Predicción de recuperación de Ag con machine learning
Publicado: 02 Ago 2025, 23:43
Desarrollo de un Modelo Lineal Predictivo Basado en Machine Learning para Estimar la Recuperación de Plata en Planta Metalúrgica
Jean Pierre Uribe Mostacero1, Arturo De la Cruz Coaquira1, Leonel Barbaran Montalvo1, Ricardo Villena Presentación1
1 Maestría Inteligencia Artificial Universidad Nacional de Ingenieria
Resumen – El presente estudio describe la aplicación del proceso de recuperación de plata por lixiviación, técnica hidrometalúrgica que utiliza una solución química para disolver la plata contenida en minerales de baja ley. El proyecto se llevó a cabo en una planta de recuperación de una compañía minera, recolectando 100 registros de datos durante tres días de ensayos en la operación. Con el fin de analizar y predecir el % de Recuperación de Plata, se implementaron cinco algoritmos de aprendizaje supervisado: Regresión Lineal Múltiple, Árbol de Regresión, Random Forest, Red Neuronal Artificial y XGBoost. Los resultados evidenciaron que la Regresión Lineal Múltiple obtuvo el mejor desempeño, alcanzando un R² de 0.9528, lo que indica que las relaciones entre las variables del proceso y la recuperación de plata son predominantemente lineales. Este hallazgo sugiere que modelos estadísticos simples pueden ser altamente eficaces para la optimización de procesos metalúrgicos en plantas de lixiviación.
.
Keywords—. Lixiviacón, Pareto, Redes Neuronales, Arbol de regresion, Random Forest, XGBoost, Regresión lineal.
Jean Pierre Uribe Mostacero1, Arturo De la Cruz Coaquira1, Leonel Barbaran Montalvo1, Ricardo Villena Presentación1
1 Maestría Inteligencia Artificial Universidad Nacional de Ingenieria
Resumen – El presente estudio describe la aplicación del proceso de recuperación de plata por lixiviación, técnica hidrometalúrgica que utiliza una solución química para disolver la plata contenida en minerales de baja ley. El proyecto se llevó a cabo en una planta de recuperación de una compañía minera, recolectando 100 registros de datos durante tres días de ensayos en la operación. Con el fin de analizar y predecir el % de Recuperación de Plata, se implementaron cinco algoritmos de aprendizaje supervisado: Regresión Lineal Múltiple, Árbol de Regresión, Random Forest, Red Neuronal Artificial y XGBoost. Los resultados evidenciaron que la Regresión Lineal Múltiple obtuvo el mejor desempeño, alcanzando un R² de 0.9528, lo que indica que las relaciones entre las variables del proceso y la recuperación de plata son predominantemente lineales. Este hallazgo sugiere que modelos estadísticos simples pueden ser altamente eficaces para la optimización de procesos metalúrgicos en plantas de lixiviación.
.
Keywords—. Lixiviacón, Pareto, Redes Neuronales, Arbol de regresion, Random Forest, XGBoost, Regresión lineal.