INTRODUCCION Las operaciones incluyen 5 etapas tales como perforacin, voladura, carguo, acarreo y chancado.

Los costos de perforacin y voladura constituyen hasta un 30% del total de costos de operacin en open pit, los cuales podran verse incrementados hasta un 50% debido a la mala fragmentacin y el requerimiento de una voladura secundaria o un exceso en el costo de energa de la chancadora y molienda. Por lo tanto, la prediccin de la fragmentacin de la roca despus de la voladura, tales como forma y dimensin es de lejos, uno de los ms importantes parmetros en la optimizacin del producto en la industria minera. Por lo tanto la productividad es incrementada a medida que el costo de la mina sea reducida a un mnimo posible.

En el presente proyecto se tratar de resolver el problema de la prediccin de la fragmentacin usando un modelo de aprendizaje llamado Redes Neuronales Artificiales el cual es la base de lo que se conoce como Inteligencia Artificial en diversas aplicaciones en la Industria de todo tipo, que van desde la robtica hasta criminalstica en reconocimiento de patrones como huellas o fotos.

CAPITULO I 1.1.PLANTEAMIENTO DEL PROBLEMA La adecuada fragmentacin es el propsito de toda voladura. Hay muchos mtodos de prediccin de la fragmentacin tales como Kuz-Ram, Rosin-Rammler, Koznetsof, etc, pero ninguno de ellos toma en cuenta la existencia de aguas subterrneas, sbitos cambios de estructuras geolgicas, patrones de diseo de la voladura, en consecuencia se deben realizar muchas pruebas para construir un modelo que tome en cuenta todas estas variables, lo cual consume mucho tiempo y dinero. Para esto se usar las redes neuronales artificiales como herramienta de trabajo ya que sta nos permitir elaborar dicho modelo de prediccin. 1.1.2 ENUNCIADO DEL PROBLEMA. Las redes neuronales artificiales pueden elaborar un modelo de prediccin? Es posible obtener un modelo de prediccin altamente efectivo? Podr este modelo unificar todos los parmetros que gobiernan las condiciones de trabajo para obtener un modelo de prediccin? 1.2 ANTECEDENTES DE LA INVESTIGACIN A continuacin se citan los siguientes trabajos los cuales han sido llevados a cabo en diferentes partes del mundo.
Comparison of size distribution with Neural Net work, Gold size and Kaz-Ram method in Gol-e-gohar Iron Ore Mine

Comparison of obtaining results between neural network model and fragmentation prediction models

1.3OBJETIVOS DE LA INVESTIGACION 1.3.1 OBJETIVO GENERAL -Elaborar un modelo de prediccin de alta precisin que permita determinar la fragmentacin a partir de los parmetros geomecnicos, de diseo, y propiedades del explosivo usando el modelo matemtico de las redes neuronales artificiales. 1.3.2 OBJETIVO ESPECIFICO -Calcular la fragmentacin despus de la voladura usando el modelo de prediccin. -Disear el modelo de arquitectura de la red neuronal artificial a ser aplicada. -Validar el modelo de prediccin para luego compararlo con otros modelos y demostrar su potencial. 1.3.3 JUSTIFICACION DE LA INVESTIGACION El sustento del trabajo de investigacin es el alto ndice de error que ofrecen los modelos empricos de prediccin tales como Koznetsof o Kuz-Ram, as como la importancia de obtener una fragmentacin adecuada de tal manera que se pueda minimizar los costos sub-siguientes en las operaciones mineras superficiales, en consecuencia conocer que parmetros son los indicados a introducir para obtener esta fragmentacin.

2. MARCO TERICO

Redes neuronales artificiales

Estructura de un sistema neuronal artificial El cerebro y un computador convencional son mucho ms diferentes de lo que suele suponerse cuando se habla de cerebros electrnicos. Recordemos que un computador convencional es, en esencia, una mquina de Von Neuman, construida en torno a una nica CPU o procesador, que ejecuta de un modo secuencial un programa almacenado en memoria. Por el contrario, el cerebro no est compuesto por un nico procesador, sino por miles de millones de ellos (neuronas), aunque muy elementales. Curiosamente, las neuronas son mucho ms simples, lentas y menos fiables que una CPU, y a pesar de ello, existen problemas difcilmente abordables mediante un computador convencional, que el cerebro resuelve eficazmente (reconocimiento del habla, visin de objetos inmersos en ambiente natural, respuesta ante estmulos del entorno, etc.) Por lo tanto, la idea que subyace en los sistemas neuronales artificiales es que, para abordar el tipo de problemas que el cerebro resuelve con eficiencia, puede resultar conveniente construir sistemas que copien en cierto modo la estructura de redes neuronales biolgicas con el fin de alcanzar una funcionalidad similar. Los tres conceptos clave de los sistemas nerviosos, que se pretende emular en los artificiales, son: Paralelismo de clculo, memoria distribuida y adaptabilidad al entorno. De esta manera, podemos hablar de las redes neuronales como sistemas paralelos, distribuidos y adaptativos. Los elementos bsicos de un sistema neuronal biolgico son las neuronas, que se agrupan en conjuntos compuestos por millones de ellas organizadas en capas, constituyendo un sistema con funcionalidad propia. Un conjunto de estos subsistemas da lugar a un sistema global (sistema nervioso). En la realizacin de un sistema neuronal artificial puede establecerse una estructura jerrquica similar. El elemento esencial de partida ser la neurona artificial, que se organizara en capas; varias capas constituirn una red neuronal. Modelo general de una neurona artificial

