Evaluación de la correlación entre variables operativas sobre la concentración de manganeso en electroobtención de zinc mediante modelamiento con Machine Learning

Abstract

Esta tesis determinó la influencia de variables operativas sobre la concentración de manganeso en el electrolito agotado de la electroobtención de zinc, aplicando modelos de Machine Learning (XGBoost y Random Forest) a 5040 registros reales de la Refinería Cajamarquilla. El análisis exploratorio reveló que la concentración de manganeso en solución pura (Mn2+) presentó una correlación positiva perfecta (r = 1,00) con la concentración de manganeso en el electrolito agotado (Mn2+), mientras que el resto de las variables operativas (temperatura del electrolito (°C), acidez (%), densidad (g/L), impurezas (Fe, Cu y Sb (mg/L), horas de depósito y peso de depósito (kg)) mostraron correlaciones prácticamente nulas (|r| ≤ 0,002). Asimismo, el análisis de regresión lineal estableció la relación Mn2+_EA = 2,8 × Mn2+_SP, evidenciando que el manganeso se comporta como un elemento conservativo bajo las condiciones estudiadas; por consiguiente, las variables operativas de la electroobtención de zinc no influyen en el control de la concentración de manganeso en el electrolito agotado. Se concluye que durante la electroobtención de zinc no se elimina significativamente el manganeso y que la predicción computacional para esta impureza es aplicable únicamente como herramienta de monitoreo en esta etapa; por ello, se recomienda orientar los esfuerzos de control desde la electroobtención hacia la etapa de purificación.