Ciencia & Futuro
V. 15. No.3 septiembre-noviembre 2025
ISSN: 2306-823X
Recibido: 1/6/2025/Aceptado: 30/7/2025
Aplicación de la inteligencia artificial a través de promts para la elección de transporte minero
Applying artificial intelligence through prompts for choosing mining transport
Rayner Heberto Callard Mejías rhcallardmejias@gmail.com (1)
https://orcid.org/0009-0008-5323-8799
Armando Cuesta Recio acuesta@ismm.edu.cu (2)
https://orcid.org/0009-0002-5683-1175
Daniel Mendiola Elis dmendiola@ismm.edu.cu (2)
https://orcid.org/0009-0009-7116-9915
(1 ) Empresa de Mantenimiento a Centrales Eléctricas, Santiago de Cuba, Cuba
(2) Universidad de Moa, Moa, Cuba
Resumen: En la presente investigación se propone el uso de la ingeniería de instrucción para solucionar, a través de la generación conversacional, problemas de selección de transporte minero. Se establece un conjunto personalizado de prompts aplicables a la solución de problemas de transporte minero a nivel académico. Para la efectividad de los prompts se siguieron parámetros como uso de lenguaje natural, especificación de objetivos claros, utilización de ejemplos y evaluación de los resultados. El conjunto de prompts propuesto cubre una amplia gama de problemas de transporte minero, lo que permite la resolución de problemas en esta rama.
Palabras clave: chatbots interactivos, optimización de procesos mineros, productividad minera
Abstract: This research is aimed to use prompting engineering to solve, mining transport selection problems through conversational generation. A customized set of prompts are established to solve mining transport problems at an academic level. For the effectiveness of the prompts, parameters such as use of natural language, specification of clear objectives, use of examples and evaluation of results were followed. This enables innovative and creative solutions to be developed.
Keywords: interactive chatbots, mining process optimization, mining productivity
Introducción
Los cambios que la humanidad ha experimentado desde hace varios años son significativos. Así como casi todas las áreas del quehacer humano han cambiado debido a la tecnología y al constante desarrollo, la minería también debe evolucionar con estos cambios he integrarse a estos nuevos cambios.
El transporte minero es uno de los pilares fundamentales de la minería, ya sea a cielo abierto o subterránea y una actividad importante para el desempeño de las empresas. La elección de los parámetros y el tipo de transporte son de vital importancia para lograr procesos mineros óptimos. Arango, Gil & Zapata (2009) apuntan a la aplicación de métodos de optimización de procesos de transporte en el sector minero. En Cuba, el enfoque más utilizado para abordar problemas de elección de transporte es la metodología tradicional de cálculos, en algunas ocasiones con la utilización de softwares.
La inteligencia artificial (IA) se define como el desarrollo de algoritmos y sistemas capaces de realizar tareas que requerirían inteligencia humana, como el aprendizaje automático y la toma de decisiones (Alastruey, 2021; Erazo-Luzuriaga et al., 2023, Villagomez, 2025). La capacidad de la IA para analizar grandes volúmenes de datos y aprender de ellos permite a los ingenieros tomar decisiones más informadas y adaptar los diseños a necesidades cambiantes con mayor rapidez y eficacia (Enríquez et al., 2024 Naula-Flores, Robles-García & Campuzano-Vásquez, 2025).
La IA constituye un vasto campo de investigación científica y tecnológica que tiene el potencial de revolucionar la ingeniería, acelerar y cambiar las relaciones sociales y económicas, técnicas y cotidianas. Es esencial para la competitividad empresarial estimulando la eficiencia operativa y la reducción de costos mediante tecnologías avanzadas (Sánchez, Lozada & Asmat, 2024). Según Gurbaxani & Dunkle (2019) la automatización de los procesos ayuda a la precisión de tereas y redirige los recursos hacia actividades de valor agregado. En este sentido los chatbots interactivos son económicamente rentables, generan ganancias y reemplazan funciones administrativas y de mercadeo en las empresas (Gordon, 2023).
