Optimización multiobjetivo del sostenimiento en excavaciones subterráneas mediante elementos finitos y Machine Learning
DOI:
https://doi.org/10.17268/jamm.2026.010Palabras clave:
sostenimiento subterráneo, RS2, machine learning, NSGA-II, optimización multiobjetivoResumen
En la minería subterránea peruana el sostenimiento se elige con sistemas empíricos de clasificación que no equilibran costo y desempeño, y los datos geomecánicos disponibles suelen provenir de estudios con inconsistencias internas. El objetivo de este estudio fue proponer un marco metodológico que integre el método de elementos finitos en RS2, modelos de machine learning y el algoritmo NSGA-II para optimizar el sostenimiento, y preparar su aplicación en la Galería San Juan de la Unidad Minera Kolquewasi. Se revisaron los datos de seis estaciones geomecánicas de una tesis, se recalcularon los parámetros de Hoek y Brown y el módulo del macizo, y se definieron las etapas del marco: modelo numérico de referencia con relajación del frente, diseño de experimentos por hipercubo latino con nueve variables y cinco familias de sostenimiento, modelos sustitutos comparados por validación cruzada y optimización biobjetivo de costo por metro de avance y desplazamiento. El macizo presentó una valoración entre 47 y 55, un índice Q entre 1,0 y 7,8, un índice de resistencia geológica entre 49 y 63 y una resistencia de la roca intacta de 90,2 megapascales. Se identificaron y corrigieron siete inconsistencias; solo el índice de resistencia geológica de los anexos reprodujo los parámetros de la fuente en las seis estaciones, y usar el de la tabla resumen habría subestimado la constante del macizo entre 16 y 34 por ciento y su módulo de deformación entre 17 y 35 por ciento en tres estaciones. Se definieron tres dominios geomecánicos y se verificó que ningún método de la fuente define la combinación de sostenimiento de menor costo. Se concluye que el marco convierte una recomendación cualitativa en alternativas trazables y comparables. Su aporte es trasladar este enfoque a labores mineras de pequeña sección e incorporar la depuración de datos secundarios como etapa obligatoria.
Publicado
Licencia
Derechos de autor 2026 Calec Salinas Lazaro, Kurmy de Cristal Parí Mamani

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores aceptan los siguientes términos:
- Los autores conservan íntegramente sus derechos de autor, incluyendo los derechos sobre ideas, métodos, procesos, procedimientos, modelos, datos y resultados descritos en el artículo, así como cualquier derecho de marca o patente que pudiera derivarse del trabajo.
- Los autores conceden a Journal of Advanced Mining Modeling (JAMM) el derecho de primera publicación y autorización para difundir el artículo a través de su plataforma oficial, repositorios institucionales, bases de datos académicas, sistemas de indexación y otros canales de divulgación científica.
- Los autores pueden celebrar acuerdos contractuales adicionales, de manera independiente y no exclusiva, para la distribución de la versión publicada del artículo (por ejemplo, depositarlo en repositorios institucionales, publicarlo como capítulo de libro o incluirlo en compilaciones académicas), siempre que se cite de forma adecuada la publicación inicial en Journal of Advanced Mining Modeling (JAMM).
- Toda reutilización del contenido deberá incluir la referencia completa del artículo y el reconocimiento explícito de su publicación original en Journal of Advanced Mining Modeling (JAMM), indicando autores, título del trabajo, volumen, número y año de publicación.
Todos los artículos se publican bajo la licencia
