Predicción de la temperatura fuera del rango de control, de la caldera de gases en horno de fusión flash de concentrado de cobre.

Abstract

La temperatura de la primera pantalla en la caldera de gases, de un horno de fusión flash de concentrado de cobre, es una variable relevante dentro del control de proceso. Un aumento prolongado de esta puede provocar daños estructurales en la caldera como en equipos posteriores, baja calidad de los productos, entre otros. El control operacional de la temperatura se basa en aumentar la recirculación de polvos y aumento de carga fría, bajar los flujos de oxígeno, entre otros. Sin embargo, el horno flash es una caja negra compleja que tiene muchas variables operacionales y estocásticas de entrada, además, se hace imposible tomar mediciones en línea a mitad del proceso. Por lo que generar una predicción resulta complejo. En este estudio, se presenta un modelo de predicción de la temperatura en la primera pantalla basado en algoritmos de Machine Learning (ML) utilizando, variables y factores que tienen mayor influencia en la temperatura como entrada del modelo predictivo. Se estudiaron diversos algoritmos predictivos: regresión logística, árboles de decisión, bosques aleatorios y máquinas de soporte vectorial. Se presenta un flujo de trabajo paso a paso sobre cómo tratar el conjunto de datos y como encontrar los mejores modelos variando, los hyperparametros del algoritmo y la selección, final del modelo predictivo. En particular, los bosques aleatorios logran las mejores métricas de pronóstico con un accuracy del 82%. Por lo tanto, los modelos de ML permiten, modelar y predecir correctamente la temperatura de la primera pantalla. La metodología expuesta tiene potencial para extenderse a cualquier otro conjunto de datos y objetivos, en la industria de fundición.