Desarrollo de un modelo predictivo basado en redes neuronales (LSTM) para predecir las demoras operativas en el proceso de carguío y acarreo en una operación minera subterránea en el centro del Perú

Abstract

La presente investigación tiene como objetivo desarrollar un modelo predictivo basado en redes neuronales (LSTM) para predecir demoras operativas en el proceso de acarreo y transporte en una mina subterránea en el centro del Perú. El estudio se enfoca en la empresa Pegama Ingenieros, tercerista de la unidad minera Yauricocha, la cual enfrenta problemas en la gestión de su flota de volquetes de bajo perfil. La metodología contempla la identificación y análisis de variables críticas (como tiempos de ciclo, velocidad promedio, carga útil, disponibilidad del equipo, congestión de rutas y operador asignado) a partir de datos históricos extraídos del sistema de monitoreo de flota. Estos datos fueron sometidos a un proceso de depuración, codificación y normalización para su estructuración en series temporales. Posteriormente, se diseñó y entrenó una red LSTM con funciones de activación no lineales y regularización por Dropout, evaluando su rendimiento mediante métricas como MAE y RMSE. La validación del modelo se realizó comparando sus predicciones con los datos reales a través de una gráfica de dispersión, el cual ayuda a identificar correlaciones, sesgos o patrones sistemáticos. Se espera que el modelo contribuya a la optimización del ciclo de acarreo mediante alertas predictivas, apoyando la toma de decisiones operativas en tiempo real. Este enfoque representa un aporte significativo a la gestión inteligente del transporte minero, promoviendo la eficiencia, sostenibilidad y competitividad del sector.

The present research aims to develop a predictive model based on Long Short-Term Memory (LSTM) neural networks to forecast operational delays in the hauling and transportation process within an underground mine located in central Peru. The study focuses on Pegama Ingenieros, a subcontractor operating at the Yauricocha mining unit, which faces challenges in managing its fleet of low-profile trucks. The methodology includes the identification and analysis of critical variables (such as cycle times, average speed, payload, equipment availability, route congestion, and assigned operator) based on historical data extracted from the fleet monitoring system. These data were subjected to cleaning, encoding, and normalization processes to structure them as time series. Subsequently, an LSTM network was designed and trained using non-linear activation functions and Dropout regularization, with its performance evaluated through metrics such as MAE and RMSE. The model was validated by comparing its predictions with actual data using a scatter plot, which helped identify correlations, biases, or systematic patterns. The model is expected to contribute to the optimization of the hauling cycle through predictive alerts, supporting real-time operational decision-making. This approach represents a significant contribution to the intelligent management of mining transportation, promoting efficiency, sustainability, and competitiveness in the sector.