Browsing by Author "Navarrete Zurita, Kevin Darren"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Estimación del contenido de cobre y razón hierro sílice en la escoria de un convertidor flash usando datos de proceso y deep learning.
    (Universidad de Concepción, 2025) Navarrete Zurita, Kevin Darren; Pérez Venegas, Francisco Germán
    El presente trabajo aborda el desarrollo de una herramienta de monitoreo que permita el seguimiento de la ley de cobre (Cu) y la razón hierro-sílice (Fe/SiO2) en la escoria de un horno de conversión flash. Esta problemática surge de la dependencia actual de métodos de análisis químicos, invasivos y con desfase temporal, los cuales impiden un monitoreo en tiempo real, no invasivo y en línea. Para solucionar esta problemática se propone un sistema no invasivo basado en el uso de datos de proceso y modelos de Deep Learning programados en Python. La metodología consistió en la construcción de dos conjuntos de datos: uno endógeno, basado en el pasado de las variables objetivo y otro exógeno, compuesto por variables de proceso operacional, simulando así un escenario industrial real donde no siempre se dispone de mediciones químicas pasadas. Esto permitió evaluar la capacidad de los modelos en ambos contextos. Se implementaron y compararon tres arquitecturas predictivas: un modelo de regresión lineal (que sirvió como línea base), una red neuronal recurrente LSTM (Long Short-Term Memory) y un Temporal Fusion Transformer (TFT). El desempeño se evaluó utilizando como métrica principal Mean Absolute Scaled Error (MASE), y las métricas como MAE, sesgo de pronóstico (FB), coeficiente de correlación de Pearson, R2 e información mutua normalizada (NMI). Los resultados obtenidos muestran que la regresión lineal constituye una base sólida para capturar tendencias generales, pero resulta insuficiente frente a la alta variabilidad de las series. El modelo LSTM alcanzó el mejor desempeño global, demostrando robustez en la estimación tanto del cobre como de la razón hierro-sílice en el conjunto endógeno. Por su parte, el TFT presentó un mejor comportamiento en el conjunto exógeno, al explotar relaciones no lineales en las variables de proceso, aunque en el conjunto endógeno exhibió dificultades de generalización. En conclusión, este trabajo analiza la factibilidad de construir un sistema de monitoreo no invasivo para la industria del cobre, con proyección a su integración en sistemas de control en línea. Este enfoque contribuye a la optimización de los procesos pirometalúrgicos, ofreciendo beneficios en seguridad, reducción de costos y monitoreo operacional.
Síguenos en...