REVISTA MINERÍA 537 | EDICIÓN JUNIO 2022

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / JUNIO 2022 / EDICIÓN 537 10 te a un circuito de cobre, como por ejemplo, pueden ser las empresas mineras del sur del Perú como Antapaccay, Cerro Verde, Hudbay, Las Bambas, etc., de las cuales debemos definir las condiciones de tonelajes, rango de oxidación de mineral (%tox), rango de %Cu, granulometrías, rango de pH y demás variables que dependerán del objetivo a analizar en un proceso de flotación. Todo esto permitirá reducir el número de registros iniciales, por ejemplo, para esta aplicación, se pudo reducir de 6,594 a 1,780 registros que realmente tienen la denominación de “datos correctos” y que sirven para el siguiente paso, que es el uso del Algoritmo de Árbol de Decisión por Regresión Aprendizaje Supervisado Machine Learning. Algoritmo de Árbol de Decisión La construcción del Árbol de Decisión por Regresión Aprendizaje Supervisado Machine Learning sigue un enfoque de división binaria recursiva y analiza la mejor variable para la ramificación solo en el proceso de división actual. Utilizando el CART Regresión, del total de datos (1,780 registros y 12 variables) se tomó de manera aleatoria un porcentaje para el entrenaFigura 4. Predicción de la dosificación del colector primario para un mineral con contenido de magnesio menor a ~1.5% (máximo hasta ~29.8g/t). Técnica: Aprendizaje Supervisado Algoritmo: Árbol de Decisión Tipo: Clasificación por Regresión Método: CART Regresión Validación: Tipo Cruzada Nodo Primario: %Mg Condición; %Mg < ~1.5% Figura 5. Predicción de la dosificación del colector primario para un mineral con contenido de magnesio mayor a ~1.5% (máximo hasta ~39.3g/t). Técnica: Aprendizaje Supervisado Algoritmo: Árbol de Decisión Tipo: Clasificación por Regresión Método: CART Regresión Validación: Tipo Cruzada Nodo Primario: %Mg Condición; %Mg > ~1.5% R-cuadrado: 0.5915

RkJQdWJsaXNoZXIy MTM0Mzk2