Академический Документы
Профессиональный Документы
Культура Документы
Los costos de perforacin y voladura constituyen hasta un 30% del total de costos de operacin en open pit, los cuales podran verse incrementados hasta un 50% debido a la mala fragmentacin y el requerimiento de una voladura secundaria o un exceso en el costo de energa de la chancadora y molienda. Por lo tanto, la prediccin de la fragmentacin de la roca despus de la voladura, tales como forma y dimensin es de lejos, uno de los ms importantes parmetros en la optimizacin del producto en la industria minera. Por lo tanto la productividad es incrementada a medida que el costo de la mina sea reducida a un mnimo posible.
En el presente proyecto se tratar de resolver el problema de la prediccin de la fragmentacin usando un modelo de aprendizaje llamado Redes Neuronales Artificiales el cual es la base de lo que se conoce como Inteligencia Artificial en diversas aplicaciones en la Industria de todo tipo, que van desde la robtica hasta criminalstica en reconocimiento de patrones como huellas o fotos.
CAPITULO I 1.1.PLANTEAMIENTO DEL PROBLEMA La adecuada fragmentacin es el propsito de toda voladura. Hay muchos mtodos de prediccin de la fragmentacin tales como Kuz-Ram, Rosin-Rammler, Koznetsof, etc, pero ninguno de ellos toma en cuenta la existencia de aguas subterrneas, sbitos cambios de estructuras geolgicas, patrones de diseo de la voladura, en consecuencia se deben realizar muchas pruebas para construir un modelo que tome en cuenta todas estas variables, lo cual consume mucho tiempo y dinero. Para esto se usar las redes neuronales artificiales como herramienta de trabajo ya que sta nos permitir elaborar dicho modelo de prediccin. 1.1.2 ENUNCIADO DEL PROBLEMA. Las redes neuronales artificiales pueden elaborar un modelo de prediccin? Es posible obtener un modelo de prediccin altamente efectivo? Podr este modelo unificar todos los parmetros que gobiernan las condiciones de trabajo para obtener un modelo de prediccin? 1.2 ANTECEDENTES DE LA INVESTIGACIN A continuacin se citan los siguientes trabajos los cuales han sido llevados a cabo en diferentes partes del mundo.
Comparison of size distribution with Neural Net work, Gold size and Kaz-Ram method in Gol-e-gohar Iron Ore Mine
Comparison of obtaining results between neural network model and fragmentation prediction models
1.3OBJETIVOS DE LA INVESTIGACION 1.3.1 OBJETIVO GENERAL -Elaborar un modelo de prediccin de alta precisin que permita determinar la fragmentacin a partir de los parmetros geomecnicos, de diseo, y propiedades del explosivo usando el modelo matemtico de las redes neuronales artificiales. 1.3.2 OBJETIVO ESPECIFICO -Calcular la fragmentacin despus de la voladura usando el modelo de prediccin. -Disear el modelo de arquitectura de la red neuronal artificial a ser aplicada. -Validar el modelo de prediccin para luego compararlo con otros modelos y demostrar su potencial. 1.3.3 JUSTIFICACION DE LA INVESTIGACION El sustento del trabajo de investigacin es el alto ndice de error que ofrecen los modelos empricos de prediccin tales como Koznetsof o Kuz-Ram, as como la importancia de obtener una fragmentacin adecuada de tal manera que se pueda minimizar los costos sub-siguientes en las operaciones mineras superficiales, en consecuencia conocer que parmetros son los indicados a introducir para obtener esta fragmentacin.
2. MARCO TERICO
Se denomina procesador elemental o neurona a un dispositivo simple de clculo que, a partir de un vector de entrada procedente del exterior o de otras neuronas, proporciona una nica respuesta o salida. Los elementos que constituyen la neurona de etiqueta i son los siguientes: Conjunto de entradas, xj(t). Pesos sinpticos de la neurona i, wij que representan la intensidad de interaccin entre cada neurona presinptica j y la neurona postsinptica i. El peso sinptico define en este caso la intensidad de interaccin entre la neurona
presinptica j y la postsinptica i. Dada una entrada positiva (procedente de un sensor o simplemente la salida de otra neurona), si el peso es positivo tendera a excitar a la neurona postsinptica, si el peso es negativo tendr a inhibirla. As se habla de sinapsis excitadoras (de peso positivo) e inhibidoras (de peso negativo). Regla de propagacin postsinptico ( ) ( ( ( )), que proporciona el valor del potencial ( )) de la neurona i en funcin de sus pesos y entradas.
La regla de propagacin permite obtener, a partir de las entradas y los pesos, el valor del potencial postsinptico de la neurona.
( ( )
Funcin de salida
neurona i en funcin de su estado de activacin. De este modo, la operacin de la neurona i puede expresarse como ( ) ( * ( ) ( ( ))+)
Modelo estndar de neurona artificial La neurona estndar consiste en: Un conjunto de entradas Una regla de propagacin Una funcin de activacin ( ) y pesos sinpticos ( ) ( ) ( ( )); . ( ) es la ms comn.
, que
denominaremos umbral, que se resta del potencial postsinptico, por lo que argumentamos de la funcin de activacin queda
Este umbral representa el nivel mnimo que debe alcanzar el potencial postsinptico para que la neurona se active. En conclusin, el modelo de neurona que denominaremos estndar queda
( )
Arquitecturas de redes neuronales Se denomina arquitectura a la topologa, estructura o patrn de conexionado de una red neuronal. En una red neuronal artificial los nodos se conectan por medio de sinapsis, esta estructura de conexiones sinpticas determina el comportamiento de la red. Las conexiones sinpticas son direccionales, es decir, la informacin solamente puede propagarse en un nico sentido. En general, las neuronas se suelen agrupar en unidades estructurales que denominaremos capas. Las neuronas de una capa pueden agruparse, a su vez, formando grupos neuronales. Finalmente, el conjunto de una o ms capas constituye la red neuronal. Se distinguen tres tipos de capas: de entrada, de salida y ocultas. Una capa de entrada o sensorial est compuesta por neuronas que reciben datos o seales procedentes del entorno. Una capa de salida es aquella cuyas neuronas proporcionan la respuesta de la red neuronal. Una capa oculta es aquella que no tiene una conexin directa con el entorno.
Atendiendo a distintos conceptos, pueden establecerse diferentes tipos de arquitecturas neuronales. As, en relacin a su estructura en capas, podemos hablar de redes monocapa y de redes multicapa. Las redes monocapa son aquellas compuestas por una nica capa de neuronas. Las redes multicapa son aquellas cuyas neuronas se organizan en varias capas. Asimismo, atendiendo al flujo de datos en la red neuronal, podemos hablar de redes unidireccionales y redes recurrentes. En las redes unidireccionales, la informacin circula en un nico sentido, desde las neuronas de entrada hacia las de salida. En las redes recurrentes o realimentadas la informacin puede circular entre las capas en cualquier sentido, incluido el d salida-entrada.