Desarrollo de un indicador sísmico en base al desempeño de herramientas de machine learning

Abstract

La sismicidad inducida representa uno de los principales desafíos para la operación segura y eficiente de minas subterráneas, especialmente en aquellas que utilizan el método de hundimiento por bloques. En este contexto, se desarrolló una metodología para construir un indicador sísmico dinámico basado en ventanas móviles temporales, aplicado a datos reales de una mina chilena. Se generaron indicadores mediante el agrupamiento de variables derivadas del catálogo sísmico en ventanas de 24 y 48 horas, las cuales fueron utilizadas para entrenar y evaluar 28 modelos de clasificación supervisada, incluyendo árboles de decisión, máquinas de soporte vectorial, redes neuronales y algoritmos de vecinos más cercanos. Los resultados muestran que el algoritmo K-Nearest Neighbors (kNN) obtuvo el mejor desempeño general, alcanzando niveles de exactitud superiores al 95% en escenarios específicos. Además, se identificó que el uso de umbrales de magnitud más altos mejora la capacidad de los modelos para discriminar entre situaciones de mayor o menor peligro sísmico. La metodología propuesta demostró su potencial como herramienta complementaria para la categorización temprana de condiciones que podrían estar asociadas a la ocurrencia de eventos sísmicos relevantes, contribuyendo así al fortalecimiento de las estrategias de gestión del peligro en minería subterránea.

Induced seismicity represents one of the main challenges for the safe and efficient operation of underground mines, particularly those employing the block caving method. In this context, a methodology was developed to construct a seismic indicator based on moving time windows, applied to real data from a Chilean underground mine. Dynamic indicators were generated using variables derived from the seismic catalog, grouped into 24- and 48-hour windows. Subsequently, 28 supervised classification models were trained and evaluated, including decision trees, support vector machines, neural networks, and K-Nearest Neighbors algorithms. The results show that the K-Nearest Neighbors (KNN) algorithm achieved the best overall performance, with accuracy levels exceeding 95% in specific scenarios. Furthermore, it was observed that using higher magnitude thresholds improves the models' ability to discriminate between situations of higher or lower seismic hazard. The proposed methodology demonstrated its potential as a complementary tool for the early categorization of conditions that could be associated with the occurrence of relevant seismic events, thus contributing to improved hazard management in underground mining operations.