Optimización multiobjetivo del sostenimiento en excavaciones subterráneas mediante elementos finitos y Machine Learning

Autores/as

  • Calec Salinas Lazaro Universidad Nacional de Trujillo image/svg+xml
  • Kurmy de Cristal Parí Mamani

DOI:

https://doi.org/10.17268/jamm.2026.010

Palabras clave:

sostenimiento subterráneo, RS2, machine learning, NSGA-II, optimización multiobjetivo

Resumen

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

17.11.2026

Número

Sección

Artículos Originales

Categorías

Cómo citar

Optimización multiobjetivo del sostenimiento en excavaciones subterráneas mediante elementos finitos y Machine Learning. (2026). Journal of Advanced Mining Modeling, 2(2). https://doi.org/10.17268/jamm.2026.010