Modelación neuronal parsimoniosa para el control del secado de minerales lateríticos
Palabras clave:
secado industrial; redes neuronales artificiales; identificación de sistemas; control automáticoResumen
Introducción: El proceso de secado térmico de minerales lateríticos constituye una de las etapas de mayor consumo energético dentro de la industria metalúrgica del níquel, siendo la eficiencia de la combustión un factor determinante en el desempeño global del sistema.
Objetivo: Desarrollar modelos de redes neuronales artificiales que describan la dinámica no lineal de los lazos de control del proceso de secado de minerales lateríticos, mediante un criterio de selección multiobjetivo que garantice un equilibrio óptimo entre precisión predictiva y parsimonia estructural.
Métodos: La investigación se realizó bajo un enfoque de experimentación pasiva, empleando datos históricos reales de operación correspondientes a un mes de funcionamiento continuo del sistema. Se evaluaron arquitecturas de perceptrón multicapa con diferente número de neuronas en la capa oculta, utilizando el error cuadrático medio y el criterio de información Bayesiano para la selección del modelo óptimo.
Resultados: Se identificó que una arquitectura con 4 neuronas ocultas proporciona el mejor compromiso entre precisión y parsimonia. Para el lazo de aire primario se obtuvo un error cuadrático medio promedio de 0,79596 × 106 m³/h y un criterio de información Bayesiano de 3,4954 × 104, mientras que para el lazo de petróleo el error cuadrático medio fue de 1,1740 × 104 kg/h con un criterio de información Bayesiano de 2,4149 × 104.
Conclusiones: Se evidencian una adecuada capacidad predictiva y de generalización de los modelos seleccionados, así como la pertinencia del enfoque propuesto para apoyar el perfeccionamiento del control automático del proceso de secado, con potencial impacto en la eficiencia energética y la estabilidad operativa.
Descargas
Citas
1. Angulo-Palma HJ, Salazar I, Saldana M, et al. New Model to Predict Nickel Extraction from Lateritic Ores During the Roasting–Reduction of the Caron Process. Minerals [Internet]. 2026 marzo [citado 21 may 2026];16(3):278. Disponible en: https://doi.org/10.3390/min16030278
2. Lv W, Makuza B, Wang F. A Review of Direct Reduction–Magnetic Separation Process for Ferronickel Production from Nickel Laterite. Journal of Sustainable Metallurgy [Internet]. 2025 noviembre [citado 21 may 2026];11:3-28. Disponible en: https://doi.org/10.1007/s40831-024-00950-y
3. Acquah G, Skinner W, Abaka-Wood G, et al. Extraction of Nickel and Cobalt from Complex Low-Grade Lateritic Ores: Challenges and Opportunities. Minerals [Internet]. 2026 marzo [citado 21 may 2026];16(3):287. Disponible en: https://doi.org/10.3390/min16030287
4. Zevgolis EN, Daskalakis KA. The Nickel Production Methods from Laterites and the Greek Ferronickel Production among Them. Materials Proceedings [Internet]. 2021 [citado 21 may 2026];5(1):104. Disponible en: https://doi.org/10.3390/materproc2021005104
5. Natural Resources Canada. Nickel facts [Internet]. Ottawa (ON): Government of Canada; 2025 [citado 28 mar 2026]. Disponible en: https://natural-resources.canada.ca/minerals-mining/mining-data-statistics-analysis/minerals-metals-facts/nickel-facts
6. Palma HJA, Toro N, Castillo J, et al. New Evidence of the Effect of Post-Combustion During Roasting/Reduction of Nickel-Bearing Lateritic Ores. Processes [Internet]. 2025 agosto [citado 21 may 2026];13(8):2602. Disponible en: https://doi.org/10.3390/pr13082602
7. Angulo-Palma HJ, Legrá Legrá Á, Urgellés AL, et al. Use of a Mixture of Coal and Oil as an Additive for Selective Reduction of Lateritic Ore by the Caron Process. Hemijska Industrija [Internet]. 2024 febrero [citado 21 may 2026]; 78(1):17-27. Disponible en: https://doi.org/10.2298/HEMIND230118017A
8. Rojas Vargas A, Magaña Haynes ME, del Toro Álvarez D, et al. Nickel Mining: Studying the Kinetics and Modeling of Extraction Process from Laterite Ore. South African Journal of Chemical Engineering [Internet]. 2025 julio [citado 21 may 2026];53:362-72. Disponible en: https://doi.org/10.1016/j.sajce.2025.06.002
9. Castaño F, Rubio FR, Ortega MG. Modelado de Secaderos Rotatorios en Isocorriente. Revista Iberoamericana de Automática e Informática Industrial [Internet]. 2009 octubre [citado 14 feb 2026];6(4):32-43. Disponible en: https://doi.org/10.1016/S1697-7912(09)70106-2
10. Fedorova ER, Morgunov VV, Pupysheva EA. Effect of variation of internal diameter along the length of a rotary kiln on material movement. Non-Ferrous Metals [Internet]. 2024 julio [citado 7 may 2026];56(1):28-34. Disponible en: https://doi.org/10.17580/nfm.2024.01.05
11. Fedorova E, Morgunov V, Lobko K, et al. Review: Axial Motion of Material in Rotary Kilns. Eng [Internet]. 2025 mayo [citado 7 may 2026];6(6):106. Disponible en: https://doi.org/10.3390/eng6060106
12. Kukharova T, Medvedeva E, Novozhilov I. Modeling of a Temperature Field Control System for a Carburizing Shaft Furnace. Processes [Internet]. 2026 abril [citado 7 may 2026];14(9):1406. Disponible en: https://doi.org/10.3390/pr14091406
