Repositorio
Institucional

Curilem, Millaray

Acuna, Gonzalo

Cubillos, Francisco

Vyhmeister, Eduardo

Neural Networks and Support Vector Machine Models Applied to Energy Consumption Optimization in Semiautogeneous Grinding

AIDIC SERVIZI SRL

Chemical Engineering Transactions

en

Los molinos semiautógenos (SAG) para la molienda de mineral son equipos de alto consumo energético. El consumo energético de un SAG está estrechamente relacionado con su nivel de llenado. Por lo tanto, la información en tiempo real sobre dicho nivel es una variable de estado relevante para el monitoreo y control de las operaciones SAG. Desafortunadamente, debido a las condiciones predominantes en un molino SAG, resulta difícil medir y representar el estado del nivel de llenado mediante un modelo de primeros principios. Las alternativas para abordar este problema consisten en diseñar modelos adecuados basados ​​en datos, como redes neuronales (NN) y máquinas de vectores de soporte (SVM). En este trabajo, se utilizan redes neuronales y una SVM (específicamente una SVM de mínimos cuadrados) como modelos autorregresivos no lineales con entradas exógenas (NARX) y de media móvil autorregresiva no lineal con entradas exógenas (NARMAX), respectivamente, para la estimación en tiempo real del nivel de llenado de un molino SAG. El buen desempeño de los modelos desarrollados podría permitir su implementación en la operación y el control de SAG, optimizando así su consumo energético.#Semiautogenous (SAG) mills for ore grinding are large energy consumption equipments. The SAG energy consumption is strongly related to the fill level of the mill. Hence, on-line information of the mill fill level is a relevant state variable to monitor and drive in SAG operations. Unfortunately, due to the prevailing conditions in a SAG mill, it is difficult to measure and represent from first principle model the state of the mill fill level. Alternative approaches to tackle this problem consist in designing appropriate data-driven models, such as Neural Networks (NN) and Support Vector Machine (SVM). In this paper, NN and a SVM (specifically a Least Square-SVM) are used as Nonlinear autoregressive with exogenous inputs (NARX) and Nonlinear autoregressive moving average with exogenous inputs (NARMAX) models for on-line estimation of the filling level of a SAG mill. Good performances of the developed models could allow implementation in SAG operation/control hence optimizing its energy consumption.

Artículo de conferencia

10.3303/CET1125127

pdf

MILL

MOLINO

MILL

MOLINO

Neural Networks and Support Vector Machine Models Applied to Energy Consumption Optimization in Semiautogeneous Grinding

Chemical Engineering Transactions

suscripción#verde

no disponible

no disponible

en

Artículo de conferencia

versión publicada

14th International Conference on Process Integration, Modeling and Optimization for Energy Saving and Pollution Reduction (PRES)

MAY 08-11, 2011

MAY 08-11, 2011

AIDIC SERVIZI SRL

2283-9216

978-88-95608-16-7

761

766

Ingeniería Química

Engineering, Chemical

pdf

WOS:000298027000127