Optimización del proceso de producción del nitrato de potasio

Abstract

El presente trabajo de memoria trata acerca del mejoramiento de los estándares de pureza de material producidos en una planta de producción de nitrato de potasio (KNO_3) de una empresa particular del rubro de la minería no metálica. El nitrato de potasio es un compuesto químico usado en distintas industrias, como por ejemplo, farmacéutica y de explosivos. El producto desarrollado por la empresa corresponde a la industria agrícola, donde es usado como fertilizante. Según información de la Comisión Chilena del Cobre, en los últimos 10 años, ha disminuido un 45,8% su producción nacional de nitrato llegando a 759,4 toneladas al año el 2013, mientras que su precio ha ido al alza llegando a US$ 800 por tonelada el 2013, es decir, un aumento del 179,6% . Se abre una gran oportunidad de negocios, dado el alza en los precios, que esta memoria pretende aprovechar, sin embargo, no toda la producción cumple con los estándares de pureza que se requieren para su comercialización. Es por ello que este trabajo se enfoca en la disminución del porcentaje de producción defectuosa del nitrato de potasio. El proceso productivo para este compuesto consta de 4 plantas de procesamiento. En cada planta están involucradas variables químicas y de control. Las plantas están conectadas en serie, donde el flujo de material pasa en cada una y luego de un tiempo determinado pasa a la siguiente. En total se demora 36 horas generando flujos de descarte o deshecho y dos flujos de producto final. Para realizar el trabajo, se usa el campo de la minería de datos, el cual, mediante la metodología Knowledge Discovery in Databases para elaborar modelos explicativos y predictivos, y así descubrir relaciones entre las variables que interactúan en la producción. A la vez, se utiliza dos tipos de modelos, de clasificación y de regresión, de manera de comparar y decidir qué forma de predicción es más conveniente, estimar la categoría de pureza o predecir el nivel de contaminación. Se generaron 4 ecuaciones para describir los contaminantes KClO_4 y NaCl en las dos corrientes de salida que tiene el proceso. Se implementaron 6 algoritmos de data mining, 3 de clasificación y 3 de regresión, de los cuales Support Vector Machine y Random Forest Regression permitieron explicar de mejor forma las ecuaciones. Los modelos de regresiones dieron mejores resultados que los de clasificación dado que los primeros, a pesar de subestimar la producción de material impuro, presentan mayor precisión a la hora de predecir la categoría del producto. El modelamiento permite disminuir la impureza histórica de cada contaminante, en cada corriente, desde un 11% a un 7% promedio. Además, se generan rangos donde las variables pueden variar un 4,5% sin que la impureza del sistema aumente. Finalmente, a nivel económico, los modelos permiten generar 6.833 toneladas anuales en la corriente L, equivalentes a unos 4,5 millones de dólares al año.