MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 580 / ENERO 2026 57 El tercer modelo desarrollado fue un sistema Adaptive Neuro-Fuzzy Inference System (ANFIS), que combina la interpretabilidad de la lógica difusa con la capacidad de aprendizaje de las redes neuronales. A diferencia del FIS, según se observa en la Figura 11, este modelo ajusta automáticamente los parámetros de las funciones de pertenencia y reglas de inferencia a partir de los datos. Fue implementado en PyTorch, simulando una arquitectura de cinco capas funcionales. Se utilizaron las mismas variables de entrada del FIS (F80, Corr_M1, Corr_M2, Corr_ZAF), transformadas mediante funciones de membresía gaussianas cuyos parámetros (μ y σ) fueron aprendidos durante el entrenamiento. El sistema calcula los niveles de activación de las reglas, los normaliza y combina mediante una capa de salida lineal para estimar Delta_Ton. Posteriormente, este valor es utilizado para calcular el tonelaje sugerido, el P80 predicho y el caudal de agua requerido. Según se muestra en la Figura 12, el entrenamiento se realizó sobre el conjunto consolidado mensual con aprendizaje supervisado, usando MSE como función de pérdida, el optimizador Adam y escalamiento MinMax. Este enfoque permite capturar relaciones no lineales de forma interpretable, superando al FIS en adaptabilidad y a la RRN en comprensibilidad. El cuarto modelo corresponde a un Motor Genético Difuso (FGA), que combina lógica difusa y algoritmos genéticos (GA) para ajustar automáticamente las relaciones entre variables, sin requerir reglas explícitas. Fue desarrollado con la librería DEAP, ampliamente usada para la implementación de algoritmos evolutivos. Las variables de entrada fueron nuevamente F80, Corr_M1, Corr_M2 y Corr_ZAF, escaladas previamente con MinMaxScaler. Cada individuo en la población representa un conjunto de coeficientes (pesos) que multiplican las variables de entrada. El modelo evoluciona, según detalla la Figura 13, esta población usando selección por torneo, cruce blend, mutación gaussiana y reemplazo generacional, durante un número determinado de generaciones. Como se muestra en la Figura 14, la función objetivo minimiza el MSE entre el Delta_Ton predicho y el real. El mejor conjunto de coeficientes es luego aplicado por mes, permitiendo calcular el tonelaje sugerido, el P80 estimado y el caudal de agua requerido. Este enfoque es altamente flexible y robusto ante entornos industriales variables, con la ventaja de escapar de óptimos locales y descubrir relaciones no evidentes entre las variables del proceso. Tabla 9. Resultados ANFIS
RkJQdWJsaXNoZXIy MTM0Mzk2