Optimización del rendimiento en la molienda SAG a través del control de la velocidad de los Feeders aplicando analítica avanzada Codelco División Chuquicamata

Abstract

La optimización de circuitos de molienda semi-autógena (SAG) constituye uno de los principales desafíos operacionales en plantas concentradoras, debido a la alta sensibilidad del proceso frente a variaciones en las características del mineral y en las condiciones de alimentación. En este contexto, el presente estudio propone una metodología basada en analítica avanzada para apoyar la toma de decisiones operacionales mediante la integración de modelos de aprendizaje automático y técnicas de optimización evolutiva. Se desarrolló un modelo supervisado utilizando XGBoost para predecir el rendimiento del circuito de molienda en función de variables operacionales y características de la alimentación. Sobre este modelo predictivo se implementó un algoritmo de optimización Differential Evolution, cuyo objetivo es determinar las proporciones granulométricas de mineral en la alimentación que maximizan el throughput del circuito SAG. Las configuraciones granulométricas óptimas obtenidas por el algoritmo son posteriormente traducidas en acciones operacionales mediante el ajuste de la velocidad de los feeders, los cuales constituyen la principal variable manipulable para controlar las proporciones granulométricas que ingresan al molino. Los resultados del estudio demuestran que la integración de modelos de aprendizaje automático con técnicas de optimización evolutiva permite capturar de manera efectiva la relación entre las condiciones de alimentación y el desempeño del circuito de molienda, identificando configuraciones operacionales que maximizan la capacidad de tratamiento. Bajo las condiciones evaluadas(...).

Optimizing semi-autogenous grinding (SAG) circuits remains one of the main operational challenges in concentrator plants due to the high sensitivity of the process to variations in ore characteristics and feed conditions. In this context, this study proposes a methodology based on advanced analytics to support operational decision-making through the integration of machine learning models and evolutionary optimization techniques. A supervised model based on XGBoost was developed to predict grinding circuit throughput as a function of operational variables and feed characteristics. Based on this predictive model, a Differential Evolution optimization algorithm was implemented to determine the feed size distribution proportions that maximize SAG circuit throughput. The optimal granulometric configurations identified by the algorithm are subsequently translated into operational actions by adjusting the speed of the feeders, which constitute the main manipulable variable for controlling the proportions of each size fraction entering the mill. The results of this study demonstrate that integrating machine learning models with evolutionary optimization techniques effectively captures the relationship between feed conditions and grinding circuit performance, enabling the identification of operational configurations that maximize processing capacity. Under the evaluated conditions(...).