La minería es desde hace unas décadas una parte fundamental del desarrollo
económico en este país, dicho desarrollo trajo consigo muchas cosas positivas; sin
embargo, debido a la poca preocupación ambiental que existía hasta hace unos años,
se generaron aspectos negativos precisamente en este ámbito, como son los pasivos
ambientales.
Estos pasivos se generaron debido a que no existía una legislación que regulara el cese
o finalización de una operación minera, por lo cual, en muchas ocasiones al acabar la
operación se abandonaba las labores tal como estaban, generando así un riesgo para
la salud y seguridad humana así también como para la integridad de los ecosistemas.
En la actualidad se han registrado un total de 8448 pasivos ambientales a lo largo del
territorio nacional, afortunadamente existe una preocupación por parte del estado para
poder tratar esta problemática, habiendo creado una metodología de clasificación de
pasivos ambientales para poder priorizarlos debido a su importancia; sin embargo, esta
metodología se basa en estadística y teniendo en cuenta que en la actualidad se existen
otros métodos de clasificación, esta tesis se propone plantear una metodología basada
en inteligencia artificial con grey systems para mejorar la priorización de pasivos
ambientales mineros en el Perú.
La metodología de Grey Clustering está basada en inteligencia artificial, la cual es una
combinación de matemática con programación para el tratamiento de datos, con dicha
metodología se procesó la información obtenida de la Dirección General de Asuntos
Ambientales Mineros (DGAAM) del Ministerio de Energía y Minas, obteniendo una
clasificación alternativa, nuevas puntuaciones para los pasivos además de nuevos
rangos para clasificarlos según el nivel de riesgo.
Se concluyó que con la nueva clasificación los pasivos que pertenecen al nivel de riesgo
muy alto disminuyen en un 97% al utilizar la metodología de Grey Clustering y la
clasificación porcentual, mientras que los que los pasivos que pertenecen al nivel de
riesgo alto aumentan en un 42% con la nueva clasificación.
Cabe destacar que la metodología y clasificación planteadas en este trabajo aún se
encuentra en análisis, por lo que los resultados presentados en esta tesis son de manera
preliminar y estos aún pueden ser mejorados. / Mining has been a fundamental part of economic development in this country for a few
decades, this development brought with it many positive things; however, due to the lack
of environmental concern that existed until a few years ago, negative aspects were
generated precisely in this area, such as environmental liabilities.
These liabilities were generated because there was no legislation regulating the
cessation or completion of a mining operation, so that many times at the end of the
operation work was abandoned as they were, thus creating a risk to human health and
safety as well as to the integrity of ecosystems.
A total of 8448 environmental liabilities have now been recorded throughout the national
territory, fortunately there is a concern on the part of the state to be able to address this
problem, having created a methodology for classifying environmental liabilities to be able
to prioritize them because of their importance; however, this methodology is based on
statistics and taking into account that there are currently other classification methods,
this thesis is proposed to propose a methodology based on artificial intelligence with grey
systems to improve the prioritization of mining environmental liabilities in Peru.
Grey Clustering's methodology is based on artificial intelligence, which is a combination
of mathematics with programming for data processing, with this methodology the
information obtained from the “Dirección General de Asuntos Ambientales Mineros”
(DGAAM) from the Ministry of Energy and Mines, was processed obtaining an alternative
classification, new scores for liabilities in addition to new ranges to classify them
according to the level of risk.
It was concluded that with the new classification, liabilities belonging to the very high-risk
level decrease by 97% when using the Grey Clustering methodology and the percentage
rating, while those that are liabilities belonging to the high-risk level increase by 42% with
the new classification.
It should be noted that the methodology and classification raised in this work is still in
analysis, so the results presented in this thesis are preliminary and these can still be
improved.
| Identifer | oai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:20.500.12404/17044 |
| Date | 11 September 2020 |
| Creators | Berrospi Jorge, Bryan Rodrigo |
| Contributors | Delgado Villanueva, Kiko Alexi |
| Publisher | Pontificia Universidad Católica del Perú, PE |
| Source Sets | Pontificia Universidad Católica del Perú |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/bachelorThesis |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/closedAccess |
Page generated in 0.0025 seconds