Journal of Advanced Mining Modeling

Predicción de la resistencia a la compresión del hormigón mediante regresión lineal múltiple (OLS) y preprocesamiento de datos

2026-01-01T23:09:07+00:00

La seguridad y estabilidad de los sistemas de soporte y revestimiento constituyen un aspecto crítico en los proyectos de ingeniería minera, debido a las altas exigencias estructurales impuestas por las condiciones operativas, especialmente en minería subterránea. El objetivo principal de este estudio fue evaluar la capacidad de modelos de regresión lineal múltiple (OLS) para predecir la resistencia a la compresión del hormigón, analizando el efecto de diferentes técnicas de preprocesamiento de datos sobre su desempeño predictivo. La metodología adoptó un enfoque cuantitativo y se basó en el análisis de un conjunto de datos experimentales compuesto por más de 1000 mezclas de hormigón, considerando variables asociadas a la dosificación de los materiales y a la edad de curado. Se desarrollaron y compararon tres configuraciones de modelado: predictores sin transformación, predictores estandarizados y predictores transformados mediante la función log(x+1). El desempeño de los modelos se evaluó utilizando el Error Cuadrático Medio (MSE) y el coeficiente de determinación R². Los resultados obtenidos muestran que los modelos construidos con datos originales y estandarizados presentaron un comportamiento similar, con valores de R² cercanos a 0.351 en el conjunto de prueba. En contraste, la transformación logarítmica permitió reducir el MSE de prueba a aproximadamente 55 MPa² e incrementar el R² hasta valores próximos a 0.750, evidenciando una mejora sustancial en la precisión y capacidad de generalización del modelo. El alcance de estos resultados se orienta al uso del modelo como una herramienta predictiva de apoyo de control de calidad del hormigón en aplicaciones mineras. En conclusión, la regresión lineal múltiple combinada con un preprocesamiento adecuado mediante transformación logarítmica constituye una alternativa eficiente y confiable para la estimación de la resistencia a la compresión del hormigón, manteniendo una interpretación clara de los resultados y aportando soporte practico para la toma de decisiones técnicas en minería.

Referencias

[1]. Yeh, I.C. (1998). Modeling of strength of high-performance concrete using artificial neural networks. Cement and Concrete Research, 28(12), 1797–1808.

DOI: https://doi.org/10.1016/S0008-8846(98)00165-3

[2]. Yeh, I.C. (2007). Modeling concrete strength with augment-neuron networks. Cement and Concrete Research, 37(7), 1063–1070.

DOI: https://doi.org/10.1016/j.cemconres.2007.03.013

[3]. Asteris, P.G.; Mokos, V.G. (2020). Concrete compressive strength prediction using machine learning techniques. Neural Computing and Applications, 32, 15807–15828.

DOI: https://doi.org/10.1007/s00521-019-04663-2

[4]. Chou, J.S.; Pham, A.D. (2013). Enhanced artificial intelligence for predicting high-performance concrete compressive strength. Construction and Building Materials, 49, 554–563.

DOI: https://doi.org/10.1016/j.conbuildmat.2013.08.078

[5]. Neville, A.M. (2011). Properties of Concrete (5th ed.). Pearson Education Limited.

[6]. Ahmad, A.; Farooq, F.; Ostrowski, K.A. (2021). Prediction of concrete compressive strength using machine learning algorithms. Materials, 14(15), 4141.

DOI: https://doi.org/10.3390/ma14154141

[7]. Asteris, P.G.; Argyropoulos, I.; Cavaleri, L. (2021). Predicting concrete strength using hybrid machine learning models. Applied Sciences, 11(7), 3036.

DOI: https://doi.org/10.3390/app11073036

[8]. Behnood, A.; Golafshani, E.M. (2018). Predicting the compressive strength of silica fume concrete using hybrid models. Construction and Building Materials, 170, 726–736.

DOI: https://doi.org/10.1016/j.conbuildmat.2018.03.086

[9]. Ashrafian, A.; Nikoo, M.; Kadivar, A. (2020). Prediction of concrete strength using statistical learning methods. Structures, 28, 288–299.