En el campo de la minería el uso de la IA ha mejorado la eficiencia en la optimización de la extracción de recursos (Ramírez, Alegría & Muñoz, 2022; Contreras Medina et al., 2023; Chen, Chung & Correa (2023); Peña Ramírez, Ríos Muñoz y Espinoza Brito (2024). reduce los costos operativos y mejora la seguridad de los trabajadores (Romao de Souza, Pedrosa & Alvarez, 2024), además favorece la competitividad y la optimización del transporte de minerales en entornos mineros (Park & Choi, 2021; Herrera et al., 2025).
Según Zapata, Vélez & Arango (2020) para una gestión eficiente de las actividades de transportación es necesario desarrollar planes estratégicos, tácticos y operativos del proceso utilizando adecuadamente recursos como la infraestructura, los equipos y la tecnología. La inteligencia artificial muestra una tendencia gradual en la gestión del transporte y la logística (Santos et al., 2023) e impulsa modelos predictivos maximizando la eficiencia operativa (Helmold, 2020).
En la presente investigación se propone el uso de la prompting engineering para solucionar, a través de la generación conversacional, problemas de selección de transporte minero.
Materiales y métodos
Un prompt es una instrucción o indicación que se proporciona a un modelo de lenguaje para que genere una respuesta (Guide, 2023; OpenAI, 2023). La validez de los resultados está determinada por la forma de elaboración de los promts (De Angelis et al., 2024). Para la efectividad de los prompt propuestos se siguieron parámetros como uso de lenguaje natural, especificación de objetivos claros, utilización de ejemplos y evaluación de los resultados.
Para intercambiar con un chatbot, se establecen las bases de la conversación, el desenlace, los objetivos generales a abordar, y los limites propuestos. Se plantea el problema general a resolver en forma de necesidad, declarar la materia o profesión sobre la cual trabajar, proporcionar rol adecuado que ofrezca una especie de mentoría hacia el proponente. Después de establecerlo se introduce el problema específico.
Arquitectura de un chat orientado a solución de problemas de transporte minero
La elaboración del primer prompt recomienda una semántica orientada a la declaración de intenciones lo que incluye los datos iniciales insoslayable, como el tipo de mina; los datos iniciales de trabajo concernientes a la forma de la respuesta y acotaciones o limitantes, asociados a la experiencia acumulada y a la historia de intercambios orientados al tema en cuestión.
Prompt de iniciación o apertura
Objetivo del prompt: Preparación para la incorporación de los datos.
Tipo de mina: Mina a cielo abierto.
Objetivo: Insertar los datos y crear una base de datos
Datos: Empresa, zona de trabajo, mineral a extraer, ubicación de la planta.
Productividad diaria, profundidad de explotación, detalles del campo de minas, número de escalones, distancia del frente a la trinchera, cargadora a emplear, método de arranque del mineral, número de turnos de trabajo.
Recomendaciones: Es importante separar los datos, con un guion. Poner un punto al final de cada idea. Lo importante, como nombres, datos específicos o cualquier simbología representativa (#).
El tipo de acceso depende de las características de la mina. Teniendo este grupo de parámetros en cuenta establezca que brinde la mejor variante siguiendo la metodología que proporcionaré en breve.
Objetivo: Determinación del tipo de acceso, longitud de la trinchera
Datos: Ya a priori se incorporó a la base de datos.
Contexto: El tipo de acceso se selecciona en función de las características geométricas del yacimiento y la extensión del campo de minas
Donde:
i: pendiente de la trinchera en %.
Lt: longitud de la trinchera. Está pendiente varía entre el (8 % y 16 %).
H: altura del escalón.
Nota: si expresa la pendiente en % no debe multiplicar por 100, pero si la expresa en decimales Si se multiplica por 100, es decir 8 % no se multiplica, pero 0.08 o la tangente del ángulo si se multiplica
Fórmula: Lt = (h/i) *100
Recomendaciones: Las fórmulas deben de ser claras, añadir una nota aclaratoria de (i) explicando el por qué se toma como un valor o como otro. En el caso de contar con extinciones de cálculo entonces debe lograr la compatibilidad de secuencia de datos con la interface de llamada a la extensión.
