Tacos de alto rendimiento TN – Una Innovación probada para la Minería Subterránea
Bibliographic record
Abstract
Casi un 20% de las 5,7 millones de toneladas de cobre que produce Chile provienen de explotaciones en minas subterráneas, cifra que aumentará en los próximos años debido a la incorporación de yacimientos que hoy son explotados en rajo abierto. Por esta razón, existe la necesidad de construir cientos de kilómetros de túneles y galerías, para llegar a las frentes de trabajo donde se extrae el mineral. En Chile, los túneles mineros se construyen según una metodología de excavación convencional, con el uso de perforación y tronadura. siguiendo el ciclo minero. La eficiencia global del ciclo minero depende de varios factores, pero uno de los más relevantes es la eficiencia de la tronadura. En el presente artículo se incluye una discusión teórica que fundamenta la importancia del confinamiento del explosivo en los tiros y los efectos en la eficiencia de la tronadura de un adecuado diseño y fabricación de los Tacos Retenedores. Finalmente, se presentan los resultados preliminares de pruebas industriales realizadas con los Tacos Retenedores de Alto Rendimiento TN en frentes de desarrollo horizontal en minas de Argentina y en la División El Teniente de Codelco. Estos resultados preliminares muestran importantes mejoras en la eficiencia del avance de cada disparo, en reducir la sobre excavación y en la calidad de las marinas, impactando en forma positiva en la productividad del ciclo minero.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".