Elaboración de un modelo de redes neuronales recurrentes para la predicción de la alimentación a una chancadora primaria

• Autor: Gallegos Cornejo, Yanirasut del Carmen
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Católica de Santa María
• Repositorio: UCSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucsm.edu.pe:20.500.12920/12255
• Enlace del recurso: https://repositorio.ucsm.edu.pe/handle/20.500.12920/12255
• Nivel de acceso: acceso abierto
• Materia: Chancadora primaria; Redes neuronales; Tensorflow; https://purl.org/pe-repo/ocde/ford#2.07.05

La presente tesis tiene como objetivo obtener un modelo de redes neuronales recurrentes para la predicción de la alimentación de una chancadora primaria, utilizando redes del tipo LSTM desarrolladas con Tensorflow. Para esto se utilizaron datos históricos recolectados sobre la alimentación de una chancadora primaria durante el 2018 a finales del 2019, en dicha base de datos también se encuentran otras variables tales como: Leyes de cabeza de mineral, tipo de mineral, disponibilidad y utilización de la chancadora, de las palas y camiones, entre otras más. Los datos históricos fueron evaluados y analizados, para posteriormente con estos datos entrenar diferentes modelos para obtener un modelo más eficiente. Dentro de todos los modelos se utilizaron como métrica el Error cuadrático medio (RMSE), ya que, con esta métrica se conserva la naturaleza de la variable (toneladas). Como resultado se obtuvo un modelo que tuvo como RMSE 26844.85 TN, dicho modelo consta de una arquitectura de una capa densa de entrada de 32 neuronas, una capa de filtro Dropout del 25%, una capa LSTM de 64 neuronas, obteniéndose una mejora del 13% en comparación del modelo preliminar. Este modelo fue entrenado correctamente mediante la separación de datos de entrenamiento y validación, 80 y 20% respectivamente, esta separación permitió poder hacer la comparación de los datos predichos con datos reales, demostrándose que la aplicación de estas nuevas tecnologías tiene un potencial uso dentro del campo de la minería, ya que se pudo llegar a reducir el error de predicción del plan de producción en el planeamiento minado en un 56.0% para el 2018 y 55.7% para el 2019, y por ende la cantidad de remanejo de mineral.