Aplicación y evaluación de modelos de machine learning y deep learning en la predicción de consumo energético en molienda SAG

Abstract

La industria minera enfrenta grandes desafíos en términos de sostenibilidad y eficiencia energética. La molienda SAG, uno de los procesos que más energía consume, es un área clave para optimizar costos operativos y reducir la huella ambiental. A medida que las operaciones mineras crecen en complejidad y la demanda por eficiencia se intensifica, la capacidad de predecir el consumo energético en tiempo real podría ser una herramienta crucial para ajustar parámetros operativos, permitiendo una mayor eficiencia energética y un control más efectivo de los procesos. El estudio evalúa la aplicación de modelos de Machine Learning (ML) y Deep Learning (DL) para predecir el consumo energético en un molino SAG, utilizando la metodología propuesta en Avalos et al., (2020), sobre datos de una planta de molienda SAG con características de circuito distintas al estudio de la referencia. El objetivo principal fue aplicar dicha metodología y determinar si la inclusión de nuevas variables, como el estado de los revestimientos y la granulometría, mejora la precisión de las predicciones en este nuevo contexto. Se implementaron y compararon modelos, como regresión polinómica, máquinas de soporte vectorial (SVR), k-vecinos más cercanos (kNN), redes neuronales multicapa (MLP) y redes de memoria a largo plazo (LSTM). Las variables principales incluyeron el tonelaje procesado, la granulometría del mineral y el desgaste de los revestimientos, de acuerdo con la literatura revisada. Adicionalmente, se probaron variables como la presión en los descansos, evaluando su impacto en la precisión de las predicciones. Los resultados mostraron que el modelo MLP presentó el mejor ajuste, con un error relativo mínimo cuadrático (rRMSE) de 9.22%, seguido por el modelo LSTM, con un rRMSE de 9.45%. Aunque la adición de variables adicionales ofreció mejoras marginales en algunos casos, no siempre fue significativa en comparación con las variables recomendadas en la bibliografía. Además, se observó que una mayor desviación estándar en los datos se asociaba con errores más altos, y que las diferencias entre los valores característicos de las bases de entrenamiento y validación podían influir en el rRMSE y la correlación de los resultados. El análisis sugiere que las variables principales son suficientes para obtener predicciones confiables sin agregar complejidad al modelo. La evaluación del estado de los revestimientos fue relevante, aunque no siempre mejoró significativamente el rendimiento. Además, la metodología resultó exportable y efectiva en distintos conjuntos de datos, lo que indica su viabilidad en diferentes contextos operacionales. Para estudios futuros, se recomienda reducir el error rRMSE y mejorar la correlación entre las predicciones y los datos reales mediante el uso de datos más representativos y diversos. Asimismo, combinar modelos de Machine Learning con modelos físicos tradicionales podría fortalecer la robustez de las predicciones. Evaluar la implementación de estos modelos en sistemas de control en tiempo real permitiría ajustes automáticos para optimizar el consumo energético y mejorar la estabilidad operativa.