REVISTA MINERÍA 532 | EDICIÓN ENERO

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 1

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 2

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 3

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 4 Ofrecer a nuestros lectores conocimiento, tecnología e innovación, orientados al desarrollo productivo y sostenible de las operaciones mineras, buscando la mejora de la calidad y competitividad del sector minero. Misión: PRESIDENTE: Víctor Esteban Gobitz Colchado 1er. VICEPRESIDENTE: Roberto Fernando Maldonado Astorga 2do.VICEPRESIDENTE: Luis Miguel Cardozo Goytizolo DIRECTORES Raúl Máximo Garay Villanueva Juan Carlos Ortiz Zevallos Luis Alberto Tadeo Brocos Gutiérrez Darío Amet Ali Zegarra Macchiavello Enrique Alfonso Paredes Rivero Richard René Contreras Vilca Alfredo Gabriel Alfaro Lagos Zetti Gavelan Chávez Diana Rake Portugal Concepción Santos Ramón Toribio Carlos Homar Lozano Domínguez EXPRESIDENTE: Luis Alberto Rivera Ruiz REPRESENTANTE CIP: Germán Arce Sipán GERENTE GENERAL: Carlos Diez Canseco COMITÉ EDITORIAL: Miguel Cardozo Roberto Maldonado Richard Contreras Darío Zegarra Luz Cabrera Diógenes Uceda PUBLICACIÓN OFICIAL DEL IIMP www.revistamineria.com.pe rmineria@iimp.org.pe 532 Enero 2022 Director: Venancio Astucuri Editor: Hebert Ubillús Arriola Publicidad: 961748318 / 944570038 Colaboradores: Víctor Tenorio – Cristhian Carrión – Henry Luna – Maylin Mendoza y Cristina Palacios – R. Pozo – Patricio Feijoo, A. Nicolás Aguirre y Bernardo A. Feijoo – Luis Jordá y Fredy Valeriano – Jorge Olivari Diagramación: César Blas Valdivia Corrección: C & S Comunicaciones MINERÍA es la publicación oficial del Instituto de Ingenieros de Minas del Perú Calle Los Canarios 155-157, Urb. San César - II Etapa, La Molina, Lima 12, Perú. Telf. (511) 313-4160 / E-mail: rmineria@iimp.org.pe http://www.iimp.org.pe «Hecho el Depósito Legal Nº 98-3584 en la Biblioteca Nacional del Perú» El Instituto de Ingenieros de Minas del Perú no se solidariza necesariamente con las opiniones expresadas en los artículos publicados en esta edición de MINERÍA. Se autoriza la reproducción de los textos siempre que se cite la fuente Contenido Histórico Geología Geomecánica 68 Minerales en Mesoamérica Minería 4.0 Proyectos 06 Alcances de Minería 4.0 para los retos actuales de la industria 50 Caracterización de la resistencia a compresión simple del material rocoso mediante propiedades físicas en campo 24 Inversión minera en el Perú 12 Inteligencia Artificial: redes neuronales artificiales y su aplicación en la predicción de las variables en planta concentradora 62 Revisión y adaptación del gráfico empírico del índice Q-ancho para uso en minas entibadas en madera 37 Modelo explícito de alteración a partir de data litogeoquímica como guía de exploración en el yacimiento VMS Cerro Lindo 44 Modificación del sistema GSI en función de la escala de análisis de estabilidad de taludes en macizos rocosos

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 5 Conocimiento para cimentar el futuro de la minería Editorial Qué duda cabe que en el actual estadio de la humanidad, el conocimiento que cimenta el desarrollo científico y tecnológico, es uno de los factores de éxito más importantes de las sociedades y los países. Ello, obviamente también atañe a los sectores productivos y de servicios que incorporan cada vez más innovaciones para responder proactivamente a las nuevas necesidades de la sociedad global y mejorar la calidad de vida de las personas. En ese marco, la minería, cuya importancia en la actualidad ha cobrado mayor peso por su incidencia en la transición hacia las energías limpias y el acceso a las nuevas tecnologías, tiene como uno de sus pilares a la innovación constante de los procesos con la incorporación de lo último del desarrollo tecnológico, en lo que se ha denominado la Minería 4.0. Esto implica un cambio disruptivo en la forma de trabajar en las diferentes etapas del proceso minero con elementos remotos y autónomos integrados a las personas, que tienen un impacto en las actividades y estructuración de las labores mineras, que están a cargo de profesionales y técnicos del sector. Es por esta razón, que la actualización y entrenamiento permanente de las personas, se constituye en un punto clave en esta transformación digital, para alcanzar los resultados que por la inversión en nuevas tecnologías se esperan en beneficio de la productividad, seguridad, protección del medio ambiente y el desarrollo con valor compartido. En ese sentido y luego de haber realizado un estudio con el objetivo de determinar las brechas en la formación de los futuros ingenieros de minas, geólogos y metalurgistas, el Instituto de Ingenieros de Minas del Perú (IIMP) inició este año la Cantera de talentos para la minería, con el fin de complementar la formación de 50 estudiantes y egresados de ingeniería de minas. El programa apunta a actualizar los conocimientos técnicos, operativos y tecnológicos de los mejores alumnos de las universidades a nivel nacional, para que cuenten con las herramientas y capacidades que demanda la minería presente y futura, en este proceso de transformación digital que en el Perú ya se ha iniciado. Para ello, se ha convocado a un total de 52 expositores, de los cuales el 30% cuenta con experiencia internacional y el 63% ocupa puestos de decisión en operaciones mineras, a los que se suman funcionarios públicos y académicos, con el propósito de ofrecer a los becarios una visión integral del negocio minero. Iniciativas como esta son un paso importante para que la minería peruana encuentre el soporte humano necesario con el fin de seguir profundizando en estos cambios y alcanzar y mantener la excelencia operacional que todos esperan de la principal actividad productiva del país, que debe ser la base del desarrollo sostenible del Perú. Venancio Astucuri, Director.

