Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AREQUIPA
FACULTAD DE INGENIERÍA DE PROCESOS
ESCUELA PROFESIONAL DE INGENIERÍA
METALÚRGICA
Presentado por:
MACHACA EPILLICO, KATHERINE MELISSA
2018
1.- PLANTEAMIENTO DEL PROBLEMA
El Perú es un país de antigua tradición minera, que se mantiene y cultiva gracias a la presencia de
empresas líderes a nivel internacional. Contamos con un enorme potencial de reservas
especialmente de minerales sulfurados, lo que se da en la Cordillera de los Andes a lo largo del
territorio, constituye nuestra principal fuente de recursos económicos. Es así que, a nivel mundial
y latinoamericano el Perú se ubica entre los primeros productores de diversos concentrados de
minerales y metales, (oro, plata, cobre, plomo, zinc, hierro, estaño, molibdeno, teluro, entre
otros), lo cual es reflejo no sólo de la abundancia de recursos y la capacidad de producción de la
actividad minera peruana, sino de la estabilidad de las políticas económicas en nuestro país.
Los minerales concentrados producidos en el Perú son de gran demanda en el mercado mundial
actual, por su calidad que satisfacen las condiciones de procesos subsiguientes en la obtención de
los metales, haciendo sostenible la producción y el desarrollo de la industria que los usa. Dicho
esto, el trabajo se enfoca específicamente en plantas concentradoras; donde, es de vital
importancia los estudios de evaluación de los procesos metalúrgicos y sus complementarios para
mejorar constantemente la recuperación e implementación de parámetros que nos ayuden a
alcanzar la concentración de los minerales con una alta eficacia, en circunstancias en la que baja la
ley del mineral de cabeza, debido al agotamiento de los yacimientos mineros de alta ley; obligando
a que los procesos sean constantemente optimizados en función de esta disminución de las leyes
de las especies mineralógicas a recuperar, las cuales deben mantener la rentabilidad del proceso.
Las organizaciones buscan optimización de sus recursos mejorando sus procesos con el propósito
de lograr una ventaja competitiva sobre sus contrincantes. La toma de decisiones que se lleva a
cabo dentro de las organizaciones debe ser rápida, oportuna, fundamentada en información
concreta, que permita tomar decisiones eficientes, efectivas y con un bajo costo para la empresa
pues de ello dependerá el éxito o fracaso de la organización (Effy Oz, 2001).
Por otra parte, entre las décadas de 1950 y 1960 el científico Frank Rosenblatt, inspirado en el
trabajo de Warren McCulloch y Walter Pitts creó el Perceptron, la unidad desde donde nacería y se
potenciarían las redes neuronales artificiales. Las Redes Neuronales Artificiales (Callejas et al.,
2013), forman parte de la Inteligencia Artificial, la cual tiene como objetivo primario la
construcción de máquinas inteligentes (Grimson y Patil, 1987). Las Redes Neuronales Artificiales
(RNA) o sistemas conexionistas son sistemas de procesamiento de la información. Constituyen un
algoritmo matemático que simula en forma sencilla el funcionamiento en que las neuronas
interactúan para procesar datos y aprender con la experiencia (McLeod, 2000). Según Oliveira et
al., (2015), son redes entrenadas a través de las entradas obtenidas a partir de escenarios externos
o internos en el sistema y estas entradas se multiplican por pesos asignados al azar (Shaban et al.,
2008). Adicionalmente, es capaz de resolver funciones altamente no lineales en un tiempo corto
porque aprenden de los datos que son difíciles de expresarlas matemáticamente, son
“herramientas poderosas para el análisis de señales y la modelación de sistemas”. (Molino, et al.,
2014).
Los objetivos que se persiguen al utilizar redes neuronales artificiales son mucho más modestos
que la creación de un cerebro artificial. Las redes neuronales se utilizan en la resolución de
problemas prácticos concretos, que normalmente no han sido resueltos mediante sistemas
tradicionales. “Gracias a su capacidad de aprendizaje, robustez, no linealidad y tolerancia a la
imprecisión e incerteza del entorno, desde hace unos años las redes neuronales, vienen
alcanzando excelentes resultados en aplicaciones diversas”. Martín y Sanz, 2002.
El proceso que implica un modelo para la estimación de recuperación en planta, implica en forma
genérica muchos aspectos, tales como: el análisis de datos y resultados operativos de planta, la
determinación de modelos estadístico-matemáticos para la predicción de la recuperación de los
minerales, la evaluación de los criterios para optimizar las bases de datos mediante el descarte de
datos anómalos que distorsionan tendencias, la deducción y obtención a partir de ensayes
químicos de los cálculos necesarios para la confección de una base de datos óptima, el
conocimiento de las herramientas estadísticas para validar los modelos obtenidos, la
demostración matemática de los tópicos que vinculan la recuperación y los ensayes químicos de
los concentrados, entre otros.
