Construcción de un modelo predictivo de productividad de las palas aplicando el aprendizaje automático Random Forest Regressor de Machine Learning

Abstract

La Tesis se enfoca en la creación de un modelo predictivo de productividad de palas con un nivel de confianza aceptable, que a diferencia del método tradicional, incluye no solo las variables de tonelaje minado, tiempo de carguío y tiempo hang; sino que considera también otras variables cuantitativas y cualitativas como el tiempo queue, tiempo spot, tiempo viaje cargado, tiempo queue en el destino, tiempo spot en el destino, tiempo de descarga, tiempo de viaje vacío, guardia, turno, mes, flota de pala, pala, efh vacío, efh cargado, material, tipo de material, fase de origen, fase de destino, hora, disponibilidad de camiones y palas. El objetivo principal es mejorar la predicción de la productividad de palas aplicando Machine Learning, así como determinar el mejor modelo de predicción de la productividad de palas y determinar el grado de importancia de cada una de las variables independientes para nuestra variable predictora, a través de varias librerías y con ayuda del Jupyter Notebook, asegurando que nuestros resultados sean los más confiables. La investigación comenzará con la hipótesis general que el modelo de productividad desarrollado con Random Forest Regressor de Machine Learning mejora la predicción de la productividad de palas que otros modelos. Para el modelo de machine learning se utilizó todas las variables presentes en el DataSet, incluyendo las variables cualitativas, las cuales fueron categorizadas antes del entrenamiento. De los modelos de machine learning el modelo que mejor predice la productividad de las palas es el "Random Forest Regressor” con una precisión del 99.7% para el entrenamiento y 91.1% para el DataSet de testeo; mientras que el peor modelo de machine learning es "Dummy Regressor” con - 0.03% de precisión. Además, la variable de mayor grado de importancia es la Flota de pala con 24.92%.

The Thesis focuses is the creation of a predictive model of shovel productivity with an acceptable level of confidence, which, unlike the traditional method, includes not only the variables of mined tonnage, loading time and hang time; It also considers other quantitative and qualitative variables such as queue time, spot time, loaded travel time, queue time at the destination, spot time at the destination, dumping time, empty travel time, guard, shift, month, fleet of shovel, shovel, empty efh, loaded efh, material, material type, origin phase, destination phase, hour, truck and shovel availability. The main objective is to improve the prediction of shovel productivity by applying Machine Learning, as well as to determine the best shovel productivity prediction model and determine the degree of importance of each of the independent variables for our predictor variable, through several libraries and with the help of Jupyter Notebook, ensuring that our results are the most reliable. The research will begin with the general hypothesis that the productivity model developed with Machine Learning's Random Forest Regressor improves the prediction of blade productivity than other models. For the machine learning model, all the variables present in the DataSet were used, including the qualitative variables, which were categorized before the training. Of the machine learning models, the model that best predicts the productivity of the shovels is the "Random Forest Regressor" with an accuracy of 99.7% for training and 91.1% for the DataSet for testing; while the worst machine learning model is "Dummy Regressor" with - 0.03% accuracy. In addition, the variable of greater degree of importance is the Shovel Fleet with 24.92%.