Optimización de la perforación de producción mediante estadísticas Bayesianas, modelos estadísticos avanzados y análisis multivariado: Un estudio comparativo de métodos
DOI:
https://doi.org/10.65093/aci.v16.n2.2025.30Palabras clave:
optimización de perforación, estadística Bayesiana, bosques aleatorios, regresión de mínimos cuadrados parciales (PLS)Resumen
La perforación de producción en minería constituye un proceso crítico para alcanzar metas de extracción y optimización de costos. Este trabajo desarrolla un estudio computacional y estadístico integral basado en un conjunto de datos reales provenientes de una mina del norte de Chile. Se aplican tres enfoques complementarios: (i) inferencia bayesiana para estimar parámetros de productividad con incertidumbre cuantificada, (ii) modelos estadísticos avanzados —incluidos bosques aleatorios y regresión de mínimos cuadrados parciales— para predecir el avance perforado y caracterizar relaciones no lineales, y (iii) análisis multivariado mediante componentes principales y regresión logística para identificar patrones estructurales y clasificar rendimientos. El flujo metodológico integra limpieza, imputación, codificación y validación cruzada con balance por empresa. Los resultados evidencian que la integración de estos enfoques permite detectar variables críticas, optimizar parámetros de operación y mejorar la trazabilidad predictiva. Se discuten implicancias prácticas para la gestión operacional y se comparan las métricas de desempeño obtenidas entre métodos, proponiendo una base reproducible para la toma de decisiones basada en datos en perforación minera.
Descargas
Citas
Bae, S., Lee, H. & Kim, J. (2023). Adaptive bayesian optimization for real-time drilling rate optimization. IEEE Access, 11, 27826–27837.
Blei, D.M., Kucukelbir, A. & McAuliffe, J.D. (2017). Variational inference: A review for statisticians. Journal of the American Statistical Association, 112 (518), 859–877. https://doi.org/10.1080/01621459.2017.1285773
Boukredera, N., Othmani, A., Mellouk, A., Moualek, I. & Idiri, Z. (2025). Ai-driven optimization of drilling performance through torque management using machine learning and differential evolution. Processes, 13 (5),1472. https://doi.org/10.3390/pr13051472
Breiman, L. (2001). Random forests. Machine Learning, 45 (1), 5–32. https://doi.org/10.1023/A:1010933404324
Cihan, P. (2025). Bayesian hyperparameter optimization of machine learning models for predicting biomass gasifi- cation gases. Applied Sciences, 15 (3), 1018. https://doi.org/10.3390/app15031018
Cortes, P. & Onate, E. (2010). Optimization of drilling patterns using genetic algorithms. Computers and Geotechnics, 37 (3), 405–412.
Du, G. & Chen, A. (2025). Coal mine accident risk analysis with large language models and bayesian networks. Sustainability, 17 (5), 1896. https://doi.org/10.3390/su17051896
Fauriat, W. & Zio, E. (2020). Optimization of an aperiodic sequential inspection and condition-based maintenance policy driven by value of information. Reliability Engineering & System Safety, 204, 107133. https://doi.org/10.1016/j.ress.2020.107133
Gelman, A., Carlin, J. B., Stern, H.S., Dunson, D.B., Vehtari, A. & Rubin, D.B. (2013). Bayesian data analysis. Chapman and Hall/CRC. ISBN 978-1439840955. https://doi.org/10.1201/b16018
Hastie, T., Tibshirani, R. & Friedman, J. (2009). The elements of statistical learning. Springer Series in Statistics. https://doi.org/10.1007/978-0-387-84858-7
Jolliffe, I.T. (2002). Principal Component Analysis. Springer, 2nd edition.
Li, Z., Chen, H., Zhang, Y., Zhou, X., Huang, J. & Xu, Q. (2025). Bayesian network-based earth-rock dam breach probability analysis integrating machine learning. Water, 17 (21), 3085. https://doi.org/10.3390/w17213085
Liu, M., Yang, R., Bian, H., Sun, P., and Li, C. (2025). Mtgnn-bayesian-if-dbscan for time-series anomaly detection with applications in industrial drilling. Sensors, 25(15):4717. https://doi.org/10.3390/s25154717
Mohammad, D. & Belayneh, M. (2024). Field telemetry drilling dataset modeling with multivariable regression, gmdh, ann, and gmdh–ann. Applied Sciences, 14(6), 2273. https://doi.org/10.3390/app14062273
Shen, R., Luo, G. & Su, A. (2025). Bayesian optimization for chemical synthesis in the era of artificial intelligence: Advances and applications. Processes, 13 (9), 2687. https://doi.org/10.3390/pr13092687
Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society. Series B (Methodological), 58(1), 267–288. https://doi.org/10.1111/j.2517-6161.1996.tb02080.x
Wold, S., Ruhe, A., Wold, H. & Dunn, W. (1984). The collinearity problem in linear regression. the partial least squares (pls) approach to generalized inverses. SIAM Journal on Scientific and Statistical Computing, 5 (3), 735–743. https://doi.org/10.1137/0905052
Yi, Z., Li, Z., Yi, M., Wang, D. & Cheng, P. (2025). Intelligent real-time risk evaluation and drilling parameteroptimization for enhanced safety in deep-well operations. Processes, 13 (10), 3102. https://doi.org/10.3390/pr13103102
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
