MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 60 ¿Cómo funciona XGBoost? Inicialización: comienza con un modelo simple (por ejemplo, una predicción promedio). Iteración: en cada paso, se entrena un nuevo árbol de decisión que intenta predecir los errores (residuos) del modelo anterior. Actualización: los errores corregidos se suman al modelo acumulado, mejorando progresivamente la predicción. Optimización: se utiliza una función de pérdida (por ejemplo, error cuadrático) y se aplica regularización para evitar sobreajuste. Ventajas clave de XGBoost Alta precisión predictiva. Manejo eficiente de datos faltantes. Capacidad para modelar relaciones no lineales y complejas. Regularización incorporada (L1 y L2) para evitar sobreajuste. Interpretabilidad mediante análisis de importancia de variables. Para el desarrollo de LingoSmelter, XGBoost permitió modelar con precisión la relación entre variables operativas (como temperatura, composición química, consumo de insumos y parámetros de control) y la recuperación de metal crudo del horno Ausmelt, incluso en presencia de ruido o variabilidad en los datos. Interpretabilidad del modelo: SHAP Para comprender el comportamiento interno del modelo y validar su coherencia con el conocimiento metalúrgico, se aplicó la metodología SHapley Additive exPlanations (SHAP). Esta técnica permite cuantificar la contribución individual de cada variable a la predicción del modelo. SHAP Importance Train: permitió identificar las variables más influyentes en la predicción de la recuperación de metal crudo, destacando el consumo de gas natural, carbón, temperatura, inmersión de lanza y composición química. SHAP Summary Train: ofreció una visualización detallada del impacto de cada variable a lo largo de todas las observaciones, revelando patrones de comportamiento y posibles interacciones entre variables. Este análisis no solo fortaleció la confianza en el modelo, sino que también facilitó la comunicación de resultados con los equipos operativos y el área de Metalurgia. Optimización con Differential Evolution Solver Una vez entrenado el modelo predictivo, se integró un módulo de optimización basado en el algoritmo Differential Evolution Solver (DES), una técnica de optimización evolutiva diseñada para encontrar soluciones óptimas en espacios de búsqueda complejos, no lineales y multidimensionales. ¿Cómo funciona DES? Población inicial: se genera un conjunto aleatorio de soluciones (vectores) dentro del espacio de parámetros operativos. Mutación: se crean nuevos vectores combinando aleatoriamente tres soluciones distintas de la población. Recombinación (cruce): se mezclan los vectores mutados con los originales para Figura 6. Flujo de desarrollo del modelo LingoSmelter.
RkJQdWJsaXNoZXIy MTM0Mzk2