Agregando valor a la industria minera mediante la utilización de machine learning

Abstract

La presente tesina evidencia la factibilidad técnica-económica de generar información relevante (patrones de comportamiento y modelos) para efectuar una oportuna toma de decisiones y optimizar el procesamiento de mineral alimentado al molino SAG, a partir del uso de grandes volúmenes de datos operacionales, confirmando la posibilidad de utilizar Machine Learning (ML) en el principal proceso de la planta concentradora de la minera Centinela. Los resultados obtenidos con el modelo de ML han permitido desarrollar una carta de navegación basado en una matriz de rangos óptimos de operación para las variables críticas del molino SAG logrando maximizar el mineral procesado, reduciendo el consumo específico de energía y de bolas de acero, evitando además los eventos indeseados de alto torque y quiebres de parrillas. El impacto económico del uso de la matriz de parámetros óptimos de operación del molino SAG alcanza los 19,4 MMUS$/año. El menor consumo de medios de molienda, la reducción del consumo especifico de energía CEE y las practicas operacionales totalizan un impacto de 6,9 MMUS$/año, lo que significa que el proceso de molienda SAG logra ahorrar 26,3 MMUS$/año. La conformación de un equipo de profesionales que sean capaces de transformar datos en conocimiento se presenta como la principal debilidad para capturar los beneficios de manera sostenida en el tiempo, por lo que se recomienda crear una unidad de analítica avanzada (UAA) cuya evaluación económica muestra ser de alta rentabilidad e impacto para el negocio del grupo minero. Este trabajo evidencia la madurez alcanzada por el ML, revelando la efectiva oportunidad de generar información relevante y mejorar la toma de decisiones en tiempo real, posicionando a los datos como un activo que agrega valor a las compañías, con relativamente bajos montos de inversión..