Redes neuronales artificiales aplicadas en la metalurgia

El perfil térmico a lo largo del horno de reducción de níquel tiene una correlación multivariable y representa un sistema complejo y no lineal. Es por eso que es difícil desarrollar un modelo del proceso para evaluar la temperatura en sus puntos. La investigación en el área del horno de níquel también es rara de encontrar, aunque el níquel representa un producto básico tanto en el negocio de metal como en la necesidad del estilo de vida.

En [80] se desarrolló un modelo NARX para el horno horizontal de la planta de procesamiento de níquel de Tailandia, donde se obtienen errores inferiores a 5 °C para cada termopar que tiene un rango de hasta 900 °C, y se considera que son resultados aceptables para el análisis, simulación, monitoreo y control del proceso. A su vez, un modelo NARX fue empleado en la predicción de la temperatura y el contenido de silicio del metal caliente. El algoritmo propuesto fue evaluado en base a su eficiencia en la simulación del proceso industrial de fabricación de metal caliente en un alto horno [81].

En [82, 83] se utilizaron las RNA con el algoritmo de entrenamiento de Levenberg-Marquardt para la predicción de la presión del aire en el colector de un sistema de suministro de aire para la

combustión del horno objeto de estudio, que mostró una correlación del 98 % y un 71 % en su generalización.

Por otro lado, en [84] se mejora la eficiencia general del horno de solera múltiple en la calcinación de caolín mediante el desarrollo de estrategias de control que incorporan sensores blandos basados en RNA, para estimar las limitaciones relacionadas con la mineralogía.

La aplicación de las RNA en procesos de pulvimetalurgia se proporciona en los trabajos [85-87]. En [85] se investigó un tratamiento hidrometalúrgico de dos etapas del concentrado de eudialito con RNA y otros métodos. En [86] se propuso un modelo RNA multicapa con algoritmo de aprendizaje backpropagation para lograr una mejor predicción de las características de salida (propiedades mecánicas, dimensiones de la herramienta, otras). En [87] se introdujo un perceptrón multicapa para predecir la calidad del producto y los resultados se decodificaron en una medida de la calidad del pronóstico para evaluar el desempeño del modelo generativo.

La combinación del seguimiento de partículas con la capacidad de generalización de las RNA y la utilización de los datos de análisis de liberación del mineral en procesos de separación magnética y por gravedad de un mineral complejo de Western Erzgebirge, Alemania; se muestra en [88].

En [89] se desarrolla un modelo RNA para la predicción de la vibración de explosión utilizando 248 registros de datos recopilados de tres minas de carbón de la India, con diversas condiciones de geominería. El coeficiente de correlación entre la velocidad máxima de partículas medida y la salida del modelo fue de 0,96, con un porcentaje de error promedio de 11,85.

La comparación de los métodos del conjunto de aprendizaje automático (bosques aleatorios, aumento de gradiente) con una RNA se llevan a cabo en [90] para predecir la temperatura de inicio de martensita de los aceros.

Los efectos del biosurfactante ramnolípido (RL) en el rendimiento de flotación de una muestra de carbón se analizan en [91]. La correlación entre la condición de la adición de RL y las respuestas del proceso se modelaron utilizando RNA. Basado en los errores MSE, RMSE, y el error porcentual

como medidas de precisión del modelo; el algoritmo de Levenberg-Marquardt con arquitectura de siete neuronas en la capa de entrada, 16 neuronas en la capa oculta, y una neurona en la capa de salida [7-16-1], predijo adecuadamente la respuesta del proceso.

Por su parte, en [92] se propusieron una familia de RNA para el sistema Al-Cu (Aluminio, Cobre) como un ejemplo del potencial de aprendizaje automático que puede lograr una precisión cercana a los primeros principios para muchos aspectos metalúrgicos importantes de esta aleación.

Una metodología fue propuesta en [93] que es capaz de predecir seis salidas de la planta simultáneamente (recuperación metalúrgica de zinc (Zn) a partir de concentrado de Zn, recuperación metalúrgica de Zn a partir de concentrado de plomo (Pb) y recuperaciones metalúrgicas de Zn a partir de relaves, masa de concentrado de Zn, masa de concentrado de Pb y masa de relaves). Se utilizó una técnica de RNA y las predicciones del modelo con un factor de aumento de escala se reconciliaron con las respuestas de la planta, lo que mostró resultados consistentes.

En [94] se aplicó exitosamente un enfoque de RNA en la investigación para predecir el estado del revestimiento del equipo metalúrgico. Su efectividad fue confirmada por los valores más bajos del error de pronóstico en comparación con los métodos de pronósticos clásicos.

Conclusiones parciales

1. La modelación y control del perfil térmico en los hornos de reducción de minerales lateríticos ha sido objeto de varios trabajos. Los más cercanos a la investigación resultan los modelos de los hornos de Nicaro que, aunque profundizaron en el comportamiento dinámico del subproceso de postcombustión, no son directamente aplicables a los hornos de Moa porque existen condiciones de operación diferentes.

2. En la modelación de procesos industriales complejos y no lineales, donde los métodos tradicionales de cálculos no son efectivos, las RNA se presentan como una herramienta potente.

En este sentido, se reportan algunos trabajos sobre la modelación de hornos metalúrgicos

diferentes al objeto de estudio, donde se fijan cotas de errores para la predicción del perfil térmico, que sirven de referencia para esta investigación.

2. MATERIALES Y MÉTODOS PARA LA MODELACIÓN MATEMÁTICA DEL