Correo Electrónico
DNINFOA - SIA
Bibliotecas
Convocatorias
Identidad U.N.
Publicado
Desarrollo y evaluación de un softsensor con IA y machine learning para predecir P80 en molienda
Development and evaluation of a soft sensor with AI and machine learning to predict P80 in milling
DOI:
https://doi.org/10.15446/rbct.n59.121702Palabras clave:
softsensor, CatBoost, molienda SAG, P80, machine learning, mantenimiento predictivo, gemelo digital, IoT en minería, modelado basado en datos, minería sostenible (es)soft sensor, CatBoost, SAG milling, P80, machine learning, predictive maintenance, digital twin, IoT in mining, data-driven modeling;, sustainable mining (en)
Descargas
Este estudio desarrolló un modelo de sensor blando (soft sensor) para predecir el valor del P80 en el circuito de molienda semiautógena (SAG) de la planta concentradora de cobre de Minera Las Bambas S.A., en Perú. El P80 es un parámetro crítico para la eficiencia del proceso, pero su medición directa enfrenta limitaciones instrumentales. Se entrenaron 13 algoritmos de machine learning con datos operativos de cuatro baterías de ciclones. El modelo CatBoost Optimizado mostró el mejor desempeño, con valores de R2 superiores a 0.80 y baja dispersión entre los valores predichos y reales. Las variables más relevantes para la predicción fueron el consumo de energía específico, el tonelaje y el porcentaje de sólidos. Este modelo de Softsensor puede reemplazar al analizador de tamaño de partícula en caso de mantenimiento u otros eventos, asegurando continuidad operativa.
This study developed a soft sensor model to predict the P80 value in the semi-autogenous grinding (SAG) circuit of the copper concentrator plant at Minera Las Bambas S.A., in Peru. P80 is a critical parameter for process efficiency, but its direct measurement faces instrumental limitations. Thirteen machine learning algorithms were trained using operational data from four cyclone batteries. The optimized CatBoost model showed the best performance, with R2 values above 0.80 and low dispersion between predicted and actual values. The most relevant variables for prediction were specific energy consumption, throughput, and solids percentage. This Softsensor model can replace the particle size analyzer in case of maintenance or other events, ensuring operational continuity.
Referencias
[1] Sepúlveda-Cruz, J., Predicción del aumento del consumo específico de energía en Molinos SAG. Machine Learning en minería, Videoconferencias, [en linea]. 2020. Disponible en: en:https://4echile.cl/wp-content/uploads/2020/10/presentaci%C3%B3n_jhg_giz_CEEMolinoSAG.pdf
[2] Contreras-Acchiardo, F.V., Diseño de modelo predictivo multivariable para molienda en Compañía Minera Doña Inés de Collahuasi. Tesis (Ingeniería Civil Metalúrgica). Concepción, Universidad de Concepción, Facultad de Ingeniería, [en linea]. pp. 58, 2018. Disponible en: https://repositorio.udec.cl/server/api/core/bitstreams/2c45bce9-6345-4e42-9a86-d4885f141c09/content
[3] Del-Villar, R.G., Thibault, J., and Del-Villar, R., Development of a softsensor for particle size monitoring. Minerals Engineering, 9(1), pp. 55–72, 1996. DOI: https://doi.org/10.1016/0892-6875(95)00131-X
[4] Salazar, J.L., Magne, L., Acuña, G., and Cubillos, F., Dynamic modeling and simulation of semiautogenous mills. Minerals Engineering, 22, pp. 70–77, 2009. DOI: https://doi.org/10.1016/j.mineng.2008.04.009
[5] Rojas-Rupay, R.R., Incremento de throughput en la etapa de molienda SAG, para la optimización de las variables de la función selección y fractura, en la Compañía Minera Antamina S.A., Tesis (Ingeniería Metalúrgica). Cerro de Pasco, Universidad Nacional Daniel Alcides Carrión, Escuela de Formación Profesional de Ingeniería Metalúrgica, [en línea]. pp. 126, 2019. Disponible en: http://repositorio.undac.edu.pe/handle/undac/1775
[6] Chen, X.S., Li, Q., and Fei, S.M., Constrained model predictive control in ball mill grinding process. Powder Technology, 186(1), pp. 31–39, 2008. DOI: https://doi.org/10.1016/j.powtec.2007.10.026
[7] Souza, A.M.F., Soares, F.M., Castro, M.A.G., Nagem, N.F., Bitencourt, A.H.J., Affonso, C.M., and Oliveira, R.C.L., Soft sensors in the primary aluminum production process based on neural networks using clustering methods. Sensors (Basel, Switzerland), 19(23), art. 5255, 2019. DOI: https://doi.org/10.3390/s19235255
[8] Aprender21., IA vs Machine Learning vs Deep Learning: diferencias, ejemplos y cuándo usar cada uno, [en línea]. 2025. Disponible en: https://www.aprender21.com/blog/ia-vs-machine-learning-vs-deep-learning
