Propuesta de Red Neuronal para Caracterizar el Macizo Rocoso en una Mina Subterránea en el Centro del Perú
Average rating
Cast your vote
You can rate an item by clicking the amount of stars they wish to award to this item.
When enough users have cast their vote on this item, the average rating will also be shown.
Star rating
Your vote was cast
Thank you for your feedback
Thank you for your feedback
Issue Date
2023-11-10Keywords
Caracterización del macizo rocosoRedes neuronales artificiales
Rock mass rating
Incertidumbre
Rock mass characterization
Artificial neural networks
Uncertainty
Metadata
Show full item recordOther Titles
Proposal for a Neural Network to Characterize Rock Mass in an Underground Mine in Central PeruAbstract
En las minas subterráneas, se presentan desafíos en la caracterización del macizo rocoso utilizando los métodos empíricos actuales. Esto se debe a que estos métodos de caracterización están diseñados en función de geologías específicas, y cuando se aplican en entornos geológicos distintos y heterogéneos, surgen incertidumbres en la caracterización de las rocas. Además, en las minas subterráneas, a menudo nos encontramos con rocas altamente fracturadas o situaciones en las que los métodos de clasificación empírica no son aplicables. En los últimos años, se ha utilizado la inteligencia artificial, en particular las Redes Neuronales, para estimar parámetros geomecánicos como el Módulo de Young y la resistencia a la compresión simple. Por lo tanto, es posible utilizar Redes Neuronales Artificiales para determinar el índice RMR (Rock Mass Rating) de la roca. Las Redes Neuronales Artificiales se basan en el aprendizaje, lo que significa que, al proporcionar una gran cantidad de datos para entrenar la red neuronal, este genera resultados con la máxima exactitud posible. En el proceso de caracterización del macizo rocoso de esta investigación, se consideraron como parámetros de entrada para la red neuronal: la condición de las juntas, el espaciamiento, el índice RQD (Rock Quality Designation), la presencia de agua y la resistencia a la compresión simple. Asimismo, se determinó como variable de salida el índice RMR de la roca, ya que este valor se utiliza para la caracterización del macizo rocoso. Los resultados de la investigación demostraron que la aplicación de Redes Neuronales Artificiales logró una precisión de estimación del 99% al determinar el índice RMR. Esto representa un avance significativo en la caracterización del macizo rocoso en entornos mineros subterráneos y contribuye a una toma de decisiones más informada y precisa en cuanto a la ingeniería geotécnica y la seguridad en las minas.In underground mines, challenges arise in the characterization of the rock mass using current empirical methods. This is because these characterization methods are designed based on specific geologies, and when applied in different and heterogeneous geological environments, uncertainties in rock characterization emerge. Furthermore, in underground mines, highly fractured rocks are often encountered, or situations where empirical classification methods are not applicable. In recent years, artificial intelligence, particularly Neural Networks, has been used to estimate geomechanical parameters such as Young's Modulus and uniaxial compressive strength. Therefore, it is possible to use Artificial Neural Networks to determine the Rock Mass Rating (RMR) of the rock. Artificial Neural Networks are based on learning, which means that by providing a large amount of data to train the neural network, it generates results with the highest possible accuracy. In the rock mass characterization process of this research, the following parameters were considered as input for the neural network: joint condition, spacing, Rock Quality Designation (RQD), presence of water, and uniaxial compressive strength. Additionally, the RMR index of the rock was determined as the output variable, as this value is used for rock mass characterization. The research results showed that the application of Artificial Neural Networks achieved an estimation accuracy of 99% when determining the RMR index. This represents a significant advancement in the characterization of rock masses in underground mining environments and contributes to more informed and precise decision-making in geotechnical engineering and mine safety.
Type
info:eu-repo/semantics/bachelorThesisRights
info:eu-repo/semantics/openAccessLanguage
spaCollections