Molienda Sag

APLICACIN DE MODELOS PREDICTIVOS
NEURONALES Y ALGORITMO GENTICO PARA

OPTIMIZACIN DE LA MOLIENDA SAG
Unidad Control Automtico de Procesos
Superintendencia Ingeniera de Procesos
Subgerencia de Concentracin
CODELCO CHILE DIVISION NORTE
2 CODELCO / Programa Automatizacin Concentradoras
MODELOS PREDICTIVOS NEURONALES
En 1943 McCulloch y Pitts propusieron por primera vez la idea
de modelar la actividad neuronal a travs de lmites y sumas
ponderadas.
Una Neurona Artificial es un elemento procesador no lineal,
que acepta mltiples entradas y produce una salida.
Una red neuronal est compuesta por un conjunto de neuronas
artificiales constituidas en una capa de entrada, al menos una
capa intermedia y una capa de salida. La red puede tener ms de
una salida.
Cada una de las conexiones entre neuronas tiene asignado un
peso o ponderacin. El proceso de ajuste de pesos se denomina
entrenamiento.
Debido a la naturaleza inherentemente no lineal y variante en el
tiempo de los procesos de conminucin, la obtencin de modelos que
sean tiles para la bsqueda de ptimos operacionales es una ardua
tarea y su validez en el tiempo es limitada.
Las redes neuronales permiten la generacin de modelos no lineales
de los procesos de molienda los cuales pueden ser entrenados en
lnea de manera que su validez est siempre vigente en el tiempo.
A partir de un modelo razonablemente preciso se puede construir un
optimizador adaptivo en tiempo real basado en informacin vigente.
Sin embargo, las tcnicas de optimizacin convencionales no tratan
bien el problema de los ptimos locales.
El algoritmo gentico ofrece una solucin eficiente al problema de la
bsqueda del ptimo global en el espacio de bsqueda que ofrece el
modelo predictivo neuronal.
INTRODUCCION AL ALGORITMO GENTICO
Conceptos: Individuos, apareamiento, recombinacin de
cromosomas, mutacin gentica, adaptacin y seleccin natural.
Cromosoma: Un cromosoma es una representacin en la que:
Existe una lista de elementos llamados genes
El cromosoma determina la adaptacin global manifestada por
algn mecanismo que utiliza genes de cromosoma como una
especie de marca.
Contiene constructores que:
Crean un cromosoma, dada una lista de elementos; a este
constructor se le puede llamar constructor de gnesis
Crean un cromosoma mediante el cruce de un par de
cromosomas existentes.
Contiene escritores que:
Mutan un cromosoma existente mediante el cambio de uno de
sus genes
Contiene lectores que:
Producen un gen especifico, dado un cromosoma
EJEMPLO: Caso muy simplificado de la molienda SAG. Dos variables
muy importantes en la molienda SAG son la potencia del molino y la
presin de aceite en los descansos o el peso del molino. Se desea
optimizar el tonelaje procesado.
8,2 1600 1605 1610 1615 1620 1625 1630 1625 1620 1615 1610 1605 1600
8,0 1610 1615 1620 1625 1630 1635 1640 1635 1630 1625 1620 1615 1610
7,8 1620 1625 1630 1635 1640 1645 1650 1645 1640 1650 1650 1650 1620
7,6 1630 1635 1640 1645 1650 1655 1660 1655 1650 1650 1700 1650 1630
7,4 1640 1645 1650 1655 1660 1665 1670 1665 1660 1650 1650 1650 1640
7,2 1650 1655 1660 1665 1670 1675 1680 1675 1670 1665 1660 1655 1650
7,0 1660 1665 1670 1675 1680 1685 1690 1685 1680 1675 1670 1665 1660
6,8 1670 1675 1680 1685 1690 1695 1700 1600 1600 1600 1600 1675 1670
6,6 1660 1665 1670 1675 1680 1685 1690 1600 1600 1600 1600 1665 1660
6,4 1650 1655 1700 1700 1700 1675 1680 1600 1750 1750 1600 1655 1650
6,2 1640 1645 1700 1750 1700 1665 1670 1600 1750 1800 1600 1645 1640
6,0 1630 1635 1700 1700 1700 1655 1660 1600 1600 1600 1600 1635 1630
5,8 1620 1625 1630 1635 1640 1645 1650 1600 1600 1600 1600 1625 1620
5,6 1610 1615 1620 1625 1630 1635 1640 1635 1630 1625 1620 1615 1610
5,4 1600 1605 1610 1615 1620 1625 1630 1625 1620 1615 1610 1605 1600
56,5 57,0 57,5 58,0 58,5 59,0 59,5 60,0 60,5 61,0 61,5 62,0 62,5
Presin Descansos [Kg/cm2]
P
o
t
e
n
c
i
a

