Browsing by Author "Olivera Bascur, Nathalia Andrea"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Predicción del comportamiento del espesador de relaves HRT 4001 en función de los parámetros de la pulpa de alimentación y reología en compañía minera Doña Inés de Collahuasi.
    (Universidad de Concepción, 2024) Olivera Bascur, Nathalia Andrea; Gutiérrez B., Leopoldo
    El presente proyecto de memoria de título expone el diseño de un modelo predictivo para el comportamiento del espesador de relaves HRT 4001 ubicado en la Planta Concentradora Ujina de Compañía Minera Doña Inés de Collahuasi, utilizando modelos de Machine Learning implementados con lenguaje de programación Python. Adicionalmente, con el modelo predictivo, se pueden identificar aquellas variables que permitan optimizar el funcionamiento del espesador y recuperación de agua. Los tres modelos examinados corresponden a: Regresión Polinomial Multivariable, Redes Neuronales Artificiales (RNA) y Random Forest (RF). Los últimos dos modelos fueron modelados con la herramienta GridSearchCV() para crear modelos con el mejor desempeño posible. Las variables utilizadas para predecir el porcentaje de sólidos en la pulpa de descarga y reología (viscosidad y yield stress) incluyeron variables mineralógicas de la pulpa de alimentación (pH, nivel de arcillas y granulometría) y variables operacionales (flujo de alimentación, flujo de descarga, dosis de floculante, nivel de interfase, nivel de cama y torque). Las métricas de rendimiento empleadas para comparar los modelos corresponden al Error Absoluto Medio (MAE), Raíz del Error Cuadrático Medio (RMSE) y el Coeficiente de determinación (R2), que son comúnmente utilizadas en Machine Learning. Los resultados muestran que el modelo Random Forest produce mejores valores paras las tres variables objetivo, con un MAE de 0,042 para el porcentaje de sólidos en la descarga, 1,641 para la viscosidad y 7,363 para el yield stress, y un R2 del 0,986, 0,906 y 0,981 respectivamente. De los resultados se concluye que las características más influyentes corresponden a las arcillas y el nivel de cama. Aunque las características de la pulpa de alimentación no pueden ser modificadas por el proceso de espesamiento, el modelo predictivo permite experimentar con las demás variables, ayudando a identificar los ajustes necesarios para alcanzar los resultados objetivos, mientras se informa la reología. Finalmente, como el modelo predictivo depende de los datos en línea, se sugiere una revisión de los sensores, principalmente del sistema de rastreo del tamaño de partículas, y la ampliación del conjunto de datos a lo largo del tiempo, entrenando el modelo con data futura, permitiendo que no pierda así su poder predictivo.
Síguenos en...