Optimización de la potencia para motores en molino SAG mediante simulación aplicando machine learning e inteligencia artificial para minerales sulfurados de cobre

• Autor: Jara Ccoa, Sandra Lizbet
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/20798
• Enlace del recurso: https://hdl.handle.net/20.500.12773/20798
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Predicción; Molienda SAG; https://purl.org/pe-repo/ocde/ford#2.07.05

En el procesamiento de minerales, una de las etapas más críticas es la molienda semi autógena (SAG), la cual, por su alta demanda energética, requiere mejorar su eficiencia. Esta investigación propone un enfoque con machine learning con Python para predecir y optimizar el consumo de potencia del motor en molienda SAG, empleando datos sintéticos generados mediante inteligencia artificial. La investigación tiene tres etapas. Se generó una base de datos sintética de 15420 registros, que simula minuto a minuto las variables: presión(psi), tonelaje(tph), velocidad(rpm), porcentaje de sólidos(%) y potencia(kW); considerando estados operativos: Run, Stop y Shutdown. La segunda etapa consistió en la limpieza y validación de los datos. Se eliminaron registros no numéricos, detenciones y registros fuera de rango, reduciendo a 14270 observaciones (92.5% de los datos iniciales). Luego, se aplicó análisis de correlación de Pearson, que reveló relaciones significativas entre velocidad–potencia (r= +0,68), %sólidos–potencia (r= –0,63), presión–potencia (r= +0,38) y tonelaje–potencia (r= –0,29), evidenciando interacciones no lineales que reforzaron la necesidad de modelos robustos. En la tercera etapa, se evaluaron 13 modelos: regresión polinómica, regresión lineal, Ridge, Lasso, ElasticNet, Árbol de Decisión, KNN, SVR, Gradient Boosting, y Random Forest. Los datos se dividieron en 80% para entrenamiento y 20% para prueba, empleando métricas MAE, RMSE, R², MAPE y análisis de residuos. Random Forest mostró el mejor desempeño, con MAE<5 % y R²≈0,98. Las variables más influyentes fueron la velocidad y presión, seguidos por %sólidos y tonelaje. Con el modelo seleccionado, se simularon escenarios operativos modificando una variable a la vez para analizar su efecto en la potencia del molino. Los resultados mostraron que la reducción de la velocidad es una acción efectiva y viable en todos los casos identificados, mientras que el incremento de %sólidos o de tonelaje requiere análisis más detallado debido a posibles efectos negativos sobre la eficiencia del proceso En conclusión, el uso de datos sintéticos y aprendizaje automático demostró ser eficaz para predecir el comportamiento energético del molino SAG. Se recomienda validar este enfoque con datos reales, considerando que cada aplicación requiere un entrenamiento específico con información representativa de la operación. Asimismo, se sugiere explorar su integración en plataformas de supervisión en tiempo real.