Desarrollo de un Modelo de Machine Learning para Predicción y Ajuste de Parámetros para Prevención de Adherencias en Horno Rotatorio

Resumo

 La presente investigación se enfoca en desarrollar un modelo predictivo aplicando un modelo de Machine Learning en el proceso de producción de Clínker, específicamente para prever y realizar ajustes de parámetros operativos, reduciendo la formación de anillos y adherencias dentro del horno rotatorio. Para el desarrollo del modelo predictivo se realizó un análisis de correlación de Pearson para identificar los parámetros operativos que contribuyen en mayor grado a la formación de anillos, el cual identificó cinco variables claves divididas en las categorías: química, temperatura interna y alimentación del horno. Una vez determinadas se utilizó un modelo de Árbol de Decisión, y se alimentaron datos operativos. Los resultados demostraron una robusta precisión global del 91% y un sobresaliente recall del 97% para la detección de la formación de un anillo. Este alto recall, garantiza minimizar los Falsos Negativos, considerándose un resultado exitoso y altamente confiable para la alerta temprana, a pesar de la generación de algunas Falsas Alarmas (Falsos Positivos). La integración del modelo en una aplicación interactiva con una capacidad predictiva del 80% en la práctica valida su valor como una herramienta para la toma de decisiones, demostrando que el aprendizaje automático es clave para optimizar la operación de hornos.