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.
| dc.contributor.advisor | Gutiérrez B., Leopoldo | es |
| dc.contributor.author | Olivera Bascur, Nathalia Andrea | es |
| dc.date.accessioned | 2024-11-12T12:49:10Z | |
| dc.date.available | 2024-11-12T12:49:10Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis presentada para optar al título de Ingeniera Civil Metalúrgico | es |
| dc.description.abstract | 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. | es |
| dc.description.abstract | This project presents the design of a predictive model for the behavior of the HRT 4001 tailings thickener located at the Ujina Concentrating Plant of Compañía Minera Doña Inés de Collahuasi, using Machine Learning models implemented with Python programming language. Additionally, with the predictive model, it is possible to identify variables that can optimize the thickener's performance and water recovery. The three models examined correspond to: Multivariable Polynomial Regression, Artificial Neural Networks (ANN), and Random Forest (RF). The last two models were tuned using the GridSearchCV() tool to create models with the best possible performance. The variables used to predict the solids percentage in the discharge pulp and rheology (viscosity and yield stress) included mineralogical variables of the feed pulp (pH, clay level, and particle size) and operational variables (feed flow, discharge flow, flocculant dosage, interface level and torque). The performance metrics used to compare the models correspond to the Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and the coefficient of determination (R²), which are commonly used in Machine Learning. The results show that the Random Forest model produces better values for the three target variables, with an MAE of 0.042 for the solids percentage in the discharge, 1.641 for viscosity, and 7.363 for yield stress, and an R² of 0.986, 0.906, and 0.981, respectively. From the results, it is concluded that the most influential features are clay and bed level. Although the characteristics of the feed pulp cannot be modified by the thickening process, the predictive model allows experimentation with other variables, helping to identify the necessary adjustments to achieve target results while reporting rheology. Finally, since the predictive model depends on online data, it is suggested to review the sensors, mainly the particle size tracking system, and to expand the dataset over time, training the model with future data to ensure it retains its predictive power. | en |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Metalúrgica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/7194 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | en |
| dc.subject | Relaves (cobre) | es |
| dc.subject | Reología | es |
| dc.subject | Machine learning | en |
| dc.title | 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. | es |
| dc.type | Thesis | eb |