Análisis de la variabilidad y trazabilidad en los tiempos de retardo de detonadores No Eléctricos de una empresa de explosivos: Una propuesta basada en Python

Abstract

La investigación tuvo como objetivo analizar la variabilidad y trazabilidad en los tiempos de retardo de detonadores no eléctricos o pirotécnicos fabricados en la Planta de Mixtos (retardos), en la Planta dosificadora de cargas explosivas (detonadores) y en la Planta de ensamble (producto terminado) de una planta de producción de explosivos, mediante modelos de aprendizaje automático como Random Forest, Gradient Boosting y Redes Neuronales. Para ello, se emplearon datos reales de fabricación que incluyeron tiempos de retardo entre 17 y 1000 ms, longitudes de cilindro de 9 a 42 mm y diferentes tipos de mixtos pirotécnicos (AG, BG, CG, DG). A través de un sistema de análisis de datos desarrollado en Python se evaluó el desempeño de los modelos, obteniéndose como resultados: Random Forest con un MSE de 39.2752, MAE de 3.6297 y R² de 0.9996; Gradient Boosting con un MSE de 47.9773, MAE de 4.2971 y R² de 0.9995; y la Red Neuronal con un MSE de 55.9307, MAE de 4.4314 y R² de 0.9994. Se concluye que Random Forest ofrece la predicción más precisa al presentar menor error cuadrático y absoluto, además del mayor coeficiente de determinación, aunque los otros modelos también alcanzaron un rendimiento elevado. En general, los resultados confirman que la variable objetivo, el tiempo de retardo, puede predecirse con alta precisión mediante aprendizaje automático, lo que contribuye a la optimización del control de calidad y la trazabilidad en la fabricación de detonadores no eléctricos.