CODEa Business Logo
Cursos Ciencia de Datos e Inteligencia Artificial

Predicción del SGI y BWI usando Machine Learning

La dureza del mineral es un factor clave en el diseño y la operación de plantas concentradoras. Tradicionalmente, índices como el SGI (SAG Grindability Index) y el BWI (Bond Work Index) se determinan a través de ensayos de laboratorio, un proceso costoso y lento. Este curso muestra cómo aplicar técnicas de machine learning para predecir estos índices a partir de datos químicos, optimizando tiempos y reduciendo costos de exploración y procesamiento.

2 horas
Ciencia de Datos e Inteligencia Artificial
On Demand

Lo que aprenderás

dureza mineral minería digital machine learning Random Forest regresión lineal redes neuronales análisis datos Python minería modelado predictivo cloud computing

Contenido del curso

5 módulos · 25 lecciones

Importancia de los índices de dureza en minería (SGI y BWI) – Relevancia en el diseño de molienda.

Definiciones clave – SGI en minutos y BWI en energía.

Proceso tradicional – Ensayos de laboratorio con diamantina.

Motivación del proyecto – Predicción de índices a partir de leyes químicas.

Retos de datasets limitados – Aproximadamente 300 registros.

Selección de variables – Criterio profesional + análisis de correlación de Pearson.

Segmentación del dataset – Según leyes de sodio.

Correlación SGI–BWI (r=0.67) – Aprovechamiento de relaciones existentes.

EDA con Python – Visualización con heatmaps y análisis de correlaciones.

Limpieza y tratamiento de datos – Eliminación de nulos, atípicos y anomalías.

Normalización y estandarización – Técnicas aplicadas para homogeneidad.

División de conjuntos – Entrenamiento, validación y testeo.

Retos con datasets pequeños – Estrategias para mejorar la robustez.

Algoritmos utilizados – Redes neuronales, Random Forest y regresión lineal.

Limitaciones de redes neuronales – Problemas con valores negativos.

Random Forest como mejor opción inicial – Resultados más robustos.

Enfoque combinado (stacking) – Random Forest + regresión lineal.

Ajuste de hiperparámetros – n_estimators, max_depth, etc.

Validación cruzada (cross-validation) – Mejora en la estabilidad del modelo.

Error < 5% frente a valores reales – Validación del modelo.

Mejor desempeño para SGI – Beneficio de la correlación con BWI.

Importancia de hiperparámetros – Relevancia en datasets pequeños.

Ventajas del enfoque híbrido – Mejoras en métricas y gráficas.

Potencial del cloud computing – Reducción de tiempos de cómputo.

Conclusiones generales – Aprendizajes prácticos del proyecto.