Desarrollo de modelos predictivos de regresión en la industria minera cuprífera mediante el uso de redes neuronales artificiales (RNA)

Abstract

La presente investigación se enfocó en el desarrollo de herramientas de inteligencia artificial (IA) dentro del ámbito minero, específicamente a través de modelos predictivos de regresión, centrándose en la industria del cobre. Este estudio adoptó un enfoque cuantitativo y exploratorio, lo que permitió el desarrollo de modelos utilizando diversas características de redes neuronales artificiales (RNA) mediante algoritmos de Machine Learning, basándose en datos históricos para ambos casos. El principal objetivo de este estudio fue desarrollar modelos predictivos de regresión en la industria minera del cobre utilizando redes neuronales artificiales (RNA). En este contexto, se realizaron pronósticos para el precio futuro del cobre y el costo de capital de las minas de cobre a cielo abierto. Los resultados obtenidos indican que se logró estimar con un grado aceptable de certeza tanto el precio futuro del cobre como el costo de capital minero para las minas cupríferas a cielo abierto. En el primer caso, se desarrolló un modelo utilizando la técnica de RNR Deep Learning de TensorFlow para la prueba "REDPC_17". Se logró un pronóstico para 7 días en el futuro con un margen aceptable para las tres redes LSTM, GRU y CNN, obteniendo un ECM de 2.6621e-04, 5.8286e-04 y 3.0642e-04, respectivamente. Esto resultó en un error porcentual promedio del 7.9342% para la red CNN demostrando ser la mejor para el ensayo. En el segundo caso, se desarrolló un modelo utilizando la técnica de RNA del tipo MLPRegressor de Scikit-Learn para la prueba "REDES_20". Este modelo tuvo el mejor desempeño en la estimación del CAPEX, con un coeficiente de determinación (R²) de 0.00960 y un ECM de 0.8674.