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 6 Alcances de Minería 4.0 para los retos actuales de la industria Minería 4.0 Por: Víctor Tenorio, Ph.D., Grupo de Inteligencia Minera, Departamento de Minas e Ingeniería Geológica de la Universidad de Arizona. Resumen Hace ya algunas décadas, la minería entró a una etapa de modernidad en la que la tecnología de la información ingresó para participar en un rol de vital importancia en diversas actividades de la industria. Se incorporaron equipos de cómputo y dispositivos de recolección de datos en distintas áreas del proceso de producción, las cuales permitieron cumplir con gran precisión con las cuotas de producción, los programas de mantenimiento, planes de minado, y el diseño y modelamiento digital de labores, entre otros. El cálculo de reservas, la actividad metalúrgica y los procesos financieros, contables y administrativos también se beneficiaron con el uso de los sistemas informáticos. Cuando todo parecía indicarnos que habíamos llegado exitosamente a una cúspide, aparece la Cuarta Revolución Industrial, que integra las computadoras existentes en las respectivas áreas de cobertura en las que venían trabajando, conectándolas a través de una plataforma robusta de intercambio de información y transformándolas en sistemas estratégicos de decisión y análisis. No solo se trata de las novedosas y potentes computadoras personales disponibles hoy, sino de las que aún continúan operando en nuestras minas, además de otros dispositivos portátiles como las tabletas y teléfonos inteligentes que también forman parte en esta innovación. Entra además el concepto de Internet Industrial de las Cosas, que permite integrar equipos mineros, sensores y servo-controles que ya cuentan con capacidad de intercambiar datos y recibir comandos de teleoperación en forma inalámbrica, incorporando así las funciones de geolocalización, salud de los equipos, condiciones físicas de los operadores y análisis del rendimiento general de los procesos productivos a las actividades regulares de monitoreo, control y optimización. El cambio requiere de una preparación y conocimiento del potencial de las computadoras actuales, las redes de datos y los lenguajes de codificaFigura 1. Programa Cantera de talentos, 2022.

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 7 Abstract A few decades ago, mining entered a stage of modernity in which information technology played a critical role in various industry activities. Computer equipment and data collection devices were incorporated in different areas of the production process, which made it possible to comply with production quotas, maintenance programs, mining plans, and the design and digital modeling of workings, among others, with great precision. The calculation of reserves, metallurgical activity and financial, accounting, and administrative processes also benefited from the use of computer systems. When everything seemed to indicate that we had successfully reached a peak, the Fourth Industrial Revolution appeared, integrating existing computers in the respective areas of coverage in which they had been working, connecting them through a robust information exchange platform and transforming them into strategic decision and analysis systems. It is not only the new and powerful personal computers available today, but also those that are still operating in our mines, as well as other portable devices such as tablets and smartphones that are also part of this innovation. The concept of Industrial Internet of Things also plays a role, allowing the integration of mining equipment, sensors, and servo-controls that already have the capacity to exchange data and receive teleoperation commands wirelessly, thus incorporating the functions of geolocation, equipment health, operators' physical conditions, and analysis of the general performance of production processes into regular monitoring, control, and optimization activities. The change requires preparation and knowledge of the potential of today's computers, data networks, and coding languages used for these purposes, as well as an expanded view of the production chain. The program "Cantera de talentos para la minería" of the Peruvian Institute of Mining Engineers (IIMP), for its 2022 version, has considered essential for the new generations of mining engineers to know in detail the processes required to search for these data, the fundamental concepts for their integration and presentation at management, administrative and operational levels, and finally learn to develop analysis strategies and actions to take for essential operations in the mining activity. ción que se utilizan para estos fines, así como una visión expandida de la cadena de producción. El programa Cantera de talentos para la minería del Instituto de Ingenieros de Minas del Perú (IIMP), para su versión 2022, ha considerado esencial para las generaciones nuevas de ingenieros de minas que conozcan en detalle los procesos requeridos para buscar estos datos, los conceptos fundamentales para su integración y presentación a nivel gerencial, administrativo y operativos, y finalmente aprender a desarrollar estrategias de análisis y acciones a tomar para las operaciones esenciales en la actividad minera. Preparándonos para el futuro Las condiciones dentro de las que la industria minera trabaja actualmente han venido evolucionando de acuerdo con las exigencias del mercado. Tenemos demandas de tonelajes y calidad de los

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 8 productos finales con un mínimo de variación, tiempos precisos para embarques y entregas en lugares distantes, en abierta competencia con operaciones de otras partes del mundo que pueden regular o reducir sus costos de producción, optimizar sus medios de transporte, minimizar la variabilidad o mantener el flujo de producción constante, manteniendo o maximizando las utilidades. Esto que parece implícito en los objetivos de operación y producción de la actividad minera, se vuelve crítico cuando se tienen que alcanzar o superar los estándares internacionales. La mayoría de estos retos requiere del uso de la tecnología informática. La evolución de los sistemas, computadoras y aplicaciones ha logrado alcanzar a la industria minera y facilitar la recolección de datos, el modelamiento, la transmisión de alertas, el telecomando, los sistemas de manejo de flota, las bases de datos relacionales, y la automatización de múltiples procesos, entre otros. Es necesario que los ingenieros de minas del futuro conozcan estas herramientas, y que puedan en un plazo muy corto, poner en práctica su aprendizaje. Hacia la transformación digital Las operaciones mineras se benefician directamente con los esfuerzos para transformar la manera de recolectar, procesar y analizar los datos que generan los procesos productivos con el fin de detectar deficiencias y maximizar sobre la marcha, la capacidad de utilización de los equipos. Esto solo será posible a través de un conocimiento integral de los procesos de extracción, concentración/lixiviación y transporte de minerales, y la capacidad de los ingenieros a cargo, de presentar los valores obtenidos en cada etapa. De esta manera, será posible tomar decisiones estratégicas para optimizar todos los procesos. El resultado será el máximo aprovechamiento de todos los equipos y el aseguramiento que podrán alcanzarse los objetivos de producción dentro de los estándares de operación y seguridad. La Cuarta Revolución Industrial amplía el alcance de sus predecesoras integrando computadoras y equipos de manufactura y producción en una plataforma de datos robusta. La actividad minera ha dado un paso más adelante, acuñando un nombre propio para su estrategia de modernización. Minería 4.0 hace uso de las más recientes tecnologías informáticas, entre las cuales destacan el Edge Computing (computación periférica) que combina el acceso a procesadores avanzados, y su integración con el Cloud Computing (nubes de servidores y máquinas virtuales) más allá de la capacidad de nuestro parque de computadoras existentes. Figura.2 Disciplinas, tareas, y cursos del pilar Minería 4.0.

