Modelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreos
ilustraciones, diagramas
- Autores:
-
Bernal Fernández, Aura Pamela
- Tipo de recurso:
- Fecha de publicación:
- 2023
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/83714
- Palabra clave:
- 620 - Ingeniería y operaciones afines::622 - Minería y operaciones relacionadas
Computadores neurales
Simulación por computador
Inteligencia artificial
Preparación mecánica de minerales
Computer simulation
Artificial intelligence
Trituradora cónica
Tamaño de partícula
Red neuronal
Distribución granulométrica
Conical crusher
Particle size
Neural network
Granulometric distribution
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| id |
UNACIONAL2_cf4fb51232037ab4183b489d907b7c3a |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/83714 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreos |
| dc.title.translated.eng.fl_str_mv |
Modeling of a conical crusher to optimize the operation of a stone aggregates plant |
| title |
Modelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreos |
| spellingShingle |
Modelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreos 620 - Ingeniería y operaciones afines::622 - Minería y operaciones relacionadas Computadores neurales Simulación por computador Inteligencia artificial Preparación mecánica de minerales Computer simulation Artificial intelligence Trituradora cónica Tamaño de partícula Red neuronal Distribución granulométrica Conical crusher Particle size Neural network Granulometric distribution |
| title_short |
Modelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreos |
| title_full |
Modelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreos |
| title_fullStr |
Modelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreos |
| title_full_unstemmed |
Modelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreos |
| title_sort |
Modelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreos |
| dc.creator.fl_str_mv |
Bernal Fernández, Aura Pamela |
| dc.contributor.advisor.none.fl_str_mv |
Rojas Reyes, Nestor Ricardo Chica Osorio, Lina María |
| dc.contributor.author.none.fl_str_mv |
Bernal Fernández, Aura Pamela |
| dc.subject.ddc.spa.fl_str_mv |
620 - Ingeniería y operaciones afines::622 - Minería y operaciones relacionadas |
| topic |
620 - Ingeniería y operaciones afines::622 - Minería y operaciones relacionadas Computadores neurales Simulación por computador Inteligencia artificial Preparación mecánica de minerales Computer simulation Artificial intelligence Trituradora cónica Tamaño de partícula Red neuronal Distribución granulométrica Conical crusher Particle size Neural network Granulometric distribution |
| dc.subject.lemb.spa.fl_str_mv |
Computadores neurales Simulación por computador Inteligencia artificial Preparación mecánica de minerales |
| dc.subject.lemb.eng.fl_str_mv |
Computer simulation Artificial intelligence |
| dc.subject.proposal.spa.fl_str_mv |
Trituradora cónica Tamaño de partícula Red neuronal Distribución granulométrica |
| dc.subject.proposal.eng.fl_str_mv |
Conical crusher Particle size Neural network Granulometric distribution |
| description |
ilustraciones, diagramas |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-04-17T13:53:29Z |
| dc.date.available.none.fl_str_mv |
2023-04-17T13:53:29Z |
| dc.date.issued.none.fl_str_mv |
2023-04-14 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/83714 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/83714 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.indexed.spa.fl_str_mv |
