En un gran número de operaciones, existen relaciones complejas entre variables que pueden ser difíciles de capturar analíticamente. Estas relaciones complejas se pueden aproximar mediante el uso de algoritmos de aprendizaje automático, que han despertado un gran interés en los últimos años con fines de ingeniería. En Wood, desde el área de Intelligent Operations se ha investigado el uso de algoritmos de aprendizaje automático para capturar variadas relaciones complejas de los datos operativos.

La operación de espesador de relaves es uno de esos sistemas. La densidad del producto de desecho espesante está directamente relacionada con la cantidad de agua perdida en los relaves, que podría haber sido reciclada nuevamente a planta. A Wood se le encomendó el desarrollo de un algoritmo de aprendizaje automático que pudiera predecir la densidad de subdesbordamiento del espesador con tres horas de anticipación para las instalaciones de procesamiento de oro de Newcrest Mine en Nueva Gales del Sur, Australia. Esta predicción se basó en 18 meses de datos operativos del espesador, que contenían una serie de errores y valores faltantes, que debieron ser depurados inicialmente.

Para lograr el objetivo, se aplicó el aprendizaje automático desde una perspectiva de ingeniería. Este enfoque combinó la experiencia en el diseño y el modelado de sistemas de procesos con técnicas avanzadas de aprendizaje automático para darle al equipo de Wood una ventaja sobre los competidores, que cuentan con experiencia únicamente en ciencia de datos o aprendizaje automático. Ejemplos del conocimiento del proceso aplicado al problema incluyen:

• Identificación y filtrado de puntos de datos con errores de calibración o de instrumentación;

• Uso de un algoritmo de aprendizaje no supervisado para identificar estados de procesos específicos; y

• Consideración de parámetros de proceso adicionales para guiar aún más el aprendizaje automático.

Inicialmente, se determinaron varios modos de operación utilizando agrupación de K-medias, encontrando tres escenarios distintos en los que los parámetros operativos afectaron la densidad de subdesbordamiento del espesador de maneras únicas. Después de esto, se determinó la densidad del espesante actual utilizando una red neuronal profunda completamente conectada, con un error del 1%. Finalmente, se implementó una gran red neuronal de memoria a corto plazo (LSTM) para determinar la densidad futura de subdesbordamiento del espesante, lo que resultó en un error de tan sólo el 2.2%.

Este enfoque se puede aplicar a la previsión de otros datos de series de tiempo con múltiples entradas. En el aseguramiento del flujo, algunos ejemplos son el seguimiento de lodos, los aumentos repentinos de presión y las curvas de despresurización. Como estos se determinan normalmente a partir de simulaciones, es probable que un algoritmo de aprendizaje automático entrenado ahorre una cantidad significativa de horas en tiempo de simulación.

Para Wood, la combinación del conocimiento, la experiencia y el trabajo interdisciplinario permite realizar un abordaje integral de las problemáticas y proveyendo de soluciones de alta eficiencia. “Agradecimientos a: Ing. Raul E. Hanna – Wood Applied Intelligence VP Operations Latin America e Ing. Danilo Petricca – Wood Applied Intelligence Project Leader.”