Objetivos: Obtener la capacidad real de carga (qc), expresado en toneladas. Así como el volumen real de carga (vc), expresado en m3.
Objetivos: Buscar y calcular (qc), (vc).
Formato: Orden de tareas.
1-Capacidad real de la carga.
2-Volumen real de la carga.
Tono: Respuesta ingenieril.
Tipo de excavadora: La que utilices.
Contexto: Considerando que el coeficiente de utilización de la capacidad volumétrica y de carga no debe ser mayor de 1.02 a 1.08 la capacidad teórica y conociendo de antemano cual será el tipo de equipo de carga que se utilizará por ende su capacidad en m3 que es excavadoras.
qe: toneladas.
Ve: m3.
Kll: Coeficiente de llenado 0,7.
Ke: Coeficiente de esponjamiento
g: Densidad del material; t/ m3
Fórmulas:
Ve = (E*KII)
qe = ((E*KII) /Ke)*g)
Técnica: Pensemos paso a paso.
Recomendaciones: El usuario debe brindarle al modelo los datos correspondientes de no ser así, se buscarán de internet en enlace con los fabricantes, en catálogos o bases de datos de acceso libre. Se debe de buscar los parámetros para realizar el cálculo, para aumentar la efectividad del mismo se aconseja aplicar la técnica del paso a paso. Debe establecer un orden de solución, de esto dependerá la calidad de la respuesta.
Objetivo: Elección del tipo de camión.
Formato: Orden de las tareas.
1-La capacidad de la cuchara.
2-Número de cucharas.
Contexto: Se deben cumplir las siguientes proporciones entre la capacidad de la caja del camión y la del cubo de la excavadora. Las proporciones a cumplir:(3 >nc< 5) ó (7 >nc< 9).
nc: Número de cucharas.
qcc: Capacidad teórica de carga de la cuba o cama del camión; (t)
vcc: Capacidad volumétrica teórica o de catálogo del camión (m3)
Fórmulas: Existen dos variantes.
nc = (qcc)/(qe)
nc = (vcc/ve)
Técnica: Pensemos paso a paso.
Recomendaciones: Se puede añadir la técnica de solución paso a paso, para obtener una mejor respuesta. El resultado de nc debe presentarse en números enteros.
Prompt: Selección del camión
Basados en las características técnicas establecidas en el paso anterior se le establece en forma de pregunta directa el modelo y tipo de camión a utilizar.
Instrucción general: Proponer un modelo de camión.
Objetivo: Determinar el modelo del camión.
Tono: Que sea una respuesta de ingeniería.
Recomendaciones: Una vez conformado el prompt, se recomienda escoger un modelo de los proporcionados por la IA. También se le incorpora algunas limitantes para que no generalice.
Los datos del camión están bien establecidos en la ficha técnica de cada fabricante y son de libre y fácil acceso.
Objetivos: Obtener los datos propuestos y determinar la masa real de roca del camión.
Datos
- Masa propia del camión o masa tara (mp); t.
- Capacidad teórica (carga y volumétrica) del camión (qcc/vc).
- Velocidad límite (vmax 55 km/h).
- Potencia del motor del camión en KW.
Fórmula: qcr = nc*qe
Contexto: La (qcr): se expresa en toneladas.
En este paso se calcula (vcr), se evalua el coeficiente de utilización de la capacidad de carga (Kuq) y el coeficiente de utilización de la capacidad volumétrica (Kuv).
Estructura:
Objetivo: Determinación del volumen real de carga en la caja del camión (vcr).
Contexto: Utilizando (camión escogido por el ingeniero), se evaluará el coeficiente de utilización de la capacidad de carga (Kuq) y/o el coeficiente de utilización de la capacidad volumétrica (Kuv).
