Oses Ávila, Carlos Ignacio2026-10-062026-10-062024https://repositorio.usm.cl/handle/123456789/79411El presente trabajo tiene por objetivo el desarrollo de múltiples modelos de aprendizaje automático que sean capaces de predecir el comportamiento de la potencia eléctrica para los molinos SAG instalados en tres líneas de procesamiento distintas, a partir de información y datos obtenidos de la minera Los Pelambres. La motivación final de esta memoria es estudiar la viabilidad de una hipotética implementación de este tipo de herramientas en la industria, o en caso de que sea inviable, comprender mejor las falencias y requerimientos. Para lograr el objetivo, se escogen como variables predictoras: work index, tonelaje diario procesado, P80 objetivo, porcentaje de sólidos y velocidad de giro del equipo. Se seleccionaron cuatro algoritmos para la creación de los modelos: Regresión lineal múltiple, K- Nearest neighbor, Random forest y Gradient boosting. Posteriormente se compararon los resultados mediante la magnitud de la raíz del error cuadrático medio (RMSE) y el índice de correlación entre la variable predicha y la real. Los mejores resultados para las líneas SAG01 y SAG02 se obtuvieron mediante el algoritmoRandom forest, el que arrojó un RMSE de 6,27% y un 2 de 0,519 (para SAG01) y un RMSE de 5,09% y un 2 de 0,598 (para SAG02). Por otra parte, para el caso del SAG03, Gradient boosting (XGBoost) obtuvo el mejor desempeño, entregando un RMSE de 4,92% y un 2 de 0,465. Finalmente, al analizar las variables utilizadas y los resultados de los modelos, se concluye que a pesar de que las predicciones fueron satisfactorias y con errores relativos cercanos al 6% del promedio de la variable objetivo, gran parte de su precisión es gracias al input “velocidad de giro del equipo”, variable que no es suficientemente anticipada durante la operación de los molinos. Por lo anterior, las estimaciones sin considerar esta variable no son confiables al punto de implementarlas en la supervisión o el control de esta etapa de la conminución de minerales. Sin embargo, se sugieren lineamientos para avanzar hacia el desarrollo de modelos más adecuados para este fin.The aim of this study is developing multiple machine learning models capable of predicting the behavior of electrical power draw for SAG mills installed in three different processing lines, using information and data obtained from Los Pelambres mine. The ultimate motivation of this project is to investigate the feasibility of a hypothetical implementation of this kind of tools in the industry, or if unfeasible, to better understand the shortcomings and requirements. To achieve the objective, the following predictor variables were chosen: work index, daily processed tonnage, target P80, percentage of solids and mill rotation speed. Four algorithms were selected for model creation: Multiple linear regression, K-Nearest neighbor, Random forest and Gradient boosting. Subsequently, the results were compared using the value of the root mean square error (RMSE) and the correlation index between the predicted and actual variable. The best results for SAG lines 01 and 02 were obtained using the Random forest algorithm, which reached an RMSE of 6.27% and an 2 of 0.519 (for SAG01), and an RMSE of 5.09% and 2 of 0.598 (for SAG02). On the other hand, for SAG03 case, Gradient boosting (XGBoost) achieved the best performance, with an RMSE of 4.92% and an 2 of 0.465. Finally, upon analyzing the used variables and the results of the models, it is concluded that although the predictions were satisfactory with relative errors close to 6% of the target variable average, most of their accuracy is due to the “mill rotation speed” input, a variable that is not enough anticipated during mill operation. Therefore, estimations without considering this variable are not reliable enough to implement them in the supervision or control of this stage of mineral comminution. However, guidelines are suggested to advance towards the development of more suitable models for this purpose.84 páginasesAprendizaje automáticoPredicción de potencia eléctricaMinería inteligenteinfo:eu-repo/semantics/openAccess3560902039791