TTE293

5.3 MODELOS PREDICTIVOS

Los modelos predictivos fueron producidos mediante la metodología Machine Learning, con

lo cual se obtuvo el consumo de ácido sulfúrico proyectado para el Yacimiento Encuentro,

utilizando como variables de entradas la mineralogía QEMSCAN para el entrenamiento de

los modelos Random Forest Regression (RF), Lineal Regression (RL) y Stepwise Regression

(RS).

5.3.1 VALIDACIÓN DE LOS MODELOS PREDICTIVOS

La validación de los modelos predictivos se llevó a cabo mediante el análisis de la frecuencia

acumulada, y sus promedios por cuartil (tabla 7), el cual representa la distribución de botellas

ISO-pH en relación con los modelos predictivos previamente mencionados.

La predicción del consumo de ácido sulfúrico obtenido del Random Forest Regression (RF),

curva amarilla en la figura 47, presenta un sesgo a sobreestimar el consumo de ácido sulfúrico

para el primer (25%) y segundo (50%) cuartil, con promedio de 9.2 y 11.6 kg/t

respectivamente. Para el caso del tercer cuartil (75%), el quiebre identificado en la figura 47

con respecto a la curva de frecuencia para las botellas ISO-Ph, el modelo tiende a subestimar

el consumo de ácido sulfúrico, con promedio de 14.7 kg/t.

CAN botellas (kg/t)

CAN_SR (kg/t)

CAN_RL (kg/t)

CAN_RF (kg/t)

count

101

432

432

432

mean

11.67

11.49

11.44

12.61

25%

6.91

6.85

6.12

9.20

50%

9.13

9.30

8.97

11.69

75%

14.54

13.43

13.78

14.70

Consumo de ácido proyectado yacimiento Encuentro

Tabla 7.

Para el caso del Lineal Regression (RL), curva verde de la figura 47, el modelo de predicción

tiende a subestimar el consumo de ácido sulfúrico comparando la curva de frecuencia de las

65