[9] Jordaan, E., Kordon, A., and Chiang, L., Robust soft sensors based on ensemble of symbolic regression-based predictors. In: Di Bucchianico, A., et al., Progress in Industrial mathematics at ECMI. Mathematics in Industry, Berlin, Heidelberg, Springer, 8, pp. 600-604, 2006. DOI: https://doi.org/10.1007/3-540-28073-1_91
[10] Qin, S.J., Yue, H., and Dunia, R., Self-validating inferential sensors with application to air emission monitoring. Industrial and Engineering Chemistry Research, 36(5), pp. 1675–1685, 1997. DOI: https://doi.org/10.1021/ie960615y
[11] Lange, R., Lange, T., and van Zyl, T.L., Predicting particle fineness in a cement mill. IEEE 23rd International Conference on Information Fusion (FUSION). Rustenburg, South Africa, pp. 1–8, art. 9190236, 2020. DOI: https://doi.org/10.23919/FUSION45008.2020.9190236
[12] Gal, Y., and Ghahramani, Z., A theoretically grounded application of dropout in recurrent neural networks. Advances in neural information processing systems. 30th Annual Conference on Neural Information Processing Systems, Barcelona, Spain, [online]. pp. 1027–1035, 2016. Available at: https://proceedings.neurips.cc/paper/2016/file/076a0c97d09cf1a0ec3e19c7f2529f2b-Paper.pdf
[13] OSIsoft., PI System–Connecting data, operations and people. OSIsoft, [online]. [s.f.]. Available at: https://www.osisoft.com/pi-system
[14] Chung-Ching, R.A., Algoritmos para el cálculo de valores Shapley en teoría de juego, un enfoque teórico y aspectos de su implementación y aplicación. Tesis (Matemática), Lima, Universidad Nacional de Ingeniería, Escuela Profesional de Matemática, [en línea]. 2004. Disponible en: https://repositorio.uni.edu.pe/handle/20.500.14076/2067?mode=full
[15] Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A.V., and Gulin, A., CatBoost: unbiased boosting with categorical features. Advances in Neural Information Processing Systems, 31, art. 09516, 2018. DOI: https://doi.org/10.48550/arXiv.1706.09516
[16] Breiman, L., Random-Orests., Machine Learning, 45(1), pp. 5–32, 2001. DOI: https://doi.org/10.1023/A:1010933404324
[17] Quinlan, J.R., Induction of decision trees. Machine Learning, 1(1), pp. 81–106, 1986. DOI: https://doi.org/10.1023/A:1022643204877
[18] Chen, T., and Guestrin, C., XGBoost: a scalable tree boosting system. proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 785–794, art. 2939785, 2016. DOI: https://doi.org/10.1145/2939672.2939785
[19] Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., Liu, T.Y., LightGBM: a highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems, [online]. 30, pp. 3146–3154, 2017. Available at: https://proceedings.neurips.cc/paper/2017/hash/6449f44a102fde848669bdd9eb6b76fa-Abstract.html
[20] Freund, Y., and Schapire, R.E., A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), pp. 119–139, 1997. DOI: https://doi.org/10.1006/jcss.1997.1504
[21] Breiman, L., Bagging predictors. Machine Learning, 24(2), pp. 123–140, 1996. DOI: https://doi.org/10.1023/A:1018054314350
[22] Friedman, J.H., Greedy function approximation: a gradient boosting machine. Annals of Statistics, 29(5), pp. 1189–1232, 2001. DOI: https://doi.org/10.1214/aos/1013203451
[23] Geurts, P., Ernst, D., and Wehenkel, L., Extremely randomized trees. Machine Learning, 63(1), pp. 3–42, 2006. DOI: https://doi.org/10.1007/s10994-006-6226-1
[24] James, G., Witten, D., Hastie, T., and Tibshirani, R., An Introduction to statistical learning: with Applications in R. New York, Springer, 2013.
[25] Scikit-learn developers. Scikit-Learn User Guide. [online]. [s.f.]. Available at: https://scikit-learn.org/stable/user_guide.html
[26] Napier, L.F.A., and Aldrich, C., An IsaMillTM soft sensor based on random forests and principal component analysis. IFAC-PapersOnLine, 50(1), pp. 1175–1180, 2017. DOI: https://doi.org/10.1016/j.ifacol.2017.08.270
[27] Du, Y.G., Del-Villar, R., and Thibault, J., Neural net-based softsensor for dynamic particle size estimation in grinding circuits. International Journal of Mineral Processing, 52(2–3), pp. 121–135, 1997. DOI: https://doi.org/10.1016/S0301-7516(97)00063-X
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2026 Boletín de Ciencias de la Tierra
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
El autor o autores de un artículo aceptado para publicación en cualquiera de las revistas editadas por la facultad de Minas cederán la totalidad de los derechos patrimoniales a la Universidad Nacional de Colombia de manera gratuita, dentro de los cuáles se incluyen: el derecho a editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir en artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista. Al asumir los derechos patrimoniales del artículo, no podrá reproducirse parcial o totalmente en ningún medio impreso o digital sin permiso expreso del mismo.