RedCol LaReferencia |
| dc.relation.references.spa.fl_str_mv |
“VLD Engineering | Soluciones a medida de automatización.” https://www.vld-eng.com/viladesign-engineering/ (accessed Dec. 02, 2022). A. Johansson, “Modeling and Simulation of Cone Crushers,” IFAC Proc. Vol., vol. 42, no. 23, pp. 13–18, 2009, doi: 10.3182/20091014-3-cl-4011.00004. A. S. Yamashita, A. Thivierge, T. A. M. Euz, and T. A. M. Euzébio, “A review of modeling and control strategies for cone crushers in the mineral processing and quarrying industries,” Miner. Eng., vol. 170, no. May, Aug. 2021, doi: 10.1016/j.mineng.2021.107036. “Caracterización química, metalúrgica y mecánica de los elementos de conminución de la trituradora de mandíbula y de cono de la planta trituradora de Julian Eduardo Betancur Marin Trabajo de grado presentado para optar al título de Ingeniero de Materiales Asesores PhD . Juan Marcelo Rojas Arango Julian Cardona Barbosa Ingeniero mecáni,” 2022. “Crushers_2005_Wills-Mineral-Processing-Technology-Seventh-Edition”. F. Luis and G. Moncayo, “Modeling-and-simulation-of-mineral-processing-systems”. “Nordberg® HP300TM cone crusher - Metso Outotec.” https://www.mogroup.com/portfolio/nordberg-hp-series/nordberg-hp300/ (accessed Dec. 02, 2022). “Produccion de arena con conos HP Producción de arena con conos HP Gama de conos en cifras”. A. Coello Velázquez, J. Hechavarría Pérez, L. O. Castellanos Pérez, and J. M. Menéndez Aguado, “Modelación matemática de la fragmentación en los trituradores de cono y de rodillos usando el modelo de Whiten (1972) modificado,” Minería y Geol., vol. 33, no. 4, pp. 363–379, 2017. E. A. Pérez Matos, M. A. Osorio Maza, Z. E. Ruiz Mostacero, and L. Alvarado Jaramillo, “Modelamiento Matemático Aplicado a Conminución,” Rev. Cient. Tec., vol. 24, no. 1, p. 75, 2017, doi: 10.21754/tecnia.v24i1.34. H. Pérez, J. Ramón, C. Velázquez, A. Lázaro, and L. Brawn, “Aplicación de los modelos de Nikolov en la trituración por impacto del mineral zeolita del yacimiento San Andrés, Holguín, Cuba,” Apl. los Model. Nikolov en la trituración por impacto del Miner. zeolita del Yacim. San Andrés, Holguín, Cuba, vol. 24, no. 4, pp. 1–17, 2008. J. Segura-Salazar, G. P. Barrios, V. Rodriguez, and L. M. Tavares, “Mathematical modeling of a vertical shaft impact crusher using the Whiten model,” Miner. Eng., vol. 111, no. March, pp. 222–228, 2017, doi: 10.1016/j.mineng.2017.06.022. D. E. M. N. Les, TECNOLOGÍA DE PROCESAMIENTO DEM/Nf LES. R. A. Duarte, A. S. Yamashita, M. T. da Silva, L. P. Cota, and T. A. M. Euzébio, “Calibration and validation of a cone crusher model with industrial data,” Minerals, vol. 11, no. 11, pp. 1–19, 2021, doi: 10.3390/min11111256. H. Albino, “Libro-Redes neuronaes,” pp. 1–76. “Procedimiento para estimar el extractable del níquel con una red neuronal artificial, en sustitución de los modelos estadísticos tradicionales.,” 2010. U. M. R. Paturi, S. Cheruku, and S. R. Geereddy, “Process modeling and parameter optimization of surface coatings using artificial neural networks (ANNs): State-of-the-art review,” Mater. Today Proc., vol. 38, pp. 2764–2774, 2020, doi: 10.1016/j.matpr.2020.08.695. V. Mundada and S. Kumar Reddy Narala, “Optimization of Milling Operations Using Artificial Neural Networks (ANN) and Simulated Annealing Algorithm (SAA),” Mater. Today Proc., vol. 5, no. 2, pp. 4971–4985, 2018, doi: 10.1016/j.matpr.2017.12.075. W. Rivas, B. Mazon, and E. Mejía, “Generalidades de las redes