Diseño de modelo predictivo multivariable para molienda en Compañía Minera Doña Inés de Collahuasi

Abstract

El presente trabajo se desarrolló en las dependencias de la gerencia de geometalurgia de la Compañía Minera Doña Inés de Collahuasi, con el objetivo de desarrollar un modelo que fuera capaz de predecir el comportamiento no lineal de la potencia de uno de los molinos SAG de CMDIC, teniendo como entradas del modelo las variables mineralógicas (durezas y granulometría de alimentación) junto con las variable manipulables por el operador (%sólidos, velocidad, nivel de bolas y flujo de alimentación) y como salida única la potencia. La idea surge debido a que la planta no cuenta con una estimación confiable de la potencia en los molinos SAG, lo que conlleva a una variabilidad en la operación, error en las planificaciones y estimaciones de tratamiento. Se proponen tres tipos de modelos predictivos a comparar: Modelo de Redes Neuronales y Modelo de Bosques Aleatorios, los cuales fueron creados y validados utilizando el software estadístico R, junto con el modelo de potencia establecido por Austin. Para la realización de los modelos se utilizó data real recopilada de planta, estos datos fueron obtenidos desde mediciones en terreno que fueron reportados al servidor Pi ProcessBook. Previamente al entrenamiento de los modelos, la data cruda se sometió a un tratamiento en donde se eliminaron los valores atípicos u outliers. El criterio de comparación de los modelos fue la Raíz del Error Cuadrático Medio (Root Mean Square Error RMSE) y el Error Porcentual Absoluto Medio (Mean Absolute Percentage Error, MAPE). De los resultados se concluye que el método de Random Forest con 150 árboles de decisión tiene un mejor desempeño que el modelo de Redes Neuronales con 2 neuronas en la capa oculta. Mientras los bosques tienen un error de 0,76%; el de las redes es 1,40 %. Por otro lado el modelo de Austin posee un error de 3,04%. Finalmente, como la potencia depende principalmente del nivel de llenado total del molino, se propone como trabajo futuro desarrollar un modelo predictivo de nivel de llenado total, lo que contribuye de mejor manera con el modelamiento de la potencia del molino.