DOI: https://doi.org/10.1016/j.istruc.2020.08.021

[10]. Mansouri, I.; Hu, J.W. (2021). Application of machine learning techniques for predicting concrete strength. Journal of Building Engineering, 43, 102494.

DOI: https://doi.org/10.1016/j.jobe.2021.102494

[11]. UCI Machine Learning Repository. (2019). Concrete Compressive Strength Dataset. University of California, Irvine.

DOI: https://doi.org/10.7717/peerj-cs.154/table-6

[12]. Cortes, C.; Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273–297.

DOI: https://doi.org/10.1007/BF00994018

[13]. Montgomery, D.C.; Peck, E.A.; Vining, G.G. (2012). Introduction to Linear Regression Analysis (5th ed.). Wiley.

DOI: https://doi.org/10.1111/biom.12129

[14]. Kutner, M.H.; Nachtsheim, C.J.; Neter, J. (2005). Applied Linear Statistical Models. McGraw-Hill.

DOI: https://doi.org/10.2307/1271154

[15]. James, G.; Witten, D.; Hastie, T.; Tibshirani, R. (2021). An Introduction to Statistical Learning (2nd ed.). Springer.

DOI: https://doi.org/10.32614/cran.package.islr2

[16]. Bishop, C.M. (2006). Pattern Recognition and Machine Learning. Springer.

DOI: https://doi.org/10.1007/978-0-387-45528-0_7

[17]. Kuhn, M.; Johnson, K. (2013). Applied Predictive Modeling. Springer.

DOI: https://doi.org/10.1007/978-1-4614-6849-3

[18]. Hyndman, R.J.; Koehler, A.B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688.

DOI: https://doi.org/10.1016/j.ijforecast.2006.03.001

[19]. Flores, R.; Valderrama, L. (2021). Evaluation of metallurgical process indicators using percentage-based error metrics. Minerals, 11(8), 864.

DOI: https://doi.org/10.3390/min11080864

[20]. Bendaña, D.; Combes, F. (2016). Performance assessment in flotation circuits using error metrics. Minerals Engineering, 95, 57–66.

DOI: https://doi.org/10.1016/j.mineng.2016.05.018

[21]. ASTM C39/C39M. (2021). Standard Test Method for Compressive Strength of Cylindrical Concrete Specimens. ASTM International.

[22]. Yeh, I.C. (2006). Analysis of strength of concrete using data mining techniques. Cement and Concrete Research, 36(5), 879–884.

DOI: https://doi.org/10.1016/j.cemconres.2005.11.005

[23]. Hoang, N.D. (2020). Predicting concrete strength using regression and machine learning. Engineering with Computers, 36, 225–235.

DOI: https://doi.org/10.1007/s00366-018-0660-5

[24]. Gandomi, A.H.; Alavi, A.H. (2012). A new multi-gene genetic programming approach to nonlinear system modeling. Engineering Applications of Artificial Intelligence, 25(3), 577–587.

DOI: https://doi.org/10.1016/j.engappai.2011.09.010

[25]. Topçu, I.B.; Sarıdemir, M. (2008). Prediction of compressive strength of concrete containing fly ash using artificial neural networks. Computers & Materials Science, 41(3), 305–311.

DOI: https://doi.org/10.1016/j.commatsci.2007.04.009

[26]. Erdem, H.; Gül, R. (2012). Prediction of the compressive strength of cement mortar. Construction and Building Materials, 30, 804–812.

DOI: https://doi.org/10.1016/j.conbuildmat.2011.12.011

[27]. Safari, M.; Faradonbeh, R.S. (2018). Reliability-based prediction of concrete strength. Structural Concrete, 19(5), 1425–1436.

DOI: https://doi.org/10.1002/suco.201700234

[28]. Khosravi, K.; Daggupati, P.; Pham, B.T. (2019). Machine learning approaches for predicting concrete strength. Applied Soft Computing, 75, 563–576.