Se denomina procesador elemental o neurona a un dispositivo simple de clculo que, a partir de un vector de entrada procedente del exterior o de otras neuronas, proporciona una nica respuesta o salida. Los elementos que constituyen la neurona de etiqueta i son los siguientes: Conjunto de entradas, xj(t). Pesos sinpticos de la neurona i, wij que representan la intensidad de interaccin entre cada neurona presinptica j y la neurona postsinptica i. El peso sinptico define en este caso la intensidad de interaccin entre la neurona

presinptica j y la postsinptica i. Dada una entrada positiva (procedente de un sensor o simplemente la salida de otra neurona), si el peso es positivo tendera a excitar a la neurona postsinptica, si el peso es negativo tendr a inhibirla. As se habla de sinapsis excitadoras (de peso positivo) e inhibidoras (de peso negativo). Regla de propagacin postsinptico ( ) ( ( ( )), que proporciona el valor del potencial ( )) de la neurona i en funcin de sus pesos y entradas.

La regla de propagacin permite obtener, a partir de las entradas y los pesos, el valor del potencial postsinptico de la neurona.

Funcin de activacin actual ( ( ) ( (

( ( )

( )), que proporciona el estado de activacin

( )) de la neurona i, en funcin de su estado anterior

)y de su potencial postsinptico actual. ( ( )), que proporciona la salida actual ( ) ( ( )) de la

Funcin de salida

neurona i en funcin de su estado de activacin. De este modo, la operacin de la neurona i puede expresarse como ( ) ( * ( ) ( ( ))+)

Modelo estndar de neurona artificial La neurona estndar consiste en: Un conjunto de entradas Una regla de propagacin Una funcin de activacin ( ) y pesos sinpticos ( ) ( ) ( ( )); . ( ) es la ms comn.

( ( )), que representa simultneamente la salida de la

neurona y su estado de activacin.

Con frecuencia se aade al conjunto de pesos de la neurona un parmetro adicional

, que

denominaremos umbral, que se resta del potencial postsinptico, por lo que argumentamos de la funcin de activacin queda

Este umbral representa el nivel mnimo que debe alcanzar el potencial postsinptico para que la neurona se active. En conclusin, el modelo de neurona que denominaremos estndar queda

( )

Arquitecturas de redes neuronales Se denomina arquitectura a la topologa, estructura o patrn de conexionado de una red neuronal. En una red neuronal artificial los nodos se conectan por medio de sinapsis, esta estructura de conexiones sinpticas determina el comportamiento de la red. Las conexiones sinpticas son direccionales, es decir, la informacin solamente puede propagarse en un nico sentido. En general, las neuronas se suelen agrupar en unidades estructurales que denominaremos capas. Las neuronas de una capa pueden agruparse, a su vez, formando grupos neuronales. Finalmente, el conjunto de una o ms capas constituye la red neuronal. Se distinguen tres tipos de capas: de entrada, de salida y ocultas. Una capa de entrada o sensorial est compuesta por neuronas que reciben datos o seales procedentes del entorno. Una capa de salida es aquella cuyas neuronas proporcionan la respuesta de la red neuronal. Una capa oculta es aquella que no tiene una conexin directa con el entorno.

Atendiendo a distintos conceptos, pueden establecerse diferentes tipos de arquitecturas neuronales. As, en relacin a su estructura en capas, podemos hablar de redes monocapa y de redes multicapa. Las redes monocapa son aquellas compuestas por una nica capa de neuronas. Las redes multicapa son aquellas cuyas neuronas se organizan en varias capas. Asimismo, atendiendo al flujo de datos en la red neuronal, podemos hablar de redes unidireccionales y redes recurrentes. En las redes unidireccionales, la informacin circula en un nico sentido, desde las neuronas de entrada hacia las de salida. En las redes recurrentes o realimentadas la informacin puede circular entre las capas en cualquier sentido, incluido el d salida-entrada.