Riesgos y prevención en actividades de campo con transformadores: modelación estadística de la probabilidad de accidentes y fatalidades

Resumen

El estudio analiza los riesgos eléctricos durante las pruebas de transformadores, un aspecto crítico en ingeniería eléctrica para garantizar la seguridad tanto de equipos como de personal. Se evaluaron modelos predictivos como Árbol de Decisión y Regresión Logística, que mostraron un rendimiento limitado (23% y 29.1% de precisión global, respectivamente). Estos modelos presentaron dificultades significativas para clasificar correctamente clases minoritarias, evidenciando problemas asociados al desequilibrio de datos y la falta de sofisticación para capturar patrones complejos en entornos desafiantes. Además, se observó un sesgo hacia categorías mayoritarias, lo que compromete su aplicabilidad práctica en sistemas críticos como la protección de subestaciones o el análisis de fallas internas mediante técnicas avanzadas como el Análisis de Respuesta en Frecuencia (FRA). La discusión destaca la necesidad de mejorar estos modelos mediante estrategias como sobremuestreo (SMOTE), selección de características más relevantes y la implementación de algoritmos avanzados como XGBoost o redes neuronales artificiales. Desde una perspectiva práctica, se enfatiza la importancia de integrar conocimientos teóricos con herramientas avanzadas de aprendizaje automático para anticipar patrones de riesgo y mitigar fallos operacionales. Las recomendaciones incluyen abordar el desequilibrio de clases, realizar análisis más profundos de las variables y complementar los modelos con técnicas de interpretación como SHAP o LIME. Finalmente, se concluye que es crucial adoptar un enfoque multidisciplinario que combine pruebas físicas con modelos predictivos para optimizar la seguridad en sistemas eléctricos.