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 9 Otras tecnologías que se incorporan a esta nueva visión de los sistemas es la Inteligencia Artificial y el Machine Learning (aprendizaje automático), que ayudará a predecir situaciones críticas en los procesos productivos y nos permitirá remediar condiciones subóptimas para no afectar los resultados de tonelajes y leyes de mineral, y controlar la disponibilidad mecánica de los equipos, entre otros. Herramientas informáticas para las nuevas generaciones El programa Cantera de talentos, organizado por el IIMP en colaboración con compañías líderes en la industria minera, ha sido desarrollado con el fin de ofrecer a un selecto número de futuros ingenieros de minas de todas las universidades que ofrecen la carrera, de participar en un ciclo especial de temas fundamentales de la actividad minera, con un enfoque práctico y actualizado de metodologías, estrategias y tecnologías que tienen repercusión internacional y que cubren los estándares de operación para las nuevas generaciones (ver Figura 1). Se han diseñado siete “pilares” que representan las áreas esenciales que abarcan la actividad minera. Dentro de los temas a cubrir, el pilar Minería 4.0 destaca en la presentación de las herramientas digitales más recientes, las que son actualmente utilizadas para mejorar las operaciones mineras, conformando los estándares de operación a nivel mundial. Para la cadena productiva de la actividad minera, se han identificado las disciplinas que van desde la exploración, pasando por el modelamiento del depósito, el diseño de mina y la extracción, el procesamiento y el transporte del producto final, y las tareas más críticas que forman parte de ellas, lo cual ha permitido de esta manera definir los cursos que tengan mayor relevancia para su aplicación práctica (ver Figura 2). La exposición a estos nuevos desarrollos tecnológicos permitirá a los participantes construir soluciones para acelerar la transformación digital de la minería. El pilar Minería 4.0 Dentro del programa Cantera de talentos, el pilar Minería 4.0, dedicado a las tecnologías informáticas y su aplicabilidad en la industria minera, se ha planeado en función a los conocimientos esenciales que deben adquirir los ingenieros de minas de las futuras generaciones. La secuencia de cursos (ver Figura 3) se efectuará en segmentos de 2 a 4 horas, distribuidas durante una semana completa, con oportunidad para ejercicios prácticos e interacción con los instructores, quienes poniendo lo mejor de su experiencia y conocimiento, podrán responder a las preguntas de los participantes. Descripción de los cursos Los temas han sido elegidos en función a su valor práctico aplicable a la actividad minera. Algunos nombres se han mantenido en su forma original, aunque ya puede encontrarse literatura técnica con las denominaciones adecuadas para su alcance y funcionalidad. Los cursos seleccionados son: Machine Learning (Aprendizaje automático), Modelamiento de datos, Data Analytics (Análisis de datos). Mejora continua, Automatización y Optimización de procesos (equipos autónomos), y Lenguajes de programación, entre los que destaca Python. Machine Learning La incorporación de los conceptos de Inteligencia Artificial a las actividades de producción minera permite su aplicación en procesos continuos como la concentración de minerales, como es el caso exitoso de Compañía Minera Antamina (Antamina, 2021), en la regulación de la etapa de chancado en operaciones de alto tonelaje, y en modelos de inferencia del yacimiento mineral, que puede ayudar a definir con anticipación los nuevos horizontes geológicos hacia donde la exploración y las futuras operaciones pueden extenderse. Procesos semi-automáticos como la ventilación o el ajuste de parámetros de una faja transportado-

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 10 ra pueden auto-regularse, basándose en la lectura de datos históricos y la aplicación de algoritmos de inferencia no lineal, que aprenderán de estos y ajustarán el peso de los datos de entrada, hasta lograr acercarse a las funciones matemáticas que interpreten su comportamiento y recomienden los ajustes requeridos. Los temas a cubrirse serán las redes neuronales, el aprendizaje supervisado y no supervisado, el clustering, la regresión, el diagnóstico predictivo de los resultados de los procesos y la detección de irregularidades o discontinuidades del proceso productivo. Moldeamiento de datos El estudio de las condiciones de las rocas y la evaluación de las alternativas disponibles para representar diversas situaciones de estabilidad y calidad del contenido mineral de los yacimientos son un ejemplo de la utilización de esta técnica. La geoestadística y el análisis da datos cuantitativos, cualitativos y semi-cuantitativos regresa para reforzar y validar los modelos generados, así como los cálculos utilizados para la estimación de leyes y otros atributos de importancia en la definición de un yacimiento mineral. Elementos externos que pudieran afectar el modelo, tales como sistemas de fallas, alteraciones geoquímicas, presencia de agua o vibraciones, son parámetros que pueden robustecer el modelo y facilitar su interpretación. Data Analytics El Análisis de datos es una disciplina enfocada en extraer conocimiento de la información obtenida en el transcurso de las operaciones diarias. Incluye el proceso de inspeccionar, limpiar, transformar y modelar los datos de exploración, explotación o procesamiento de minerales, con el objetivo de descubrir información útil, reportar conclusiones, y apoyar en la toma de decisiones estratégicas. Existen múltiples facetas y metodologías para efectuar este análisis, abarcando diversas técnicas, dentro de las cuales se incluyen los dashboards, o paneles dinámicos de información, de donde el ingeniero y los operadores obtienen el conocimiento requerido para tomar luego acciones de remediación u optimización. Lenguajes de programación Uno de los lenguajes más populares para ingresar o extraer información de las Bases de Datos Relacionales que se encuentran comúnmente en las corporaciones, es Python. De manera similar que sus predecesores, tales como Visual Basic, PHP/HTML y otros lenguajes potentes, su sencillez y facilidad de aprendizaje hace posible que se escriban scripts o secuencias enteras de instrucciones automatizadas que pueden extraer selectivamente segmentos enteros de los datos de un proceso, a diversas horas del día, sin afectar las tareas en curso. De manera similar, aplicaciones de modelamiento de minas y planeamiento pueden combinar estas instrucciones y producir modelos espaciales gráficos que representen los avances de excavación de las minas en operación. La nueva generación de ingenieros de minas debe conocer al menos uno de estos lenguajes para construir sus propias consultas a los servidores de datos. Figura 3. Secuencia de cursos en el pilar Minería 4.0.

