En la minería existen diversos procesos, largos y complejos, que permiten transformar la extracción de toneladas de material sólido en mineral valioso como el cobre. Para poder extraer el mineral de manera eficiente y con la mayor pureza posible, se realizan pruebas de laboratorio; que miden la calidad del mineral al final de procesos como celdas de flotación.
Adoptar estrategias basadas en datos y generar una ventaja competitiva en la industria, como agilizar resultados o hacer más eficientes estos procesos, son posibles gracias a algoritmos de machine learning y su correcta operacionalización de estos.
Bajo la anterior premisa, en este trabajo se describe el proceso de utilizar data histórica de resultados de laboratorio de ley de impurezas insolubles y compósitos diarios de datos de operación de leyes de minerales de los últimos dos años; para construir un modelo de machine learning de regresión multivariable, y así estimar los resultados de laboratorio a partir de variables de operación. Este proceso se dividió en dos fases, primera fase entrenamiento del modelo y segunda: operacionalización. Se utilizaron variables de los compósitos diarios desde el 2020 hasta 2022. Dentro de estas variables se encontraban promedios diarios de leyes de minerales, tales como arsénico, molibdeno, hierro, cobre y resultados de impurezas insolubles. Se realizó una limpieza de datos y técnicas de pre procesamiento de los datos para poder estimar un modelo. Dentro de la herramienta de analítica Seeq se desarrolló un modelo de regresión multivariable, donde a través de un modelo matemático lineal se interpretó el resultado de la concentración de las impurezas. Este modelo nos dio un coeficiente de determinación (r2) de 0.58 el cual fue un resultado muy bueno para una primera evaluación. Se realizó otro modelo de regresión, del tipo expanded base, donde se genera un modelo matemático polinómico y no lineal con combinaciones entre las mismas variables. Este nuevo algoritmo regresor brinda como resultado un valor de r2 de 0.63 el cual es más aceptable.
Una vez generado el modelo analítico, este se operacionalizó en la siguiente fase. Se cambiaron las variables de entrada del modelo que en un inicio eran cada día, por las señales de medición; generando estimaciones de ley de impureza insoluble a partir de los datos de leyes de minerales que se generan en tiempo real. Generar esta estimación de laboratorio y disponibilizar esta información en las diferentes plataformas de la mina, permite a las distintas áreas de operación tomar decisiones más ágiles para minimizar la ley de impureza. Sin tener que esperar a resultados de laboratorio que pueden tomar horas o incluso días.
Para desarrollar este modelo, se utilizó información disponible proveniente de distintas fuentes de información como historiadores y bases de datos de planta. Tener un entorno de analítica que conecte distintas fuentes de información, genere algoritmos de machine learning y permita operalizarlos es crucial para darle vida y continuidad a los modelos analíticos. El software Seeq, una herramienta de software basada en la nube, donde se desarrolló este trabajo, permite que la experiencia para generar valor a partir de los datos sea rápida, escalable y exitosa.
En síntesis, la capacidad de prever en tiempo real la ley de impureza insoluble emerge como un factor crítico para elevar la calidad del producto final en la industria minera. La implementación de técnicas de ciencia de datos y la utilización de plataformas avanzadas, como Seeq, desempeñan un papel fundamental en esta empresa, facultando a los operadores para tomar decisiones fundamentadas y optimizar la eficiencia de los procesos operativos. En última instancia, el proyecto no solo generó resultados inmediatos en cuanto a la ley de impurezas, sino que también posibilitó la visualización en tiempo real de este indicador, reduciendo la producción de impurezas y desarrollando algoritmos predictivos en un tiempo notablemente breve en comparación con otras soluciones basadas en la nube disponibles.
Este avance representa una transformación significativa en la industria minera, donde la conjunción de la ciencia de datos y la tecnología avanzada se manifiesta como un catalizador clave.