13. Kukharova TV, Ilyukhina YA, Shestopalov MY. Development of a Methodology for Controlling the Process of Heating Metal Blanks in a Methodical Furnace. En: Proceedings of the 2022 Conference of Russian Young Researchers in Electrical and Electronic Engineering ElConRus [Internet]. 2022 abril [citado 7 may 2026];718-21. Disponible en: https://doi.org/10.1109/ElConRus54750.2022.9755574
14. Khan MIH, Batuwatta-Gamage CP, Karim MA, et al. Fundamental understanding of heat and mass transfer processes for physics-informed machine learning-based drying modelling. Energies [Internet]. 2022 diciembre [citado 21 mayo 2026];15(24):9347. Disponible en: https://doi.org/10.3390/en15249347
15. Bishnu SK, Alnouri SY, Al Mohannadi DM. Computational applications using data-driven modeling in process systems: A review. Digital Chemical Engineering [Internet]. 2023 septiembre [citado 21 may 2026];8:100111. Disponible en: https://doi.org/10.1016/j.dche.2023.100111
16. Rodríguez-Durán VG, Montero-Góngora D, Columbié-Navarro ÁO, et al. Low-order parametric modeling and control of air–fuel loops in industrial rotary dryers: A passive system identification approach. Drying Technology [Internet]. 2026 mar [citado 26 mar 2026];44(6):808-23. Disponible en: https://doi.org/10.1080/07373937.2026.2638948
17. Ren YM, Alhajeri MS, Luo J, et al. A tutorial review of neural network modeling approaches for model predictive control. Computers & Chemical Engineering [Internet]. 2022 septiembre [citado 22 mar 2026];165:107956. Disponible en: https://doi.org/10.1016/j.compchemeng.2022.107956
18. Rashid M, Mhaskar P. Are Neural Networks the Right Tool for Process Modeling and Control of Batch and Batch-like Processes? Processes [Internet]. 2023 enero [citado 11 ene 2026];11(3):686. Disponible en: https://doi.org/10.3390/pr11030686
19. Wang Z, Wang H, Du Z. Deep Neural Network Model Based on Process Mechanism Applied to Predictive Control of Distillation Processes. Processes [Internet]. 2025 febrero [citado 11 ene 2026];13(3):811. Disponible en: https://doi.org/10.3390/pr13030811
20. Carter A, Imtiaz S, Naterer GF. Review of interpretable machine learning for process industries. Process Safety and Environmental Protection [Internet]. 2023 febrero [citado 11 mar 2026];170:647-659. Disponible en: https://doi.org/10.1016/j.psep.2022.12.018
21. Dambros JWV, Trierweiler JO, Farenzena M, et al. Oscillation Detection in Process Industries by a Machine Learning-Based Approach. Industrial & Engineering Chemistry Research [Internet]. 2019 julio [citado 6 may 2026];58:14180-14192. Disponible en: https://doi.org/10.1021/acs.iecr.9b01456
22. Dambros JWV, Trierweiler JO, Farenzena M. Industrial Datasets and a Tool for SISO Control Loops Data Visualization and Analysis. Computers & Chemical Engineering [Internet]. 2021 marzo [citado 6 may 2026];146:107198. Disponible en: https://doi.org/10.1016/j.compchemeng.2020.107198
23. Daiguji M, Yamashita Y. An Approach for Stiction Compensation in Industrial Process Control Valves. Computers & Chemical Engineering [Internet]. 2022 febrero [citado 6 may 2026];158:107641. Disponible en: https://doi.org/10.1016/j.compchemeng.2021.107641
24. Pinto WG, Alguacil A, Bauerheim M. On the reproducibility of fully convolutional neural networks for modeling time–space evolving physical systems. Data-Centric Engineering [Internet]. 2022 abril [citado 15 mar 2026];3:e19. Disponible en: https://doi.org/10.1017/dce.2022.18
25. Alauddin M, Khan F, Imtiaz S, et al. Integrating process dynamics in data-driven models of chemical processing systems. Process Safety and Environmental Protection [Internet]. 2023 junio [citado 26 mar 2026];174:158-168. Disponible en: https://doi.org/10.1016/j.psep.2023.04.008
26. Zarzycki K, Ławryńczuk M. Long Short-Term Memory Neural Networks for Modeling Dynamical Processes and Predictive Control: A Hybrid Physics-Informed Approach. Sensors [Internet]. 2023 noviembre [citado 20 marzo 2026];23(21):8898. Disponible en: https://doi.org/10.3390/s23218898
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Víctor Germán Rodríguez Durán, Deynier Montero Gongora, Ángel Oscar Columbié Navarro, Yoalbys Retirado Mediaceja, Eddy Luis Terrero Montero, Yury Valeryevich Ilyushin, Liomnis Osorio, Alexander Mosquera Urbano
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
La revista Anales de la Academia de Ciencias de Cuba protege los derechos de autor, y opera con una Licencia Creative Commons 4.0 (Licencia Creative Commons Reconocimiento-NoComerciall 4.0). Al publicar en ella los autores permiten copiar, reproducir, distribuir, comunicar públicamente su obra y generar obras derivadas, siempre y cuando se cite y reconozca al autor original. No permiten, sin embargo, utilizar la obra original con fines comerciales ni lucrativos.
Los autores autorizan la publicación de sus escritos conservando los derechos de autoría, y cediendo y transfiriendo a la revista todos los derechos protegidos por las leyes de propiedad intelectual que rigen en Cuba, que implican la edición para difundir la obra.
Los autores podrán establecer acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarla en un repositorio institucional o publicarla en un libro), con el reconocimiento de haber sido publicada primero en esta revista.
Para conocer más, véase https://creativecommons.org
