Desarrollo de metodología de predicción y calibración de parámetros de simulaciones DEM aplicado a flujo de mineral de cobre basada en machine learning

Abstract

El presente trabajo de investigación se enfoca en estudiar los materiales granulares, los cuales se componen de distintas partículas que interactúan entre sí, y se encuentran presentes en distintos procesos industriales. En particular, para lograr representar la representación numérica de las características macroscópicas (macro-parámetros) de estos se requiere calibrar o ajustar parámetros de interacción a nivel de partícula (micro-parámetros) como la fricción, rigidez, disipación de energía, entre otros. Habitualmente, la literatura se enfoca en obtener directamente los micro-parámetros a partir de un conjunto conocido experimentalmente de macro-parámetros (como el ´ángulo de reposo u otro). Sin embargo, hay dos temas claves en esta caracterización del material: (1) ¿si es que hay más de un conjunto de micro-parámetros que entregue la misma respuesta macroscópica y, de ser así, ¿cuál escojo en mi modelo?, y (2) ¿cómo selecciono el conjunto de micro-parámetros de una forma consistente y global? Esto ´ultimo, por ejemplo, a lo largo de todo un rango de valores para los macro-parámetros de interés. Estos dos puntos son tratados por la metodología, la cual corresponde al objetivo principal que persigue el presente trabajo, detallando el estado del arte, el desarrollo técnico usado junto con sus herramientas, los resultados y cómo esto se traduce en una metodología práctica de obtención de micro-parámetros. En particular, se usan herramientas de simulación DEM, modelo de regresión desde machine learning, y consideraciones o reglas físico-teóricas para la interpretación de los resultados. La metodología encontrada se aplica de forma exitosa a mineral de cobre con distintos tamaños y forma de partícula, mientras se deja establecido como expandirlo a casos de interés, pero de mayor complejidad, como es un material húmedo, multiplicidad de macro-parámetros, entre otros.