Desarrollo y evaluación de un softsensor con IA y machine learning para predecir P80 en molienda
Boletín de Ciencias de la Tierra · 18.05.2026 · (59) · 61-69
DOI: 10.15446/rbct.n59.121702 ↗Kurz gefasst
Fachartikel in der Zeitschrift Boletín de Ciencias de la Tierra, online erschienen am 18.05.2026. Verfasst von Ricardo Manuel Palma-Villanueva. Die Arbeit nennt 27 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0).
Abstract (Originalsprache)
Este estudio desarrolló un modelo de sensor blando (soft sensor) para predecir el valor del P80 en el circuito de molienda semiautógena (SAG) de la planta concentradora de cobre de Minera Las Bambas S.A., en Perú. El P80 es un parámetro crítico para la eficiencia del proceso, pero su medición directa enfrenta limitaciones instrumentales. Se entrenaron 13 algoritmos de machine learning con datos operativos de cuatro baterías de ciclones. El modelo CatBoost Optimizado mostró el mejor desempeño, con valores de R2 superiores a 0.80 y baja dispersión entre los valores predichos y reales. Las variables más relevantes para la predicción fueron el consumo de energía específico, el tonelaje y el porcentaje de sólidos. Este modelo de Softsensor puede reemplazar al analizador de tamaño de partícula en caso de mantenimiento u otros eventos, asegurando continuidad operativa.
Zitieren
APA
Palma-Villanueva, R. M. (2026). Desarrollo y evaluación de un softsensor con IA y machine learning para predecir P80 en molienda. Boletín de Ciencias de la Tierra, 61-69. https://doi.org/10.15446/rbct.n59.121702
Vancouver
Palma-Villanueva RM. Desarrollo y evaluación de un softsensor con IA y machine learning para predecir P80 en molienda. Boletín de Ciencias de la Tierra. 2026:61-69. doi:10.15446/rbct.n59.121702
BibTeX
@article{PalmaVillanueva2026,
author = {Palma-Villanueva, Ricardo Manuel},
title = {Desarrollo y evaluación de un softsensor con IA y machine learning para predecir P80 en molienda},
journal = {Boletín de Ciencias de la Tierra},
year = {2026},
number = {59},
pages = {61--69},
doi = {10.15446/rbct.n59.121702}
}
EUVIMED