En investigación aplicada es muy común encontrar situaciones en las que debemos estimar o
predecir el comportamiento de una variable en función de una o varias variables predictoras. Bajo
este contexto, se vienen evaluando las predicciones basadas con modelos estadísticos vs. el uso de
redes neuronales. Es asi por ejemplo que, en un estudio realizado por la Universidad de Valencia,
se comparó mediante simulación redes neuronales (del tipo perceptrón multicapa) con modelos
estadísticos (regresión múltiple, análisis discriminante y regresión logística) en tareas de
predicción y clasificación (binaria o no binaria), manipulando los patrones de correlación
existentes entre los predictores (o variables de entrada) por un lado, y entre predictores con el
criterio (variable de salida) por otro. Los resultados mostraron que en tareas de predicción las
redes neurales y los modelos de regresión múltiple tienden a rendir por igual. Más en las tareas de
clasificación en todo tipo de condiciones las redes neurales rindieron mejor que los modelos
estadísticos de análisis discriminante y regresión logística.
Muchos estudios se vienen realizando sobre la aplicabilidad de estos modelos basados en redes
neuronales en diferentes campos, concluyendo en la validez o no frente a métodos tradicionales.
Una RNA es un sistema basado en el sistema neuronal biológico. Las neuronas biológicas reciben
señales a través de las sinapsis ubicadas en las dendritas o la membrana de la neurona y la
neurona se activa cuando las señales recibidas superan un umbral. La neurona luego emite una
señal a través del axón a otra sinapsis o activa otras neuronas. Una RNA en ingeniería se puede
usar para clasificadores de patrones o filtros adaptativos no lineales. A través del entrenamiento,
una RNA puede aprender de la experiencia y ser utilizada para una clasificación de datos bastante
precisa en diferentes clases. La clasificación se basa en el conocimiento obtenido del
entrenamiento y se almacena en forma de pesos de interconexión que están en sus capas ocultas.
El aprendizaje supervisado consiste en proporcionar a RNA los datos de entrada y los compara con
los resultados de salida. Los pesos se ajustan de acuerdo con sus reglas de aprendizaje a medida
que se somete a entrenamiento antes de probarse con precisión.
Con el aprendizaje la red Neuronal, concluirá cuando el porcentaje de error de las predicciones de
recuperación sean las mínimas posibles, con lo cual garantizaremos que la RNA, nos emitirá
resultados confiables para una toma de decisión adecuada en el proceso.
ANTECEDENTES
4.- OBJETIVOS
4.1 OBJETIVO GENERAL
ÁREA ETAPAS
- Chancado Primario
Área seca
- Chancado Secundario - Terciario
- Molienda
Área Húmeda - Flotación y Remolienda
- Espesadores de Relaves
- Planta de Molibdeno
Planta de Molibdeno – Filtros
- Filtración de Cobre
7.- METODOLOGÍA
Teniendo en cuenta los objetivos de la investigación y la naturaleza del problema planteado, para
el desarrollo del presente estudio se empleará el nivel de Investigación “Predictivo - Explicativo”,
porque se busca diseñar un modelo predictivo, aplicando técnicas específicas.
VARIABLES INDEPENDIENTES:
VARIABLES DEPENDIENTES:
8.- CRONOGRAMA
ACTIVIDADADES POR MESES
Actividades 1 2 3 4 5 6 7 8 9 10
Revisión bibliográfica x x x x x x x x
Recolección de data x
Filtrado y Selección de datos x
Acondicionamiento de datos x
Creación de la Red Neuronal x
Entrenamiento de la RNA x x
Simulación de resultados x
Validación de la RNA x
Redacción de tesis x x
9.- PRESUPUESTO
10.-REFERENCIAS BIBLIOGRÁFICAS
Allahkarami, E, et al. (2016). Predicción de grados de cobre y molibdeno, y sus
recuperaciones en una planta de flotación industrial usando un modelo basado en redes
neuronales artificiales. Irán.
Alfonso, P., Roy, J.F. y Ruiz, J.C. (1998). Redes neurales vs modelos estadísticos:
Simulaciones sobre tareas de predicción y clasificación. Valencia.
Bonifacio, M., Molina, A. (2002). Redes Neuronales y Sistemas Difusos. Alfaomega Grupo
Editor S.A. Mexico.
Bribiesca G. (2014). LAS REDES NEURONALES ARTIFICIALES PARA LA TOMA DE DECISIONES
VER. 2.0. México.
Carrión, C (2018). “Aplicación de redes neuronales artificiales para la predicción de la
recuperación de planta concentradora en Minsur. Unidad San Rafael.
Montaño J. (2002). Redes Neuronales Artificiales aplicadas al Análisis de Datos
Nakhaeie, F, et al., (2012), Concentrate Grade Prediction in an Industrial Flotation Column
Using Artificial Neural Network. Iran.
Olmedo, et al. (2004) Utilización de Redes Neuronales en la Caracterización, Modelización
y Predicción de Series Temporales.
Rivas Asanza W., Mazón B. (2017).Redes Neuronales Artificiales Aplicadas al
reconocimiento de Patrones. Universidad Técnica de Machala.
Rusell, S. and Norving, P. (2004). Inteligencia Artificial – Un enfoque moderno. Pearson
Education, S.A.
Viñuela, P. (2005). Redes de Neuronas Artificiales. Ediciones PEARSON, Pretince Hall.
Zubizarreta Pico, Asier (2016). Aplicación de las técnicas de redes neuronales para el
desarrollo de un sistema de diagnóstico on-line en el proceso de electroerosión por hilo.
Escuela técnica superior de ingeniería de Bilbao, España.