DOI: https://doi.org/10.1016/j.asoc.2018.11.032

[29]. Lin, Y.; Chen, M.; Li, Y. (2020). Data-driven prediction of concrete properties for engineering applications. Automation in Construction, 119, 103325.

DOI: https://doi.org/10.1016/j.autcon.2020.103325

[30]. ACI Committee 211. (2002). Standard Practice for Selecting Proportions for Normal, Heavyweight, and Mass Concrete. American Concrete Institute.

DOI: https://doi.org/10.14359/10987

Implementación del algoritmo K-Nearest Neighbors para la predicción de desprendimiento de taludes de mina a cielo abierto

2026-01-04T04:54:39+00:00

El propósito de este estudio fue analizar el uso del método K-Nearest Neighbors. para anticipar desprendimientos en taludes de minería superficial, mediante el uso de los parámetros de cada talud. El examen de los peligros de deslizamientos en pendientes en una mina a cielo abierto se puede describir como la evaluación del peligro de colapso de estas construcciones, siendo fundamental para asegurar la seguridad. Para lograr esto, es imperativo supervisar estas estructuras y evaluar todas las variables que podrían influir en su estabilidad. Se empleó un enfoque cuantitativo, realizando una evaluación del factor de seguridad estable (ST), medio estable (OF) e inestable (FSB), considerando la distancia de los K=11 vecinos más cercanos, las relaciones geomecánicas de los parámetros ayudo mucho en las predicciones de los taludes si tienen mayor estabilidad, con la implementación del algoritmo se obtuvieron resultados muy eficaces para la predicción de taludes, lo cual se muestran en una clasificación de precisión de 0.90, sensibilidad (recall) 0.90, F1-score 0.90 de estabilidad del talud (ST) y Accuracy (Exactitud): 83.33%. Finalmente, el método KNN es una alternativa confiable para evaluar las predicciones de condiciones estables de taludes en minería a cielo abierto, lo cual el valor k tiene una eficaz de predicción de 73.73%, ya que facilita la toma de decisiones técnicas y que contribuye en la reducción del riesgo de desprendimientos a partir de un análisis de las variables de talud.

Referencias

[1] V. Hanna Castro, «Evaluación de tecnologías hiperespectrales en la caracterización mineral de yacimientos para aplicaciones geometalúrgicas: Caso aplicado a Mina Florida, Distrito Minero Alhué, Región Metropolitana, Chile», 2017. https://repositorio.uchile.cl/handle/2250/149764

[2] V. M. Cangussu, «Proposta de modelo de predição da condição de estabilidade de taludes de mina com uso do algoritmo K-Nearest Neighbors.», 2022. http://www.monografias.ufop.br/handle/35400000/4105

[3] F. M. P. Reis, «Aplicação de técnicas de aprendizado de máquina para análise da condição de estabilidade de taludes de mina: redes neurais artificiais.», 2022. http://www.monografias.ufop.br/handle/35400000/4525

[4] P. P. Catari Colque et al., «Optimización del diseño de talud en minería superficial mediante el método de elementos finitos», Rev. Digit. Novasinergia, vol. 8, n.^o 1, pp. 33-51, jun. 2025, doi: 10.37135/ns.01.15.09.

[5] G. B. Frainz, «Análise da estabilidade de talude ferroviário sob influência de cargas e vibrações utilizando modelos de aprendizado de máquina», ago. 2024. https://hdl.handle.net/1843/78421

[6] G. X. Mesquita, «Classificação geomecânica de taludes dos cânios do rio Poty segundo os sistemas RQD, Q, RMR e SMR», 2025. http://repositorio.ufc.br/handle/riufc/80103

[7] D. B. Yánez Borja y L. Jordá Bordehore, «Aplicación de la metodología de análisis empírico Q Slope para evaluación de taludes en la provincia Bolívar, caso de estudio vía Guaranda - Echeandía», Thesis, ESPOL. FICT, 2021. http://www.dspace.espol.edu.ec/handle/123456789/53899

[8] «Modificación del Sistema GSI en función de la Escala de Análisis de Estabilidad de Taludes en Macizos Rocosos - ProQuest». https://www.proquest.com/openview/d9d74ee783443d85b05bc6228d82d58a/1?pq-origsite=gscholar&cbl=2026366&diss=y

[9] S. Zhang, «Challenges in KNN Classification», IEEE Trans. Knowl. Data Eng., vol. 34, n.^o 10, pp. 4663-4675, oct. 2022, doi: 10.1109/TKDE.2021.3049250.

