MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 580 / ENERO 2026 55 alimenta una tercera etapa de flotación Flash. Finalmente, las espumas de esta última son dirigidas al proceso de separación Pb/Cu, mientras que las colas alimentan una etapa de limpieza Bulk secundaria. A partir del circuito descrito, se estructuró un conjunto de variables operacionales que sirvieron como entrada para los modelos de inferencia diseñados. Estas variables se detallan en la Tabla 6, y representan los factores clave que influyen en el comportamiento del proceso de molienda. Asimismo, con base en las salidas generadas por los distintos motores desarrollados (FIS, ANFIS y FGA), se calcularon variables adicionales —como recomendaciones de tonelaje y agua sugerida, o predicciones de granulometría—, las cuales se resumen en la Tabla 7. Metodología y desarrollo de la investigación La presente investigación adoptó un enfoque cuantitativo y experimental, sustentado en técnicas de modelado matemático, simulación computacional y validación con datos reales provenientes de entornos industriales. Su objetivo fue desarrollar y comparar modelos inteligentes capaces de predecir y optimizar variables críticas del proceso de molienda, con énfasis en el tonelaje de alimentación, la granulometría del producto (P80) y el caudal de agua alimentado. Para tal fin, se implementaron cuatro modelos principales en lenguaje Python, cada uno representando un enfoque distinto dentro del espectro de la inteligencia computacional aplicada: Motor de Inferencia Difusa (FIS): basado en reglas expertas y funciones de pertenencia definidas manualmente. Red Neuronal Predictiva (RRN): orientada a Figura 13. Función de evolución FGA. Figura 14. Función de entrenamiento de FGA. Tabla 8. Resultados FIS
RkJQdWJsaXNoZXIy MTM0Mzk2