Uso de Machine Learning para maximizar recuperación de agua en espesadores de relaves

La industria minera es una de las principales fuentes de materias primas para la producción de bienes y servicios en todo el mundo. La optimización de los procesos de exploración, explotación y transformación es crucial para garantizar la rentabilidad y la sostenibilidad de la industria. La creciente complejidad de estos procesos y la necesidad de decisiones basadas en datos han llevado a una adopción cada vez mayor de tecnologías de vanguardia.

La disponibilidad de grandes cantidades de datos operacionales en minería, plantas de concentración y fundición ha sido un campo fértil para la aplicación de la Analítica Avanzada y Machine Learning. Estas técnicas prometen una transformación significativa en la capacidad de las operaciones mineras para generar valor añadido. El presente artículo técnico detalla la aplicación de técnicas avanzadas de Machine Learning y el desarrollo de un modelo predictivo del tipo XGBoost en una planta de concentración de cobre de gran escala (550 000 toneladas de cobre fino por año), con el objetivo de maximizar la recuperación de recursos críticos como el agua en los espesadores de relaves.

Figura: Composición y Molienda definen operación de Espesadores

Modelo XGBoost y Comparativa con Otros Modelos

El modelo XGBoost fue seleccionado como el más adecuado tras probar y comparar su rendimiento (MAPE final obtenido 2%) con otros modelos predictivos como la regresión lineal, Random Forest y modelos basados en ARIMAX. Este modelo ensamblado se destacó por su capacidad de integrar múltiples árboles de decisión, optimizar parámetros mediante búsqueda sistematizada y validación cruzada temporal, lo que resultó en un rendimiento superior, especialmente en la captura y modelado de relaciones no lineales complejas entre las variables.

Debido a la naturaleza dinámica del proceso minero y la variabilidad en las condiciones operativas, el modelo necesitó reentrenarse cada dos semanas. Este reentrenamiento constante fue vital para adaptar el modelo a los cambios y mantener su precisión y relevancia, asegurando que los patrones y correlaciones no lineales entre las variables se mantuvieran actualizados y efectivos para la predicción.

Figura: Análisis de importancia de variables

Figura: Modelo de predicción vs Data Real

Impacto Económico y Ambiental

El proyecto consiguió un ahorro significativo en la recuperación de agua de los espesadores de relaves, con un incremento de eficiencia del 2%. Este avance, derivado de la precisión del modelo predictivo, no solo tuvo implicaciones económicas, sino que también supuso un avance en la gestión sostenible de los recursos hídricos, un tema de creciente importancia en la industria minera.

Seeq: Innovación en Analítica Industrial

La implementación del modelo XGBoost se llevó a cabo en la plataforma Seeq, especializada en la analítica avanzada y el Machine Learning para datos industriales. Seeq se distingue por su capacidad para gestionar eficientemente series temporales de datos, lo que permite a los usuarios transformar rápidamente grandes conjuntos de datos operativos en insights accionables. Este enfoque reduce drásticamente el ‘Time to Value’, facilitando la toma de decisiones informadas y ágiles en un entorno industrial que opera las 24 horas del día.

Figura: Arquitectura general de Seeq

El uso de tecnologías basadas en datos es cada vez más prevalente en la industria minera, y los beneficios tangibles obtenidos a través de este proyecto son un claro testimonio de su valor. La capacidad de predecir con antelación eventos que podrían desestabilizar los espesadores ha permitido evitar ineficiencias en la separación y, por consiguiente, en la recuperación de agua. Esto no solo mejora la eficiencia operativa sino que también contribuye a la conservación de recursos naturales. Como resultado directo, se logró elevar el porcentaje de recuperación de agua promedio de un 57% a un 60%, lo que equivale a una reducción sustancial en la necesidad de agua fresca en el proceso de molienda.

Este proyecto pone de manifiesto la importancia de la innovación tecnológica en el campo de la minería y abre las puertas a futuras investigaciones y desarrollos que puedan seguir optimizando otros aspectos de la industria. El enfoque integral que combina el modelado predictivo con prácticas de sostenibilidad ambiental y eficiencia operativa es un modelo que se espera replicar en otras áreas de la industria.

Leave a Comment

Your email address will not be published. Required fields are marked *