Estudio y aplicación de algoritmos de Machine Learning para el diseño de un simulador predictivo del comportamiento dinámico de espesadores de relaves

Abstract

Una de las problemáticas más importante en los procesos mineros es aprovechar al máximo el uso de agua, y una de las operaciones unitarias con mayor importancia en este ámbito es el espesamiento de relaves. A. Los relaves entran con aproximadamente un 20% a 30% de concentración de sólidos, y sus salidas corresponde a agua recuperada, y relaves al 50% de sólidos, por lo que se hace necesario desarrollar nuevas tecnologías que permitan optimizar las operaciones involucradas en estos procesos. El objetivo de este trabajo es estudiar el desempeño de algoritmos del área de Inteligencia Artificial, aplicados a un sistema de espesamiento de relaves, en la obtención de los parámetros de las ecuaciones utilizadas para la modelación fenomenológica de dicho proceso. Para esto se disponen de datos experimentales de los parámetros relacionados a las funciones constitutivas que describen el proceso de sedimentación de distintas muestras de relaves dentro de un espesador. Se diseñó modelos basados en 3 tipos de algoritmos de Machine Learning: un algoritmo de programación genética y 2 tipos de redes neuronales artificiales (recurrentes y convolucionales). Estos modelos se implementaron para cada uno de los parámetros respectivos, teniendo como variables de entrada los porcentajes de las principales arcillas presentes en las muestras, junto al porcentaje de material fino en los relaves. Sobre la programación genética, se obtuvo 8 expresiones matemáticas que describen los parámetros de las funciones constitutivas asociadas a la teoría de sedimentación. El coeficiente de correlación promedio de los modelos basados en este algoritmo es de 𝑅� 2 = 0,7951 y el error cuadrático medio promedio de 𝑅�𝑀�𝑆�𝐸� = 0.1414. El tiempo estimado de entrenamiento de cada modelo fue de 3 horas y 25 minutos y el de ejecución es de 3,5 segundos. Por otro lado, se obtuvo 8 los modelos basados en cada tipo de red neuronal a estudiar. Para el caso de las redes recurrentes se obtuvo un coeficiente de correlación promedio de 𝑅� 2 = 0,9702, un error cuadrático medio 𝑅�𝑀�𝑆�𝐸� = 0,0457, tiempo de entrenamiento y ejecución de aproximadamente 5 horas y 4,0 segundos, respectivamente. En cuanto a las redes convolucionales, para el coeficiente de correlación se tiene 𝑅� 2 = 0,9613, error cuadrático medio 𝑅�𝑀�𝑆�𝐸� = 0,0494, tiempo de entrenamiento de 5 horas y de ejecución de 4,1 segundos. Del análisis realizado, se concluye que a pesar de que los algoritmos basados en programación genética utilizan menos recursos en comparación a las redes neuronales, éstas últimas poseen una mayor capacidad de predicción, destacando a las redes recurrentes en la simulación global de los datos, y a las redes neuronales convolucionales para la detección y mejor predicción de las muestras con bajo nivel de arcillas y material fino. Por último, en el trabajo se planteó una metodología para desarrollar modelos empíricos que puede utilizarse en otros sistemas similares.