Gradient Boosting-Based Computational Method for Predicting Uniaxial Compressive Strength of Cemented Hydraulic Backfill

En lo profundo de la superficie terrestre, donde los mineros extraen recursos valiosos, se dejan tras de sí vastos espacios vacíos. Si estos huecos no se sostienen, el suelo superior puede colapsar, creando un entorno peligroso para los trabajadores y amenazando la estabilidad de toda la operación. Para evitar esto, los ingenieros llenan estas cámaras vacías con una mezcla especial conocida como relleno hidráulico cementado. Este material es esencialmente una lechada hecha de rocas de desecho trituradas, relaves del proceso minero, agua y cemento. Una vez bombeado en los vacíos subterráneos, se endurece con el tiempo, actuando como un piso sólido que sostiene el techo de la mina y permite una extracción más segura y eficiente de los minerales restantes. La medida más crítica de qué tan bien funcionará este relleno es su capacidad para resistir ser aplastado bajo presión, una propiedad que los ingenieros llaman resistencia a la compresión uniaxial. Predecir esta resistencia con precisión es vital; si la mezcla es demasiado débil, la mina podría fallar, pero si se sobredimensiona, el proyecto se vuelve innecesariamente costoso.

Durante décadas, la determinación de la mezcla adecuada de ingredientes ha dependido del ensayo y error o de fórmulas simples que a menudo pasan por alto las formas complejas y no lineales en que estos materiales interactúan. Un nuevo estudio publicado por investigadores de la Universidad de Minería y Tecnología de China y socios internacionales ofrece un enfoque diferente. En lugar de depender de ecuaciones tradicionales, recurrieron a una familia de algoritmos computacionales avanzados conocidos como máquinas de potenciación de gradiente (gradient boosting machines). Estas son herramientas poderosas que aprenden de los datos construyendo una serie de modelos simples, donde cada uno corrige los errores del anterior, para crear un predictor altamente preciso. Los investigadores recopilaron un conjunto masivo de datos de 1,641 ejemplos del mundo real, registrando las cantidades específicas de cemento utilizado, la duración del tiempo de curado, la concentración de sólidos en la mezcla y la relación de agregado a relave. Luego, introdujeron esta información en cuatro tipos diferentes de estos algoritmos de aprendizaje para ver cuál podía predecir mejor la resistencia final del relleno endurecido.

El estudio probó varias variaciones de estos modelos de aprendizaje, incluyendo LightGBM, CatBoost, AdaBox y una Máquina de Potenciación de Gradiente estándar. El objetivo no era solo encontrar un modelo que pudiera adivinar la resistencia, sino encontrar uno que pudiera hacerlo de manera confiable con nuevos datos no vistos, sin confundirse por el ruido en la información. Después de entrenar los modelos con el 80 por ciento de los datos y probarlos con el 20 por ciento restante, los resultados fueron claros. El modelo de la Máquina de Potenciación de Gradiente estándar surgió como la herramienta más efectiva. Logró un alto nivel de precisión, prediciendo correctamente los valores de resistencia con una puntuación estadística de 0.86 en los datos de prueba, mientras mantenía el error promedio muy bajo. Este desempeño fue superior al de los otros modelos, que o bien tuvieron dificultades para generalizar a nuevos datos o produjeron resultados menos consistentes. Los hallazgos sugieren que este tipo específico de algoritmo es particularmente adecuado para capturar las intrincadas relaciones entre los ingredientes y la resistencia final.

Más allá de simplemente hacer una predicción, los investigadores querían entender por qué los modelos tomaban las decisiones que tomaban. En muchos sistemas computacionales avanzados, el funcionamiento interno es una "caja negra", lo que significa que incluso los creadores no pueden explicar fácilmente cómo una entrada conduce a una salida. Para resolver esto, el equipo utilizó una técnica llamada análisis SHAP, que actúa como un reflector, revelando exactamente cuánto contribuyó cada ingrediente al resultado final. El análisis mostró que dos factores dominaron el resultado: la cantidad de cemento en la mezcla y el tiempo permitido para que el material cure. Estas dos variables tuvieron el impacto positivo más significativo en la resistencia. En contraste, la concentración de sólidos y la relación de agregado a relave tuvieron una influencia mucho menor en el resultado final. Este conocimiento es crucial para los ingenieros, ya que les indica exactamente dónde centrar su atención al diseñar una mezcla para garantizar la seguridad y la estabilidad.

El estudio concluye que el uso de estos modelos de aprendizaje automático explicables proporciona una forma confiable y transparente de diseñar el relleno hidráulico cementado. Al predecir con precisión qué tan fuerte será el material incluso antes de ser vertido, las operaciones mineras pueden optimizar sus diseños de mezcla, potencialmente ahorrando dinero en materiales mientras aseguran que el entorno subterráneo permanezca seguro. Los investigadores enfatizan que, si bien su modelo es un paso significativo hacia adelante, es más efectivo cuando se utiliza como una herramienta de apoyo a la decisión junto con el juicio de ingeniería tradicional. Sugieren que el trabajo futuro podría involucrar la prueba de estos modelos contra mediciones de campo del mundo real para refinar aún más su precisión. En última instancia, esta investigación ofrece un camino más claro hacia una minería subterránea más segura, convirtiendo datos complejos en orientación práctica para los ingenieros que mantienen la estabilidad de las minas.