Formato:
1- Coeficiente de utilización de la capacidad de carga (Kuq).
2- Coeficiente de utilización de la capacidad volumétrica (Kuv).
3- Determinacion de (vcr).
Fórmula: Kug = qcr/qcc
Kuv = vcr/vc
Vcr = nc*ve
Recomendaciones: Se recomienda proponer un signo de interrogación al final de cada situación cuya respuesta se desconoce.
¿Kuv = ?, ¿Kug = ?, ¿Vcr = ?
Este paso es para la determinación de la productividad de un camión conociendo la longitud y la velocidad de transportación. Para llegar a este paso hay que calcular varios parámetros. Este prompt servirá de guía para el cálculo de los parámetros.
Objetivo: Sentar las bases para el cálculo de la productividad del camión.
Contexto: Qt, se expresa en T/h.
Donde
Kut–0.8-0.92
Se considera la disponibilidad de los camiones y la utilización de la excavadora
Qcc: capacidad teórica de carga de la cuba o cama del camión.
- Tv: Tiempo de viaje del camión o de un ciclo del (min).
- Qt: Productividad del camión, se expresa en T/h.
Fórmula: Q t=((60*qcr) /Tv) (*Kut)
Recomendaciones: Es importante tener en cuenta que este prompt es de preparación para calcular Tv, un valor necesario en la fórmula general para la productividad del camión. Debe establecerse este limitante para que la IA no proporcione datos erróneos, por lo que se establece una incógnita en los datos que él no tiene.
Para determinar el tiempo de viaje del camión es necesario primero establecer el tiempo de carga, tiempo de recorrido cargado, tiempo de recorrido vacío, tiempo de maniobra.
Instrucción general: Determinar el tiempo de viaje del camión (seleccionado).
Objetivo: Calcular Tv.
Formato: Orden de tareas.
-1 Determinar Tc
-2 Determinar Trc
-3 Determinar Trv
-4 Determinar Td
-5 Determinar Tm
Fórmula:
Tc = (nc* tc) /60
Trc = (60*lrc) /(vrc)
Trv = (60Lc) /v
Tm = (Tc+Td)/2
Contexto: Determinación del tiempo de descarga Td. Esto varia y se elige uno de (1.5-3) min. (3 min).
- Tc, Trc, Trv, Tm, Tv. Todos se expresan en minutos.
Técnica: Pensemos paso a paso.
Prompt: Productividad del camión y el número de camiones necesarios
Objetivo: Obtener Qt y el Ncamiones.
Formato:
1-Calcular Qt.
2-Calcular Ncamiones.
Contexto: La productividad del camión Qt. Y después En función de la productividad horaria de la cantera o mina, se determina el número de camiones necesarios para garantizar la productividad demandada.
Fórmula: Qt = (60*qcr) /Tv) (*Kut)
Ncamiones = Productividad horaria de la mina/Qt del camión
Una vez establecido el número de camiones necesarios para transportar el mineral, se debe considerar el tamaño de la flota de camiones. Esto se debe a que el tamaño de la flota puede afectar la productividad, los costos y la seguridad de la operación.
Comparación del método propuesto y la manera tradicional para la eleccióndel transporte para una mina
Las tablas 1-5 muestran los resultados obtenidos para la selección del transporte minero por el método tradicional y aplicando el uso de la inteligencia artificial.
Tabla 1. Determinación del tipo de acceso y la longitud de la trinchera
|
|
Tradicional |
Respuesta del chatbot |
|
Longitud de la trinchera (m) |
80 |
80 |
|
Tipo de acceso |
Trincheras sucesivas |
Trincheras sucesivas con recomendaciones para el uso de otro tipo de acceso |
La capacidad de carga de la excavadora (qe) y el volumen real de carga se estableció, garantizando los datos pertinentes que no fueron proporcionados, buscándolos en bases de datos externas de los fabricantes (Tabla 2).