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 11 Optimización de procesos El objetivo principal de esta disciplina es reducir o eliminar los tiempos muertos, reducir el desperdicio de recursos, recortar costos innecesarios, mitigar los cuellos de botella y corregir errores en los procesos productivos mientras se cumple con las cuotas de entrega de mineral o concentrado. La atención se concentra solo en aquellos procesos que trabajan en condiciones subestándar, con el fin de hacer ajustes cuando es necesario. Puede utilizarse técnicas de análisis a través de inspecciones sistemáticas, simulación, proyección de datos y estudio de data histórica. Mejora continua La complejidad de las operaciones mineras requiere muchas veces que sean vistas como un gran proceso de manufactura. Solamente así es que se pueden detectar variabilidades y deficiencias en el proceso de producción, que pueden requerir ajustes de acuerdo con el análisis del rendimiento de cada segmento de la operación. Six Sigma es una de etas técnicas reconocidas como claves para el ahorro de tiempo, incremento de la seguridad en los trabajos rutinarios, mientras se reducen los insumos y la energía, impactando también en la reducción de los costos. Automatización y control de procesos Las tecnologías de equipos autónomos, el reemplazo de actividades repetitivas o generadoras de fatiga para los seres humanos permite cubrir áreas de operación donde las personas no logran llegar por motivos de elementos externos, entrenamiento especializado, o acceso a lugares profundos e inaccesibles. Los equipos autónomos, en particular los camiones, pueden ayudar a ahorrar combustible, reducir el desgaste de llantas, y operar con igual nivel desde el inicio hasta el fin de cada guardia, con niveles de seguridad muy altos y sin tener que exponer a operadores humanos a condiciones inadecuadas de trabajo, especialmente en climas inhóspitos, temperaturas muy elevadas o bajas, y visión limitada, entre otras, reduciendo de esta manera la posibilidad de ocurrencia de accidentes y prolongando la vida útil de los equipos asignados a la producción. Conclusiones 1. La rigurosa selección de temas para el pilar Minería 4.0, además de la presencia de expositores de reconocida trayectoria, asegura el nivel de conocimientos y una exposición a las tecnologías de acuerdo a lo planeado para los participantes en el programa Cantera de talentos. 2. Existe un interés bien definido por parte de las compañías mineras de contar con nuevas generaciones de ingenieros de minas que puedan no solo conocer de estos temas en forma general, sino que conozcan de casos de éxito, reconozcan su valor técnico e identifiquen las oportunidades para encontrar su aplicabilidad en las operaciones mineras. Bibliografía Antamina. 2021. Antamina es la primera mina polimetálica en el mundo en implementar la tecnología Machine Learning en su proceso de producción de concentrado. https://www.antamina. com/noticias/primera-mina-polimetalica-implementar-tecnologia-machine-learning-proceso-produccion-concentrado/#:~:text=Antamina%20 es%20la%20primera%20mina%20pol imet%- C3%A1l ica%20en%20el , la%20producci%- C3%B3n%20de%20cobre%20equivalente%20 en%20planta%20concentradora. Deloitte. 2019. La Minería 4.0 es una forma de ejecutar en simple. Minería Chile, 28 de Agosto de 2019. https://www2.deloitte.com/cl/es/ pages/energy-and-resources/articles/la-mineria4-0-es-una-forma-de-ejecutar-en-simple.html International Society of Six Sigma Professionals. 2022. Blog. https://isssp.org/continuous-improvement-in-mining/ Mining 4.0 – The Digital Mine Symposium. 2021. http://symposiumdt2021.cim.org/2021/en/ Ortiz, Julián. 2021. Modelamiento Geo-Minero-Metalúrgico de Yacimientos. AMTC, Universidad de Chile.

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 12 Inteligencia Artificial: redes neuronales artificiales y su aplicación en la predicción de las variables en planta concentradora Minería 4.0 Por: Cristhian Jesús Carrión Osnayo, metalurgista. Resumen El presente trabajo contiene el desarrollo y la aplicación de Inteligencia Artificial o computacional (Redes Neuronales Artificiales - RNA) en el procesamiento de minerales. Las RNA imitan la funcionalidad del cerebro humano y se orientan como herramientas para la resolución de problemas prácticos, son capaces de aprender de la experiencia a partir de las señales o datos provenientes del exterior. Las RNA aplicadas serán capaces de predecir las recuperaciones en el procesamiento de minerales previo a un adecuado entrenamiento y aprendizaje supervisado de la neurona, donde se introduce una gran cantidad de datos reales históricos de la planta concentradora, en este caso leyes de cabeza del mineral de beneficio y el contaminante con sus respectivas recuperaciones, con los cuales buscamos que la RNA se entrene y/o aprenda. Introducción La actual problemática por la escasez de mineral conforme pasan los años de vida de la mina desde el punto de vista cuantitativo (tonelaje) y cualitativo (bajas leyes), hace cada vez más neAbstract This paper contains the development and application of Artificial or computational intelligence (artificial neural networks) in mineral processing. Artificial Neural Networks (ANN) mimic the functionality of the human brain and are oriented as tools for practical problem solving; they are able to learn from experience from signals or data coming from the outside. Applied ANNs will be able to predict recoveries in mineral processing prior to an adequate training and supervised learning of the neuron, where a large amount of real historical data from the concentrator plant is introduced; in this case, head grades of the beneficiation mineral and the contaminant with their respective recoveries, from which we expect the ANN to get trained and/or learn.