[10] F. C. Canales Soto, «Aplicación y evaluación de modelos de machine learning y deep learning en la predicción de consumo energético en molienda SAG», 2024, https://repositorio.uchile.cl/handle/2250/202615

[11] J. A. Pinedo Ramirez y F. J. Grados Acosta, «Modelo predictivo de planificación operativa bajo el enfoque de machine learning para gestionar los tiempos de ciclo del volquete en una mina subterránea», Univ. Peru. Cienc. Apl. UPC, nov. 2023, https://repositorioacademico.upc.edu.pe/handle/10757/670723

[12] N. Arcila Quintero, «Predicción de alertas de falla para planes de monitoreo geotécnico aplicando el método del inverso de la velocidad acoplado con algoritmos de aprendizaje supervisado», nov. 2022. https://repositorio.unal.edu.co/handle/unal/82998

[13] L. R. C. Silveira, M. S. Lana, y T. B. dos Santos, «Machine learning applied to the prediction of rockfall slope probability», Res. Soc. Dev., vol. 11, n.^o 10, pp. e89111032603-e89111032603, jul. 2022, doi: 10.33448/rsd-v11i10.32603

Optimización de Red Neuronal para Detección de Zonas Inestables en Macizo Rocoso mediante Procesamiento Digital de Imágenes

2026-01-08T03:41:35+00:00

Este estudio aborda la optimización y entrenamiento de una red neuronal convolucional (CNN) orientada a la detección y segmentación de zonas inestables en macizos rocosos mediante procesamiento digital de imágenes. Para ello, se implementó la arquitectura YOLO v8 en el lenguaje de programación Python, aprovechando sus capacidades de aprendizaje profundo. El objetivo principal fue desarrollar una herramienta rápida y eficaz que permita identificar áreas potencialmente peligrosas en operaciones mineras, especialmente en entornos subterráneos, con el fin de fortalecer la seguridad en el sector. La metodología incluyó el entrenamiento de la CNN con una base de imágenes recolectadas en los alrededores de Huamachuco, complementada con la revisión de investigaciones previas que aplicaron soluciones basadas en YOLO a problemas similares. Los resultados evidencian que el procedimiento propuesto es adecuado para lograr una detección y segmentación efectiva de zonas inestables en macizos rocosos. En conclusión, la solución planteada tiene el potencial de mejorar significativamente la seguridad minera al ofrecer una herramienta confiable para la identificación de áreas de riesgo. Palabras clave: Red neuronal convolucional (CNN); procesamiento digital de imágenes; macizo rocoso; zonas inestables; optimización; aprendizaje profundo; entrenamiento; YOLO v8.

Referencias

[1] O. J. R. Olarte, «Técnicas de inteligencia artificial utilizadas en el procesamiento de imágenes y su aplicación en el análisis de pavimentos,» Revista EIA, pp. 189-207, 2019. DOI: https://doi.org/10.24050/reia.v16i31.1215

[2] Salima Nebti, «Inteligencia artificial de enjambre para reconocimiento facial,» ScienceDirectet, 2017. DOI: https://doi.org/10.1016/j.swevo.2016.07.001

[3] Á. D. Mario, Optimización de una red convolucional para la detección de melanomas en imágenes demoscópicas, 2020. DOI: https://doi.org/10.24054/rcta.v1i39.1378

[4] O. Palacios Prades, «Redes neuronales artificiales para el procesamiento de imágenes, una revisión de la última década,» Escola d' Enginyeria (UAB), 2017. DOI: https://doi.org/10.26507/ponencia.1565