neuronales artificiales,” Redes neuronales Artif. Apl. al Reconoc. patrones, no. September, pp. 11–35, 2018, [Online]. Available: http://repositorio.utmachala.edu.ec/handle/48000/12499 F. Villada, N. Muñoz, and E. García-Quintero, “Redes neuronales artificiales aplicadas a la predicción del precio del oro,” Inf. Tecnol., vol. 27, no. 5, pp. 143–150, 2016, doi: 10.4067/S0718-07642016000500016. N. P. Juan and V. N. Valdecantos, “Review of the application of Artificial Neural Networks in ocean engineering,” Ocean Eng., vol. 259, no. April, p. 111947, 2022, doi: 10.1016/j.oceaneng.2022.111947. J. García-Morales, M. Cervantes-Bobadilla, J. A. Hernández-Pérez, Y. I. Saavedra-Benítez, M. Adam-Medina, and G. V. Guerrero-Ramírez, “Inverse artificial neural network control design for a double tube heat exchanger,” Case Stud. Therm. Eng., vol. 34, no. April, 2022, doi: 10.1016/j.csite.2022.102075. F. World Dental Federation, “The Artificial Neural Network (ANN) Model for Predicting the Preventive Behaviors toward Dust Exposure among Stone Crushing Mill Workers,” Int. Dent. J., vol. 50, no. 6, pp. 333–341, 2000, doi: 10.1111/j.1875-595x.2000.tb00773.x T. Andersson, Estimating particle size distributions based on machine vision. 2010. E. Cabello et al., “Sistema de visión artificial para detectar y estimar el tamaño de rocas,” ResearchGate, vol. 1, no. May, p. 7, 2014. M. A. Ospina-Alarcón, I. E. Rivera-M, and G. E. Chanchí-Golondrino, “Estimation of Recovery Percentage in Gravimetric Concentration Processes using an Artificial Neural Network Model,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 9, pp. 100–110, 2022, doi: 10.14569/IJACSA.2022.0130912. T. Ueda and T. Oki, “A stereological correction method employing an artificial neural network for mineral liberation assessment of ore particles,” Miner. Eng., vol. 157, no. July, p. 106578, 2020, doi: 10.1016/j.mineng.2020.106578. S. Maritza and N. Yucra, “Modelo predictivo de producción de minerales de plata mediante redes neuronales artificiales,” pp. 176–179, 2020. P. Optar, P. O. R. El, and T. Profesional, “Modelo de redes neuronales para maximizar la cobertura de camiones en chancadoras para Soc. Minera Cerro Verde S.A.A.,” pp. 0–2, 2022. M. Una, R. E. D. Neuronal, E. Con, and U. N. Algoritmo, “Detección de la altura de interfase de una columna de flotación mediante una red neuronal entrenada con un algoritmo genético,” no. March, 1999. S. E. E. Profile, “MODELACIÓN DE LA TEMPERATURA DE SALIDA DE LA CÁMARA DE EVACUACIÓN EN LA UBP PREPARACIÓN DE MINERAL , CON AYUDA DE REDES NEURONALES ARTIFICIALES,” no. October, 2016. F. Contreras, “Diseño de modelo predictivo multivariable para molienda en compañía minera doña inés de collahuasi,” 2018. L. A. P. Zapana Mamani, “IMPLEMENTACIÓN DE SISTEMAS DE CONTROL AVANZADO PARA MEJORAR LA CALIDAD EN LA PRODUCCIÓN DE ARENAS DE LA PLANTA DE PROCESAMIENTO DE RELAVE DE LA MINA TOQUEPALA SOUTHERN,” pp. 1–60, 2021. P. García, C. Llópiz, G. Puyáns, and R. Leonel, “MODELO MATEMÁTICO PARA DESCRIBIR LA DISTRIBUCIÓN GRANULOMÉTRICA DE LA FASE DISPERSA DE LAS SUSPENSIONES DE LATERITA,” 2009. N. De La Cruz, T. Arroyave, A. Felipe, C. Cárdenas, L. Fernando, and G. Giraldo, “Análisis y modelamiento de la granulometría en la cáscara del café (Coffea arabica L.) variedad Castillo,” Prod. + Limpia, vol. 10, no. 2, pp. 80–91, 2015. S. Razavi and B. A. Tolson, “A new formulation for feedforward neural networks,” IEEE Trans. Neural Networks, vol. 22, no. 10, pp. 1588–1598, 2011, doi: 