Resumen

La industria minera de las últimas décadas reconoce que es más rentable simular modelos utilizando datos históricos y conocimientos disponibles sobre procesos mineros en lugar de sacar conclusiones sobre la explotación minera futura basada en ciertas condiciones. La variabilidad de la composición de los montones de lixiviación de cobre hace que sea poco probable obtener simulaciones de alta precisión utilizando métodos estadísticos tradicionales; sin embargo, la misma recolección de datos favorece el uso de técnicas de computación suave para mejorar la precisión de la recuperación de cobre a través de la lixiviación mediante modelos de predicción. En este artículo, se realiza un contraste de modelado predictivo; se presentan un modelo lineal, un modelo cuadrático, un modelo cúbico y un modelo basado en el uso de una red neuronal artificial (RNA). Las entradas del modelo se obtuvieron a partir de datos de operación y datos de pilotaje en columnas. La RNA se construyó con 9 variables de entrada, 6 capas ocultas y una neurona en la capa de salida correspondiente

• Materias:Calibración geométrica Núcleos computacionales Consultas de palabras clave Pronóstico probabilístico Máquina de aprendizaje
• Subjects:Geometric calibration Computational kernels Keyword queries Probabilistic forecasting Machine learning
• Palabras claves:Industria minera; Modelo de simulación; Datos históricos; Pilas de lixiviación de cobre; Técnicas de softcomputing; Modelado predictivo
• Keywords:Mining industry; Simulation model; Historical data; Copper leach piles; Softcomputing techniques; Predictive modeling