MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 580 / ENERO 2026 56 la predicción supervisada del P80 a partir de variables operativas. Sistema Neurodifuso Adaptativo (ANFIS): arquitectura híbrida que integra lógica difusa y redes neuronales con ajuste automático de parámetros. Motor Genético Difuso (FGA): modelo difuso optimizado evolutivamente mediante algoritmos genéticos. El FIS tiene como propósito recomendar ajustes dinámicos en el tonelaje de alimentación, en función de condiciones operativas observadas. Su implementación se realizó con la librería FuzzyLite, empleando un esquema tipo Mamdani, según se observa en la Figura 7, con reglas y funciones de pertenencia definidas manualmente. Como se observa en la Figura 7 y 8, se consideraron cuatro variables de entrada: F80 (mm), Corriente del Molino 1, Corriente del Molino 2 y Corriente de Zarandas de Alta Frecuencia (ZAF). Cada variable fue modelada mediante funciones trapezoidales, clasificadas como Bajo, Normal o Alto. La variable de salida, denominada Delta_Ton, representa la recomendación de ajuste de tonelaje, con etiquetas como Disminuir_Mucho, Mantener o Aumentar_Mucho. Se definieron 81 reglas difusas, Figura 10, que combinan todas las posibles interacciones entre entradas y salida. A partir de los datos promediados por mes, el FIS emite una recomendación horaria. Posteriormente, se estiman el valor de P80 mediante la RRN (modelo 2) y el caudal de agua requerido para mantener una proporción adecuada de pulpa. Este modelo constituye la línea base de comparación, emulando el comportamiento de un sistema de control experto estático y explícito. El segundo modelo corresponde a una red neuronal artificial diseñada para predecir el P80 en función de tres variables de entrada: F80, tonelaje de alimentación y potencia del molino. Estas fueron seleccionadas por su alta correlación con la eficiencia del proceso de conminución. Los datos fueron normalizados mediante MinMaxScaler, y divididos en subconjuntos de entrenamiento (80%) y prueba (20%). La red fue construida con PyTorch e incluyó: una capa de entrada con tres neuronas, dos capas ocultas con 16 y 8 neuronas (ReLU), y una capa de salida lineal para estimar el P80. El entrenamiento se realizó durante 500 épocas con el optimizador Adam y la función de pérdida MSE. Finalmente, se evaluó el modelo utilizando las métricas MAE y RMSE, mostrando una buena capacidad predictiva. Este enfoque permite capturar relaciones no lineales complejas, aunque con menor interpretabilidad en comparación con los sistemas basados en reglas. Figura 15. FIS -Tonelaje real vs tonelaje sugerido. Figura 16. FIS – Agua real vs agua sugerida. Figura 17. FIS – P80 real vs P80 Predicho.
RkJQdWJsaXNoZXIy MTM0Mzk2