10.1109/TNN.2011.2163169. P. Vásquez, “Red neuronal feedforward como estimador de patrones de corrientes en el interior del puerto de manzanillo sujeto a la acción de tsunamis,” Inst. Mex. Del Transp., no. 406, 2014, [Online]. Available: https://www.imt.mx/archivos/Publicaciones/PublicacionTecnica/pt406.pdf S. Rojas Moreno, “Optimización Planta De Chancado Secundario/Terciario En División El Teniente,” p. 140, 2015. L. Alejandro and M. Caita, “‘ ESTRUCTURA DE REDES NEURONALES ( MLP ) Y SU APLICACIÓN COMO APROXIMADOR UNIVERSAL ’ Lexly Vanessa Sosa Jerez y Laura Camila Zamora Alvarado,” 2022. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
xv, 62 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Minas - Maestría en Ingeniería - Recursos Minerales |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Minas |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/83714/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/83714/2/1017170243.2023.pdf https://repositorio.unal.edu.co/bitstream/unal/83714/3/1017170243.2023.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a a3707f0a94f6554f09202822e52919c5 48c7198ec7b25218b11a06a35cb45a40 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089542297190400 |
| spelling |
Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Rojas Reyes, Nestor Ricardo7f5a2771ed31237c7e1d09d0283c6ddd600Chica Osorio, Lina María3da1a60bc85ae8ee4658f07f7a9c3c25Bernal Fernández, Aura Pamela757a2e1aea8de6ecc4fa07aabc2af4c72023-04-17T13:53:29Z2023-04-17T13:53:29Z2023-04-14https://repositorio.unal.edu.co/handle/unal/83714Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramasEl modelado para el diseño y la simulación es una herramienta que ha adquirido relevancia en el ámbito académico e industrial, debido a la alta disponibilidad de paquetes computacionales especializados. Para el caso específico de la modelación del proceso de trituración en el beneficio mineral, las variables a controlar son las relacionadas con la configuración mecánica del equipo y con la caracterización mineralógica del material. En el presente trabajo, se modeló y simuló el proceso de conminución de una trituradora cónica de una planta de producción de agregados pétreos empleando redes neuronales artificiales. Se adoptó una red neuronal artificial con topología “Feedforward” para simular el proceso. Se probaron diferentes configuraciones de red con 50 ensayos de laboratorio que reportaron datos de tamaño a la entrada y a la salida de la trituradora, buscando optimizar el error cuadrático medio, la dispersión del error y el ajuste lineal de los datos, para seleccionar la red con datos de salida más ajustados a los reales. El modelo seleccionado fue la red con una combinación de neuronas de 70 - 40 en las capas ocultas, obteniendo un error cuadrático medio de 6.24, una dispersión del error entre los datos de 35.05 y un ajuste lineal por mínimos cuadrados de 0.99. Una vez seleccionado el modelo, se realizó una recolección de datos nuevos de distribución de tamaño a la entrada y a la salida de la trituradora cónica de estudio, los cuales fueron probados en la red neuronal, logrando un parámetro de ajuste R de 0.999, permitiendo concluir que el modelo artificial entrenado puede predecir la distribución de tamaño de partícula a la salida de una trituradora cónica para el beneficio de agregados pétreos. (Texto tomado de la fuente)Modeling for design and simulation is a tool that has gained relevance in the academic and industrial fields, due