Sistema Inteligente para Reducir Residuos y Mejorar la Eficiencia en la Producción de Cobre Utilizando Aprendizaje Automático
Autores: Kenzhaliyev, Bagdaulet; Imankulov, Timur; Mukhanbet, Aksultan; Kvyatkovskiy, Sergey; Dyussebekova, Maral; Tasmurzayev, Nurdaulet
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias de los Materiales
Subcategoría
Materiales estructurales
Palabras clave
Creciente impacto ambiental
Producción de cobre
Enfoques innovadores
Técnicas de aprendizaje automático
Operaciones pirometalúrgicas
Minimización de residuos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
El creciente impacto ambiental de la producción de cobre requiere enfoques innovadores para optimizar los procesos metalúrgicos y minimizar los desechos. Este estudio aborda este desafío aprovechando técnicas avanzadas de aprendizaje automático (ML) para mejorar la eficiencia de las operaciones pirometalúrgicas, como la optimización de escorias, la predicción de composiciones y la minimización de desechos. Utilizando una combinación de datos del mundo real y sintéticos, desarrollamos modelos capaces de realizar tanto predicciones hacia adelante, estimando las composiciones de escoria y mate a partir de las características del mineral, como predicciones hacia atrás, inferiendo las composiciones del mineral a partir de las características de salida. Se evaluaron cinco algoritmos de ML, siendo el Gradient Boosting y la Regresión de Vectores de Soporte los que demostraron un rendimiento superior en la captura de relaciones complejas y no lineales. La predicción hacia adelante logró una precisión casi perfecta, mientras que la predicción hacia atrás destacó la complejidad inherente del modelado inverso. Esta estrategia impulsada hacia atrás propuesta en esta investigación tiene como objetivo determinar las composiciones óptimas del mineral para lograr los resultados deseados, reduciendo los desechos y el consumo de energía. Al integrar modelos de ML con un enfoque sistemático de optimización de hiperparámetros, este trabajo avanza en el potencial de procesos metalúrgicos sostenibles y precisos. Si bien persisten desafíos en la refinación de las predicciones hacia atrás, los hallazgos demuestran el potencial transformador de las estrategias basadas en datos en la metalurgia industrial, allanando el camino para prácticas de producción de cobre ambientalmente sostenibles y económicamente eficientes.
Descripción
El creciente impacto ambiental de la producción de cobre requiere enfoques innovadores para optimizar los procesos metalúrgicos y minimizar los desechos. Este estudio aborda este desafío aprovechando técnicas avanzadas de aprendizaje automático (ML) para mejorar la eficiencia de las operaciones pirometalúrgicas, como la optimización de escorias, la predicción de composiciones y la minimización de desechos. Utilizando una combinación de datos del mundo real y sintéticos, desarrollamos modelos capaces de realizar tanto predicciones hacia adelante, estimando las composiciones de escoria y mate a partir de las características del mineral, como predicciones hacia atrás, inferiendo las composiciones del mineral a partir de las características de salida. Se evaluaron cinco algoritmos de ML, siendo el Gradient Boosting y la Regresión de Vectores de Soporte los que demostraron un rendimiento superior en la captura de relaciones complejas y no lineales. La predicción hacia adelante logró una precisión casi perfecta, mientras que la predicción hacia atrás destacó la complejidad inherente del modelado inverso. Esta estrategia impulsada hacia atrás propuesta en esta investigación tiene como objetivo determinar las composiciones óptimas del mineral para lograr los resultados deseados, reduciendo los desechos y el consumo de energía. Al integrar modelos de ML con un enfoque sistemático de optimización de hiperparámetros, este trabajo avanza en el potencial de procesos metalúrgicos sostenibles y precisos. Si bien persisten desafíos en la refinación de las predicciones hacia atrás, los hallazgos demuestran el potencial transformador de las estrategias basadas en datos en la metalurgia industrial, allanando el camino para prácticas de producción de cobre ambientalmente sostenibles y económicamente eficientes.