Tabla 2. Elección del tipo de camión a partir de determinar la capacidad de carga
|
|
Tradicional |
Respuesta del chatbot |
|
|
Capacidad real de carga (t) |
4.63 t |
11,91 t |
|
|
Volumen real de carga(m3) |
3.71 m3 |
5,035m3 |
|
Tabla 3. Características del camión seleccionado
|
|
Tradicional |
Respuesta del chatbot |
|
Número de cucharas |
4 |
2,51 ≈3 |
|
Determinación de la masa real de roca en la caja del camión (qcr) |
18,55 t |
35,73 t |
|
Determinación del volumen real de carga en la caja del camión (vcr) |
14.84 m3 |
15,105 m3 |
|
coeficiente de utilización de la capacidad de carga (Kuq) |
0,74 |
1,02 |
|
Coeficiente de utilización de la capacidad volumétrica (Kuv) |
1,037 |
1,07 |
|
Camión recomendado |
MAZ 525 |
Volvo A60H |
Tabla 4. Productividad del camión y el tiempo de viaje en un ciclo del mismo
|
|
Tradicional |
Respuesta del chatbot |
|
Productividad del camión (Qt). |
38.051t/h |
35,73 t/h |
|
Tiempo de viaje del camión o de un ciclo del (min) |
23.2 min |
37,17 min |
|
Tiempo de ciclo tc de la excavadora (Tc) |
3min |
1min |
|
Determinación del tiempo de recorrido cargado (Trc) |
7.2 min |
15min |
|
Determinación del tiempo de recorrido vacío (Trv) |
7.2 min |
16,67min |
|
Determinación del tiempo de maniobra (Tm) |
3 min |
1,5 min |
Tabla 5. Número de camiones necesarios para garantizar la productividad
|
|
Tradicional |
Respuesta del chatbot |
|
Número de camiones |
42 |
18 |
Se ha establecido un conjunto personalizado de prompts aplicables a la solución de problemas de transporte minero.
Se propone una estructura lógica que toma en consideración los criterios de selección, pruebas, limitaciones y sustituciones operativas. La estructura presentada permite avanzar progresivamente en los conocimientos y habilidades en el uso de la prompting engineering, adaptándose a sus necesidades y contexto específico.
El conjunto de prompts propuesto cubre una amplia gama de problemas de transporte minero que permite desarrollar soluciones innovadoras y creativas.
Alastruey, C.F. (2021). Estado de la cuestión de la inteligencia artificial y los sistemas de aprendizaje autónomo. Sociología y tecnociencia. Revista digital de sociología del sistema tecnocientífico, 11(2), 182-195. https://doi.org/10.24197/st.Extra_2-2021.182-195
Arango, M.D., Gil, H., & Zapata, J.A. (2009). Logística esbelta aplicada al transporte en el sector minero. Boletín de Ciencias de la Tierra, 25, 121-136. https://revistas.unal.edu.co/index.php/rbct/article/view10866/
Contreras Medina, K. X., Hurtado, E., Lazo, W. J. & Torres, M. M. (2023). Efecto mediador de la Sostenibilidad en la Inteligencia Artificial y la Optimización de Procesos Mineros (Tesis de Maestría, Pontificia Universidad Católica del Perú). http://hdl.handle.net/20.500.12404/24857
Chen, C., Chung, E. & Correa, N. (2023). La inteligencia Artificial y su Impacto en la Industria de la Ingeniería. Revista Especializada en Ingeniería y Ciencias de la Tierra, 3(1), 2641. https://doi.org/10.48204/reict.v3n1.3948
De Angelis, S., Perillo, L., Aubert, E. Cherbavaz, M.C. & Andreoli, S. (2024). Estrategias de enseñanza con lAGen como oportunidades de catalización de la integridad académica. Trayectorias Universitarias, 10(19), 1-16. https://doi.org/10.24215/24690090e169
Enríquez, P., Lascano, W., Lizano, M. & Altamirano, J. (2024). Ingeniería de diseño y simulación asistida por inteligencia artificial. Reincisol, 3(6), 2494-2521. https://doi.org/10.59282/reincisol.V3(6)2494-2521
