La metodología se basa en una combinación de técnicas de agrupación de clasificación mineralógica a partir de leyes y con base al Data Mining y Machine Learning.
Autor: Ing. Pedro Castellares Torres.
Resumen
Además de comprender un modelo geometalúrgico, el cual tiene un alto valor en la gestión minera para la planificación, explotación y diseño de los procesos metalúrgicos según el tipo de yacimiento y además de usar la información para maximizar el rendimiento económico en los procesos de concentración, surge un fascinante concepto adicional: la posibilidad de incorporar un valioso complemento que pueda predecir con un cierto grado de incertidumbre y en tiempo real, el tipo de mineral que está ingresando a un circuito de flotación desde el stock pile en una planta de procesamiento de minerales.
La metodología se basa en una combinación de técnicas de agrupación de clasificación mineralógica a partir de leyes y con base al Data Mining y Machine Learning. Para ello se usó un esquema de trabajo estudiado en el MIT (Massachusetts Institute of Technology), el cual se basa en la siguiente filosofía del modelo predictivo: “EL FUTURO DEL PASADO ES EL FUTURO DEL FUTURO”. Se presupone entonces que el conocimiento de los datos pasados permitirá predecir los datos futuros. Adicionalmente, se abarcará todo el Ciclo del Data Mining (Captura, Preparación, Procesamiento, Análisis, Modelado, Evaluación, Implementación y Retroalimentación). Los resultados obtenidos demostrarán la efectividad de la solución propuesta para reducir la variabilidad del tratamiento de un mineral mediante la capacidad de predicción del tipo de mineralogía a partir de las leyes.
Antecedentes
La investigación surge para reducir la variabilidad del proceso en la recuperación debido a la composición mineralógica heterogénea del mineral. Para ello, se propuso una solución innovadora: determinar una agrupación mineralógica propia del proceso mediante Data Mining y Algoritmos de Machine Learning.
También puedes leer: La gestión inteligente de repuestos
Esta agrupación propia identifica los grupos presentes en el mineral con similares características mineralógicas, permitiendo adaptar las estrategias operativas más adecuadas para maximizar la eficiencia y minimizar la variabilidad en la recuperación.
Esta predicción es posible obtenerla mediante el uso del Data Mining y Machine Learning, lo cual tendría un potencial enorme y un desafío para lo que he denominado los nuevos Metalurgistas Data Science. Para ello, en este punto del proceso se deben considerar las desviaciones que no incluye un modelo geometalúrgico tradicional, las cuales ocurren en el minado, acarreo, transporte en faja y en el Stock Pile.
Esta innovadora adición no solo enriquecería la eficiencia de las operaciones, sino que también ampliaría las capacidades predictivas de la planta, generando un impacto significativo en términos de eficacia y rendimiento. Al anticipar el tipo de mineral que ingresará al circuito de flotación, se abriría la puerta a una toma de decisiones más informada y precisa. Esto permitiría ajustar los parámetros del proceso en tiempo real para adaptarse de manera óptima a la composición específica del mineral, lo que resultaría en una mayor recuperación y una disminución en la variabilidad del proceso.
Lea el artículo completo en nuestra edición N° 157 de Rumbo Minero: https://www.rumbominero.com/ED157/
