REVISTA MINERÍA 532 | EDICIÓN ENERO

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 22 Variable respuesta: recuperación de flotación. Predictores continuos: leyes de estaño, azufre y recuperación del circuito de gravimetría. Para ello se hizo uso del programa Minitab17, con el que generamos la ecuación de regresión lineal y el nivel de significancia para cada parámetro. Resumen del modelo R-cuadrado (Ajustado) 27.05% 24.41% Ecuación de regresión para el pronóstico de recuperación de flotación: R. Flotación = 104.7 – 29.63 (estaño)+2.63 (azufre)+0.102(R. Gravi) Podemos visualizar en la Figura 7 que los valores reales de recuperación por flotación y el de la predicción no se ajustan ya que el R2 tiene un valor igual al 27.05%, el cual está muy por debajo del valor aceptable para una predicción. Pronóstico con RNA El siguiente modelo de red neuronal artificial que se utilizó para el pronóstico de las recuperaciones futuras ha sido el backpropagation, los resultados se muestran en la Tabla 6. Conclusiones 1. De acuerdo a los resultados obtenidos se observa que el modelo de regresión lineal presenta un margen de error no aceptable. Sin embargo, el modelo de red neuronal (backpropagation) es el que mejor se ajusta al comportamiento de las variables y realiza una mejor predicción de las recuperaciones. 2. Las RNA no necesitan un algoritmo para resolver un problema, ya que ellas pueden generar su propia distribución de pesos en los enlaces mediante el aprendizaje. 3. En el presente trabajo se logró realizar predicciones con un alto grado de exactitud para las recuperaciones futuras y tomar decisiones adecuadas con la finalidad de realizar un proceso eficiente. 4. Al hacer pronósticos con los métodos estadísticos de regresión lineal, se obtiene un error el cual una vez identificado ya no es posible reducirlo. Caso contrario pasa con las RNA, si se reporta un error que no sea aceptable dentro de un rango establecido por la misma red, este se puede reducir aún más a medida que se hacen más iteraciones en el entrenamiento. Bibliografía Bart Kosko. 1992. Neural Networks and Fuzzy Systems – A dynamical systems approach to machine intelligence. Prentice Hall. Bonifacio M. del Brío, Alfredo S. Molina. 2002. Redes Neuronales y Sistemas Difusos. Alfaomega Grupo Editor S.A., RA-MA Editorial. Second Edition, México. José R. Hilera, Víctor J. Martínez. 2000. Redes Neuronales Artificiales, Edición: Addison-Weley Iberoamericana España. Manual NeuralTools, Palisade Corporation USA, 2010. Minera Minsur S.A. 2016. Reportes Internos Diarios Control Horario - Área Planta Concentradora. Olmedo y otros. 2004. Utilización de Redes Neuronales en la Caracterización, Modelización y Predicción de Series Temporales. Pedro Isasi Viñuela. 2005. Redes de Neuronas Artificiales. Ediciones Pearson, Pretince Hall. Collantes y Otros. 2004. Predicción con redes neuronales artificiales: comparación con las metodologías box y Jenkins. Serrano y Gallizo. Las redes neuronales artificiales en el tratamiento de la información financiera. (http://www.ciberconta.unizar.es/ Biblioteca/0004/SerGall96.html) Stuart Rusell and Peter Norving. 2004. Inteligencia Artificial – Un enhorque moderno. Pearson Education, S.A., Second Edition.

RkJQdWJsaXNoZXIy MTM0Mzk2