Erazo-Luzuriaga, A.F., Ramos Secaira, F.M., Galarza-Sánchez, P. C. & Boné-Andrade, M.F. (2023). La inteligencia artificial aplicada a la optimización de programas informáticos. Journal of Economic and Social Science Research, 3(1), 48–63. https://doi.org/10.55813/gaea/jessr/v3/n1/61
Gordon, R.D. (2023). Chatbots e inteligencia artificial: aportes, innovaciones y aplicación en el desarrollo de sistemas de información empresarial. Visión Antataura, 7(1), 132-147. https://doi.org/10.48204/j.vian.v7n1.a3930
Guide, P. (2023). Prompt Engineering Guide. https://www.promptingguide.ai/es
Gurbaxani, V. & Dunkle, D. (2019). Gearing up for successful digital transformation. MIS Quarterly Executive, 28(6), 209-220. https://aisel.aisnet.org/misqe/vol18/iss3/6
Helmold, M. (2020). Lean Management in Operations. In Lean Management and Kaizen: Fundamentals from Cases and Examples in Operations and Supply Chain Management. Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-46981 -8_7
Herrera, G., Salcedo, G., Blanco, J., Cabarca, A.D., & Doria, J. (2025). Revisión de Literatura sobre Gestión de la Producción: Tendencias, Desafíos y Oportunidades para la Ingeniería Industrial. Boletín de Innovación, Logística y Operaciones, 7(1), 67-79. https://doi.org/10.17981/bilo.7.1.2025.07
Naula-Flores, Z.D., Robles-García, N.Y., & Campuzano-Vásquez, J. A. (2025). La inteligencia artificial en el sector grandes empresas de la provincia de El Oro-Ecuador período 2023-2024. Portal de la Ciencia, 6(2), 247-261. https://doi.org/10.51247/pdlc.v6i2.536
OpenAI. (2023). ChatGPT prompt engineering. https://openai.com/blog/chatgpt-prompt-engineering
Park, S. & Choi, Y. (2021). Bluetooth beacon-based mine production management application to support ore haulage operations in underground mines. Sustainability, 13(4), 2281. https://doi.org/10.3390/su13042281
Ramírez, C.P., Alegría, H. & Muñoz, F. R. (2022). Modelo de análisis de riesgos de contratos en minería ante Industria 4.0. Journal of Management & Business Studies, 4(1), 1-16. https://doi.org/10.32457/jmabs.v4i1.1689
Romao de Souza, J., Pedrosa, R., & Alvarez, E. (2024). O impacto da automação na eficiência e segurança das operações de mineração. Revista Foco, 17(10), 1-10. https://doi.org/10.54751/revistafoco.v17n10-138
Sánchez, D.S., Lozada, V. & Asmat, G. (2024). Impacto de la inteligencia artificial en la competitividad logística: el megapuerto de Chancay en Perú como conector entre la República Popular China y América Latina. Revista de Análisis y Difusión de Perspectivas Educativas y Empresariales, 4(9), 9-28, https://doi.org/10.56216/radee032024dic.a01
Santos, K.E., Pilamunga, E.A., Villarreal, D.C. & Ortiz, L. A, (2023). Integración de tecnologías emergentes en el diseño industrial para una gestión más eficiente del transporte y la logística. Polo del Conocimiento, 8(9), 1204-1218. https://doi.org/10.23857/pc.v8i9.6077
Villagomez, A.H. (2025). El impacto de la inteligencia artificial en la sociedad: Una revisión sistemática de su influencia en Ámbitos Sociales, Económicos y Tecnológicos. Ciencia Latina Revista Multidisciplinar, 9(1), 8150-8172. https://doi.org/10.37811/cl_rcm.v9i1.16468
Zapata, J.A., Vélez, Á.R. & Arango, M. D. (2020). Mejora del proceso de distribución en una empresa de transporte. Investigación Administrativa, 49(126). https://doi.org/10.35426/iav49n126.08