MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 580 / ENERO 2026 50 del sistema frente a variaciones en los datos o cambios operacionales. Ante este desafío, surgen modelos híbridos que integran capacidades de aprendizaje automático, destacando entre ellos el sistema de inferencia neurodifuso ANFIS. El Adaptive Neuro-Fuzzy Inference System (ANFIS) es un modelo que combina la representación flexible e interpretable de los sistemas de lógica difusa con la capacidad de aprendizaje de las redes neuronales artificiales. Propuesto por Jang (1993), ANFIS ha sido ampliamente aplicado en problemas de predicción, clasificación y control, especialmente en entornos donde se requiere manejar relaciones no lineales y variables inciertas de manera eficiente (ver Figura 3). La arquitectura clásica de ANFIS se compone de cinco capas conectadas en red, las cuales simulan el comportamiento de un sistema difuso tipo Takagi–Sugeno. Estas capas incluyen: 1. Capa de entrada difusa: calcula los grados de pertenencia de las variables de entrada mediante funciones de membresía (gaussianas o triangulares). 2. Capa de reglas: construye combinaciones de entradas para formar reglas difusas. 3. Capa de normalización: normaliza los niveles de activación de cada regla. 4. Capa de consecuencia: aplica funciones lineales que definen la salida de cada regla. 5. Capa de agregación/salida: integra las salidas de todas las reglas activas para obtener una única predicción continua. La principal ventaja de ANFIS frente a los FIS clásicos es su capacidad para aprender automáticamente los parámetros de las funciones de membresía y los coeficientes de salida a partir de datos históricos. Esto lo convierte en una herramienta valiosa cuando el conocimiento experto es limitado o cuando el proceso presenta una alta variabilidad operativa. Para la implementación práctica, este trabajo adoptó PyTorch como plataforma de desarrollo, en lugar de bibliotecas especializadas como Anfis o Simpful, debido a su mayor esNota. Extraído de Gómez (2023). Figura 4. Algoritmos genéticos. Tabla 3. Componentes de PyTorch en la Construcción de ANFIS Componente Rol en ANFIS Nn.Module (AnfisLayer) Clase que define el modelo ANFIS. Utiliza tensores para representar parámetros de funciones de membresía (μ y σ) y coeficientes de salida. Funciones de membresía (Gaussiana) Implementadas mediante operaciones tensoriales como torch.exp para activaciones suaves. Normalización difusa Uso de torch.prod y torch.sum para calcular la fuerza de activación y su normalización entre reglas. Aprendizaje supervisado Entrenamiento mediante MSELoss y optimización con Adam, permitiendo ajustar los parámetros del sistema neurodifuso. Nota. Extraído de Sremac et al. (2018). Figura 3. Adaptive Neuro-Fuzzy Inference System (ANFIS).
RkJQdWJsaXNoZXIy MTM0Mzk2