[
M
w
]
1
4
7
10
13
C
1
C
2
C
3
C
4
C
5
C
6
C
7
C
8
C
9
C
1
0
C
1
1
C
1
2
C
1
3
1500
1550
1600
1650
1700
1750
1800
T
o
n
e
l
a
j
e

[
t
o
n
/
h
r
]
Potencia [Mw]
Presin Desc [kg/cm2]
Funcin de Calidad de Tonelaje
FORMATO DEL CROMOSOMA:
MUTACION
Dos cromosomas sujetos a una serie de mutaciones. Cada una
de las cuales cambia un gene sumndole o restndole un
determinado valor. Los dos cromosomas originales son 56,5
5,4 que producen calidad 1600.
El cromosoma final es el 58,5 5,4 que tiene calidad 1620.
56,5 5,4
Presin Potencia
CROMOSOMA
56,5 5,4
57,0 5,4
57,5 5,4
58,0 5,4
58,5 5,4
RECOMBINACION O CRUZAMIENTO
Dos cromosomas sujetos a recombinacin, cada uno de los cuales
es cortado por la mitad y unido al otro cromosoma. Uno de los
cromosomas originales es el cromosoma 56,5 6,2 de calidad 1640
y el otro 58,0 5,4 de calidad 1615. Uno de los cromosomas nuevos
es 58,0 6,2 que produce un tonelaje de 1750 (ptimo local)
56,5 6,2
58,0 5,4
56,5 6,2
58,0 5,4
58,0 6,2
METODO ESTANDAR: IGUALA LA ADAPTACION CON LA CALIDAD RELATIVA
En general, la adapatacion de un cromosoma es la probabilidad
de que este sobreviva a la siguiente generacin.
Luego, se necesita una formula que relacione a la adaptacin
del i- simo cromosoma, fi, una probabilidad que va de 0 a 1,
con la calidad qi, en un rango que depende del problema.
La siguiente frmula, en la que la suma se hace sobre todos los
candidatos, es una probabilidad:
En donde q
0
es el lmite bajo de calidad (ej 1600 tph)
EJEMPLO: SUPNGASE QUE UNA POBLACIN CONSISTE EN 4 CROMOSOMAS:
ADAPTACION
CROMOSOMA CALIDAD ESTANDAR
58,0 - 6,2 1750 0,42
57,5 - 6,4 1700 0,28
57,5 - 6,8 1680 0,22
57,5 - 5,8 1630 0,08
360
PARA IMITAR LA SELECCIN NATURAL, EN GENERAL:
Crear una poblacin inicial de un cromosoma
Mutar uno o ms genes de uno de ms de los cromosomas actuales
Aparear uno o ms pares de cromosomas
Aadir los cromosomas mutados y de la progenie a la poblacin actual
Crear una nueva generacin manteniendo lo mejor de los cromosomas de la
poblacin, junto con otros cromosomas seleccionados al azar de la poblacin
actual. Influir en la seleccin aleatoria de acuerdo con la adaptacin evaluada.
DECISIONES A TOMAR PARA EL DISEO DEL A.G.
Cuntos cromosomas deben estar en la poblacin?
Si el nmero es muy bajo, pronto todos los cromosomas tendrn rasgos
idnticos y la recombinacin no har nada.
Si el nmero es muy alto el tiempo de clculo ser innecesariamente
excesivo.
Cul deber ser la rapidez de las mutaciones?
Si es muy baja aparecern los nuevos rasgos de la poblacin muy
lentamente.
Si es muy alta cada generacin estar desligada de la anterior
Se permite el apareamiento?
Como se seleccionan los pares?
Como se determinan los puntos de recombinacin?
Puede cualquier cromosoma, aparecer mas de una vez en una poblacin?
ESPECIALIZACION DEL METODO GENERAL DE SELECCIN NATURAL
(EJEMPLO SIMPLIFICADO DE MOLIENDA SAG)
ES FCIL ASCENDER MONTAAS DE FORMA DE JOROBA SIN LA RECOMBINACIN
Empieza con un solo cromosoma localizado en 56,5 5,4
No se permite que ningn cromosoma aparezca ms de una vez en cada
generacin.
Un mximo de 5 cromosomas sobrevive de una generacin a la siguiente
Cada superviviente es candidato para sobrevivir en la siguiente generacin,