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 13 cesario mejorar y optimizar los procesos, esto no lleva a investigar sobre la Inteligencia Artificial y su posterior aplicación en el procesamiento de minerales con la finalidad de obtener recuperaciones óptimas. Parte de la Inteligencia Artificial, involucra la aplicación de redes neuronales, con las cuales buscamos predecir dichas recuperaciones. Objetivo  Se busca involucrar la aplicación de tecnologías como la Inteligencia Artificial para la solución de problemas en temas de minería y hacer un proceso más eficiente y responsable debido a la reducción de recursos y reservas de los yacimientos mineros.  Tomar decisiones anticipadas y apropiadas para los procesos, una vez conocidos los valores de las recuperaciones futuras debido a la predicción de la red neuronal artificial en la planta concentradora. Fundamentos de RNA Concepto del modelo biológico El modelado de una RNA se basa en la estructura y funcionamiento del sistema nervioso del ser humano, donde la neurona es el elemento fundamental. Existe variedad de neuronas por su forma y tamaño. Estructura de la neurona La neurona es una célula viva por lo mismo que posee elementos característicos que la diferencian. Está compuesta por un cuerpo celular de un tamaño de 5 a 10 micras de diámetro, del cual sale una rama principal a la que se le denomina axón y de estas varias ramas más cortas llamadas dendritas. La característica que diferencia a la neurona del resto de células vivas es la capacidad de comunicarse, en conclusión las dendritas y el cuerpo celular (soma) reciben señales de entrada, el cuerpo celular las procesa y emite señales de salida. El axón transporta estas señales a los terminales axónicos (dendritas), los cuales se encargan de distribuir la información procesada a un nuevo grupo de neuronas. Una neurona recibe y emite información a miles de neuronas, se estima que en el cerebro del ser humano existen 1015 conexiones entre neuronas. Naturaleza bioeléctrica de la neurona Las señales que se emiten son de dos tipos distintos de naturaleza eléctrica y química. Figura 1. Modelo de red neuronal biológico y artificial. Figura 2. Modelo de neurona biológica.

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 14  Impulso eléctrico: es la señal generada por la neurona y transportada a lo largo del axón.  Impulso químico: Es la señal que se transmite entre los terminales axónicos (dendritas). Sinapsis Se le denomina así al mecanismo de comunicación entre dos o más neuronas, con el fin de transmitir masivamente el impulso nervioso destinado a coordinar una función en el organismo. Existen dos tipos de sinapsis: a) Sinapsis excitadora: las que facilitan la generación de impulsos con una mayor velocidad. b) Sinapsis inhibidora: que dificultan la emisión de impulsos. La mayoría de las neuronas reciben entradas procedentes de sinapsis excitadoras e inhibidoras, en cada instante algunas de ellas estarán activas y otras en reposo, la suma de estos efectos determinará si la neurona será o no estimulada, es decir, si emitirá o no un determinado impulso y, de ser así, a qué velocidad lo realizará. Las señales que llegan a la sinapsis son las entradas a la neurona, estas son ponderadas (atenuadas o amplificadas) a través de un parámetro, denominado “peso”, las señales de entrada pueden excitar a la neurona (sinapsis con peso positivo) o inhibirla (sinapsis con peso negativo). El efecto es la suma de las entradas ponderadas, si la suma es igual o mayor que el umbral de la neurona entonces esta se activa (existe salida) o caso contrario no lo hará. Elementos de una red neuronal artificial Las redes neuronales son modelos que intentan reproducir el comportamiento del cerebro, el mismo que simplifica los datos irrelevantes del sistema, ya que la cantidad de información de la que se dispone es excesiva. El funcionamiento neurobiológico que sirve de base a las redes neuronales es el siguiente: a) Las neuronas reciben estímulos externos, a los cuales denominaremos información de entrada. b) La información se transmite para ser procesada, a esta unidad la llamaremos unidades ocultas. c) Una vez finalizado el periodo de procesado de la información llega a las unidades de sa- Figura 3. Modelo red neuronal artificial. Figura 4. Niveles o capas de una RNA. Figura 5. Diagrama de red neuronal hacia adelante.

