MINERÍA la mejor puerta de acceso al sector minero MINERÍA / NOVIEMBRE 2022 / EDICIÓN 542 84 El proceso de modelado normalmente es muy iterativo, ya que las organizaciones están adquiriendo insights intermedios, lo que deriva en ajustes en la preparación de datos y en la especificación del modelo. Para una técnica determinada, los científicos de datos pueden probar múltiples algoritmos con sus respectivos parámetros para encontrar el mejor modelo para las variables disponibles. Para el caso en estudio se aplicó el algoritmo de K-Means con la finalidad de determinar el número de clúster óptimo entre los interferentes (%Mg, %Tox, %Carbonatos y %Arcillas) y la recuperación de cobre. Al aplicar la función fivz_cluster del software RStudio, podemos visualizar dos clústeres en un diagrama de dispersión (Figura 5), el cual muestra gráficamente el resultado del algoritmo K-Means. Figura 8. Despliegue en PICoresight del algoritmo de Árbol de Decisión por regresión a partir de los valores límites de los interferentes. Ahora para determinar los valores límites de frontera de cada interferente con respecto a la recuperación de cobre, aplicamos el algoritmo del Árbol de Decisión por regresión. Para el caso del %Tox vs %Recuperación se obtuvo lo que se muestra en la Figura 6. El mismo procedimiento lo aplicamos para el resto de interferentes en evaluación, dando como resultado los siguientes límites de frontera para la recuperación de cobre: Magnesio (%Mg) < 1.56%. Óxidos (%Tox) < 9.11%. Carbonatos (%) < 9.79%. Arcillas (%) < 1.04%. El rango y tendencia de predicción del algoritmo Machine Learning entre la recuperación real vs la recuperación pronosticada se muestra gráficamente en la Figura 7.
RkJQdWJsaXNoZXIy MTM0Mzk2