Sistema de Predicción de Riesgo Geotécnico
Sistema de machine learning para predecir peligros geotécnicos — estallido de roca e inestabilidad de talud — en minería subterránea y a cielo abierto. Provee evaluación de riesgo sistemática semanal con explicabilidad basada en SHAP.
Contexto de Negocio
La minería subterránea enfrenta riesgos geotécnicos inherentes — estallidos de roca e inestabilidad de talud pueden lesionar o matar trabajadores y detener la producción por semanas. Las decisiones de seguridad dependen tradicionalmente del juicio experto individual aplicado a datos de monitoreo sísmico: un ingeniero geotécnico experimentado revisa miles de eventos micro-sísmicos semanales y aplica umbrales empíricos. El problema es que el juicio varía entre expertos, la cobertura es inconsistente entre turnos, y patrones multivariados complejos en los datos sísmicos pasan inadvertidos en el análisis manual.
Valor Estratégico
El sistema provee una línea base consistente y basada en datos que aumenta el juicio experto con reconocimiento de patrones a escala. Modelos ensemble XGBoost clasifican bloques espaciales en niveles de riesgo Verde/Ámbar/Rojo en cadencia semanal. La ingeniería de características transforma catálogos sísmicos brutos en cuatro dimensiones: índices de energía, clustering espacial basado en DBSCAN con velocidad de migración, patrones temporales incluyendo detección de quiescencia sísmica y estimación de valor b de Gutenberg-Richter, e integración con modelos de bloques y propiedades geomecánicas. La explicabilidad SHAP fue innegociable — una clasificación de riesgo de caja negra nunca sería confiada para decisiones de seguridad. Cada predicción explica por qué una zona es marcada, permitiendo a ingenieros geotécnicos validar contra su conocimiento de dominio.
El Desafío
Las decisiones de seguridad en minería subterránea dependen tradicionalmente del juicio experto individual, que varía en consistencia. La masa rocosa bajo estrés puede fallar repentinamente. La evaluación depende de inspecciones manuales y umbrales empíricos aplicados a datos de monitoreo sísmico, perdiendo patrones multivariados complejos.
Nuestro Enfoque
Ingeniería de características desde catálogos sísmicos brutos (índices de energía, clustering espacial DBSCAN, velocidad de migración, valores b de Gutenberg-Richter) combinados con propiedades de modelos de bloques 3D. Clasificación ensemble XGBoost en niveles de riesgo Verde/Ámbar/Rojo con importancia de características SHAP. Las predicciones alimentan planificación operacional para restricciones de acceso, optimización de tronaduras y diseño de fortificación.
Indicadores Clave de Rendimiento
| KPI | Línea Base | Resultado | Impacto |
|---|---|---|---|
| Capacidad de Detección | Dependiente de experto, inconsistente | >80% detección de patrones críticos | Evaluación sistemática y auditable |
| Soporte Corto Plazo | Respuesta post-evento | Evaluación de aislamiento pre-evento | Gestión proactiva de seguridad |
| Cadencia de Evaluación | Irregular, gatillada por eventos | Evaluación sistemática semanal | Ritmo operacional consistente |
Propietario — código fuente no disponible públicamente
Arquitectura
geotechnical risk
rockburst formulation
rockburst internship scope
rockburst pipeline
Underground Safety
Rock mass under stress can fail suddenly. Rockbursts and slope collapses are among the most dangerous hazards in mining — they can injure or kill workers and shut down production for weeks. The traditional approach relies on individual expert judgment applied to seismic monitoring data: an experienced geotechnical engineer reviews event catalogs and applies rule-of-thumb thresholds. The problem: judgment varies between experts, coverage is inconsistent, and complex multivariate patterns hiding in thousands of weekly micro-seismic events go undetected.
This system provides a consistent, data-driven baseline — not replacing expert judgment, but augmenting it with pattern recognition that humans can’t perform at scale.
From Seismic Events to Risk Predictions
Raw seismic catalogs — thousands of micro-events per week — are transformed into predictive features across four dimensions.
Energy indices track cumulative seismic energy release, apparent stress, and windowed energy rate patterns. Rising energy often precedes failure as strain accumulates in the rock mass.
Spatial features use DBSCAN clustering to identify event concentrations. Migration velocity vectors track how seismic activity moves through the mine. Proximity to mapped geological structures — faults, lithological contacts — adds structural context.
Temporal patterns capture event rate changes over multiple windows. Seismic quiescence — sudden drops in activity — can paradoxically precede large events. Gutenberg-Richter b-value estimation characterizes the frequency-magnitude distribution; declining b-values suggest increasing stress concentration.
Block model integration brings in geological and geomechanical properties from 3D mine models: rock type, UCS, RQD, and stress field estimates.
XGBoost ensemble models classify spatial blocks into Green/Amber/Red risk levels. Each prediction comes with SHAP feature importance — the model explains why a zone is flagged, so geotechnical engineers can validate against their domain knowledge and decide whether to act. This interpretability was non-negotiable: a black-box risk classification would never be trusted for safety decisions.
Predictions feed directly into access restrictions, blasting sequence optimization, and support design recommendations on a weekly cadence.
Stack Tecnológico
Los recursos visuales de este proyecto no están disponibles públicamente.
Este es un proyecto propietario. El código fuente y recursos externos no están disponibles públicamente.