Repository logo
Acerca de Depósito
  • Español
  • English
Log In
  1. Home
  2. Productividad Cientifica
  3. Articulos DGIIE 2021-2026
  4. SAG’s Overload Forecasting Using a CNN Physical Informed Approach
 
  • Details

SAG’s Overload Forecasting Using a CNN Physical Informed Approach

Date Issued
2024-12
Author(s) USM
Aguilar, Claudio  
Allende, Hector
Departamento de Informática  
DOI
10.3390/app142411686
Abstract
The overload problem in semi-autogenous grinding (SAG) mills is critical in the mining industry, impacting the extraction of valuable metals and overall productivity. Overloads can lead to severe operational issues, including increased wear, reduced grind
Link
https://doi.org/10.3390/app142411686
https://cris.usm.cl/handle/123456789/6344
Subjects

Convolutional Neural ...

Machine Learning

Mining Industry

Multi-Channel Cnn

Overload Prediction

Physics-Informed Neur...

Predictive Maintenanc...

Semi-Autogenous Grind...

UNIVERSIDAD

  • Nuestra Historia
  • Federico Santa María
  • Definiciones Estratégicas
  • Modelo Educativo
  • Organización
  • Información Estadística USM

CAMPUS Y SEDES

  • Información Campus y Sedes
  • Tour Virtual
  • Icono Seguridad Política de Privacidad

EXTENSIÓN Y CULTURA

  • Dirección de Comunicaciones Estratégicas y Extensión Cultural
  • Dirección General de Vinculación con el Medio
  • Dirección de Asuntos Internacionales
  • Alumni
  • Noticias
  • Eventos
  • Radio USM
  • Cultura USM

SERVICIOS

  • Aula USM
  • Biblioteca USM
  • Portal de Autoservicio Institucional
  • Dirección de Tecnologías de la Información
  • Portal de Reportes UDAI
  • Sistema de Información de Gestión Académica
  • Sistema Integrado de Información Argos ERP
  • Sistema de Remuneraciones Históricas
  • Directorio USM
  • Trabaja con nosotros
Acreditación USM
usm.cl
Logo Acceso
Logo Consejo de Rectores
Logo G9
Logo AUR
Logo CRUV
Logo REUNA
Logo Universia

DSpace software copyright © 2002-2026 LYRASIS

  • Privacy policy
  • End User Agreement
  • Send Feedback