Desarrollo de un modelo predictivo basado en inteligencia artificial para la optimización del consumo de potencia en la molienda de clínker

Abstract

La molienda es una de las operaciones más intensivas en cuanto al uso de energía del proceso de fabricación de cemento. En este trabajo se desarrolla e interpreta un modelo predictivo del consumo de potencia del molino en un circuito cerrado de molienda de cemento, con el objetivo de reducir el consumo energético sin comprometer la calidad del cemento en una planta de Colombia. Se integra un conjunto de datos operativos y de laboratorio en un flujo CRISP-DM.

Tras comparar varios algoritmos, se seleccionó el método de Gradient Boosting Regressor, el cual alcanza en prueba un R²=0.93, RMSE=85.79 kW y MAE=56.68 kW, evidenciando buen ajuste y generalización. La interpretabilidad mediante SHAP confirma como principales impulsores de la potencia al flujo de clínker y a las variables del separador (velocidad e intensidad), mientras que el LLENADO presenta efecto reductor; entre las variables mineralógicas, C4AF muestra incidencia moderada. Con restricciones operativas realistas, se derivan rangos de operación óptimos por variable, los cuales tienden a disminuir la potencia.

Se valida que el 85.52 % de los casos dentro del rango energético “ideal” cumplen con la resistencia mecánica requerida, respaldando la viabilidad de optimizar la energía con resguardo de la calidad y habilitando un esquema de recomendación en sala de control con reglas de operación y monitoreo de consumo específico de energía. (Texto tomado de la fuente)

Grinding is one of the most energy-intensive operations in the cement manufacturing process. This work develops and interprets a predictive model of mill power consumption in a closed-circuit cement grinding system, with the aim of reducing energy consumption without compromising cement quality at a plant in Colombia. An operational and laboratory dataset is integrated into a CRISP-DM workflow. After comparing several algorithms, the Gradient Boosting Regressor method was selected, achieving in testing an R² = 0.93, RMSE = 85.79 kW, and MAE = 56.68 kW, showing good fit and generalization. Interpretability through SHAP confirms clinker flow and separator variables (speed and intensity) as the main drivers of power, while FILLING shows a reducing effect; among mineralogical variables, C4AF has moderate influence. With realistic operational constraints, optimal operating ranges are derived for each variable, which tends to reduce power. It is validated that 85.52% of cases within the “ideal” energy range meet the required mechanical strength, supporting the feasibility of optimizing energy while safeguarding quality and enabling a recommendation system in the control room with operating rules and monitoring of specific energy consumption