junto con cualquier cromosoma nuevo que se haya producido.
En cada uno de los supervivientes se selecciona un gene al azar y tambin
al azar se somete a mutacin. Si el mutante es diferente de cualquier
candidato de los que se tienen hasta ese momento, el mutante se agrega a los
candidatos.
No hay recombinacin
El cromosoma que tiene la mxima nota de calidad sobrevive en la siguiente
generacin
Los supervivientes restantes de una generacin a la otra se seleccionan al
azar de los candidatos restantes de acuerdo con el mtodo estndar para el
clculo de la adaptacin.
CROMOSOMA CALIDAD
56,5 5,4 1600
56,5 5,6 1610
Se agrega a la poblacin
GENERACION 1
CROMOSOMA CALIDAD
56,5 5,6 1610
56,5 5,4 1600
MUT A
56,5 5,6 56,5 5,8 1620
56,5 5,4 56,5 5,6 1610
GENERACION 2
CROMOSOMA CALIDAD Es el mejor, se selecciona
56,5 5,8 1620
56,5 5,6 1610
56,5 5,4 1600
Ya se encuentra en la poblacin
Mutacin Favorable
El proceso contina del mismo modo hasta que en la generacin 10
obtenemos :
Evidentemente para paisajes en forma de joroba sencilla, la
recombinacin o el apareamiento no es indispensable.
presi on potencia cal idad A. Estandar
58,0 6,2 1750 0,357
57,5 6,0 1700 0,238
58,0 6,0 1700 0,238
57,0 6,0 1635 0,083
58,0 5,8 1635 0,083
420
CROMOSOMA
LA RECOMBINACIN PERMITE A LOS ALGORITMOS GENTICOS BUSCAR CON
EFICIENCIA EN ESPACIOS DE MUCHAS DIMENSIONES.
Para decidir qu cromosomas usar para hacer que la recombinacin sea
benfica, se procede de la siguiente forma:
Tomar en cuenta solo los cromosomas que sobreviven de la generacin
anterior.
Para cada uno de tales cromosomas, seleccionar un compaero de entre
los otros sobrevivientes. La seleccin de los compaeros se hace al azar,
de acuerdo con el mtodo estndar para el clculo de la adaptacin.
Cada pareja de apareamiento se cruza en el medio, produciendo dos
cromosomas hijo cruzados. Si un cromosoma hijo es diferente de
cualquier candidato acumulado, ese cromosoma se aade a los
candidatos.
Este mtodo de cruzamiento permite acelerar, o hacer mas eficiente la
bsqueda del ptimo.
Por ejemplo se realizaron 20 corridas de simulacin para alcanzar el
ptimo global: con slo mutaciones se necesitaron en promedio 453
iteraciones y con mutacin + recombinacin se requiri en promedio 209
iteraciones, es decir la eficiencia se mejor en un 100%.
LA RECOMBINACION PERMITE A LOS ALGORITMOS GENETICOS CRUZAR FOSOS.
En aquellos casos en que la funcin de optimizacin contenga jorobas y fosos,
es difcil que una serie de mutaciones al azar conduzca a una poblacin hacia el
foso dada slo una mutacin por generacin. La razn es que los cromosomas
intermedios necesarios, los que hacen que la funcin de calidad sea 0 y por lo
tanto su adaptacin es cero y tienen 0 posibilidades de sobrevivir en la
generacin siguiente.
Por otro lado, dados dos padres bien situados, desde el punto de vista de los
cromosomas, un solo apareamiento puede crear una progenie que cruce el pozo.
No necesitan sobrevivir intermediarios con adaptacin cero.
Evidentemente, para terrenos con fosos, la recombinacin puede ser una gran
ayuda.
EL METODO DEL RANGO ENLAZA LA ADAPTACION CON EL METODO DE CALIDAD
El mtodo estndar para determinar la adaptacin no proporciona ninguna forma
