| Tesis Doctorales de la Universidad de Alcalá |
| MODELOS PREDICTIVOS PARA LA PRODUCTIVIDAD EN PLANTAS FOTOVOLTAICAS Y EN EXPLOTACIONES MINERAS: UN ENFOQUE MODULAR DE INTEGRACIÓN | | Autor/a | Rosales Huamani, Jimmy Aurelio | | Departamento | Ciencias de la Computación | | Director/a | Castillo Sequera, José Luis | | Codirector/a | Gómez Pulido, José Manuel | | Fecha de depósito | 31-07-2025 | | Periodo de exposición pública | 1 de agosto a 12 de septiembre de 2025 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Ingeniería de la Información y del Conocimiento (RD 99/2011) | | Mención internacional | No | | Resumen | La presente Tesis propone un enfoque integral para el uso de técnicas basadas en aplicaciones de Machine Learning (ML) en distintos desafíos vinculados a la sostenibilidad, productividad y seguridad, con aplicaciones en la energía renovable, la minería y la gestión de desastres naturales.
El primer objetivo propuesto y alcanzado de la presente tesis, consiste en el desarrollo de modelos eficientes de ML para la predicción de la radiación solar especialmente en climas áridos y de baja pluviosidad, por ser un escenario de difícil pronostico. Para ello, el estudio realizado emplea técnicas de reducción de dimensionalidad (PCA) y métodos ensemble (Stacking Regressor) para predecir la radiación solar horaria a partir de las variables meteorológicas analizadas más relevantes. El modelo propuesto ha logrado unos altos niveles de eficiencia, lo que facilita una gestión más precisa de la producción energética en plantas fotovoltaicas y contribuye a la sostenibilidad al apoyar el despliegue de energías renovables en zonas remotas y con escasa instrumentación, posibilitando una mejor planificación, diseño y dimensionamientos de este tipo de instalaciones.
El segundo objetivo obtenido logra abordar el incremento de la productividad en instalaciones mineras a cielo abierto que utilizan excavadoras mediante modelos de ML, que determinan los valores que optimizan dichas labores. En particular, este trabajo propone un modelo regresor de ML (Random Forest Regressor) para predecir la productividad obtenida de las excavadoras con datos operacionales históricos obtenidos del sistema de planificación minero. De esta forma, el modelo permite identificar las variables más relevantes para la productividad, mejorando la planificación, reduciendo tiempos de espera y optimizando los recursos. Los resultados obtenidos alcanzan un 91% de eficiencia. Para ello se han empleado un conjunto de datos de prueba obtenidos previamente de instalaciones mineras en Perú, validando de esta forma el potencial de la aplicación de las técnicas de ML para incrementar la eficiencia y reducir los costes operativos en el sector minero.
El tercer objetivo conseguido consiste en el desarrollo de un prototipo que predice el desprendimiento de rocas y el deslizamiento aplicando para este propósito técnicas de Machine Learning (ML) clásico y las innovadoras técnicas de Quantum Machine Learning (QML). El estudio abordado propone una innovadora técnica de clasificación de la estabilidad geomecánica (Rock Block Stability, RBS) para evaluar la consistencia de los taludes basado en el control estructural, integrando datos reales obtenidos mediante mediciones de campo. Se han desarrollado y comparado diferentes modelos clásicos de ML y de QML cuánticos, mostrándose que los citados modelos posibilitan la viabilidad de su aplicación para incrementar tanto la seguridad como para reducir los costes asociados a los protocolos de seguridad exigidos en la minería.
Como objetivo secundario se ha trabajado en el uso de las técnicas de ML para lograr la predicción de movimientos sísmicos. Con esta finalidad de ampliar las líneas de investigación se ha realizado una revisión sistemática de las citadas técnicas en el pronóstico de terremotos. Para ello, se analizaron 126 publicaciones relevantes en el periodo 2018–2022. De esta forma, se logró identificar la prevalencia de los modelos supervisados (Naive Bayes, Random Forest, SVM) para este propósito. Adicionalmente, se han identificado escasa aplicaciones en los enfoques no supervisados y de refuerzo. La revisión propone fortalecer la integración de datos geofísicos, climáticos y de sensores, imprescindibles para abordar la aplicación de técnicas híbridas que incrementen la capacidad de generar las alertas tempranas y mejoren la gestión de los riesg |
|
