Para la condición de mineral con contenido de magnesio mayor a ~1.5%, el algoritmo ha estimado una dosificación de espumante secundario hasta un máximode ~3.2g/t. (FiguraN°11)
Figura N°11: Predicción de la dosificación del espumante secundario para un mineral con contenido de magnesio mayor a ~1.5% (máximo hasta a ~3.2g/t).
CONCLUSIONES 1. El pasomás importante en el usode algoritmos de aprendizaje automático es comprender la información contenida en los da- tos. Además, tenemos la tarea de conocer bien el proceso, reali- zar consultas, segmentar y visualizar los datos. En estas tareas deaprendizajeautomático, debemosenfatizar la importanciade la visualización de datos. En esencia, los humanos no son tan fá- ciles de asimilar datos numéricos como las máquinas. Más bien, entendemos la información presentada visualmente de manera más natural. Por lo tanto, representar datos complejos es un desafío para los expertos en aprendizaje automático. Este es un trabajoqueocupael 80%del tiempototal deevaluación. 2. Los Árboles de Decisión por Regresión son uno de los Algo- ritmos clasificadores más conocidos y usados en las tareas de DataMiningMachine Learning, ya que son una forma de repre- sentación sencilla para encontrar grupos homogéneos según una cierta variable de respuesta. Esta técnica permitió repre- sentar de forma gráfica una serie de reglas sobre la decisión quesedebe tomar en ladosificaciónde reactivosenunproceso deflotación, tal comoseaplicóparaesteejemplo, la cual podría incrementar la recuperación de cobre en función al nodoprima- rioestimadopor el algoritmo, el cual fue el magnesio contenido en el mineral procesado. Los resultados de esta aplicación re- dondeando los valores fueron los siguientes:
3. El usar este tipo de aprendizaje automático permitirá crear un modelo inicial que ve todos los conjuntos de características y el tipo correspondiente de mineral en función al nodo prima- rio (para este ejemplo fue el %Magnesio), el cual lo determino sin estar explícitamente programado para hacerlo. Así, este algoritmo de aprendizaje automático debe ser alimentado de manera continua, de talmaneraquede forma iterativa continúe aprendiendode losdatosypermitanencontrardetallesocultos e irmejorando su gradodepredicción. 4. Una vez validado el grado de predicción del modelo, también permitirá establecer rangos dedosificaciónde reactivos claros y precisos para poder maximizar la recuperación de cualquier proceso de flotación (en este caso de aplicación fue el cobre), lo que permitiría establecer estrategias operativas para el Pro- cesodeFlotación, loquedaríacomoresultadouna reducciónen la variabilidad causada por las distintas formas de operar entre los diferentes grupos de trabajo y además una posible reduc- ción en costos por consumos de reactivos. 5. Finalmente podríamos soportarnos en realizar graficas de contorno de las principales variables y ver su impacto en la Re- cuperación de los elementos valiosos de cualquier proceso de flotación.
%Mg < ~1.5%
%Mg > ~1.5%
Colector Primario
< 30 g/t
< 40 g/t
Colector Secundario
< 5 g/t
> 8 g/t
Espumante Primario
> 37 g/t
> 31 g/t
Espumante Secundario
< 3 g/t
< 3 g/t
CONDICIONES Dosificación de Cal (g/t)
pH 9.0- 10.0
pH 10.0- 10.8
Sólidos en las Celdas Ro Scv (%)
34.0 - 36.0
30.0 - 34.0
P80 al circuito de flotación (um)
250.0 - 325.0
220.0 - 310.0
Made with FlippingBook Annual report maker