Un equipo de investigadores chinos ha desarrollado un sistema de alerta temprana para accidentes de techo en minas de carbón, basado en técnicas de aprendizaje automático, que promete reducir drásticamente el riesgo de siniestros y mejorar la gestión de la seguridad en las explotaciones mineras.
En China, los accidentes relacionados con el techo de las galerías —como desprendimientos, caídas y hundimientos— representan la tipología más frecuente, llegando a suponer el 32,1 % de todos los incidentes en los últimos cinco años. Aunque la proporción de víctimas mortales ha descendido del 38 % en 2008 al 14,8 % en 2023, el peligro sigue siendo inaceptablemente alto, especialmente cuando el carbón sigue siendo la principal fuente de energía del país y del mundo.
Un enfoque innovador basado en datos
Para abordar este reto, Zhao‑Yang Guan y colaboradores recopilaron inicialmente datos de 379 accidentes de techo en minas de carbón y, tras aplicar criterios de calidad y consistencia, diseñaron un conjunto de análisis con 305 casos, junto a un catálogo exhaustivo de variables descriptivas —como condiciones geomecánicas, prácticas operativas y estado del sostenimiento— que incidían en cada incidente. Al tratarse de un conjunto de datos de alta dimensión, se utilizó el análisis de componentes principales (PCA) para reducirlo a unos pocos factores explicativos sin perder la mayor parte de la varianza original.
Resultados excepcionales con Random Forest
Con la nueva representación de los datos, el equipo evaluó tres algoritmos de clasificación supervisada —K‑Nearest Neighbors, Support Vector Machine y Decision Tree—, que sirvieron como punto de partida. Para optimizar el rendimiento, se integraron estas técnicas mediante un ensamble Random Forest. El modelo resultante alcanzó una precisión del 94 %, una tasa de recuperación (recall) del 87 % y una puntuación F1 de 0,89, superando con claridad a cada método individual.
Además, se realizó un análisis de sensibilidad variando los hiperparámetros del algoritmo —tamaño de la población, número de generaciones evolutivas y número de iteraciones de optimización bayesiana—, demostrando que la robustez del Random Forest crece al afinar estos valores, lo que reafirma su capacidad para capturar patrones complejos en los datos de accidentes.
Impacto en la industria minera
La propuesta no sólo ofrece un sistema de advertencia temprana para incidentes inminentes, sino que también facilita una gestión más refinada y dinámica de las operaciones, permitiendo ajustes de estrategia en tiempo real para prevenir colapsos de techo y proteger la vida de los mineros. Los autores destacan que el método puede extrapolarse a la predicción de otros tipos de accidentes en la industria del carbón, reforzando la cultura de seguridad mediante el análisis masivo de datos de siniestros.
Con esta innovación, la industria minera dispone de una herramienta avanzada que combina la solidez estadística del PCA con la potencia predictiva de los modelos de ensamble, dando un paso decisivo hacia la minería inteligente y más segura.
Fuente: Guan, Z.-Y., Xie, J.-L., Wu, S.-K., & Liang, C. (2025). Research on predicting the risk level of coal mine roof accident based on machine learning. Scientific Reports, 15, Article 24028. https://doi.org/10.1038/s41598-025-07760-6
Deja una respuesta