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 15

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 16 lida, cuyo objetivo es dar una respuesta de salida. Las neuronas artificiales tratan de imitar las características más relevantes de la neurona biológica, cada una de las neuronas está caracterizada en cualquier instante por un valor de estado de activación “ai(t)”, existiendo una función de salida “fi”, la cual transforma el estado actual en uno de salida “yi”. Las señales moduladas que han llegado a la unidad se combinan entre ellas, generando así la entrada total de la red. Modelo general de una neurona artificial Se denomina RNA a un dispositivo simple de cálculo que, a partir de un vector de entrada procedente del exterior o de alguna otra neurona, proporciona una única respuesta y/o salida, sus elementos son:  Conjunto de entradas: Xj (t)  Pesos sinápticos: Wij, que presentan la intensidad o importancia de las entradas entre cada neurona presináptica “j” y la neurona postsináptica “i”.  Regla de propagación: O (Wij, Xj(t)), que proporciona el valor del potencial postsináptico, de la neurona una función de sus pesos y entradas.  Estado de activación: fi(ai(t-1), hi(t)), que proporciona el estado de activación actual de la neurona.  Función de salida: Yi = fi(ai(t-1), la cual proporciona la salida actual de la neurona, en función de su estado de activación. Este modelo de neurona artificial es la inspiración de la neurona biológica en el sentido de ingresar una serie de entradas (imput) y proporcionar respuestas. Yi(t)= Fi(fi[ai(t-1), (Wij, Xj(t))]) Función Activación Función Propagación Existen cuatro funciones de transferencia típicas que determinan distintos tipos de neuronas:  Función escalón.  Función lineal y mixta.  Función sigmoidal (hiperbólica tangencial).  Función Gaussiana. Para este estudio utilizaremos la función sigmoidal, ya que con ella el valor dado es cercano a Figura 6. Diagrama de flujo de la RNA.

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 17 uno de los valores asintóticos. En la mayoría de los casos el valor de salida está comprendido en la zona alta o baja del sigmoide, siendo su importancia que su derivada siempre será positiva y cercana a cero. Regla de aprendizaje Biológicamente se suele aceptar que la información memorizada en el cerebro está más relacionada con los valores sinápticos de las conexiones entre las neuronas, es decir, que el conocimiento se encuentra en las sinapsis, en el caso de las redes neuronales podemos considerar que el conocimiento se encuentra en los pesos de las conexiones entre neuronas. Estructura de una RNA La estructura de una red neuronal está en función de:  Número de niveles o capas.  Número de neuronas por nivel.  Patrones de conexión.  Flujo de información. Niveles o capas Se pueden distinguir tres tipos de capas: 1)Entrada: es la capa que recibe directamente la información proveniente de las fuentes externas. 2)Niveles ocultos: son espacios internos de la red y no tienen contacto directo con el entorno exterior. 3)Salida: transferencia de la información de la red hacia el exterior. Mecanismo de aprendizaje El aprendizaje que se da en una RNA es el proceso por el cual una red modifica sus pesos en respuesta a una información de entrada. Lo esencial es saber qué criterios se toman cuando se pretende que la red aprenda una nueva información. Tabla 1. Datos de Leyes y Recuperaciones Históricas Tabla 2. Datos de Test de Predicciones

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 18 Se consideran dos tipos de aprendizaje:  Aprendizaje supervisado.  Aprendizaje no supervisado. Redes con aprendizaje supervisado.- se caracterizan porque el proceso de aprendizaje se realiza mediante un entrenamiento controlado, es decir, supervisado, el cual determina la respuesta que debería generar la red a partir de una entrada determinada. Redes con aprendizaje no supervisado.- También conocidas como autosupervisadas, no requieren influencia para ajustar los pesos de las conexiones entre sus neuronas, suele decirse que este tipo de redes tienen la capacidad de auto-organizarse. Dichas redes deben encontrar las características, correlaciones o categorías que se pueden establecer entre los datos que se presenten en su entrada. Para la predicción de las recuperaciones de este trabajo se ha utilizado el aprendizaje supervisado ya que se entrena a la RNA con datos históricos con los cuales queremos que dicha red aprenda o entrene. Existiendo varios modelos de RNA se ha utilizado la red blackpropagation, ya que se ajusta mejor al aprendizaje y resultados que deseamos obtener. La red backpropagation El funcionamiento de una red backpropagation consiste en un aprendizaje de un conjunto predefinido de pares de entradas - salidas en dos fases: primero se aplica un patrón de entrada como estímulo para la primera capa de neuronas, está a la vez se va propagando a través de todas las capas superiores hasta generar una salida, se compara el resultado obtenido en las neuronas de salida con las salidas que se busca obtener y se calcula un valor error para cada neurona. Estructura y aprendizaje de la red backpropagation En una red backpropagation existe una capa de entrada con «n» neuronas y otra capa de salida con «m» neuronas y al menos se tendrá una capa oculta, cada neurona de una capa (excepto la de entrada) recibe información de todas las neuronas de la capa anterior y envía una información de salida a todas las neuronas de la capa posterior. Tabla 3. Primera Prueba de Entrenamiento Tabla 4. Segunda Prueba de Entrenamiento

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 19 A diferencia de otra red, esta requiere del uso de neuronas cuya función de activación sea continua, generalmente la función que se utiliza para este tipo de red neuronal será el tipo sigmoidal (función tangente hiperbólica). Neuraltools y las RNA Cuando hacemos uso de neuraltools, el cual es el software de programación las RNA, se desarrollan en cuatro pasos.  Preparación de datos: los datos que se usan se definen en un conjunto.  Entrenamiento: con dicho entrenamiento o aprendizaje se genera una red a partir de un conjunto de datos, compuesto de casos con valores de salida conocidos. Estos datos son frecuentemente casos históricos de los cuales se conocen los valores de salida (variable dependiente).  Prueba: los datos utilizados para las pruebas son normalmente un subconjunto de data histórica.  Predicción: Se usa una red entrenada para predecir valores de salida desconocidos. Una vez entrenada y probada la red se puede aplicar para predecir salidas de datos de casos totalmente nuevos. Prueba, análisis e interpretación de los resultados de predicción de la recuperación en planta concentradora Lo que se desea lograr con las pruebas de entrenamiento es obtener una red capaz de predecir resultados futuros (recuperaciones) con un error, el cual sea el menor posible, para esto se requiere entrenar a la red con datos históricos de la planta concentradora. Descripción de las variables de pronóstico Para realizar el pronóstico y entrenamiento de la RNA se ha considerado las leyes de cabeza de mineral de beneficio (Sn) y de azufre (S) con las respectivas recuperaciones diarias durante 3 meses, dichos datos los consideramos representativos del proceso ya que varían frecuentemente y es lo que la red necesita para poderse enTabla 5. Tercera Prueba de Entrenamiento Tabla 6. Pronóstico de la RNA para los Posteriores 31 Días

