Modelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreos

Abstract

El modelado para el diseño y la simulación es una herramienta que ha adquirido relevancia en el ámbito académico e industrial, debido a la alta disponibilidad de paquetes computacionales especializados. Para el caso específico de la modelación del proceso de trituración en el beneficio mineral, las variables a controlar son las relacionadas con la configuración mecánica del equipo y con la caracterización mineralógica del material. En el presente trabajo, se modeló y simuló el proceso de conminución de una trituradora cónica de una planta de producción de agregados pétreos empleando redes neuronales artificiales. Se adoptó una red neuronal artificial con topología “Feedforward” para simular el proceso. Se probaron diferentes configuraciones de red con 50 ensayos de laboratorio que reportaron datos de tamaño a la entrada y a la salida de la trituradora, buscando optimizar el error cuadrático medio, la dispersión del error y el ajuste lineal de los datos, para seleccionar la red con datos de salida más ajustados a los reales. El modelo seleccionado fue la red con una combinación de neuronas de 70 - 40 en las capas ocultas, obteniendo un error cuadrático medio de 6.24, una dispersión del error entre los datos de 35.05 y un ajuste lineal por mínimos cuadrados de 0.99. Una vez seleccionado el modelo, se realizó una recolección de datos nuevos de distribución de tamaño a la entrada y a la salida de la trituradora cónica de estudio, los cuales fueron probados en la red neuronal, logrando un parámetro de ajuste R de 0.999, permitiendo concluir que el modelo artificial entrenado puede predecir la distribución de tamaño de partícula a la salida de una trituradora cónica para el beneficio de agregados pétreos. (Texto tomado de la fuente)

Modeling for design and simulation is a tool that has gained relevance in the academic and industrial fields, due to the high availability of specialized software. For the specific case of modeling mineral beneficiation crushers, the variables to control are those related to the mechanical configuration of the equipment and the mineralogical characterization of the material. In the present work, the comminution process of a conical crusher of a stone aggregates production plant was modeled and simulated using artificial neural networks. An artificial neural network with Feedforward topology was adopted to simulate the process. Different network configurations were tested with 50 laboratory tests that reported size data at the entrance and exit of the crusher, seeking to optimize the mean square error, the error dispersion and the linear fit of the data, to select the network with data closest to the actual data. The selected model was the network with a combination of 70 - 40 neurons in the hidden layers, obtaining a mean square error of 6.24, a dispersion of the error between the data of 35.05 and a linear adjustment by least squares of 0.99. Once the model was selected, a collection of new size distribution data was carried out at the entrance and exit of the study conical crusher, which were tested in the neural network, achieving an R parameter of 0.999, allowing to conclude that the Trained artificial model can predict the particle size distribution at the exit of a conical crusher for the benefit of stone aggregates.