Prediction of energy consumption in grinding using artificial neural networks to improve the distribution of fragmentation size [Predicción del consumo de energía en la molienda utilizando redes neuronales artificiales para mejorar la distribución del tamaño de la fragmentación]

Jaime Yoni Anticona Cueva; Jhon Vera Encarnación; Tomas Jubencio Anticona Cueva; Juan Antonio Vega Gonzáles

doi:10.32829/eesj.v8i1.206

Autores/as

Jaime Yoni Anticona Cueva Facultad de Ingeniería, Universidad Nacional de Trujillo, Peru https://orcid.org/0009-0004-9220-3063
Jhon Vera Encarnación Facultad de Ingeniería, Universidad Nacional de Trujillo, Peru https://orcid.org/0009-0008-6930-341X
Tomas Jubencio Anticona Cueva Facultad de Ingeniería, Universidad Nacional de Trujillo, Peru https://orcid.org/0009-0002-0536-0577
Juan Antonio Vega Gonzáles Facultad de Ingeniería, Universidad Nacional de Trujillo, Peru

DOI:

https://doi.org/10.32829/eesj.v8i1.206

Palabras clave:

Consumo energético; molienda; modelos predictivos; RNA.

Resumen

El estudio se enfoca en la predicción del consumo energético en procesos de molienda empleando redes neuronales artificiales (RNA), la finalidad fue desarrollar un modelo predictivo basado en redes neurales artificiales para estimar el consumo energético en la molienda y mejorar la distribución del tamaño de fragmentación, que es crucial para la eficiencia de operaciones mineras y metalúrgicas. El consumo energético en la molienda representa parte significativa de los costos operativos e influye directamente en la rentabilidad de las operaciones, La RNA fue entrenada a partir de un conjunto de datos de 126 registros, los cuales se dividieron en 80% para el entrenamiento y 20% para el testeo del modelo. Los resultados de esta investigación destacan un rendimiento óptimo del modelo predictivo con las métricas de rendimiento como Error Absoluto Medio (MAE), Error Cuadrático Medio (MSE), Raíz del Error Cuadrático Medio (RMSE) y Coeficiente de correlación (R2), con valores de 0.78, 1.39, 1.18 y 0.98, respectivamente en la estimación del consumo de energía en el proceso de molienda. Finalmente, estos resultados indican que la RNA logró una predicción precisa del consumo de energía en el proceso de molienda, esto permitirá hacer una mejor panificación en la optimización de la energía.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Abdollahi H., Noaparast M., Ziaedin Shafaei S., Akcil A., Panda S., Hazrati Kashi M., & Karimi P. (2019). Prediction and optimization studies for bioleaching of molybdenite concentrate using artificial neural networks and genetic algorithm. CXXX, 24-35. https://doi.org/10.1016/j.mineng.2018.10.008 DOI: https://doi.org/10.1016/j.mineng.2018.10.008

Álvarez Rodríguez B. (2010). Análisis de la influencia de los modelos de distribución de tamaños de partículas en la determinación de consumos energéticos en molienda mediante el método bond. Universidad de Oviedo, España. https://dialnet.unirioja.es/servlet/tesis?codigo=180857

Aramendia E., Brockway P., Taylor P., & Norman J. (2024). Exploring the effects of mineral depletion on renewable energy technologies net energy returns,. CCXCI. https://doi.org/10.1016/j.energy.2023.130112 DOI: https://doi.org/10.1016/j.energy.2023.130112

Azizi A., Rooki R., & Mollayi N. (2020). Modeling and prediction of wear rate of grinding media in mineral processing industry using multiple kernel support vector machine. SN Appl. Sci, 2, 1469. https://doi.org/https://doi.org/10.1007/s42452-020-03212-0 DOI: https://doi.org/10.1007/s42452-020-03212-0

Balakrishnan V., Pradhan M., & Dhekne P. (2020). Investigating rock fragmentation in distributed spherical air-gap blasting technique. CCCLXII, 101-110. https://doi.org/10.1016/j.powtec.2019.11.110 DOI: https://doi.org/10.1016/j.powtec.2019.11.110

Bannoud M., Dias Martins T., & Ferreira dos Santos B. (2022). Control of a closed dry grinding circuit with ball mills using predictive control based on neural networks. V. https://doi.org/10.1016/j.dche.2022.100064 DOI: https://doi.org/10.1016/j.dche.2022.100064

Barrio Gonzales D. (2022). Aplicación del aprendizaje automático en modelos de materia activa. Grado de Ingeniería en Tecnologías Industriales Especialidad de Matemática Industrial, Universidad Politécnica de Madrid, Escuela Tecnica Superior de Ingenieros Industriales, Madrid.

Both C., & Dimitrakopoulos R. (2021). Applied Machine Learning for Geometallurgical Throughput Prediction—A Case Study Using Production Data at the Tropicana Gold Mining Complex. Minerals, 11(11), 1257. https://doi.org/https://doi.org/10.3390/min11111257 DOI: https://doi.org/10.3390/min11111257

Cao J., Xia X., Wang L., Zhang Z., & Liu X. (2021). A Novel CNC Milling Energy Consumption Prediction Method Based on Program Parsing and Parallel Neural Network. XII(24). https://doi.org/10.3390/su132413918 DOI: https://doi.org/10.3390/su132413918

Herrera N., Okkonen J., Sinchi Gonzales M., & Mollehuara R. (2023). Soft Computing Application in Mining, Mineral Processing and Metallurgy with an Approach to Using It in Mineral Waste Disposal. XII(11). https://doi.org/10.3390/min13111450 DOI: https://doi.org/10.3390/min13111450

