Aplicación de Deep Learning como complemento al modelamiento fenomenológico del proceso de flotación a escala industrial

Abstract

Se ha propuesto durante el desarrollo de esta tesis hacer uso de algoritmos de Deep Learning, con el fin de apoyar el modelamiento fenomenológico del proceso de flotación. El principal apoyo viene de la mano del método de predicción denominado redes neuronales. El objetivo principal de esta tesis es generar un modelo de predicción de variables de flotación que combine el uso de algoritmos de Deep Learning con métodos fenomenológicos. Se identificaron tres posibles puntos de aplicación para estos algoritmos: (1) El cálculo de las distribuciones de tiempos de residencias, (2) la predicción del valor de la ley de concentrado en función exclusiva de la ley de alimentación, y (3) la identificación y clasificación de Unidades Geometalúrgicas, para definir qué variables cinéticas son adecuadas usar en cada predicción. Un modelo global que combine estos tres puntos de aplicación podría recibir un set de leyes elementales o minerales y en función de eso, identificar la unidad geometalúrgica y asociar las constantes cinéticas correspondientes. Luego, podría derivar a un modelo más específico para la predicción de la ley de concentrado. Para el primer punto de aplicación, se estudió la predicción de distribuciones de tiempos de residencia. Se hicieron pruebas de predicción con redes neuronales y con el método de estimación de densidad con Kernel. Ambos métodos alcanzaron valores de precisión importantes con respecto a la base de datos utilizada . Las redes neuronales específicamente tuvieron grados de precisión que involucraron una divergencia de Kullback Liebler de 10^-4, pero son mucho menos flexibles, y pierden capacidad de predicción cuando se sale de su dominio de entrenamiento. Por otro lado, la aplicación de la estimación de densidad con Kernel genera predicciones con divergencia de Kullback Liebler de 24 * 10^-4, pero que son más flexibles, dado que no requieren una base de entrenamiento.\\ Para el segundo punto de aplicación, se estudió la utilización de redes neuronales frente al uso de modelos de regresión simples. Se pudo ver que ambos métodos presentaban resultados muy similares en cuanto a precisión y tiempo de cálculo. Esto se debe probablemente al hecho que no se tuvieron los datos necesarios para hacer predicción de acuerdo a diferentes unidades metalúrgicas, situación que podría haber diferenciado el comportamiento de las leyes de concentrado frente a una misma ley de alimentación. Finalmente, para el tercer punto, se hicieron pruebas con métodos de clasificación directa, los cuales presentaron un rendimiento adecuado pero mejorable. Frente a esto, se probó la alternativa de implementar un algoritmo de clasificación en base a un árbol binario, el cual si presento una mejora con respecto al primero, yendo desde una precisión en la clasificación 74.4 % a 76.7 %. También se probó la posibilidad de usar un método de clasificación difusa o probabilística, mediante la función de activación softmax, el cual presento un rendimiento ligeramente superior, de aproximadamente 78%.