de influir en la seleccin. Una alternativa es usar el METODO DEL RANGO que no
slo ofrece una manera de controlar la derivacin hacia el mejor cromosoma,
sino que tambin elimina las derivaciones implcitas, que son introducidas por
selecciones desafortunadas de la escala de medicin y que de otro modo
podran causar daos.
Bsicamente, el mtodo de rango ignora las mediciones de calidad a menos que
sirvan para clasificar a los candidatos por orden descendente de calidad.
ENTONCES, LA ADAPTACION DEL CANDIDATO CON CALIDAD MAS ALTA
ENTRE LOS CLASIFICADOS ES UNA CONSTANTE FIJA p .
Si el mejor candidato, el que tiene rango 1, no se selecciona, entonces el
siguiente mejor, el que tiene rango 2, se selecciona con adaptacin p . Este
proceso de seleccin continua hasta que se selecciona un candidato o solo
queda uno, en cuyo caso se selecciona, de acuerdo al siguiente procedimiento.
Para seleccionar un candidato mediante el metodo del rango:
ORDENAR LOS n INDIVIDUOS SEGN SU CALIDAD.
Sea p la probabilidad de elegir al i-simo candidato dato que los primeros i 1
candidatos no han sido seleccionados, excepto en el caso del candidato final que
se selecciona sin no se han elegido candidatos.
Seleccione un candidato mediante probabilidades calculadas.
Supongamos que p = 0,667 para la siguiente tabla de calidad con foso.
Supongamos que estamos interesados en los mismos cromosomas que se utilizaron
para ilustrar el mtodo estndar, pero en el contexto de la montaa con foso.
Supngase que a estos cuatro cromosomas se aade el 60,5 5,8, que produce un
tonelaje de 1600 en la montaa con foso.
La siguiente tabla muestra las adaptaciones de rango junto con su adaptacin
estndar, para fines de comparacin:
MTODO DEL RANGO:
1) ELEGIR EL DE MAYOR CALIDAD P = 1 => Pxp = 1 x 0,667 = 0,667
2) LA PROBABILIDAD DE ELEGIR EL SEGUNDO DADO QUE NO SE HA ELEGIDO EL PRIMERO
ES: P = 1 0,667 = 0,333 => Pxp = 0,033 x 0,667 = 0,222
3) P x p = (1 0,667 0,222)*0,667 = 0,074
4) P x p = (1 0,667 0,222 0,074)*0,667 = 0,025
5) ULTIMO CASO P = 1 0,667 0,222 0,074 0,025 = 0,012
ADAPTACION ADAPTACION
CROMOSOMA CALIDAD RANGO ESTANDAR DE RANGO
58,0 - 6,2 1750 1 0,42 0,667
57,5 - 6,4 1700 2 0,28 0,222
57,5 - 6,8 1680 3 0,22 0,074
57,5 - 5,8 1630 4 0,08 0,025
60,5 - 5,8 1600 5 0,00 0,012
360 0,667
MEDIANTE EL METODO DEL RANGO, COMENZANDO CON UN CROMOSOMA 56,5 5,4, SE
HALLO LA MEJOR COMBINACION EN PROMEDIO, DESPUES DE 75 GENERACIONES, VERSUS
EL METODO ESTANDAR QUE, EN PROMEDIO, TOMA 155 GENERACIONES.
SIN EMBARGO, 75 GENERACIONES ES TODAVIA POCO EFICIENTE. LOS CUATRO
CROMOSOMAS TODAVIA TIENDEN A AGRUPARSE ALREDEDOR DE LOS MXIMOS LOCALES.
SIN EMBARGO, AHORA ES POSIBLE HACER UN TUNEL A TRAVES DEL FOSO DE CALIDAD
CERO, PORQUE LA ADAPTACION MENOR DE CUALQUIER CROMOSOMA ESTA DETERMINADA
INDIRECTAMENTE POR EL RANGO DE LA CALIDAD, MAS QUE DIRECTAMENTE POR ESTA. EN
CONSECUENCIA, NINGUN CROMOSOMA PUEDE TENER UNA ADAPTACION DE CERO,
MIENTRAS QUE CON EL METODO ESTANDAR, LOS CROMOSOMAS DEL FOSO TIENEN
ADAPTACION EXACTA DE CERO.
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
P
r
o
b
a
b
i
l
i
d
a
d
58,0 - 6,2 57,5 - 6,4 57,5 - 6,8 57,5 - 5,8 60,5 - 5,8
Cromosoma
Estndar vs Rango
ESTANDAR DE RANGO
SUPERVIVENCIA DE LO MAS DIVERSO
