MINERÍA la mejor puerta de acceso al sector minero MINERÍA / JUNIO 2022 / EDICIÓN 537 14 conocidos y usados en las tareas de Data Mining Machine Learning, ya que son una forma de representación sencilla para encontrar grupos homogéneos según una cierta variable de respuesta. Esta técnica permitió representar de forma gráfica una serie de reglas sobre la decisión que se debe tomar en la dosificación de reactivos en un proceso de flotación, tal como se aplicó para este ejemplo, la cual podría incrementar la recuperación de cobre en función al nodo primario estimado por el algoritmo, el cual fue el magnesio contenido en el mineral procesado. Los resultados de esta aplicación redondeando los valores fueron los que se muestran en la Tabla 2. 3. El usar este tipo de aprendizaje automático permitirá crear un modelo inicial que ve todos los conjuntos de características y el tipo correspondiente de mineral en función al nodo primario (para este ejemplo fue el %magnesio), el cual lo determinó sin estar explícitamente programado para hacerlo. Así, este algoritmo de aprendizaje automático debe ser alimentado de manera continua, de tal manera que de forma iterativa continúe aprendiendo de los datos y posibilite encontrar detalles ocultos e ir mejorando su grado de predicción. 4. Una vez validado el grado de predicción del modelo, también permitirá establecer rangos de dosificación de reactivos claros y precisos para poder maximizar la recuperación de cualquier proceso de flotación (en este caso de aplicación fue el de cobre), lo que posibilitaría establecer estrategias operativas para el proceso de flotación, lo que daría como resultado una reducción en la variabilidad causada por las distintas formas de operar entre los diferentes grupos de trabajo y además una posible reducción en costos por consumos de reactivos. 5. Finalmente podríamos soportarnos en realizar gráficas de contorno de las principales variables y ver su impacto en la recuperación de los elementos valiosos de cualquier proceso de flotación. Bibliografía MIT. Curso de Machine Learning. Universidad de Ciencias Aplicadas. Curso de Data Mining. Tabla 2. Resultados %Mg < ~1.5% %Mg > ~1.5% Colector Primario < 30 g/t < 40 g/t Colector Secundario < 5 g/t > 8 g/t Espumante Primario > 37 g/t > 31 g/t Espumante Secundario < 3 g/t < 3 g/t CONDICIONES Dosificación de Cal (g/t) pH 9.0- 10.0 pH 10.0- 10.8 Sólidos en las Celdas Ro Scv (%) 34.0 - 36.0 30.0 - 34.0 P80 al circuito de flotación (um) 250.0 - 325.0 220.0 - 310.0
RkJQdWJsaXNoZXIy MTM0Mzk2