Control de tiempos operativos en equipos LHD mediante redes neuronales para la predicción y optimización del costo unitario en mina

Resumen

El propósito de esta investigación fue analizar el alto impacto del monitoreo de tiempos en el transporte de mineral utilizando Scoop LHD, con la aplicación de inteligencia artificial para evaluar de manera óptima los precios unitarios. Se realizó un estudio de planificación y posteriormente se recopiló información (datos). Las diferentes técnicas aplicadas en este análisis se basaron en la observación, lo que nos permitió realizar un monitoreo detallado del equipo LHD. Esta recolección de datos se llevó a cabo necesariamente in situ para poder observar y analizar el proceso de transporte. En este entorno, fue posible determinar el manejo de los diferentes tiempos de tránsito con el equipo LHD. Se demostró que los diferentes tiempos de transporte con el equipo Scoop LHD permiten un incremento del 5.01% en los precios unitarios de transporte, lo que equivale a una pérdida de US$ 168,249.00 por año.

Referencias:

[1] Cotrina, M.; Marquina, J.; Polo, J. (2025). Prediction of unit haulage cost in an underground mine using machine learning techniques. Journal of Sustainable Mining, 24(2), 250–266. DOI: https://doi.org/10.46873/2300-3960.1454

[2] Skoczylas, A.; Rot, A.; Stefaniak, P.; Śliwiński, P. (2023). Haulage cycles identification for wheeled transport in underground mine using neural networks. Sensors, 23(3), 1331. DOI: https://doi.org/10.3390/s23031331

[3] Vásquez, J.C.G.; et al. (2025). Artificial neural networks and support vector machines for estimating operating costs in underground mining. Mineral Economics & Operation Research (pre-print / revista científica). DOI: https://doi.org/10.1016/j.mineng.2025.107626

[4] Simon, V.; et al. (2025). Predicting Haul Truck Travel Times in Underground Mines. Mining and Metallurgical Exploration, (artículo aceptado 2025). DOI: https://doi.org/10.1007/s42461-025-01293-2

[5] Park, S.; Jung, D.; Choi, Y. (2023). Prediction of ore production in a limestone underground mine by combining machine learning and discrete-event simulation techniques. Minerals, 13(6), 608. DOI: https://doi.org/10.3390/min13060830

[6] Cotrina, MA; Marquina, JJ; Riquelme, Á.I. (2025). Comparación de técnicas de aprendizaje automático para la categorización de recursos minerales en un yacimiento de cobre en Perú. Nat Resour Res, 34, 2007–2025.
DOI: https://doi.org/10.1007/s11053-025-10505-x

[7] Kumah, F.N.; et al. (2024). Predicting open-pit mine production using machine learning techniques. International Journal of Mining, Reclamation and Environment, 38(1), 45–62. DOI: https://doi.org/10.1080/17480930.2023.2204567

[8] Cotrina, MA; Marquina, JJ; Mamani, J.N. (2025). Application of artificial neural networks for the categorization of mineral resources in a copper deposit in Peru. World Journal of Engineering, ahead-of-print.
DOI: https://doi.org/10.1108/WJE-01-2025-0004

[9] Cotrina, M.A.; Vera, J.K.; Arango, S.M. (2025). An Intelligent Approach to Predicting Dilution, Overbreak and Costs in Underground Mining Using Kolmogorov-Arnold Networks. Mathematical Modelling of Engineering Problems, 12(3), 815–828.
DOI: https://doi.org/10.18280/mmep.120308

[10] Zhao, J.; et al. (2025). Prediction of open-pit mine truck travel time based on LSTM-TabTransformer. Scientific Reports, (2025). DOI: https://doi.org/10.1038/s41598-025-88543-x

[11] Cotrina, M.; Marquina, J.; Mamani, J.; Arango, S.; Gonzalez, J.; Noriega, E.; Antonio, E. (2025). Hybrid machine learning techniques to predict fuel consumption of dump trucks in an open-pit mine in Peru. International Journal of Mining and Mineral Engineering, 1–20.
DOI: https://doi.org/10.1504/IJMME.2025.145583

[12] Siami-Irdemoosa, E.; et al. (2015). Prediction of fuel consumption of mining dump trucks using artificial neural networks. International Journal of Mining Science and Technology, 25(3), 481–487. DOI: https://doi.org/10.1016/j.ijmst.2015.03.010

[13] Alamdari, S.; et al. (2022). Application of Machine Learning Techniques to Predict Diesel Fuel Consumption of Haul Trucks in Open-Pit Mines. Journal of Mining & Environment, 13(1), 69–85. DOI: https://doi.org/10.22044/jme.2022.11577.2145

[14] Fan, C.; et al. (2024). Using Deep Neural Networks Coupled with Principal Components to Forecast Ore Production Using Truck Haulage Information. Journal of Mining Science & Technology. DOI: https://doi.org/10.1016/S1674-7755(23)00189-0

[15] Kumah, F.N.; Saim, A.; Oppong, M.; Arthur, C. (2024). Predicting open-pit mine production using machine learning techniques. Journal of Sustainable Mining, 23(2), 118–131. DOI: https://doi.org/10.46873/2300-3960.1411

[16] Banasiewicz, A.; Moosavi, F.; Kotyla, M.; Śliwiński, P.; Krot, P.; Wodecki, J.; Zimroz, R. (2023). Forecasting of NOx Emissions of Diesel LHD Vehicles in Underground Mines—An ANN-Based Regression Approach. Applied Sciences, 13(17), 9965.
DOI: https://doi.org/10.3390/app13179965

[17] Witulska, J.; Stefaniak, P.; Jachnik, B.; Skoczylas, A.; Śliwiński, P.; Dudzik, M. (2021). Recognition of LHD Position and Maneuvers in Underground Mining Excavations—Identification and Parametrization of Turns. Applied Sciences, 11(13), 6075.
DOI: https://doi.org/10.3390/app11136075

[18] Backman, S.; Lindmark, D.; Bodin, K.; Servin, M.; Mörk, J.; Löfgren, H. (2021). Continuous Control of an Underground Loader Using Deep Reinforcement Learning. Machines, 9(10), 216. DOI: https://doi.org/10.3390/machines9100216

[19] Mandal, S.K.; Dey, S.; Bhar, C. (2018). Analysis of Factors Which Influence the Cycle Time of Dumpers of Open Cast Coal Mines to Improve Production. Modelling, Measurement and Control C, 78(3), 289–302.
DOI: https://doi.org/10.18280/mmc_c.780303

[20] Meneses, D.; Sepúlveda, F.D. (2023). Modeling Productivity Reduction and Fuel Consumption in Open-Pit Mining Trucks Considering Road Deterioration. Mining, 3(1), 96–105.
DOI: https://doi.org/10.3390/mining3010006