Modelo predictor de potencia de molienda SAG utilizando técnicas de machine learning

Abstract

El proceso de molienda SAG es uno de los procesos de reducción de tamaño más utilizado en la gran minería que reemplaza a varios circuitos como chancado secundario-terciario, ahorrando costos en energía, sin embargo, es un proceso que puede llegar a representar del orden del 35 % del consumo energético de una mina. Por esto, sumado a la gran complejidad de esta operación, es de sumo interés realizar estudios en torno a ella, y en particular, predecir la potencia. Los modelos actuales de potencia como Austin o Hogg y Fuerstenau, requieren parámetros de difícil calculo y necesidad de detener el equipo para la medición del Nivel de llenado, lo que es totalmente inaceptable durante la operación de plantas concentradoras, ya que la parada de este equipo representaría cortar la producción general a la planta concentradora. En este trabajo de título, se busca obtener un modelo con la ayuda de las técnicas de machine learning, utilizando variables operacionales de fácil obtención que sean capaz de predecir el consumo de potencia del molino SAG. Se proponen cuatro tipos de algoritmos de machine learning a comparar: Modelo de Regresión Lineal, Modelo de Vectores de Soporte de Maquina, Modelo de Bosques Aleatorios y Modelo de Redes Neuronales, los cuales fueron creados y validados utilizando el software Python. Para la realización de los modelos se utilizó data real recopilada de planta, estos datos fueron obtenidos desde mediciones en terreno que fueron reportados al servidor Pi ProcessBook, previamente al entrenamiento de los modelos, la data cruda se sometió a un tratamiento en donde se eliminaron los valores atípicos u outliers. El criterio de comparación de los modelos fue la Raíz del Error Cuadrático Medio (Root Mean Square Error, RMSE) y el Error Porcentual Absoluto Medio (Mean Absolute Percentage Error, MAPE). De los resultados se concluye que el algoritmo de árbol de decisiones fue el que mejor desempeño se obtuvo con uno error de 0.98% con R2 de 0.90, muy cercano al de redes neuronales con un error de 1.07% con R2 de 0.89, sin embargo, se pudo observar la diferencia en la generación de dichos modelos ya que el modelo de árbol de decisiones fue de 15 minutos, mientras que el de redes neuronales 1.5 horas.