[5] J. A. Ramírez Q. y M. I. Chacón M., «Redes neuronales artificiales para el procesamiento de imágenes, una revisión de la última década,» RIEEC, 2016. DOI: https://doi.org/10.4272/978-84-9745-246-5.ch6

[6] X. Song, S. Gao y C. Chen, «A multispectral feature fusion network for robust pedestrian detection,» Alexandria Engineering Journal, p. 73–85, 2021. DOI: https://doi.org/10.1016/j.aej.2020.05.035

[7] J. Chahua J., «Predicción de deslizamientos desencadenados por lluvias con métodos de inteligencia artificial,» lareferencia, 2022. DOI: https://doi.org/10.11144/javeriana.10554.61566

[8] E. Ferrante, «Inteligencia artificial para el análisis de imágenes médicas,» 2021.

DOI: https://doi.org/10.1016/j.swevo.2016.07.001

[9] E. Silva, Entrenamiento de la Red Neuronal Convolucional YOLO para objetos propio, 2020. DOI: https://doi.org/10.14201/gredos.158770

[10] J. Redmon, S. Divvala, R. Girshick y A. Farhadi, You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, 2016. DOI: https://doi.org/10.1016/j.iot.2023.100881

[11] C. Bonilla Carrión, Redes Neuronales, 2020. DOI: https://doi.org/10.1016/j.bbe.2016.06.008

[12] J. Martinez, «Redes neuronales convolucionales en profundidad,» 2018.

DOI: https://doi.org/10.3390/app14146294

[13] Departamento de Matemática Aplicada, «Redes Neuronales Convolucionales,» 2021. DOI: https://ieeexplore.ieee.org/document/7780460

[14] J. Redmon, S. Divvala, R. Girshick y A. Farhadi, «You Only Look Once: Unified, Real-Time Object Dtection,» 2016. DOI: https://doi.org/10.47460/uct.v27i118.686

[15] Y. Bengio, «Practical Recommendations for Gradient-Based Training of Deep Architectures,» 2012. DOI: https://doi.org/10.35537/10915/90903

[16] R. Salas, «Redes Neuronales Artificiales,» 2004. DOI: https://doi.org/10.35537/10915/90903

[17] R. Robalino, A. Getino y R. J., Matemática oculta bajo el proceso de aprendizaje en redes neuronales convolucionales. DOI: https://doi.org/10.48550/arXiv.1506.02640

[18] R. Borja Robalino, A. Monleón Getino y J. Rodellar, Matemática oculta bajo el proceso de aprendizaje en redes neuronales convolucionales, 2022. DOI: https://doi.org/10.1007/978-3-642-35289-8_26

[19] B. Montenegro y M. Flores Calero, «Pedestrian detection at daytime and nighttime conditions based on YOLO-v5,» INGENIUS, 2022. DOI: https://doi.org/10.4272/978-84-9745-246-5.ch1

[20] R. Flores y J. Fernandez, «Las Redes Neuronales Artificiales Fundamentos teóricos y aplicaciones prácticas.». DOI: https://doi.org/10.37811/cl_rcm.v6i5.3158

[21] L. Everingham, C. K. I. Van Gool, J. W. Williams y A. Zisserman., «The Pascal Visual Object Classes (VOC) Challenge,” International Journal of Computer Vision,» 2010. DOI: https://doi.org/10.37811/cl_rcm.v6i5.3158

[22] Nebti, Salima; Boukerram, A., «Swarm intelligence inspired classifiers for facial recognition,» DOI: https://doi.org/10.1109/icsp62122.2024.10743933

[23] F. Yua, G. Xiang, F. Zhao, X. Wang, H. Liu, P. Lin y. Chen, «Improved YOLO-v5 model for boosting face mask recognition accuracy on heterogeneous IoT computing platforms,» 2023. DOI: https://dialnet.unirioj|a.es/servlet/libro?codigo=395241

[24] P. Ebenezer, «Automated object and image level classification of TB images using support vector neural network classifier,» 2016. DOI: https://doi.org/10.1007/s11263-009-0275-4