Análisis de las causas de los accidentes de trabajo en el sector minero para la predictibilidad de los accidentes mortales

Abstract

La presente investigación desarrolla un modelo predictivo de accidentes de trabajo en el sector minero peruana. La realidad problemática en el sector minero tiene como hecho la impredecibilidad de los accidentes de trabajo, muchas veces la estadística no resulta suficiente para lograr predecir o pronosticar sucesos de fatalidad, sumado a ello un ineficiente sistema de gestión de seguridad que no incorpore modelos predictivos más certeros. La investigación se centra en diseñar un modelo de predictibilidad de accidentes mortales en el sector minero peruano. Para lograr la creación de un modelo predictivo de accidentes mortales se utilizan las herramientas del Deep Learning. Se siguen los conceptos del aprendizaje automático supervisado, redes neuronales artificiales multicapa, redes neuronales recurrentes y la herramienta del Long Short Term Memory. Se toma en cuenta los registros de investigación de accidentes reportados por las entidades gubernamentales. Para la gestión del análisis de las causas de los accidentes se considera la metodología TASC para la investigación de accidentes ya que esta metodología tanto las causas inmediatas, causas básicas, factores personales y factores de trabajo pueden categorizarse facilitando el procesamiento de la información. Se analizaron 138 reportes de accidentes mortales en el sector minero de los cuales cada reporte incluye 188 variables entre discretas y continuas que son procesadas mediante redes neuronales recurrentes. Los datos son previamente limpiados, categorizados para el modelo los clasifique, procese, analice y proporcione una salida de información. Para la optimización de modelo se realizan pruebas con determinada cantidad de épocas con el objetivo de encontrar el mínimo error porcentual absoluto medio. Al aplicar los modelos de regresión, resulta factible aplicar modelos predictivos de accidentabilidad, además se encontró que el modelo se optimiza en 120 épocas llegando a obtener un error porcentual absoluto medio de 5.7%. La metodología TASC facilita la categorización de las causas y factores de los accidentes haciendo el procesamiento más rápido, a diferencia de otras metodologías para identificación de causas de los accidentes de trabajo. Además, al utilizar ajustes de LSTM el modelo se retroalimenta y toma en cuenta un determinado número eventos precedentes para una mejor predicción.

The present research develops a predictive model of work accidents in the Peruvian mining sector. The problematic reality in the mining sector is the unpredictability of work accidents, many times statistics are not sufficient to predict or forecast fatal events, added to this an inefficient safety management system that does not incorporate more predictive models. accurate. The research focuses on designing a predictability model for fatal accidents in the Peruvian mining sector. To achieve the creation of a predictive model for fatal accidents, Deep Learning tools are used. The concepts of supervised machine learning, multilayer artificial neural networks, recurrent neural networks and the Long Short Term Memory tool are followed. Accident investigation records reported by government entities are taken into account. To manage the analysis of the causes of accidents, the TASC methodology for accident investigation is considered since this methodology, both the immediate causes, basic causes, personal factors and work factors can be categorized, facilitating the processing of information. 138 reports of fatal accidents in the mining sector were analyzed, of which each report includes 188 variables between discrete and continuous that are processed through recurrent neural networks. The data is previously cleaned, categorized for the model to classify, process, analyze and provide an information output. For model optimization, tests are carried out with a certain number of epochs with the objective of finding the minimum mean absolute percentage error. By applying the regression models, it is feasible to apply predictive models of accident rate; it was also found that the model is optimized in 120 epochs, obtaining an average absolute percentage error of 5.7%. The TASC methodology facilitates the categorization of the causes and factors of accidents, making processing faster, unlike other methodologies for identifying the causes of work accidents. In addition, when using LSTM adjustments the model feeds itself and takes into account a certain number of preceding events for a better prediction.