucial importancia, ya que tienen una gran influencia en la proyección de la roca como se muestra en el análisis de datos, por lo que se recomienda integrar estos datos y zonificarlos en los planes de carga, ya que muchas veces se utilizan diseños de carga inadecuados. por la calidad y dureza de la roca.
METO DOS TECNICAS E INTRUMENTOS DE RECOLECCIÓN DE DATOS
- Metodología
- Sobre datos para la regresión multivariable
- Sobre datos para el kinovea
- Métodos de pronóstico
- Metodología para la implementación de las redes neuronales
- Fuente
ANÁLISI S E INTERPRETACIÓN DE DATOS
- Predicción de flyrock por el KINOVEA
- Predicción de flyrock por el análisis de la regresión multivariable MVRA
Para un correcto análisis con el software KINOVEA es necesario conocer la velocidad de grabación de la cámara, lo cual es de crucial importancia para el trabajo, ya que el cálculo de la velocidad se basa en las imágenes por fotograma. Segundo grabado por la cámara. , la calibración de velocidad se realiza en la pestaña Configuración Una longitud de tapón insuficiente y/o un material de tapón inadecuado pueden producir roca flotante a partir del material del tapón y roca suelta en el collar. Se identificaron las distancias máximas proyectadas por fragmentos mayores a 10 cm, mediante el uso de GPS y ganando del montón de material de granalla, levantamiento por taludes, niveles y proyectos de granalla como se muestra en la TABLA. Para un correcto análisis con el software KJNOVEA es necesario conocer la velocidad de grabación de la cámara, lo cual es crucial para el trabajo, ya que el cálculo de la velocidad se basa en los cuadros por segundo registrados por la cámara. , se realiza la calibración de velocidad. en la pestaña Opciones Muchas veces, durante el proceso de entrenamiento de la red, ocurre un problema llamado sobreajuste (ocurre cuando la red solo aprende puntos individuales en lugar de puntos generales) para evitarlo; Se tuvo que incluir un conjunto de validación durante el proceso de aprendizaje de la red. El error cuadrático medio, calculado como la diferencia entre la salida de la red y la respuesta deseada. El objetivo del entrenamiento es encontrar un conjunto de pesos entre neuronas que determinen el mínimo global de la función de error. 63 m, detenido en la época 15 como se ve en la figura siguiente, de la imagen se puede interpretar que los niveles de error disminuyen para épocas posteriores, estabilizándose en el entrenamiento, las líneas de validación y el conjunto de pruebas en el que se determinó lo mejor. actuación. El valor del error absoluto medio fue de 3,92 m en el caso de regresión multivariable y de 0,25 en el caso de redes neuronales, de manera similar el error cuadrático medio de la regresión multivariable fue de 6,5 y en el caso de redes neuronales el error cuadrático medio fue de 2. Como se muestra en la figura 61, el efecto del flujo sobre la distancia recorrida por las rocas, para mineral y sobrecarga, tiene una correlación negativa (ver tablas 25 y 26), el coeficiente de Pearson para sudor y mineral es -0.694 y -0.163, respectivamente, la mejor correlación se presenta en la sobrecarga y es lógico que para longitudes de tallo mayores las distancias recorridas por las rocas serán menores, en el caso de la configuración de flujo para mineral Se observa que las longitudes de los bloques no son muy variables pero sí alcanzan distancias muy considerables, esta variable requiere una un mayor control en la calidad de la cobertura, o en todo caso el aumento de la duración de la misma, para evitar alcanzar duraciones excesivas. Como se muestra en la Figura 64, el efecto del RMR sobre la distancia recorrida por la roca volante, para mineral y sobrecarga, tiene una correlación negativa (ver Tablas 25 y 26), siendo el coeficiente de Pearson para sobrecarga y mineral -0,613 y -0,850 respectivamente, como Se puede observar, el comportamiento de la RMR en los disparos minerales tiene una correlación negativa muy significativa, se observa que los máximos afloramientos de roca se presentan en los valores más bajos de la RMR, la razón de estas variaciones muestra en ambos casos un mal control. de este parámetro, dependiendo de la resistencia del tipo de roca, ya que esta información actualmente no está integrada en los diseños de carga y tiene un mayor control en cuestiones puramente operativas. Los parámetros de voladura y datos geotécnicos inciden directamente en el cálculo de la predicción de la distancia recorrida por la roca volante, los parámetros como carga, deformación, factor de carga y concentración de carga lineal son controlables, ya que dependen principalmente de problemas operativos, por otro. Por otro lado, RQD y RMR son variables incontrolables, por lo que muchas veces no se puede realizar un control efectivo y peor aún cuando esta información no está disponible bajo carga de perforación.METODOLOGÍA PARA LAS REDES NEURONALES