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 20 trenar en diferentes escenarios. Por el contrario, si tomaríamos datos de variables constantes del proceso, simplemente estas no causarían efecto en el aprendizaje de nuestra red. Descripción de las variables a)Variables independientes: se ha considerado 3 variables las cuales son:  Ley de estaño (Sn): por ser el mineral de beneficio y el objetivo a recuperar en la planta concentradora, es una variable a considerar.  Ley de azufre (S): el azufre es una variable a controlar en el proceso, se considera el principal elemento perjudicial de la flotación de casiterita ya que disminuye considerablemente la calidad del concentrado (producto final del proceso).  Recuperación del circuito de gravimetría: la planta concentradora obtiene dos tipos de concentrado: el primero proveniente del circuito de gravimetría y, el segundo, del tratamiento de los relaves de gravimetría (flotación inversa), dicha variable será importante para la recuperación que se busca predecir (recuperación del circuito de flotación). b)Variable dependiente: de acuerdo al interés de información por parte de la planta concentradora para una adecuada toma de decisiones en el proceso se ha considerado la siguiente variable dependiente:  Recuperación del circuito de flotación: se ha considerado a la recuperación del circuito de flotación como variable a predecir por ser esta sumamente variada en el proceso. Control horario Los datos que se utilizaron para el entrenamiento de la RNA se obtuvieron del control horario que se maneja en el área de planta concentradora, en el cual se registran leyes de cabeza tanto de Sn (estaño), S (azufre) y las recuperaciones. Figura 7. Pronóstico de las recuperaciones con el modelo de regresión lineal (real vs predictivo).

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 21 Descripción de la data histórica de las variables de estudio Para el entrenamiento se tomó una muestra de datos de 87 días, los cuales hacen un total de 348 datos de entrada a la RNA, con el objetivo de predecir las posteriores recuperaciones con tan solo insertar leyes y no pesos. La RNA estará en proceso de aprendizaje supervisado por lo mismo que se ingresa la variable respuesta que será la misma que la red predecirá más adelante, una vez que el error de aprendizaje sea el menor posible (Ver Tabla 1). Se realizarán entrenamientos con la finalidad de reducir el error al mínimo posible. Una vez obtenida la red entrenada se procederá a predecir recuperaciones futuras (ver Tabla 2). El error de predicción en el test es del 25%, por lo cual el objetivo es reducir aún más el error (ver Tabla 3). El error de predicción en el test es del 14% (ver Tabla 4). Se puede apreciar en este último entrenamiento (aprendizaje) que los test se predijeron de una manera adecuada y confiable (ver Tabla 5). Se realizaron un total de tres entrenamientos con los cuales se pudo reducir el error prueba tras prueba, logrando así obtener un error del 4% en el entrenamiento y 0% en los test, lo cual es aceptable para una RNA. Comparación de pronóstico de métodos tradicionales y una RNA entrenada Pronóstico con regresión lineal El siguiente modelo estadístico que se utilizó para el pronóstico de las recuperaciones futuras de los siguientes 31 días ha sido el de multirregresión lineal, en este se ha considerado tres variables independientes y una dependiente. Figura 8. Pronóstico de las recuperaciones con la RNA entrenada (real vs predicción).

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 22 Variable respuesta: recuperación de flotación. Predictores continuos: leyes de estaño, azufre y recuperación del circuito de gravimetría. Para ello se hizo uso del programa Minitab17, con el que generamos la ecuación de regresión lineal y el nivel de significancia para cada parámetro. Resumen del modelo R-cuadrado (Ajustado) 27.05% 24.41% Ecuación de regresión para el pronóstico de recuperación de flotación: R. Flotación = 104.7 – 29.63 (estaño)+2.63 (azufre)+0.102(R. Gravi) Podemos visualizar en la Figura 7 que los valores reales de recuperación por flotación y el de la predicción no se ajustan ya que el R2 tiene un valor igual al 27.05%, el cual está muy por debajo del valor aceptable para una predicción. Pronóstico con RNA El siguiente modelo de red neuronal artificial que se utilizó para el pronóstico de las recuperaciones futuras ha sido el backpropagation, los resultados se muestran en la Tabla 6. Conclusiones 1. De acuerdo a los resultados obtenidos se observa que el modelo de regresión lineal presenta un margen de error no aceptable. Sin embargo, el modelo de red neuronal (backpropagation) es el que mejor se ajusta al comportamiento de las variables y realiza una mejor predicción de las recuperaciones. 2. Las RNA no necesitan un algoritmo para resolver un problema, ya que ellas pueden generar su propia distribución de pesos en los enlaces mediante el aprendizaje. 3. En el presente trabajo se logró realizar predicciones con un alto grado de exactitud para las recuperaciones futuras y tomar decisiones adecuadas con la finalidad de realizar un proceso eficiente. 4. Al hacer pronósticos con los métodos estadísticos de regresión lineal, se obtiene un error el cual una vez identificado ya no es posible reducirlo. Caso contrario pasa con las RNA, si se reporta un error que no sea aceptable dentro de un rango establecido por la misma red, este se puede reducir aún más a medida que se hacen más iteraciones en el entrenamiento. Bibliografía Bart Kosko. 1992. Neural Networks and Fuzzy Systems – A dynamical systems approach to machine intelligence. Prentice Hall. Bonifacio M. del Brío, Alfredo S. Molina. 2002. Redes Neuronales y Sistemas Difusos. Alfaomega Grupo Editor S.A., RA-MA Editorial. Second Edition, México. José R. Hilera, Víctor J. Martínez. 2000. Redes Neuronales Artificiales, Edición: Addison-Weley Iberoamericana España. Manual NeuralTools, Palisade Corporation USA, 2010. Minera Minsur S.A. 2016. Reportes Internos Diarios Control Horario - Área Planta Concentradora. Olmedo y otros. 2004. Utilización de Redes Neuronales en la Caracterización, Modelización y Predicción de Series Temporales. Pedro Isasi Viñuela. 2005. Redes de Neuronas Artificiales. Ediciones Pearson, Pretince Hall. Collantes y Otros. 2004. Predicción con redes neuronales artificiales: comparación con las metodologías box y Jenkins. Serrano y Gallizo. Las redes neuronales artificiales en el tratamiento de la información financiera. (http://www.ciberconta.unizar.es/ Biblioteca/0004/SerGall96.html) Stuart Rusell and Peter Norving. 2004. Inteligencia Artificial – Un enhorque moderno. Pearson Education, S.A., Second Edition.