to the high availability of specialized software. For the specific case of modeling mineral beneficiation crushers, the variables to control are those related to the mechanical configuration of the equipment and the mineralogical characterization of the material. In the present work, the comminution process of a conical crusher of a stone aggregates production plant was modeled and simulated using artificial neural networks. An artificial neural network with Feedforward topology was adopted to simulate the process. Different network configurations were tested with 50 laboratory tests that reported size data at the entrance and exit of the crusher, seeking to optimize the mean square error, the error dispersion and the linear fit of the data, to select the network with data closest to the actual data. The selected model was the network with a combination of 70 - 40 neurons in the hidden layers, obtaining a mean square error of 6.24, a dispersion of the error between the data of 35.05 and a linear adjustment by least squares of 0.99. Once the model was selected, a collection of new size distribution data was carried out at the entrance and exit of the study conical crusher, which were tested in the neural network, achieving an R parameter of 0.999, allowing to conclude that the Trained artificial model can predict the particle size distribution at the exit of a conical crusher for the benefit of stone aggregates.MaestríaMagíster en Ingeniería - Recursos MineralesBeneficio de MineralesÁrea Curricular de Recursos Mineralesxv, 62 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería - Recursos MineralesFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín620 - Ingeniería y operaciones afines::622 - Minería y operaciones relacionadasComputadores neuralesSimulación por computadorInteligencia artificialPreparación mecánica de mineralesComputer simulationArtificial intelligenceTrituradora cónicaTamaño de partículaRed neuronalDistribución granulométricaConical crusherParticle sizeNeural networkGranulometric distributionModelación de una trituradora cónica para la optimización de la operación de una planta de agregados pétreosModeling of a conical crusher to optimize the operation of a stone aggregates plantTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMRedColLaReferencia“VLD Engineering | Soluciones a medida de automatización.” https://www.vld-eng.com/viladesign-engineering/ (accessed Dec. 02, 2022).A. Johansson, “Modeling and Simulation of Cone Crushers,” IFAC Proc. Vol., vol. 42, no. 23, pp. 13–18, 2009, doi: 10.3182/20091014-3-cl-4011.00004.A. S. Yamashita, A. Thivierge, T. A. M. Euz, and T. A. M. Euzébio, “A review of modeling and control strategies for cone crushers in the mineral processing and quarrying industries,” Miner. Eng., vol. 170, no. May, Aug. 2021, doi: 10.1016/j.mineng.2021.107036.“Caracterización química, metalúrgica y mecánica de los elementos de conminución de la trituradora de mandíbula y de cono de la planta trituradora de Julian Eduardo Betancur Marin Trabajo de grado presentado para optar al título de Ingeniero de Materiales Asesores PhD . Juan Marcelo Rojas Arango Julian Cardona Barbosa Ingeniero mecáni,” 2022.“Crushers_2005_Wills-Mineral-Processing-Technology-Seventh-Edition”.F. Luis and G. Moncayo, “Modeling-and-simulation-of-mineral-processing-systems”.“Nordberg® HP300TM cone crusher - Metso Outotec.” https://www.mogroup.com/portfolio/nordberg-hp-series/nordberg-hp300/ (accessed Dec. 02, 2022).