El presente trabajo de investigación tiene como objetivo aplicar técnicas de análisis de regresión y aprendizaje automático (ML) para mejorar los resultados de estimación de sobre dilución en tajos explotados por el método de Sub Level Stoping (SLS) de la Compañía Minera Condestable (CMC) a través de la generación de ecuaciones de regresión y código en lenguaje de Python para las técnicas de ML. Para la estimación de sobre dilución se analizaron las reconciliaciones de tajos explotados con el método de SLS del período 2017-2019 con la aplicación de las técnicas: Análisis de Regresión Lineal Múltiple (ARLM), regresión no lineal múltiple (ARNM) y métodos de aprendizaje automático (ML) como Máquinas de Vectores de Soporte (SVM) y bosques aleatorios (RF), lo que permitió establecer comparaciones entre los resultados a nivel predictivo y tecnológico con la metodología de O’Hara aplicada actualmente en CMC para la estimación de sobre dilución de tajos SLS. La aplicación de las técnicas mencionadas implicó variables operativas como: nivel, buzamiento, densidad, burden, espaciamiento, altura, longitud, ancho, RQD, RMR y ratio de tonelada por metro de perforación (TMP) de los tajos evaluados, mientras que el objetivo o variable dependiente fue la sobre dilución. Ello permitió inicialmente identificar que las técnicas de regresión ARLM y ARNM mejoraron el coeficiente de determinación R2 de O’Hara en 5.5% y 4.4%. Luego, con la aplicación de herramientas de aprendizaje automático se identificó que ambas técnicas (SVM y RF) lograron la mejora en 0.3% y 18.5% respectivamente. El resultado de ello fue la reducción de la diferencia de costos estimados obtenidos con la metodología de O’Hara relacionados al costo adicional por carguío y transporte de carga rota de dilución. / This research work aims to apply Regression Analysis and Machine Learning (ML) techniques to improve the results of estimating over dilution in stopes mined by Sub Level Stoping (SLS) method at Compania Minera Condestable (CMC) through the generation of regression equations and code in Python language for ML techniques. For the estimation of over dilution, the reconciliations of stopes mined with the SLS method for the period 2017-2019 were analysed with the application of the techniques: Multiple Linear Regression Analysis (MLRA), Multiple Non-linear Regression Analysis (MLNRA) and Machine Learning (ML) methods such as Support Vector Machine (SVM) and Random Forests (RF), which allowed comparisons of the results at predictive and technological level with the O'Hara methodology currently applied at CMC for the estimation of over dilution of SLS stopes. The application of the afore mentioned techniques involved operational variables such as: level, dip, density, burden, spacing, height, length, width, RQD, RMR and tonne per metre drilling (TMP) ratio of the evaluated stopes, while the objective or dependent variable was over dilution. This initially identified that the ARLM and ARNM regression techniques improved O'Hara's R2 determination coefficient by 5.5% and 4.4%. Then, with the application of machine learning tools it was identified that both techniques (SVM and RF) achieved the improvement by 0.3% and 18.5% respectively. This resulted in a reduction of the estimated cost difference obtained with the O'Hara methodology related to the additional cost of loading and transporting broken stock from the dilution. / Tesis

El principal indicador para evaluar la calidad del suelo como subrasante en el diseño de pavimentos es la capacidad de soporte CBR. En muchos casos, no es posible su obtención mediante ensayos, al menos en la frecuencia requerida, y son muy costosos. Por ello, la necesidad de cuantificar este parámetro mediante modelos matemáticos que utilicen propiedades fácilmente determinables y permitan evaluar rápidamente la eficacia de una solución de estabilización. En el presente trabajo de investigación tiene como propósito desarrollar herramientas prácticas para la predicción del valor de CBR del suelo expansivo post estabilización con ceniza de cáscara de arroz (CCA) y cal. Se plantea obtener modelos matemáticos basados en la regresión lineal múltiple haciendo uso de sus propiedades índice (%F, IP) y de compactación (OCH, MDS), los cuales se generaron mediante la aplicación del software SPSS Statistics, cuya ecuación resultante fue: 〖CBR〗_f=46.116-0.526 %F+0.034 IP+0.218 OCH+5.06 MDS Esta ecuación presenta una correlación muy alta con R = 0.975 y un ajuste de bondad excelente de R2 = 0.95. Esto quiere decir que la variable de respuesta CBR es explicada en un 95% por las variables predictoras %F, IP, OCH y MDS. El modelo de regresión propuesto se aplicó a un tramo de la carretera PE-8B en la región San Martín donde se observó que el valor de CBR se incrementa en promedio 272% al estabilizarse con los agentes de estudio sugeridos. / The main indicator to evaluate the quality of the soil as a subgrade in pavement design is the California Bearing Ratio (CBR). In many cases, it is not possible to obtain them by testing, at least at the required frequency, and they are very expensive. Therefore, the need to quantify this parameter through mathematical models that use easily determinable properties and will evaluate the effectiveness of a proposed stabilization solution. The purpose of this research work is to develop practical tools for the prediction of the CBR in expansive soil post stabilization with rice husk ash and lime. It is proposed to obtain mathematical models based on multiple linear regression using their index (% F, IP) and compaction (OCH, MDS) properties, which were generated by applying the SPSS Statistics software, whose resulting equation was: 〖CBR〗_f=46.116-0.526 %F+0.034 IP+0.218 OCH+5.06 MDS, which presents a very high correlation with R = 0.975 and an excellent goodness fit of R2 = 0.95. This means that the CBR response variable is 95% explained by the predictor variables %F, IP, OCH and MDS. The proposed regression model was applied to a section of the PE-8B highway in the San Martín region where it was found that the CBR value was found on average 272% when stabilized with the suggested study materials. / Tesis