Redes neuronales artificiales aplicadas a la molienda de hierro combinadas a modelos empíricos
DOI:
https://doi.org/10.33448/rsd-v11i13.32329Palabras clave:
Tratamiento de minerales; Mena de hierro; Molienda; Redes neuronales artificiales; Aprendizaje automático; Controlo de processos.Resumen
Cada día, las tecnologías proporcionadas por la Industria 4.0 se están insertando en el Tratamiento de Minerales y una de las oportunidades a explorar es el uso de herramientas de Big Data y Analítica Avanzada. En el beneficio del mineral de hierro, en los procesos de molienda, las ganancias potenciales de las herramientas de aprendizaje automático tienden a amplificarse cuando se combinan con modelos matemáticos derivados del conocimiento del proceso, ya sea empírico o fenomenológico. Este artículo presenta la aplicación de redes neuronales artificiales para la predicción del principal parámetro de calidad del producto de una planta de molienda, combinado con ecuaciones empíricas que describen el proceso de molienda, con el fin de establecer como pueden contribuir a un mejor desempeño de los modelos predictivos.
Citas
Mariscal, G., Marban, O. & Fernandez, C. (2010). A survey of data mining and knowledge discovery process models and methodologies. The Knowledge Engineering Review, 25(2), 137-166.
IBM (2022) Introduction to CRISP-DM. <https://www.ibm.com/docs/en/spss-modeler/18.2.0?topic=guide-introduction-crisp-dm>
Shearer, C. (2000). The CRISP-DM Model: The New Blueprint for Data Mining. Journal of Data Warehousing, 5, 13-22.
Google (2022) Machine Learning Crash Course. < https://developers.google.com/machine-learning/crash-course/>
Pessoa, A. D. ., Sousa, G. C. L. de ., Araujo, R. C. & Anjos, G. J. M. (2021). Modelo de rede neural artificial para previsão da capacidade de carga de estacas cravadas. Research, Society and Development, 10(1), e12210111526. https://doi.org/10.33448/rsd-v10i1.11526
Donda, J. D., Galinari C. M. & Rabelo, P. J. B. (1999). O Controle da Eficiência Energética nos Circuitos de Pré-moagem e Moagem Primária da Samarco Mineração. In: II Simpósio Brasileiro de Minério de Ferro - ABM, Ouro Preto, p. 144-150.
Donda, J. D. (2003). Um método para prever o consumo específico de energia na (re)moagem de concentrados de minério de ferro em moinhos de bolas. Belo Horizonte, Tese (doutorado), CPGEM, Universidade Federal de Minas Gerais.
Donda, J. D. & Rosa, A. C. (2014). A lei de Moagem – Comprovação para minério de ferro. Livraria e Editora Graphar. Brasil.
Figueira, H. V. O., Almeida, S. L. M., Luz, A. B. (2004). Tratamento de Minérios, Rio de Janeiro: Centro de Tecnologia Mineral CETEM. Editora CETEM. Brasil.
Delboni, H. J. (2007). Tendências Tecnológicas Brasil 2015, Rio de Janeiro: Centro de Tecnologia Mineral CETEM. Editora CETEM. Brasil.
Napier-Munn, T. J., Morrel, S., Morrison, R. D., Kojovic, T. (1999). Mineral Comminution Circuits, Their Operation and Optimisation. Julius Kruttschnitt Mineral Research Center. Austrália.
Serpa, A. (2019). Modelagem do Teor de Sílica no Produto da Flotação de Minério de Ferro baseada em Redes Neurais. Trabalho de conclusão de curso de graduação. Curso de Graduação em Engenharia de Controle e Automação, Escola de Engenharia da UFMG. Belo Horizonte, Brasil:
Souza, E. S. (2014). Controle Automático de Circuitos de Moagem. Tese de Doutorado em Engenharia de Produção, Porto Alegre: Escola de Engenharia da UFRGS.
Oliveira K P. S. (2000). Aplicação das técnicas de redes neurais e de análise de componentes principais na modelagem de uma lagoa aerada da Ripasa SA. Tese de Mestrado, Faculdade de Engenharia Química, Unicamp.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. EUA.
Chollet, François and others (2022). Keras API <https://keras.io/api/>
Labach, A., Salehinejad, H. & Valaee, S. (2019). Survey of dropout methods for deep neural networks. <https://doi.org/10.48550/arXiv.1904.13310>
Hinton G. Krizhevsky A. et al Srivastava, N. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(56):1929−1958, 2014.
Pedregosa et al.,(2011). Scikit-learn: Machine Learning in Python, Journal of Machine Learning Research, Journal of Machine Learning Research, 12, pp. 2825-2830.
Minsky, M., & Papert, S. (1969). Perceptrons. M.I.T. Press. EUA.
McCulloch, W.S. & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5, 115–133.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Daniel Henrique Cordeiro Silva; Vladmir Kronemberger Alves ; Ernandes Savio
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
