Browsing by Author "Correa Hucke, Pedro Pablo"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Forecasting copper electrorefining cathode rejection by means of recurrent neural networks with attention mechanism
    (2021) Correa Hucke, Pedro Pablo; Cipriano, Aldo; Nuñez Retamal, Felipe Eduardo; Salas, Juan Carlos; Löbel Díaz, Hans-Albert
    Electrolytic refining is the last step of pyrometallurgical copper production. Here, smelted copper is converted into high-quality cathodes through electrolysis. Cathodes that do not meet the physical quality standards are rejected and further reprocessed or sold at a minimum profit. Prediction of cathodic rejection is therefore of utmost importance to accurately forecast the electrorefining cycle economic production. Several attempts have been made to estimate this process outcomes, mostly based on physical models of the underlying electrochemical reactions. However, they do not stand the complexity of real operations. Data-driven methods, such as deep learning, allow modeling complex non-linear processes by learning representations directly from the data.We study the use of several recurrent neural network models to estimate the cathodic rejection of a cathodic cycle, using a series of operational measurements throughout the process. We provide an ARMAX model as a benchmark. Basic recurrent neural network models are analyzed first: a vanilla RNN and an LSTM model provide an initial approach. These are further composed into an Encoder-Decoder model, that uses an attention mechanism to selectively weight the input steps that provide most information upon inference. This model obtains 5.45% relative error, improving by 81.4% the proposed benchmark. Finally, we study the attention mechanism’s output to distinguish the most relevant electrorefining process steps. We identify the initial state as a critical state in predicting cathodic rejection. This information can be used as an input for decision support systems or control strategies to reduce cathodic rejection and improve electrolytic refining’s profitability.
  • Thumbnail Image
    Item
    Uso de redes neuronales recurrentes con mecanismos de atención para pronóstico de parámetros minero-metalúrgicos
    (2021) Correa Hucke, Pedro Pablo; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    La refinación electrolítica permite la obtención de cobre de alta pureza, y por ende mayor valor. La calidad del metal obtenido está asociada a dos indicadores de interés: la Eficiencia de Corriente y el Rechazo Físico de cátodos. Una correcta predicción de éstos reduce la variabilidad del proceso, lo que permite mejorar la gestión operacional. El presente trabajo presenta un mecanismo robusto de estimación para los indicadores mencionados. Para esto, se estudia el uso de redes neuronales recurrentes. Se revisa en primer lugar un modelo recurrente simple, así como uno con unidades LSTM. Finalmente se propone una arquitectura secuencial con mecanismo de atención, que permite ponderar de forma diferenciada la información de entrada, de acuerdo a su importancia. Se analiza además un baseline bajo un enfoque de análisis de series de tiempo, usando un modelo auto-regresivo de medias móviles con regresores exógenos (ARMAX). Para el estudio de los modelos propuestos, se utiliza información de una faena de electrorrefinación en Chile. La base de datos utilizada contiene 11.908 observaciones, correspondientes a 962 procesos de electrorrefinación, de entre 10 y 19 días. Al comparar el benchmark con los modelos estudiados, las métricas de error confirman la mayor capacidad del modelo secuencial con mecanismo de atención. Este permite mejorar el error relativo en un 84 % en el caso de la predicción de Rechazo, y un 81,4 % ´ en el caso de la Eficiencia de corriente. Además, el uso de mapas de atención como fuentes de información cualitativa del proceso, confirma la importancia del estado inicial de la cosecha en el valor de los indicadores al final de ésta. Esto establece el inicio de la cosecha como el momento crítico para intervenciones que apunten a mejorar las métricas de rendimiento de la operación.