Investigación de la optimización del circuito de molienda y clasificación en planta de procesamiento de minerales metálicos, usando ciencia de datos y simulación
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Esta investigación desarrolla una metodología basada en ciencia de datos para estimar y validar variables críticas en un circuito industrial de molienda y clasificación de minerales metálicos. El estudio emplea 689 registros diarios durante 23 meses correspondientes al periodo 29/11/2023 al 22/10/2025, integrando 22 variables operativas y resultados granulométricos, consolidados en una serie temporal unificada mediante promedios diarios y mensuales, analizando la influencia de variables operativas sobre la capacidad y los tamaños característicos de partícula (d80), complementado con el desarrollo de modelos predictivos y su validación mediante simulación de escenarios.
Tras el preprocesamiento y el análisis exploratorio, se entrena un modelo predictivo HistGradientBoostingRegressor bajo un enfoque autoregresivo con variables exógenas (ARX), incorporando memoria del proceso mediante lags y promedios móviles. El modelo alcanzó ajustes CV=5.30, R² test=0.81 y RMSE=7.29, evidenciando que la dinámica temporal del proceso explica una fracción sustancial de la variabilidad de la capacidad. Posteriormente, se optimizan Setpoints mediante evolución diferencial, generando escenarios con convergencia de capacidad y se contrastan en simulación con el software METSIM, permitiendo evaluar coherencia de balance de masas y eficiencia en la clasificación lo cual permite identificar limitaciones asociadas a la baja resolución temporal de la granulométrica. (Texto tomado de la fuente)
Abstract
This research develops data science-based methodology to estimate and validate critical variables in an industrial circuit for grinding and classifying metallic minerals. The study uses 689 daily records over 23 months corresponding to the period 11/29/2023 to October 22, 2025, integrating 22 operational variables and granulometric results, consolidated into a unified time series using daily and monthly averages, analyzing the influence of operational variables on capacity and characteristic particle sizes (d80), complemented by the development of predictive models and their validation through scenario simulation.
After preprocessing and exploratory analysis, a HistGradientBoostingRegressor predictive model is trained under an autoregressive approach with exogenous variables (ARX), incorporating process memory through lags and moving averages. The model achieved adjustments [CV=5.30, R² test=0.81, and RMSE=7.29], showing that the temporal dynamics of the process explain a substantial fraction of the variability in capacity. Subsequently, setpoints are optimized through differential evolution, generating scenarios with capacity convergence, and are contrasted in simulation with METSIM software, allowing for the evaluation of mass balance consistency and classification efficiency, which makes it possible to identify limitations associated with the low temporal resolution of the granulometry.
Descripción
Ilustraciones