Holmberg K., Kivikytö-Reponen P., Härkisaari P., Valtonen K., & Erdemir A. (2017). Global energy consumption due to friction and wear in the mining industry. CXV, 116-139. https://doi.org/10.1016/j.triboint.2017.05.010 DOI: https://doi.org/10.1016/j.triboint.2017.05.010

Kingma D. P., & Ba J. (2015). Adam: A Method for Stochastic Optimization. https://doi.org/10.48550/arXiv.1412.6980

Kumar Mohajan H. (2021). Quantitative Research: A Successful Investigation in Natural and Social Sciences. Journal of Economic Development Environment and People, IX(4). https://doi.org/10.26458/jedep.v9i4.679 DOI: https://doi.org/10.26458/jedep.v9i4.679

Little L., Mainza A. N., Becker M., & Wiese J. G. (2016). Using mineralogical and particle shape analysis to investigate enhanced mineral liberation through phase boundary fracture. CCCI, 794-804. https://doi.org/10.1016/j.powtec.2016.06.052 DOI: https://doi.org/10.1016/j.powtec.2016.06.052

López P., Reyes I., Risso N., Momayez M., & Zhang J. (2023). Machine Learning Algorithms for Semi-Autogenous Grinding Mill Operational Regions’ Identification. Mineral Processing and Extractive Metallurgy, XIII(11). https://doi.org/10.3390/min13111360 DOI: https://doi.org/10.3390/min13111360

Montesinos López O., Montesinos López A., & Crossa J. (2022). Fundamentals of Artificial Neural Networks and Deep Learning. 379-425. https://doi.org/10.1007/978-3-030-89010-0_10 DOI: https://doi.org/10.1007/978-3-030-89010-0_10

Mustafa Taye M. (2023). Understanding of Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions. XII(5), 91. https://doi.org/10.3390/computers12050091 DOI: https://doi.org/10.3390/computers12050091

Nikolić V., & Trumić M. (2021). A new approach to the calculation of bond work index for finer samples. CLXV. https://doi.org/10.1016/j.mineng.2021.106858 DOI: https://doi.org/10.1016/j.mineng.2021.106858

Nikolić V., Doll A., & Trumić M. (2022). A new methodology to obtain a corrected Bond ball mill work index valid with non-standard feed size. Minerals Engineering, CLXXXVIII. https://doi.org/10.1016/j.mineng.2022.107822 DOI: https://doi.org/10.1016/j.mineng.2022.107822

Otsuki A., & Jang H. (2022). Prediction of Particle Size Distribution of Mill Products Using Artificial Neural Networks. ChemEngineering, 6(92), 6. https://doi.org/https://doi.org/10.3390/chemengineering6060092 DOI: https://doi.org/10.3390/chemengineering6060092

Pérez García E., Bouchard J., & Poulin E. (2020a). A mineral liberation distribution estimator for monitoring and process control applications. CCCLXVII, 527-538. https://doi.org/10.1016/j.powtec.2020.04.002 DOI: https://doi.org/10.1016/j.powtec.2020.04.002

Pérez García E., Bouchard J., & Poulin É. (2020b). Systematic calibration of a simulated semi-autogenous/ball-mill grinding circuit. IFAC-PapersOnLine, LIII(2), 12026-12031. https://doi.org/0.1016/j.ifacol.2020.12.737 DOI: https://doi.org/10.1016/j.ifacol.2020.12.737

Pouresmaieli M., Ataei M., Nouri Qarahasanlou A., & Barabadi A. (2023). Integration of renewable energy and sustainable development with strategic planning in the mining industry. XX. https://doi.org/10.1016/j.rineng.2023.101412 DOI: https://doi.org/10.1016/j.rineng.2023.101412

Rojano A., Salazar R., Miranda L., & Ojeda W. (2021). Algoritmo Adam en la inteligencia artificial. COMEII-21005, 101-110.

Saldaña M., Gálvez E., Navarra A., Toro N., & Cisternas L. A. (2023). Optimization of the SAG Grinding Process Using Statistical Analysis and Machine Learning: A Case Study of the Chilean Copper Mining Industry. Materials (Basel), 16(8), 3220. https://doi.org/https://doi.org/10.3390/ma16083220 DOI: https://doi.org/10.3390/ma16083220

Strielkowski W., Civin L., Tarkhanova E., Tvaronaviciencie M., & Petrenko Y. (2021). Renewable Energy in the Sustainable Development of Electrical Power Sector: A Review. MDPI, XIV(24). https://doi.org/10.3390/en14248240 DOI: https://doi.org/10.3390/en14248240

Valerevich V., & Sergeevich L. (2019, March 03). Comparison of the different ways of the ball Bond word index determining. International Journal of Mechanical Engineering and Technology (IJMET), 10, 1180-1194. http://www.iaeme.com/ijmet/issues.asp?JType=IJMET&VType=10&IType=3

Wang C., Deng J., Tao L., Sun W., Xiao Q., & Gao Z. (2022). Enhanced flotation of chalcopyrite particles by grinding with short cylinder media. Minerals Engineering, CLXXXVIII. https://doi.org/10.1016/j.mineng.2022.107827 DOI: https://doi.org/10.1016/j.mineng.2022.107827

Wang F., Damascene Harindintwali J., Yuan Z., Wang M., Wang F., Li S., Yuhao F. (2021). Technologies and perspectives for achieving carbon neutrality. II(4). https://doi.org/10.1016/j.xinn.2021.100180 DOI: https://doi.org/10.1016/j.xinn.2021.100180