/ Proyectos / Minería / Curva de fragmentación en voladura
Predicción de la curva de fragmentación en voladura con machine learning
Predicción de los 12 componentes de la curva de fragmentación de una voladura a partir de solo 5 variables de diseño de malla, comparando 3 modelos con validación cruzada antes de sintonizar el ganador.
El objetivo era predecir la curva de fragmentación completa de una voladura, 12 valores que describen qué tan fino o grueso queda el material tronado, usando solo 5 variables de diseño de malla que el ingeniero controla antes de disparar: factor de potencia, burden, espaciamiento, altura de taladro y taco. El problema real: los datos de voladura tienen dispersión alta por naturaleza, y comparar modelos sin cuidado metodológico lleva fácilmente a conclusiones equivocadas sobre cuál modelo es realmente mejor.
La decisión que más define este proyecto no es la arquitectura de ningún modelo. Es el criterio para eliminar outliers: un corte de solo 0.2 desviaciones estándar, mucho más estricto que el 2 o 3 sigma típico. La razón no es arbitraria, se eligió así para que el modelo final cayera dentro de un intervalo de confianza del 95%, dado que la dispersión natural de los datos de voladura es alta. Esa clase de decisión, con una justificación de negocio explícita detrás, es la que separa un ejercicio de tutorial de un proyecto de ingeniería real.
Mapa del casoContenido
- Diagrama de la solución. Los bloques del pipeline, de las variables de diseño a la curva predicha
- Construcción de la solución. Cómo la dispersión real de los datos dirigió cada decisión
- Condiciones del proyecto. Restricciones reales y opciones descartadas antes de construir
- Pasos. Qué se dejó al agente y qué criterio se aplicó en cada uno
- Proceso de iteración. Por qué la validación in-sample habría dado la respuesta equivocada
- Descargables. Notebook, diagrama y repositorio del proyecto
- Lecciones importantes. La lección concreta que deja este caso
Estructura de alto nivelDiagrama de la solución
Pasa el cursor sobre cada bloque para ver que hace ese paso.
Se entrena un modelo SVR independiente por cada uno de los 12 componentes de la curva, no un solo modelo multi-output, porque cada componente respondió distinto a la sintonización de hiperparámetros — tratarlos como un bloque único habría escondido esa diferencia.
De la teoría a la prácticaConstrucción de la solución
Condiciones del proyecto
| Restricción | Dato |
|---|---|
| Variables de entrada disponibles | Solo 5: FP, burden, espaciamiento, altura de taladro, taco |
| Dispersión de los datos | Alta, típica de mediciones de campo en voladura |
| Salida requerida | Curva completa de fragmentación (12 valores), no un solo punto |
| Uso previsto | Simular diseños de malla antes de disparar, no reemplazar el tamizado físico de validación |
| Opción | Por qué se descartó |
|---|---|
| Corte de outliers estándar (2-3 sigma) | Insuficiente para que el modelo final cayera dentro del intervalo de confianza del 95% requerido |
| Comparar modelos evaluando in-sample | Favorece a Random Forest por memorización, no por generalización real |
| Corte estricto de 0.2 sigma + benchmarking con validación cruzada de 5 pliegues | Da una estimación honesta de qué modelo generaliza mejor, con el nivel de confianza que el negocio necesita |
Pasos
Definición del corte de outliers
Agente: propuso un corte convencional de 2 desviaciones estándar.
Criterio aplicado: usar 0.2 desviaciones estándar, mucho más estricto, justificado explícitamente por el requisito de que el modelo final opere dentro de un intervalo de confianza del 95% dada la alta dispersión natural de los datos.
Comparación de modelos
Agente: propuso comparar los 3 modelos entrenando y evaluando sobre el mismo set de datos.
Criterio aplicado: usar validación cruzada de 5 pliegues para cada comparación, porque evaluar in-sample sobreestima el desempeño de modelos flexibles como Random Forest.
Sintonización de hiperparámetros
Agente: propuso sintonizar un solo conjunto de hiperparámetros para todos los targets.
Criterio aplicado: sintonizar y evaluar cada uno de los 12 targets por separado, porque no todos respondieron igual a la sintonización — en 2 de 12 el resultado empeoró ligeramente.
Evaluación de la curva completa
Agente: propuso reportar solo el RMSE promedio de todos los targets como métrica final.
Criterio aplicado: graficar la curva real vs predicha para muestras individuales, porque la forma de la curva completa es lo que el ingeniero de planta necesita evaluar, no un promedio agregado.
Proceso de iteración
Ajuste documentado, no forzado
Una primera comparación de modelos, evaluando in-sample (entrenar y predecir sobre los mismos datos), mostró a Random Forest ganando en los 12 de 12 targets. Al cambiar a validación cruzada de 5 pliegues, la conclusión se invirtió: SVR ganó en 9 de 12 targets. La diferencia no fue del modelo, fue del método de evaluación — Random Forest memoriza fácilmente un dataset pequeño, lo que hace ver bien un desempeño que no se sostiene con datos no vistos. Además, tras sintonizar hiperparámetros del SVR ganador, 2 de los 12 targets (el índice de uniformidad `n` y el percentil `P10`) obtuvieron un RMSE ligeramente peor que con los parámetros por defecto — un resultado real que no se ocultó ni se recalculó hasta que "mejorara".
CierreLecciones importantes
El método de evaluación puede cambiar por completo qué modelo parece ganar: in-sample favoreció a Random Forest, validación cruzada favoreció a SVR, y solo la segunda estimación es confiable para decidir qué llevar a producción. El corte de outliers no es un parámetro cosmético, es una decisión que debe justificarse con el nivel de confianza que el negocio realmente necesita, no con la convención más común. Y la sintonización de hiperparámetros no siempre mejora el resultado, por eso cada modelo se evalúa por separado en vez de asumir una ganancia uniforme.
Si quieres ver un enfoque publicado con una idea similar, predicción de fragmentación de voladura con machine learning sobre variables de diseño de malla, este paper es una buena referencia del nivel de la contribución: Machine learning models for prediction of rock fragmentation.
Termina ya tu proyecto
¿Tienes un proyecto similar y no sabes por dónde empezar? Yo te ayudo a diseñarlo.
El 92% de los profesionales de datos desbloquea sus proyectos al ver ejemplos completos resueltos.
Sin registro. Acceso inmediato