La adaptacin, como se ha medido hasta ahora, ignora la diversidad, que se puede
considerar como el grado al cual los cromosomas muestran genes diferentes.
De acuerdo con ello, los cromosomas tienden a ser barridos si el resultado es un
poco menor que el de uno que esta prximo al mejor cromosoma actual. An en
poblaciones grandes, el resultado es la uniformidad.
Sin embargo, en una escala mayor los individuos y las especies que parecen no
adaptados sobreviven bastante bien fuera de la vista de otros individuos y especies
relativamente adaptados.
PRINCIPIO DE LA DIVERSIDAD:
PUEDE SER TAN BUENO SER DIFERENTE COMO LO ES ESTAR ADAPTADO
El ser diferente puede incorporarse a una medicin total de la adaptacin y esta
observacin crea una perspectiva diferente sobre lo que se tiene que hacer con los
mximos locales.
El mtodo de espacio de rangos enlaza la adaptacin con el rango de calidad y el de
diversidad.
Cuando se seleccionan cromosomas para una nueva generacin una forma de medir
la diversidad a la cual contribuira un cromosoma candidato es calcular el inverso del
cuadrado de las distancias entre el cromosoma y otros cromosomas ya
seleccionados. Despus se determina el rango de diversidad de un cromosoma
mediante dicho valor:
Considrese el conjunto de seis candidatos 56,5 6,8 /5,8,0 - 6,2/57,5 6,4/57,5 - 6,8/
57,5 5,8/60,5 5,8. El candidato 56,5 6,8 es el ltimo agregado. Se determinarn
las distancias fsicas con respecto a este ltimo.
EJEMPLO DE CALCULO: (EN ESTE CASO LA DISTANCIA SE MIDE COMO DISTANCIA FISICA
ENTRE LAS CELDAS DE LA TABLA DE CALIDAD)
DISTANCIA ENTRE 58,0 - 6,2 Y 56,5 6,8. D = Raz (3
2
+ 3
2
) => 1/d
2
= 0,055
EL MISMO PROCEDIMIENTO SE APLICA A TODOS LOS CROMOSOMAS RESTANTES.
Una forma sencilla de combinar los rangos por calidad y diversidad en un rango
combinado consiste en clasificar cada cromosoma de acuerdo con la suma de sus
rangos de calidad y diversidad mediante una de las dos clasificaciones para romper
ataduras, como se indica en el siguiente procedimiento.
NOTA DE RANGO DE RANGO DE
CROMOSOMA CALIDAD 1/d2 DIVERSIDAD CALIDAD
58,0 - 6,2 4 0,055 3 1
57,5 - 6,4 3 0,125 4 2
57,5 - 6,8 2 0,250 5 3
57,5 - 5,8 1 0,034 2 4
60,5 - 5,8 0 0,011 1 5
Para seleccionar un candidato mediante el mtodo de espacio de rangos:
Ordenar los n individuos segn la calidad
Ordenar los n individuos segn el inverso de su distancia al cuadrado al
nuevo cromosoma seleccionado.
Usar el mtodo de rango, pero ordenar sobre la suma de los rangos de
calidad y diversidad en lugar de hacerlo solo con respecto al rango de
calidad.
A continuacin, con un rango que combina la influencia de la calidad y de
diversidad, la seleccin se puede realizar como antes, haciendo la
adaptacin del primer candidato igual a p .
As la suma de rangos, el rango combinado y la adaptacin para los 5
cromosomas estn dados por la siguiente tabla.
SUMA DE RANGO ESPACIO RANGO DE
CROMOSOMA RANGOS COMBINADO RANGOS CALIDAD
58,0 - 6,2 4 1 0,667 0,667
57,5 - 6,4 6 4 0,025 0,222
57,5 - 6,8 8 5 0,012 0,074
57,5 - 5,8 6 3 0,074 0,025
60,5 - 5,8 6 2 0,222 0,012
0,000
0,200
0,400
0,600
0,800
P
r
o
b
a
b
i
l
i
d
a
d
58,0 - 6,2 57,5 - 6,4 57,5 - 6,8 57,5 - 5,8 60,5 - 5,8
Cromosoma
