68 Edición Semanal Pilares de Tailings 5.0 Sensórica IoT avanzada: piezómetros, inclinómetros, radares, drones y satélites. Data lakes: integración de grandes volúmenes de datos en la nube. IA y ML: modelos predictivos de estabilidad, series temporales y clasificación de imágenes. Blockchain: trazabilidad y transparencia para stakeholders. Gobernanza digital: cumplimiento GISTM y reportes en línea. Modelo predictivo aplicado a depósitos de relaves Variables críticas Cuantitativas: nivel de agua, caudal de filtración, volumen de poza, desplazamientos medidos por prismas. Cualitativas: presencia de grietas, estado del coronamiento y granulometría del material. Algoritmos utilizados Regresión múltiple y Random Forest (R² = 0.91, MAE = 0.007). Árboles de decisión para escenarios de falla. Long Short-Term Memory (LSTM) para series temporales de presión de poros. Índice de estabilidad operativa Se diseñó un índice de 0.00 a 1.00 para clasificar condiciones: ≥0.80: ideal. 0.60–0.79: normal. 0.40–0.59: observable. 0.20–0.39: reactivo. <0.20: anómalo (acción inmediata). Los resultados preliminares mostraron un 91% de precisión predictiva (ver Figura 2). Fuente: elaboración propia. Figura 2. rendimiento del modelo predictivo.
RkJQdWJsaXNoZXIy MTM0Mzk2