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 23

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 24 Inversión minera en el Perú Proyectos Por: Henry Luna, Instituto Geológico, Minero y Metalúrgico (Ingemmet). Resumen La minería es una actividad ancestral que forma parte de nuestra historia y está vinculada con el patrimonio cultural, religioso, social y con el desarrollo económico del Perú. Nuestros antepasados alcanzaron avances notables en el proceso de extracción, procesamiento y transformación de metales. Los antiguos peruanos conocieron el oro, la plata, el cobre y el mercurio; realizaron aleaciones como el bronce y utilizaron el hierro por sus propiedades colorantes en cerámica y textilería. Durante tres siglos de Colonia, se descubrieron muchas operaciones mineras subterráneas y aluviales de oro con el apoyo de pobladores locales. Asimismo, de plata y azogue, y en menor escala de cobre, estaño y plomo. A partir del siglo XX comienzan las inversiones a gran escala que han permitido que el Perú sea líder en producción y reservas mineras a nivel latinoamericano y mundial. Época de la Colonia Las referencias sobre la actividad minera en el Perú desde la época colonial hasta la República (1542 a 1980), las encontramos en la obra Abstract Mining is an ancestral activity that is part of our history and is linked to Peru's cultural, religious, social, and economic development. Our ancestors achieved remarkable advances in the process of extraction, processing, and transformation of metals. Ancient Peruvians knew gold, silver, copper, and mercury; they made alloys such as bronze and used iron for its coloring properties in ceramics and textiles. During three centuries of colonization, many underground and alluvial gold mining operations were discovered with the support of local people. Also, silver and quicksilver, and on a smaller scale copper, tin, and lead. From the 20th century onwards, large-scale investments began, making Peru the leader in mining production and reserves in Latin America and the world.

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2022 / EDICIÓN 532 25 Perú Minero[1] de Mario Samamé Boggio, así por ejemplo, en el periodo de la Colonia (1542 – 1809) ya se tenía referencia de la explotación aurífera en Carabaya, Oruro, La Paz y Jaén. En 1545, se descubre la mina de plata de Potosí por el indígena Huallpa. En 1550, se halla el yacimiento aurífero de Chaucalla, en la provincia de Condesuyos. Tres años después, en la “Crónica del Perú” de Pedro Cieza de León, se habla de la riqueza aurífera del río Carabaya y que en Sandía distrito de Quinua se encontró una pepa de oro de 122 libras de peso, la que fue obsequiada a Carlos V. En 1556, se descubre mercurio en Huancavelica, en 1558 se hallan minas de oro en Huánuco y en 1560 en Condesuyos. En 1561, se dictan las Ordenanzas de Minería para el Virreynato del Perú y a partir de dicho año se descubren minas de oro en Cotabambas, minas de plata en Atunsuya, vetas de mercurio con plomo a menos de una legua de Huancavelica y en 1566 el indio Navincopa descubre la mina de mercurio de Huancavelica que llama “de los Santos”, luego “Descubridora” y después “Santa Bárbara”. También se descubre en esta época la mina de plata de Huantajaya (Tarapacá) por mineros portugueses. En 1567, se denuncian pertenencias mineras del distrito de Yauri y en 1569 se reconoce la brea de Chumpe y arriba a Lima el virrey don Francisco de Toledo que promulgó Ordenanzas de Minas en 1574. En 1570, se descubren las minas de Julcani (Angaraes); en 1571 se recomienda explorar Tarapacá, y en 1578 Francisco de Toledo, virrey del Perú, dicta nuevas ordenanzas para minas. Entre 1590 y 1670 se hallan las minas de plata de Urcococha y Choclococha dando nacimiento a Castrovirreyna, Nuevo Potosí (Yauli, Morococha), minas de Huaylas y Recuay, minas de oro en Camaná y Chumbivilcas; minas de plata en Vilcanota, Cailloma; Yauyos, Aymaraes; Paratía y Lampa, y Santiago de Chuco y Quiruvilca. En 1630, el indio Huari-Capcha descubre la mina, que hoy se conoce como Cerro de Pasco, en el paraje “Santa Rosa”, en el cerro de Santisteban de Lauricocha, en circunstancias en que apacentaba su rebaño y se ve obligado a pasar la noche y hace fuego para abrigarse y a la mañana siguiente encuentra, entre las cenizas, hilos de plata fundida. Avisa a don Juan José de Ligarte, hacendado de Huariaca, residente de Pasco, quien reconoce el cerro y comienza a trabajar. A partir de 1630 hasta 1770 se descubre la mina de Condorama, Tayacaja, Sarpaquino (Huamachuco), Conchucos y Huallanca. En 1657, un indio descubre las minas de Laicacota (Puno), posteriormente minas de oro de Otoca (Ayacucho) y Alpacay (Arequipa), minas de plata en Carabaya, en Huamachuco se extraía metales de alto valor y en Lucanas la minería progresaba y prometía mayores riquezas. Se trabaja la mina de Colquijirca en Pasco, se descubren nuevas minas en Huancavelica y la mina de oro de Chorunga, se

RkJQdWJsaXNoZXIy MTM0Mzk2