TTE293

4.4 MODELOS PREDICTIVOS

La predicción del consumo de ácido sulfúrico es generada aplicando metodología Machine

Learning (ML), a partir de modelos de entrenamiento de 101 botellas ISO-pH con

mineralogía QEMSCAN. El criterio utilizado para el entrenamiento de los modelos es de

80%, mientras que el 20% restante es utilizado para el testeo del modelo.

El objetivo de este trabajo es poder predecir el consumo de ácido de 850 muestras

QEMSCAN sin data de consumo de ácido sulfúrico en botellas ISO-pH.

La evaluación del rendimiento de los modelos Random Forest Regression (RF), Lineal

Regression (RL) y Stepwise Regression (RS) es a partir de los parámetros de Coeficiente de Determinación ( 2 ) y del Error Cuadrático Medio ( ) .

4.4.1 LINEAL REGRESSION (RL)

Las variables mineralógicas para el entrenamiento del modelo RL son seleccionadas a partir

de la correlación existente entre la ganga y el consumo de ácido sulfúrico.

La correlación en teoría demuestra la linealidad existente entre variables, cuyo parámetro

teórico varía entre -1 a 1. En la figura 37 se observa dicha correlación entre variables,

logrando identificar la ankerita, apatita, piroxenos, esfeno, clorita, y siderita como las

principales gangas que influyen en el consumo de ácido sulfúrico para el yacimiento

Encuentro. Estos parámetros de correlación se resumen en la tabla 5.

53