Model predictive control based on machine learning techniques for paste tailing production
| dc.contributor.advisor | Cipriano, Aldo | |
| dc.contributor.author | Díaz Titelman, Pablo | |
| dc.contributor.other | Pontificia Universidad Católica de Chile. Escuela de Ingeniería | |
| dc.date.accessioned | 2019-01-28T14:01:24Z | |
| dc.date.available | 2019-01-28T14:01:24Z | |
| dc.date.issued | 2018 | |
| dc.description | Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2018 | |
| dc.description.abstract | La producción de relaves en pasta es un tema relativamente nuevo en la industria minera. Lidiar con los altos niveles de concentración de sólidos hace que la operación del espesador sea particularmente difícil y desafiante de controlar. El Control Predictivo basado en Modelos es una de las principales técnicas utilizadas en procesos industriales. Tradicionalmente, las estrategias predictivas se han basado en modelos lineales del sistema. Sin embargo, procesos como la producción de pasta y la operación de espesadores son altamente no lineales y están sujetos a fuertes perturbaciones. Los algoritmos de Aprendizaje de Máquinas se han utilizado durante las últimas décadas para abordar estos problemas y generar modelos de mayor fidelidad. La técnica de Random Forests ha tenido éxito comercial y experimental significativo en los últimos años. Sin embargo, su uso en series de tiempo para predicción, pronóstico y control es escaso. La presente investigación propone un Controlador Predictivo basado en Random Forests para el proceso de producción de relaves en pasta. El objetivo principal es diseñar, implementar y validar esta estrategia a través de la simulación del proceso de espesamiento. El producto final es una herramienta de software de propósito general que conecta dicho algoritmo de Aprendizaje de Máquinas y el control predictivo. La estrategia propuesta se compara con otras tres técnicas de control referenciales, una de las cuales es también predictiva. Los resultados muestran que el nuevo controlador tiene mejor rendimiento en el rechazo a perturbaciones y seguimiento de referencias. Los resultados generales muestran que la estrategia desarrollada podría ser utilizada con éxito para la operación real de un espesador. | |
| dc.format.extent | xxi, 178 páginas | |
| dc.identifier.doi | 10.7764/tesisUC/ING/22301 | |
| dc.identifier.uri | https://doi.org/10.7764/tesisUC/ING/22301 | |
| dc.identifier.uri | https://repositorio.uc.cl/handle/11534/22301 | |
| dc.language.iso | es | |
| dc.nota.acceso | Contenido completo | |
| dc.rights | acceso abierto | |
| dc.subject.ddc | 620 | |
| dc.subject.dewey | Ingeniería | es_ES |
| dc.subject.other | Relaves (Cobre) - Métodos de simulación. | es_ES |
| dc.subject.other | Control predictivo | es_ES |
| dc.title | Model predictive control based on machine learning techniques for paste tailing production | es_ES |
| dc.type | tesis de maestría | |
| sipa.codpersvinculados | 99102 |