Medellín - Minas - Maestría en Ingeniería - Recursos Minerales · 2023
Modelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreos
El modelado para el diseño y la simulación es una herramienta que ha adquirido relevancia en el ámbito académico e industrial, debido a la alta disponibilidad de paquetes computacionales especializados. Para el caso específico de la modelación del proceso de trituración en el beneficio mineral, las variables a controlar son las relacionadas con la configuración mecánica del equipo y con la caracterización mineralógica del material. En el presente trabajo, se modeló y simuló el proceso de conminución de una trituradora cónica de una planta de producción de agregados pétreos empleando redes neuronales artificiales. Se adoptó una red neuronal artificial con topología “Feedforward” para simular el proceso. Se probaron diferentes configuraciones de red con 50 ensayos de laboratorio que reportaron datos de tamaño a la entrada y a la salida de la trituradora, buscando optimizar el error cuadrático medio, la dispersión del error y el ajuste lineal de los datos, para seleccionar la red con datos de salida más ajustados a los reales. El modelo seleccionado fue la red con una combinación de neuronas de 70 - 40 en las capas ocultas, obteniendo un error cuadrático medio de 6.24, una dispersión del error entre los datos de 35.05 y un ajuste lineal por mínimos cuadrados de 0.99. Una vez seleccionado el modelo, se realizó una recolección de datos nuevos de distribución de tamaño a la entrada y a la salida de la trituradora cónica de estudio, los cuales fueron probados en la red neuronal, logrando un parámetro de ajuste R de 0.999, permitiendo concluir que el modelo artificial entrenado puede predecir la distribución de tamaño de partícula a la salida de una trituradora cónica para el beneficio de agregados pétreos. (Texto tomado de la fuente)
Texto completo 72 páginas con texto de 77
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 16
- Estado del artep. 19
- Trituradoras cónicasp. 19
- 1.1.1 Parámetros de estimación para trituradoras cónicasp. 20
- 1.1.2 Variables relevantes del proceso y correlaciones entre ellasp. 22
- 1.1.3 Trituradora cónica METSO HP300p. 24
- trituradorasp. 26
- de trituradoras cónicasp. 31
- Redes neuronales artificialesp. 33
- 1.3.1 Aplicaciones de las redes neuronales artificialesp. 37
- 1.3.2 Redes neuronales aplicadas en el procesamiento de mineralesp. 39
- 1.3.3 Redes unidireccionales o de propagación hacia adelante (Feedforward)p. 41
- Materiales y métodosp. 43
- Modelos convencionales para distribuciones granulométricasp. 43
- 2.1.1 Rosin Rammlerp. 43
- 2.1.2 Gaudin Shummanp. 44
- (Feedforward)p. 41
- Resultados y discusiónp. 46
- HP 300p. 47
- Mediciones granulométricas en plantap. 49
- 3.3.1 Gradaciones de entrada a la trituradorap. 50
- 3.3.2 Gradaciones de salida de la trituradorap. 51
- Modelación y distribución granulométrica del fabricantep. 53
- Modelo matemático de RNA propuestop. 56
- Entrenamiento del modelo matemático de RNA propuestop. 60
- Validación del modelo matemático de RNA propuestop. 64
- modelop. 64
- Conclusiones y recomendacionesp. 68
- Conclusionesp. 68
- Recomendacionesp. 69
- A. Anexo: Código 1, entrenamiento de las RNAp. 71
- B. Anexo: Código 2, validación de la RNA seleccionadap. 73
- C. Anexo: Poster EXPO Ingeniería 2022p. 74
- Bibliografíap. 75
- Figura 1-1: Esquema del ensamble y modo de conminución de la trituradora de conop. 20
- Figura 1-2: Tipos de cámara en trituradoras cónicasp. 23
- Figura 1-3: Cono METSO HP300p. 24
- Figura 1-4: Abertura de descarga de la trituradora en posición cerrada (CSS)p. 25
- Figura 1-5: Modelo estructural de Reid (1965)p. 29
- Figura 1-6: Modelo estructural de Whiten (1972)p. 29
- Figura 1-7: Función de clasificación (C)p. 30
- Figura 1-8: Ilustración de un modelo de neurona artificialp. 35
- Figura 1-9: Diagrama esquemático del modelo de red de avance de múltiples capasp. 36
- Figura 1-10: Procesamiento simplificado de RNAp. 37
- Figura 2-1: RNA tipo Feedforward Vs RNA Recurrentp. 45
- Figura 3-3: Esquema arquitectura de la RNA empleadap. 48
- Figura 3-4: Tamices empleadosp. 50
- Figura 3-5: Ensayos en laboratorio de distribuciones granulométricasp. 50
- trituradora cónica HP300p. 53
- mineral Línea 1 (Mincivil S.A.)p. 54
- por el fabricante para un setting de 16 mmp. 56
- Figura 3-9: Arquitectura de la RNA seleccionadap. 57
- Figura 3-10: Red neuronal FeedForward (Arquitectura con 2 capas ocultas)p. 58
- entrenamiento sucesivasp. 61
- los deseados (salidas objetivo)p. 62
- Figura 3-13: Gráficos de ajuste lineal por mínimos cuadradosp. 63
- reales Vs los resultados de la redp. 66
- Figura 3-15: Correlación objetivos y resultados RNAp. 66
- Tabla 1-1: Cámaras de trituraciónp. 25
- la institución del primer autorp. 32
- Tabla 3-1: Combinaciones de neuronas por capa para la RNA tipo Feedforwardp. 48
- cónicap. 51
- cónicap. 51
- suministrada por el fabricante para un setting de 16 mmp. 55
- Tabla 3-5: Comparativo entre la configuración de redes neuronales entrenadasp. 60
- salida de RNAp. 65
- Ecuación 1-3: Ecuación de Bondp. 28
- Ecuación 2-1: Modelo de Rosin-Rammler…p. 43
- Ecuación 1-3: Modelo de Gaudin-Shumman………………………………………………p. 44
- Ecuación 3-1: Ecuaciones para una RNA FeedForward con dos capas ocultas…...…p. 58