Mtodo Rango Calidad vs Espacio de Rangos
RANGOS CALIDAD
Ntese que en la suma de rangos existe un empate entre tres cromosomas.
Para romper esta atadura se considera que el cromosoma que tiene el mejor
rango de diversidad como si tuviera el mejor rango combinado. Se observa
claramente que con este mtodo la probabilidad de cruzar los fosos
aumenta notoriamente considerando la diversidad. Esto significa una mayor
eficiencia de bsqueda del ptimo global.
LA PLATAFORMA DE DESARROLLO KNOWLEDGESCAPE
PLATAFORMA KNOWLEDGESCAPE SYSTEM
CARACTERSTICAS GENERALES:
Plataforma de Sistema Experto Optimizante Adaptivo.
Sistema Orientado al Objeto
Sistema Jerrquico
Reglas Claras
Reglas Difusas
Redes Neuronales con Entrenamiento en Lnea.
Varios Modelos por Cada Predictor.
Optimizacin con Algoritmo Gentico
Computacin Distribuida
APLICACIN A LA MOLIENDA SAG
La planta SAG de Chuquicamata opera normalmente con el Sistema Experto
KOPS, el cual implementa una estrategia de control de tipo estabilizante
basada en reglas crisp en que se controla la presin de descansos y la
potencia, manipulando el tonelaje alimentado, la densidad y la velocidad del
molino.
Dado que para la obtencin del ptimo global se requiere de una funcin de
calidad, sta se implementa a travs de una red neuronal con entrenamiento
en lnea.
Diseo del Predictor/Modelo
Entradas:
Potencia
Presin de Descansos
Velocidad
Densidad
Pebbles Generados y Pebbles Alimentados
Salida
Tonelaje Procesado (Produccin)
Diseo de la Red Neuronal:
2 Capas Internas (con 4 y 3 neuronas)
Funcin de Activacin : sigmoide bipolar
Tamao Conjunto Entrenamiento: 2000
Tamao Conjunto Datos Prueba: 400
Mtodo de Entrenamiento: Backpropagation
Momento Global: 0.4
Tasa Global de Aprendizaje: 0.3
Diseo del Optimizador.
Mtodo de Optimizacin: Algoritmo Gentico
Tamao de Poblacin: 128 individuos
Nmero de Generaciones: 64
Probabilidad de Cruzamiento: 0,3
Probabilidad de Mutacin: 0,001
Variable Manipulada: Target de Presin de Descansos.
Resultados y Conclusiones:
Las tcnicas de modelado de procesos de conminucin
mediante modelos predictivos neuronales son ms adecuadas
que las herramientas convencionales basadas en modelos semi-
empricos. Esto es especialmente cierto debido a las
caractersticas no lineales y variantes en el tiempo de estos
procesos. El modelado neuronal con entrenamiento en lnea
permite contar con un modelo de precisin razonable
actualizado permanentemente.
El algoritmo gentico es un eficiente mtodo de bsqueda del
ptimo global el cual trabaja sobre el espacio generado por el
modelo predictivo neuronal.
La aplicacin de estas tcnicas en la molienda SAG de
Chuquicamata han permitido, entre otras innovaciones,
desplazar el cuello de botella desde la molienda SAG hacia la
molienda secundaria.
De las tendencias anteriores se puede ver que el tonelaje del
molino SAG opera siempre en el lmite alto operacional
establecido.
Se estima un beneficio actual de un mayor procesamiento del
orden de un 4%.

Molienda Sag

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Molienda Sag

Transféré par

Droits d'auteur :

Formats disponibles

APLICACIN DE MODELOS PREDICTIVOS

NEURONALES Y ALGORITMO GENTICO PARA

Vous aimerez peut-être aussi