Uso de redes neuronales recurrentes con mecanismos de atención para pronóstico de parámetros minero-metalúrgicos
Loading...
Date
2021
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
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.
Description
Tesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2021