“Produccion de arena con conos HP Producción de arena con conos HP Gama de conos en cifras”.A. Coello Velázquez, J. Hechavarría Pérez, L. O. Castellanos Pérez, and J. M. Menéndez Aguado, “Modelación matemática de la fragmentación en los trituradores de cono y de rodillos usando el modelo de Whiten (1972) modificado,” Minería y Geol., vol. 33, no. 4, pp. 363–379, 2017.E. A. Pérez Matos, M. A. Osorio Maza, Z. E. Ruiz Mostacero, and L. Alvarado Jaramillo, “Modelamiento Matemático Aplicado a Conminución,” Rev. Cient. Tec., vol. 24, no. 1, p. 75, 2017, doi: 10.21754/tecnia.v24i1.34.H. Pérez, J. Ramón, C. Velázquez, A. Lázaro, and L. Brawn, “Aplicación de los modelos de Nikolov en la trituración por impacto del mineral zeolita del yacimiento San Andrés, Holguín, Cuba,” Apl. los Model. Nikolov en la trituración por impacto del Miner. zeolita del Yacim. San Andrés, Holguín, Cuba, vol. 24, no. 4, pp. 1–17, 2008.J. Segura-Salazar, G. P. Barrios, V. Rodriguez, and L. M. Tavares, “Mathematical modeling of a vertical shaft impact crusher using the Whiten model,” Miner. Eng., vol. 111, no. March, pp. 222–228, 2017, doi: 10.1016/j.mineng.2017.06.022.D. E. M. N. Les, TECNOLOGÍA DE PROCESAMIENTO DEM/Nf LES.R. A. Duarte, A. S. Yamashita, M. T. da Silva, L. P. Cota, and T. A. M. Euzébio, “Calibration and validation of a cone crusher model with industrial data,” Minerals, vol. 11, no. 11, pp. 1–19, 2021, doi: 10.3390/min11111256.H. Albino, “Libro-Redes neuronaes,” pp. 1–76.“Procedimiento para estimar el extractable del níquel con una red neuronal artificial, en sustitución de los modelos estadísticos tradicionales.,” 2010.U. M. R. Paturi, S. Cheruku, and S. R. Geereddy, “Process modeling and parameter optimization of surface coatings using artificial neural networks (ANNs): State-of-the-art review,” Mater. Today Proc., vol. 38, pp. 2764–2774, 2020, doi: 10.1016/j.matpr.2020.08.695.V. Mundada and S. Kumar Reddy Narala, “Optimization of Milling Operations Using Artificial Neural Networks (ANN) and Simulated Annealing Algorithm (SAA),” Mater. Today Proc., vol. 5, no. 2, pp. 4971–4985, 2018, doi: 10.1016/j.matpr.2017.12.075.W. Rivas, B. Mazon, and E. Mejía, “Generalidades de las redes neuronales artificiales,” Redes neuronales Artif. Apl. al Reconoc. patrones, no. September, pp. 11–35, 2018, [Online]. Available: http://repositorio.utmachala.edu.ec/handle/48000/12499F. Villada, N. Muñoz, and E. García-Quintero, “Redes neuronales artificiales aplicadas a la predicción del precio del oro,” Inf. Tecnol., vol. 27, no. 5, pp. 143–150, 2016, doi: 10.4067/S0718-07642016000500016.N. P. Juan and V. N. Valdecantos, “Review of the application of Artificial Neural Networks in ocean engineering,” Ocean Eng., vol. 259, no. April, p. 111947, 2022, doi: 10.1016/j.oceaneng.2022.111947.J. García-Morales, M. Cervantes-Bobadilla, J. A. Hernández-Pérez, Y. I. Saavedra-Benítez, M. Adam-Medina, and G. V. Guerrero-Ramírez, “Inverse artificial neural network control design for a double tube heat exchanger,” Case Stud. Therm. Eng., vol. 34, no. April, 2022, doi: 10.1016/j.csite.2022.102075.F. World Dental Federation, “The Artificial Neural Network (ANN) Model for Predicting the Preventive Behaviors toward Dust Exposure among Stone Crushing Mill Workers,” Int. Dent. J., vol. 50, no. 6, pp. 333–341, 2000, doi: 10.1111/j.1875-595x.2000.tb00773.xT. Andersson, Estimating particle size distributions based on machine vision. 2010.E. Cabello et al., “Sistema de visión artificial para detectar y estimar el tamaño de rocas,” ResearchGate, vol. 1, no. May, p. 7, 2014.M. A. Ospina-Alarcón, I. E. Rivera-M, and G. E. Chanchí-Golondrino, “Estimation of Recovery Percentage in Gravimetric Concentration Processes using an Artificial Neural Network Model,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 9, pp. 100–110, 2022, doi: 10.14569/IJACSA.2022.0130912.T. Ueda and T. Oki, “A stereological correction method employing an artificial neural network for mineral liberation assessment of ore particles,” Miner. Eng., vol. 157, no. July, p. 106578, 2020, doi: 10.1016/j.mineng.2020.106578.S. Maritza and N. Yucra, “Modelo predictivo de producción de minerales de plata mediante redes neuronales artificiales,” pp. 176–179, 2020.P. Optar, P. O. R. El, and T. Profesional, “Modelo de redes neuronales para maximizar la cobertura de camiones en chancadoras para Soc. Minera Cerro Verde S.A.A.,” pp. 0–2, 2022.M. Una, R. E. D. Neuronal, E. Con, and U. N. Algoritmo, “Detección de la altura de interfase de una columna de flotación mediante una red neuronal entrenada con un algoritmo genético,” no. March, 1999.S. E. E. Profile, “MODELACIÓN DE LA TEMPERATURA DE SALIDA DE LA CÁMARA DE EVACUACIÓN EN LA UBP PREPARACIÓN DE MINERAL , CON AYUDA DE REDES NEURONALES ARTIFICIALES,” no. October, 2016.F. Contreras, “Diseño de modelo predictivo multivariable para molienda en compañía minera doña inés de collahuasi,” 2018.L. A. P. Zapana Mamani, “IMPLEMENTACIÓN DE SISTEMAS DE CONTROL AVANZADO PARA MEJORAR LA CALIDAD EN LA PRODUCCIÓN DE ARENAS DE LA PLANTA DE PROCESAMIENTO DE RELAVE DE LA MINA TOQUEPALA SOUTHERN,” pp. 1–60, 2021.P. García, C. Llópiz, G. Puyáns, and R. Leonel, “MODELO MATEMÁTICO PARA DESCRIBIR LA DISTRIBUCIÓN GRANULOMÉTRICA DE LA FASE DISPERSA DE LAS SUSPENSIONES DE LATERITA,” 2009.N. De La Cruz, T. Arroyave, A. Felipe, C. Cárdenas, L. Fernando, and G. Giraldo, “Análisis y modelamiento de la granulometría en la cáscara del café (Coffea arabica L.) variedad Castillo,” Prod. + Limpia, vol. 10, no. 2, pp. 80–91, 2015.S. Razavi and B. A. Tolson, “A new formulation for feedforward neural networks,” IEEE Trans. Neural Networks, vol. 22, no. 10, pp. 1588–1598, 2011, doi: 10.1109/TNN.2011.2163169.P. Vásquez, “Red neuronal feedforward como estimador de patrones de corrientes en el interior del puerto de manzanillo sujeto a la acción de tsunamis,” Inst. Mex. Del Transp., no. 406, 2014, [Online]. Available: https://www.imt.mx/archivos/Publicaciones/PublicacionTecnica/pt406.pdfS. Rojas Moreno, “Optimización Planta De Chancado Secundario/Terciario En División El Teniente,” p. 140, 2015.L. Alejandro and M. Caita, “‘ ESTRUCTURA DE REDES NEURONALES ( MLP ) Y SU APLICACIÓN COMO APROXIMADOR UNIVERSAL ’ Lexly Vanessa Sosa Jerez y Laura Camila Zamora Alvarado,” 2022.EstudiantesInvestigadoresMaestrosPersonal de apoyo escolarPúblico generalLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/83714/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL1017170243.2023.pdf1017170243.2023.pdfTesis de Maestría en Ingeniería - Recursos Mineralesapplication/pdf1754689https://repositorio.unal.edu.co/bitstream/unal/83714/2/1017170243.2023.pdfa3707f0a94f6554f09202822e52919c5MD52THUMBNAIL1017170243.2023.pdf.jpg1017170243.2023.pdf.jpgGenerated Thumbnailimage/jpeg4958https://repositorio.unal.edu.co/bitstream/unal/83714/3/1017170243.2023.pdf.jpg48c7198ec7b25218b11a06a35cb45a40MD53unal/83714oai:repositorio.unal.edu.co:unal/837142024-08-03 23:10:09.069Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |