MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 1
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 2
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 3
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 4
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 5
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 6
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 7
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 8
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 9
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 10 La revista MINERÍA, publicación oficial del Instituto de Ingenieros de Minas del Perú (IIMP) y de PERUMIN 35, agradece a las empresas anunciantes en la edición especial por la Convención Minera de este año
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 11 La revista MINERÍA, publicación oficial del Instituto de Ingenieros de Minas del Perú (IIMP) y de PERUMIN 35, agradece a las empresas anunciantes en la edición especial por la Convención Minera de este año
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 12 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: Abraham Chahuan 1er. VICEPRESIDENTE: Darío Zegarra 2do.VICEPRESIDENTE: Juan Carlos Ortíz DIRECTORES Raúl Garay Jimena Sologuren Johny Orihuela Julia Torreblanca Miguel Cardozo Roberto Maldonado Rómulo Mucho Alfredo Alfaro Edgardo Orderique Diana Rake Tomás Gonzáles EXPRESIDENTE: Víctor Gobitz REPRESENTANTE CIP: Germán Arce GERENTE GENERAL: Carlos Diez Canseco COMITÉ EDITORIAL: Miguel Cardozo Roberto Maldonado Richard Contreras Darío Zegarra Luz Cabrera Diógenes Uceda Rómulo Mucho Director: Venancio Astucuri Subdirector: Homar Lozano Editor: Hebert Ubillús Arriola Publicidad: 961748318 / 944570038 Colaboradores: Hugo Escobar y Aldo Aliaga – Cesar Matías y Nilo Dávila – Raymond Rivera y Federico Cernuschi – Edgard Atencia y Manuel Vega – Francisco Cuellar – César Reyna – Augusto Ramírez 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 108Apuntes para la historia de la minería en los Andes centrales del Perú Premio Nacional de Minería 14 Uso de Inteligencia Artificial en la optimización de la producción de concentrados de cobre – Sociedad Minera Cerro Verde 28 Incremento de vida útil de los revestimientos de molienda – Unidad Minera Cerro Lindo Nexa Resources 42 Los Early Halos y su implicancia en la exploración de pórfidos en las Américas Procesamiento de Minerales Geología Gestión Ambiental Legal y Tributario Operaciones Mineras Editorial 70 Diseño y validación de un robot marino no tripulado para monitoreo ambiental recurrente de operaciones mineras en el mar 86 Desarrollo humano, productivo y mitigación del cambio climático a través del mecanismo de Obras por Impuestos 60 Maximización en la recuperación de pilares con sistema Wassara y su beneficio en la perforación de tajos primarios en Sociedad Minera El Brocal 13 La contribución científica y tecnológica del IIMP y PERUMIN PUBLICACIÓN OFICIAL DEL IIMP www.revistamineria.com.pe rmineria@iimp.org.pe 541 Octubre 2022
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 13 La contribución científica y tecnológica del IIMP y PERUMIN Editorial Con el devenir del tiempo y el acercamiento del hombre a la ciencia, ha quedado demostrado que el progreso de la humanidad y las naciones más exitosas, está basado en la educación y el desarrollo científico. Nuestro país no es ajeno a esta realidad y, pese al consenso que existe en esta materia, no se ha podido consolidar una estrategia clara para alcanzar el objetivo de contar con una educación de primer nivel que promueva la investigación y la innovación, y la academia se convierta en el soporte tecnológico que las empresas requieren para ser cada vez más competitivas. Sin embargo, existen esfuerzos de organizaciones como el Instituto de Ingenieros de Minas del Perú (IIMP), que desde la creación de la Convención de Ingenieros de Minas en 1954, promueve la investigación y el intercambio de conocimientos entre los profesionales del sector mediante la presentación de estudios desarrollados en las compañías mineras. Fue en 1976 que se instituyó el Premio Minería con el propósito de reconocer al mejor trabajo presentado en cada Convención y que por su alto nivel represente una importante contribución al desarrollo de la actividad minera en el país. De esa forma, se estableció un reconocimiento permanente a este esfuerzo genuino de profesionales peruanos por perfeccionar, en base a la ciencia, los procesos y operaciones mineras de manera constante con el uso de lo último del desarrollo tecnológico. Prueba de ello, es el estudio ganador del Premio Nacional de Minería de este año en el marco del Foro de Tecnología, Innovación y Sostenibilidad (Foro TIS) de PERUMIN 35, al igual que los mejores trabajos desarrollados por área temática, que también fueron distinguidos en la Convención Minera. Han pasado cerca de 70 años desde que se realizó la primera presentación de estudios técnicos promovidos por el IIMP y, desde esa fecha, tanto la organización temática como las investigaciones desarrolladas no solo han ido de la mano con las mejoras tecnológicas de su época sino también con los desafíos que la minería ha enfrentado en todo este tiempo. En ese sentido, se constituyen en un verdadero aporte para la industria minera en general, puesto que resuelven algún problema o perfeccionan procesos, con el fin que las operaciones sean más eficientes y se adecuen al contexto en el que les toca desarrollase. Por ello, con el objetivo que más estudiantes y profesionales tengan acceso a estas investigaciones y puedan conocer sus detalles, es que a través de la publicación oficial del IIMP y de PERUMIN: la revista MINERÍA, se publican estos trabajos desde la década de los 80, lo que en la actualidad se ve incrementado con una difusión digital con un alcance sin precedentes en la historia, que llega a más de 50 países. De esta manera, a través de PERUMIN y la revista, el IIMP cumple con uno de sus principales propósitos: de incentivar y difundir la investigación científica que se desarrolla en las unidades mineras, como un poderoso instrumento para coadyuvar a que la minería peruana mantenga y sea cada vez más competitiva. Venancio Astucuri, director.
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 14 Uso de Inteligencia Artificial en la optimización de la producción de concentrados de cobre – Sociedad Minera Cerro Verde Premio Nacional de Minería Por: Hugo Escobar y Aldo Aliaga, Sociedad Minera Cerro Verde. Trabajo ganador del Premio Nacional de Minería en PERUMIN 35 Resumen Los planes de producción en una concentradora de cobre comprometen las libras producidas contenidas en los concentrados para su posterior comercialización. La operación diaria de las concentradoras es gobernada por dos variables a optimizar: el tonelaje y la recuperación; ambas con una relación inversa. Alcanzar el equilibrio óptimo entre estas dos variables constituye el reto principal para maximizar las libras de cobre en los concentrados. Una herramienta que ha brindado buenos resultados en las concentradoras de Sociedad Minera Cerro Verde ha sido la implementación de la Inteligencia Artificial (IA). El uso del Machine Learning para modelar el tonelaje y recuperación, y así optimizar la producción de libras de Cu. Las recomendaciones obtenidas con la herramienta, el proceso sistemático de revisión de variables claves para la operación, la detección de anomalías de instrumentos y la interacción entre profesionales de las concentradoras durante la revisión de las recomendaciones, han servido para mejorar y unificar las decisiones operativas, rompiendo muchos paradigmas en el camino. Producto de la implementación de esta herramienta y proceso, se lograron identificar oportunidades de mejora en las plantas que derivaron en proyectos de optimización de los circuitos de flotación y a la fecha con más de un año de ejecución, se obtuvieron incrementos en Figura 1. Variables de alto potencial y palancas para optimizarlas.
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 15 la producción de libras de Cu de hasta 6.5%, sin perder la calidad del concentrado y en muchas oportunidades mejorándola. Introducción Sociedad Minera Cerro Verde cuenta con dos concentradoras y una planta SX/EW que operan de manera integrada en su única concesión de beneficio. El rendimiento de ambas concentradoras ha estado basado principalmente en el expertise de los profesionales que la operan y la capacidad de los equipos instalados. Con herramientas de analítica de avanzada se pudo determinar nuevas oportunidades de mejora; utiliTabla 1. Potencial Incremento en Recuperación C1 C2 ¿Cómo capturar valor? Dificultad Potencial de incremento teórico Reducción de colas 5% 4% Recuperación por tamaños 3% 2 - 5 % Pruebas de laboratorio 3.50% 2.50% Total de incremento teórico 3 - 5 % 2 - 5 % Mejora operativa más allá del modelo de recuperación Densidad de flotación 1.4% 1.4% IA / Proyectos D pH de flotación 0.7% 1.7% IA / Proyectos M Dosis colector primario 2.6% 1.6% IA F Dosis de colector secundario 4% 4% IA F Mass Pull 1.7% 1.5% APC/IA/Proyectos F Circuito limpieza 0.7% 0.7% APC/Proyectos M Optimización del P80 Mejora en molienda - - IA F Entrega de mineral de fases (blending) 2.5 - 3.5 % 2.0 - 3.0 % - - Abstract A copper concentrator's production plans are based on the pounds produced and contained in the concentrates for their subsequent commercialization. The daily operation of concentrators is governed by two variables to be optimized: tonnage and recovery; both inversely related. Achieving the optimum balance between these two variables is the main challenge to maximize the pounds of copper in concentrates. A tool that has provided good results in the concentrators of Sociedad Minera Cerro Verde has been the implementation of Artificial Intelligence (AI). The use of Machine Learning to model tonnage and recovery, and thus optimize the production of pounds of Cu. The recommendations obtained with the tool, the systematic process of reviewing key variables for the operation, the detection of instrument anomalies and the interaction between concentrator professionals during the review of recommendations, have served to improve and standardize operational decisions, breaking many paradigms along the way. By implementing this tool and process, we were able to identify improvement opportunities in the plants that led to flotation circuit optimization projects, and to date, after more than a year of execution, an increase in the production of Cu pounds of up to 6.5% has been obtained, without losing concentrate quality and, in many cases, improving it. zando modelos de Machine Learning se encontraron nuevos puntos óptimos de operación que normalmente eran considerados paradigmas operativos y que al ojo del mejor metalurgista resultaba complicado alcanzar. En este trabajo se presentará la metodología utilizada, los retos afrontados y los beneficios obtenidos durante la etapa de implementación y sostenibilidad de la herramienta. Objetivos Incrementar la producción de libras de Cu balanceando continuamente entre aumentar tonelaje o la recuperación.
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 16 Utilizar la Inteligencia Artificial como herramienta de optimización operativa. Metodología La magnitud del trabajo involucrado en la implementación de la IA hace notar que los modelos de Machine Learning no podrían quedar solos como una herramienta de optimización; por el contrario, se requiere una serie de otras herramientas y actividades que acompañen y ayuden en el sostenimiento de este mecanismo de optimización. El proceso completo de implementación contempló: diagnóstico de situación actual, definición de alcances y recursos, determinación de Primeros Principios, ejecución de primeros modelos de Machine Learning, implementación de módulo de “Detección de Anomalías de Instrumentos”, Figura 3. Primeros Principios definidos en coordinación con las áreas de Metalurgia y Operaciones. Relaciona en el eje Y, la recuperación de Cu, y en el eje X, los parámetros. Figura 2. Sensibilidad de recuperación al incremento de tonelaje en las concentradoras C1 y C2, considerando las variaciones en los niveles de oxidación del mineral (ISA).
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 17
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 18 iteración de modelos de Machine Learning, definición de Interfaz de Usuario, alineamiento de APC (sistemas experto) con Primeros Principios Metalúrgicos, ajuste de restricciones y sostenibilidad de la herramienta. Determinación de prueba de concepto En esta etapa se identificó que el mayor potencial estaba en la optimización de la recuperación y el tonelaje con seis palancas que ayudarían a alcanzar y sostener el máximo potencial (ver Figura 1). Referente a la recuperación, el análisis indicaba el potencial de mejora que se podría tener de acuerdo a conceptos teóricos y a análisis operativos de este proceso. Considerando otras variables más a las de modelos metalúrgicos de recuperación, que correlacionan variables relacionadas al mineral como el contenido de Cu y Fe en la alimentación, la dureza, el nivel de oxidación y variables relacionadas al proceso como el P80 (Tabla 1). Referente al tonelaje, la relación es inversa con la recuperación, es decir cuando incrementamos el tonelaje hay un impacto negativo en la recuperación. Para la Concentradora 1 (C1), la sensibilidad de la recuperación al tonelaje es mayor que en la Concentradora 2 (C2), ver Figura 2. Determinación de Primeros Principios Definir los Primeros Principios permite dar coherencia a los modelos de Machine Learning y evitar errores de interpretación, es así como estos modelos deben cumplir con estos principios que obedecen al comportamiento metalúrgico de los tipos de mineral y factores operativos inherentes a cada planta concentradora (Figura 3). Implementación de modelos Machine Learning de línea base El primer paso para la implementación de la Inteligencia Artificial, fue definir modelos de línea base que puedan predecir resultados en condiciones estables de planta y que se actualicen con la información en línea disponible del proceso. Además, son muy necesarios para comparar los incrementos de recuperación y tonelaje con los modelos de optimización y generar las mejores recomendaciones a la operación. Tabla 2. Modelo Línea Base para Recuperación. ~2% de MAPE (Error Porcentual Absoluto Medio) MAPE R2 Train Test Train Test Line 1 1.58 2.31 0.78 0.56 Line 2 1.23 2.01 0.85 0.63 Line 3 1.24 1.98 0.84 0.61 Line 4 1.40 2.18 0.82 0.59 Promedio lineal 1.36 2.12 0.82 0.60 Agregado 1.71 2.09 0.72 0.57 Tabla 3. Modelo Línea Base para Tonelaje. ~6% de MAPE MAPE R2 Train Test Train Test Line 1 4.1 5.5 0.72 0.44 Line 2 4.4 6.0 0.67 0.42 Line 3 5.3 6.6 0.60 0.38 Line 4 4.1 5.4 0.78 0.61 Promedio lineal 4.5 5.9 0.69 0.46 Agregado 6.2 7.4 0.50 0.29 Tabla 4. Parámetros Optimizables por la IA Palancas Parámetros Optimizables Relacionados a P80 Tonelaje Presión de ciclones %Sólidos a la descarga de molinos Relacionados a Recuperación %sólidos alimentación Rougher Grado Concentrado Rougher Grado Concentrado Scavenger Dosis de Colector Primario Dosis de Colector Secundario pH Tabla 5. Modelo Campeón para Optimización de Recuperación MAPE R2 Train Test Train Test Line 1 1.36 1.95 90.3 80.8 Line 2 0.94 1.46 93.9 87.2 Line 3 0.79 1.47 95.3 85.9 Line 4 1.03 1.54 93.4 85.7 Overall Average 1.03 1.6 93.2 84.9
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 19
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 20 Estos modelos fueron definidos para los parámetros optimizables: recuperación, tonelaje y para el modelo de restricción de concentrado bulk Cu-Mo. La dificultad de la implementación consistía en: la complejidad de la interacción de las variables en la concentradora y que no había datos en tiempo real sobre el rendimiento de planta sin que la IA tuviera lugar. Un punto importante para considerar es que el modelo metalúrgico de recuperación de Cu inspiró el modelo de línea base de recuperación de la IA, sin embargo, la principal diferencia residía en que el modelo metalúrgico se centraba en la recuperación final de cada turno de operación y el modelo de línea base de la IA se centraba en estimar la recuperación con una cadencia de 3 horas (4 veces por cada turno de operación de la planta). Las técnicas utilizadas para establecer los modelos de línea base consistían en los árboles de decisión y gradient boosting. En el caso de los árboles de decisión, permiten: agrupar datos para asignar casos a grupos que son similares con respecto al resultado, tolerar diversidad de datos Figura 6. Parámetros del modelo de optimización de recuperación. Figura 7. Parámetros del modelo de optimización de P80. Figura 4. Parámetros del modelo línea base de recuperación. Figura 5. Parámetros del modelo línea base de tonelaje.
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 21 (se desempeña bien con mezclas de datos continuos y categóricos), relaciones no lineales y ayuda a encontrar patrones que no pueden ser graficados en un diagrama XY y no pueden ser extrapolados porque las predicciones que entrega son promedios del resultado observado; esto lo convierte en una línea base natural. En el caso del gradient boosting, permite: garantizar la diversidad de modelos al considerar las entradas de múltiples árboles de decisión, cada uno creado con un subconjunto de variables disponibles; incorporar los beneficios de los árboles de decisión tolerando la diversidad y modelando relaciones no lineales, y contener miles de árboles para considerar una amplia variedad de rutas únicas para la predicción de resultados antes de tomar un promedio ponderado de árboles para la regresión final. Implementación de modelos de Machine Learning de optimización Una vez definidos los modelos de línea base, el siguiente paso fue la construcción de modelos de optimización que generen recomendaciones de los mejores puntos de operación que maximicen la producción de libras de Cu Tabla 6. Modelo Campeón para Optimización de P80 MAPE R2 Train Test Train Test Line 1 2.96 3.19 0.8 0.76 Line 2 2.96 3.3 0.83 0.8 Line 3 3.24 3.78 0.83 0.78 Line 4 3.43 3.64 0.78 0.72 Overall Average 3.15 3.48 0.81 0.76 Figura 8. Jerarquía de control y optimización de procesos. Tabla 8. Restricciones Adicionales Tonelaje El mismo valor Velocidad de bomba de ciclones > 95% BM Gear Box Temp > 80 Deg C Disponibilidad de espesadores de relaves < 2 Si disponibilidad de zarandas húmedas <= 1 entonces tonelaje <= 2000 TPH Presión de ciclones El mismo valor BM Gear Box Temp > 80 Deg C Especial Si velocidad de bomba de alim ciclones >95% solo permite incrementar 15 Kpa Si corriente de bomba de alimentación a ciclones >289 A solo permite incrementar 15 Kpa %Sólidos alim Rougher El mismo valor flujo de agua en Overflow >1200 m3/h %sólidos descarga de molino El mismo valor Flujo de agua a molino >599 m3/h Flujo de agua al Underflow de ciclones >599 m3/h Especial Si tonelaje > 2700 entonces mínima densidad en descarga del molino >= 75% Concentrado Rougher El mismo valor Nivel de tanque de Concentrado Rougher >92% Flujo alimentación a remolienda Rougher >1700 m3/h Especial Si Concentrado Bulk > 21% entonces Concentrado Rougher <= valor actual Dosis colector secundario Especial Si ratio Fe/Cu en columnas > 3 entonces Dosis de Colector Secundario <= valor actual Tabla 7. Restricciones a Parámetros Optimizables Variable Min Rec Max Rec Presión de ciclones 120 145 Dosis de colector secundario 0 7 Concentrado Rougher 9 14 Concentrado Scavenger 1 4 Tonelaje 1,500 3,250 Dosis de colector primario 2 6 %Sólidos alim Rougher 25 32 %Sólidos descarga molinos 65 80
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 22 balanceando entre maximizar el tonelaje molido y la recuperación. El método de construcción es muy similar al de los modelos de línea base, la diferencia consiste en que estos estiman los valores óptimos para los parámetros optimizables que en este estudio consisten en los aspectos que siguen a continuación (ver Tabla 4): Modelo de optimización de recuperación El modelo campeón luego de las iteraciones presentó ~1.6% MAPE (ver Tabla 5 y Figura 6). Modelo de optimización de P80 El modelo campeón luego de la iteración presentó ~3.48% MAPE (ver Tabla 6 y Figura 7). Implementación de Módulo de Detección de Anomalías de instrumentos Los modelos de Machine Learning deben correr con una frecuencia mayor a los resultados oficiales de cada turno de operación. Para estas corridas la información que se alimenta a los modelos proviene de los sensores de planta. Estos instrumentos deben ser monitoreados permanentemente y se debe asegurar su confiabilidad. Para Figura 9. Reporte de seguimiento a revisión de recomendaciones. esta tarea se implementó un Módulo de Detección de Anomalías de todos los instrumentos que alimentan información a los modelos de Machine Learning. Este evalúa continuamente la coherencia de los datos y al detectar una desviación, clasifica la falla en intensidades: moderada, alto, muy alto y crítico. Este ranking permite al equipo de Instrumentación definir la prioridad de atención (ver Figura 12). Iteración de modelos Los modelos iniciales deben ser entrenados en todos los escenarios posibles para disminuir el error de predicción. Esta tarea se lleva a cabo de manera frecuente (cada 3 meses) y en función a los cambios de mineral, mejoras en los procesos, cambios de equipos, etc. Definición de interfaz de usuario La interfaz de usuario es el ambiente web que permite la interacción de los operadores con la Inteligencia Artificial. Es aquí donde se presentan los mejores puntos de operación estimados con los modelos de Machine Learning, y el operador puede hacer la revisión de estas recomendaciones. Esta interfaz de usuario brinda toda la información necesaria que debe conocer el operador para tomar la decisión de alcanzar los puntos de opera-
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 23
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 24 ción recomendados o no. Es decir, tiene la facultad de aceptar, rechazar o poner en revisión cada recomendación (ver Figura 13]. Alineamiento de APC con Primeros Principios De acuerdo con la arquitectura de control, la IA ocupa el lugar más alto, sobre los Controles Avanzados de Procesos (APC, por sus siglas en inglés). Entonces, podemos deducir que las recomendaciones generadas por la IA podrían ser alcanzados de manera estable utilizando los APC. Ajuste de restricciones Es importante definir las restricciones a los parámeFigura 10. Recuperación de Cu y toneladas molidas. Figura 11. Gráfica de contenido de Cu en alimentación y libras de Cu producidas.
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 25
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 26 Figura 12. Interfaz del Módulo de Detección de Anomalías. tros optimizables que considera la IA. Sin la definición de estas, podríamos generar desconfianza en los operadores cuando evalúen recomendaciones que no podrían ser alcanzados operativamente o que los equipos tienen como restricción física de diseño. Sostenibilidad de la herramienta El proceso de sostenibilidad de la herramienta contempló: Charlas de introducción de IA y su utilización en la optimización del proceso. Entrenamiento en la utilización de la herramienta interactuando a través de la interfaz de usuario con los operadores directos. Charlas de difusión de la herramienta a las áreas de soporte de la operación como Electricidad, Instrumentación, Mantenimiento Mecánico, Control de Procesos, Metalurgia, etc. Difusión de la importancia de la confiabilidad de información de sensores y disponibilidad. La socialización e involucramiento de los líderes cumple un papel muy importante para el éxito de todo el proceso de implementación. Durante el inicio del despliegue de la herramienta, el 100% del personal de la concentradora tenía conocimiento del proyecto de implementación y sabía cómo su trabajo impactaría en el éxito y sostenimiento de esta herramienta. Como parte del sostenimiento, se hicieron seguimientos mensuales al performance de las revisiones de recomendaciones, la comparación entre guardias y las estadísticas de aceptación, puestas en revisión o rechazo de las recomendaciones (ver Figura 9). Este seguimiento permite identificar los parámetros que menos nivel de aceptación tienen y evaluar si existe una restricción física de Planta que puede ser levantada a través de una iniciativa de mejora o si es simplemente un paradigma operativo.
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 27 Resultados De acuerdo con las mejores estimaciones de la IA implementada, incrementar el tonelaje favorece la mayor producción de libras de Cu, sin embargo, la relación de la recuperación con el tonelaje es inversa según las curvas revisadas en la prueba de concepto. Es así, que al incrementar el tonelaje se impacta negativamente en la recuperación, empero, existe un punto máximo de tonelaje y recuperación que optimiza la producción de libras y las recomendaciones generadas por la IA nos permite mover la operación hacia esos puntos. Desde el 2019 hasta febrero del 2020, operativamente se buscaba un mayor tonelaje, pero el impacto en la recuperación era alto. Aun cuando la ley de cabeza era mayor a 0.36% de Cu la producción de libras de cobre por día alcanzaba a las 32,000 lb/h. A partir de agosto del 2020 en que inició el proyecto de implementación de IA con los primeros análisis y levantamiento de restricciones, se logró incrementar la recuperación a promedios de ~ 85% pese a que la ley de cabeza se redujo por debajo de 0.34% de Cu. A partir del despliegue de iniciativas durante la implementación de la IA y su aplicación, se logró aumentar la producción de libras de Cu a promedios de ~ 34,000 lb/h, lo que significa incrementos de hasta 6.5%. Conclusiones 1.Desarrollar un sistema de optimización de procesos utilizando Inteligencia Artificial conlleva una serie de implementaciones paralelas a los modelos de Machine Learning que ayuden a maximizar las libras de Cu. Estas labores son tan importantes como los modelos en sí mismos. Figura 13. Interfaz de usuario para la revisión de recomendaciones generadas por la IA. 2.Los trabajos de sostenibilidad de la herramienta que involucran conversaciones uno a uno con operadores de campo, con grupos de colaboradores de áreas de soporte y líderes de la concentradora son primordiales para el éxito de la implementación. Finalmente se puede tener una muy buena herramienta de optimización, pero si no ha sido interiorizada por los usuarios directos o los involucrados en las áreas de soporte, la herramienta simplemente no se utilizaría. 3.De acuerdo con la jerarquía de control y optimización, es importante que todos los sistemas que están bajo la IA estén operando de manera confiable por dos razones principales: a) la información que generen servirá como inputs a los modelos de optimización y b) porque para alcanzar los puntos de operación recomendados se necesita que la operación esté estable y la movamos hacia los nuevos puntos recomendados. 4.Con la implementación de la IA se ha logrado incrementar las libras de Cu producidas maximizando el tonelaje y la recuperación. Bibliografía • Marco Vaccari, Ricardo Bacci. 2020. Implementation o fan Industry 4.0 system to optimally manage chemical plant operation. • Ilesanmi Daniyan. 2022. Implementation of Artificial Intelligence for maintenance operation in the rail industry. • Varanon Uraikul, Christine W. Chan, Paitoon Tontiwachwuthikul. 2006. Artificial intelligence for monitoring and supervisory control of process systems. • https://shap.readthedocs.io/en/latest/index.html • https://scikit-learn.org/stable/index.html • https://scikit-learn.org/stable/modules/sgd.html
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 28 Incremento de vida útil de los revestimientos de molienda – Unidad Minera Cerro Lindo Nexa Resources Procesamiento de Minerales Por: Cesar Matías Sinche, gerente de Tecnología Mina, y Nilo Dávila Ordoñez, jefe de Investigación, Nexa Resources. Trabajo ganador en el área de Procesamiento de Minerales y Metalurgia Extractiva en el Foro TIS, PERUMIN 35. Resumen El incremento del nivel de complejidad de la explotación y tratamiento se ha vuelto más frecuente en los últimos años, partiendo de una disminución en las leyes de cabeza, precios variables de los metales y necesidad de procesos más eficientes con menores costos de producción e implementación de tecnologías emergentes y disruptivas, por lo que la búsqueda de alternativas para optimizar los costos son parte fundamental en el desarrollo de las empresas del sector minero. Los mayores costos operativos de la planta concentradora (Opex) son los reactivos usados en la etapa de flotación y consumibles de las diferentes fases de conminución. El presente trabajo define una estrategia basada en un proyecto de investigación y desarrollo para disminuir los costos en la etapa de molienda mediante la evaluación de diferentes tipos de revestimientos en los molinos de la unidad minera Cerro Lindo de Nexa Resources. Actualmente los revestimientos del molino (acero) registran una vida útil de 8 meses, por ello se desarrolló un estudio de investigación que incluye diversas fases que son parte de la gobernanza del área de Tecnología y Desarrollo de Proyecto (I&D). El objetivo principal es incrementar la vida útil de los revestimientos de los molinos, manteniendo la performance metalúrgica en la etapa de molienda. Se inició con fases de estudios conceptuales, benchmarking y simulaciones a diferentes condiciones y perfiles de diversos materiales y fabricantes que se concluyó con la implementación de los revestimientos de tipo magnético. La instalación de los revestimientos magnéticos se llevó a cabo en el mes de julio de 2021. Las evaluaciones metalúrgicas realizadas indican que se mantiene la performance metalúrgica del molino Metso II tanto como molino primario y secundario. Se realizaron inspecciones dentro del equipo para proyectar la vida útil de los revestimientos. La proyección de acuerdo con la última inspección realizada es 36 meses. A su vez se están realizando estudios de viabilidad técnica para la instalación en los molinos de la unidad de Cerro Lindo (Metso I y Marcy) y en las unidades del Complejo Pasco (Atacocha y El Porvenir).
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 29 Introducción La planta concentradora de Cerro Lindo está localizada en el paraje de Huapunga, distrito de Chavín, provincia de Chincha, región Ica, a 2,100 m.s.n.m., y cuenta con una capacidad de tratamiento actual de 21,000 TPD. Geológicamente, está clasificado como yacimiento de tipo Volcanogenic Massive Sulfide (VMS) o sulfuros masivos volcanogénicos. La planta de beneficio de Cerro Lindo procesa minerales como galena (PbS), calcopirita (CuFeS2) y esfalerita (ZnS), y tiene las siguientes operaciones unitarias en su proceso: trituración, clasificación de minerales, molienda, remolienda, flotación, espesado y filtración. Durante la operación unitaria de flotación selectiva, se obtienen tres tipos de concentrados valiosos: zinc, cobre y plomo con contenidos de oro y plata. Adicionalmente, se cuenta con un producto no valioso denominado relave, del cual una parte es depositada adecuadamente en la propia mina mediante el proceso de pasta cementada, y la otra es enviada a filtración para luego ser secado y compactado en el depósito de relaves. Es la operación más importante de Nexa Resources Perú, la mayor mina subterránea del país y una de las más grandes de zinc en el mundo. El inicio de operaciones se dio a partir de julio de 2007. Fuente: Diario El Comercio. Figura 1. Ubicación de unidad Cerro Lindo. Abstract The increase in the level of complexity of mining and processing has become more frequent in recent years, due to a decrease in head grades, variable metal prices and the need for more efficient processes with lower production costs and the implementation of emerging and disruptive technologies, so the search for alternatives to optimize costs is a fundamental part of the development of companies in the mining sector. The most significant operating costs of the concentrator plant (Opex) are the reagents used in the flotation stage and consumables for the different comminution phases. This work defines a strategy based on a research and development project to reduce costs in the grinding stage by evaluating different types of liners in the mills of Nexa Resources' Cerro Lindo mining unit. Currently the mill liners (steel) have a useful life of 8 months, therefore a research study was developed including several phases that are part of the governance of the Technology and Project Development (R&D) area. The main objective is to increase the useful life of the mill liners, while maintaining the metallurgical performance in the grinding stage. This started with phases of conceptual studies, benchmarking and simulations at different conditions and profiles of different materials and manufacturers, which concluded with the implementation of magnetic type liners. Magnetic liners were installed in July 2021. Metallurgical evaluations performed indicate that the metallurgical performance of the Metso II mill as both a primary and secondary mill is maintained. Inspections were performed inside the equipment to predict the useful life of liners. According to the last inspection carried out, the projection is 36 months. At the same time, technical feasibility studies are being carried out for their installation in the mills of Cerro Lindo unit (Metso I and Marcy) and in the units of the Pasco Complex (Atacocha and El Porvenir).
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 30 Dentro de la planta de procesamiento se tiene el área de molienda donde actualmente trabajan activamente tres molinos: Metso 1, Metso 2 y Marcy. Los revestimientos del molino forman parte del equipo y sirven para cubrir el cilindro de daños que pueda ocasionar el proceso de molienda. El alcance del proyecto comprende el estudio de la viabilidad técnica y económica del cambio del tipo de revestimientos para el molino Metso II de la unidad minera Cerro Lindo. Anteriormente los revestimientos de los molinos tenían que ser sustituidos cada 8 meses y ello generaba un alto costo en la operación. Con la evaluación de revestimientos de diferentes tipos y perfiles, se logra extender la vida útil de estos componentes. Objetivos Implementar una nueva tecnología para reducir los costos asociados a la frecuencia de cambio y mantener la performance del circuito de molienda. Como unidad de producción Cerro Lindo se tiene los siguientes objetivos específicos: Reducir los costos asociados a los cambios de revestimientos. Mantener la performance metalúrgica del molino (función fractura). Reducir la frecuencia de cambio de los revestimientos (menor cantidad de HH). Disminuir la probabilidad de ocurrencia de accidentes/ incidentes y enfermedades ocupacionales relacionadas al cambio de los revestimientos y el ruido generado en el área de molienda. Metodología La metodología aplicada en el presente estudio inicia en 2019, con el proceso de investigación y desarrollo del proyecto con el objetivo de encontrar una alternativa para incrementar la vida útil de los revestimientos del molino. Después de realizar simulaciones, evaluar performance, analizar perfiles y trabajar con cuatro empresas especializadas en el mercado, se optó por la alternativa de los revestimientos magnéticos. Fuente: elaboración propia. Figura 2. Diagrama de flujo de la UM Cerro Lindo. Fuente: elaboración propia. Figura 3. Frecuencia de desgaste – revestimento anterior del molino Metso II. Fuente: elaboración propia. Figura 4. Pieza de revestimento magnético.
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 31
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 32 Las fases desarrolladas en el proyecto fueron las que se detallan a continuación. Descripción del problema El mineral extraído de mina tiene que ser reducido a un tamaño específico mediante el uso de un molino de bolas, este equipo está revestido con unos elementos metálicos que actualmente tienen una duración de 8 meses, siendo uno de los principales drivers de costos de la planta concentradora. Actualmente, este revestimiento se cambia debido al constante desgaste que sufre por el contacto con las bolas de acero y mineral (abrasión, corrosión e impacto), a esto se suma el excesivo peso de los revestimientos de acero tanto del total de las piezas como en forma individual (86 ton total – peso 317 kg por pieza, número de piezas: 272), dichas características generan lo siguiente: Incremento de gastos operativos (Opex) por la frecuencia de cambio. Mayor probabilidad de accidentes e incidentes por la frecuencia de cambio. Trabajo de alto riesgo por el exceso de peso manipulado por los trabajadores de forma manual. Altos niveles de ruido por el impacto entre las bolas y revestimientos de acero (120 dB). Mayor transporte de los revestimientos de acero lo que genera un aumento en la huella de carbono. Investigación y desarrollo Levantamiento de información y estudio conceptual Se realizo un análisis comparativo de las distintas alternativas y revisión de patentes de proveedores para evaluar propuestas de mejora. Se revisaron las siguientes opciones: Revestimiento de acero Forman parte del molino actúan como chaquetas protectoras de la carcasa interna (shell), que a su vez se van desgastando con el tiempo, debido al fuerte y constante impacto interno que se produce entre la carga de mineral y las bolas de acero. Revestimientos híbridos Son la combinación de acero y caucho. Acero resistente al desgaste y caucho moldeado a alta presión, el acero resiste a la abrasión y permite aproximadamente el doble de vida útil del revestimiento de caucho estándar. La estructura de goma absorbe el impacto de Tabla 1. Comparativa de Alternativas Tipo de revestimiento Área interna (m2) Peso (toneladas) Vida útil (meses) Línea base 126.95 86 7 Acero 126.75 92 12 Híbrido "A" 122.56 61 12 Híbrido "B" 120.12 58 12 Magnético 128.12 12 36 Fuente: elaboración propia. Fuente: elaboración propia. Figura 5. Perfiles de las piezas de los revestimientos. Tabla 2. Condiciones Operativas Tamaño de molino 16.5' x 24' Tipo de molino Secundario Distribución del tamaño de bolas 50% 2’’, 50% 1.5’’ Energía del molino 4000 HP Fuente: elaboración propia. Figura 6. Simulación Rocky – revestimiento magnético.
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 33
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 34 grandes rocas y elementos de molienda (bolas de acero). Revestimientos magnéticos Son de metal con un imán enjaulado de aleación no magnética, resistente al desgaste, donde el imán sujeta el forro de acero al shell. Estos revestimientos retienen los chips y bolas de tamaño inferior, para formar una capa de protección sólida que sirve como forro de desgaste. Las astillas de estas bolas y el polvo del mineral molido se retienen continuamente y, por lo tanto, el revestimiento puede durar años sin ningún mantenimiento. La fuerza magnética se encarga de asegurar que el revestimiento atraiga el material ferromagnético, formando una capa de desgaste continuo y auto renovable con un perfil ondulado. Los imanes internos mantienen al revestimiento en su lugar, por lo que ya no se requieren pernos de fijación, en cambio se sellan los orificios con tapones de caucho. La instalación es sencilla, el peso de cada pieza no excede los 30 kg. El reemplazo del revestimiento es igual de sencillo, solo es necesario la aplicación de una palanca. Evaluaciones metalúrgicas Las condiciones operativas se muestran en la Tabla 2. Simulaciones DOE en diferentes tipos de revestimientos, simulaciones en Mill Soft y Rocky DEM: • Acero (Tipo A, Tipo B). • Híbrido "A" (Tipo A, Tipo B). • Híbrido "B" (Tipo A, Tipo B) • Magnético - diseños iniciales (Tipo A, Tipo B). Se obtiene mejores resultados con los revestimientos magnéticos. Se realizan 10 simulaciones para el diseño final de los revestimientos magnéticos. • Perfil: A, B, C, D, E, F, G, H, I, J. Se definió al perfil “H” como diseño final para el molino Metso II. Fuente: elaboración propia. Figura 7. Perfil “H” del revestimiento. Fuente: elaboración propia. Figura 8. Molinos de la mina Dongguashan Cooper. Fuente: elaboración propia. Figura 9. Molinos de la mina Baima. Tabla 3. Mina Dongguashan Cooper Inicio de operaciones 1950 Provincia Tonglin Mina Cobre, plata y oro Capacidad 14 000 tpd Producto 18 - 21 Cu% Ley de cabeza 0.8 - 0.9% Recuperación 86 - 89% Tabla 4. Mina Baima Inicio de operaciones 1960 Provincia Panzihua Mina Hierro, titanio y vanadio Capacidad 15 000 tpd Producto Concentrado de hierro y titanio Calidad 44 % Fe - 4 % Ti
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 35 Fuente: elaboración propia. Figura 10. Diagrama de flujo Metso II – Primario. Fuente: elaboración propia. Figura 11. Diagrama de flujo Metso II – Secundario. Visitas técnicas – Benchamarking externo Como parte de la finalización del estudio conceptual se realizó vistas técnicas a dos minas en China que tienen implementado en sus molinos el uso de revestimientos magnéticos. La finalidad fue: Conocer la performance de los revestimientos magnéticos. Realizar una evaluación y análisis de las variables metalúrgicas más importantes. Recabar datos importantes como el acondicionamiento y preparación del molino. Mina Dongguashan Cooper En esta unidad minera cuyos principales datos apreciamos en la Tabla 3, el resumen metalúrgico fue el siguiente: El uso de revestimientos magnéticos no afectó a la recuperación ni calidad del cobre, se mantuvo el corte de alimentación a flotación en 65% -200 malla. Se mantuvo una recuperación de Cu de 88%. El tonelaje de procesamiento se mantuvo en 14,000 tpd antes y después del uso de revestimientos magnéticos, no se modificó el circuito ni la configuración. Generó ahorro de energía en un 15% por tener menor peso. Usan 100% bolas de 3” y no afecta a los revestimientos magnéticos (300 hb). En cuanto a la información mecánica tenemos: Reducción drástica de los costos de mantenimiento. Mayor vida útil (en esta mina 4 veces mayor que los revestimientos de acero convencionales). Más liviano, fácil y seguro de instalar, no requiere pernos de fijación. Reduce los niveles de ruido. Menos emisión de astillas de bolas que reducen el daño a los equipos de procesamiento aguas abajo como bombas y ciclones. Recomiendan la adquisición de ½ juego de MML para stock de repuestos. Mina Baima En esta unidad minera cuyos principales datos presentamos en la Tabla 4, el resumen metalúrgico fue el siguiente: El uso de revestimientos magnéticos no altera el ratio de reducción, mantiene el 60% - 200 m. El tonelaje procesado antes y después de los revestimientos magnéticos registraron valores promedio de 15,000 tpd. No se reporta disminución en la calidad del concentrado de hierro (55% Fe) ni titanio (47%), Se mantuvo la misma configuración del diagrama de flujos antes y después del uso de este tipo de revestimiento. Se comprueba aspectos teóricos con la inspección visual al interior de molino como niveles de adherencia y durabilidad del revestimiento. En cuanto a la información mecánica tenemos: Mayor vida útil (en este caso 7 veces mayor que los revestimientos de acero convencionales). Más liviano (hasta 30 Kg por pieza, fácil y seguro de instalar). No requiere pernos de fijación debido a las fuertes fuerzas de atracción que los mantienen en su lugar con
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 36 rendimiento constante durante años, reduce los niveles de ruido. Los MML absorben las astillas de bolas y los escombros a su superficie y evita su descarga del molino mientras se forma la capa de protección sólida. Finalizada la visita técnica se realiza la presentación de la propuesta al equipo de Gerencia de Planta de Cerro Lindo para su aprobación. Con el visto bueno se inicia el proceso de gestión para la fabricación, importación e instalación. Implementación - planificación Se inicia con el proceso de fabricación de los revestimientos y planificación de actividades para la instalación. Se realizó una capacitación previa al inicio de la instalación donde participaron la empresa proveedora, la compañía especializada encargada de la instalación, Mantenimiento planta, Operaciones y el equipo de Tecnología. Las actividades se retrasaron nueve meses por el contexto de la pandemia del COVID-19. Las principales métricas para el inicio de operaciones del molino Metso II con la implementación de los revestimientos magnéticos: Duración de los revestimientos. Ratio de reducción: • Molino primario: P80/F80 = 10 a 12. • Molino secundario: P80/F80 = 1.63 a 1.60. Fuente: elaboración propia. Figura 12. Plan de actividades. Desmontaje Desmontaje de revestimientos y backing rubber. Retiro de tuercas que aseguran los antiguos revestimientos al molino. Preparación del cilindro Limpieza de superficie interna del molino e instalación de tampones en el cilindro. Instalación del MML Instalación de revestimientos magnéticos de medio cilindro. Backing rubber Colocación de backing rubber de 3 mm para cubrir el cilindro de posibles daños.
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 37
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 38 El día 5 de julio del 2021, se inicia la instalación para el cambio de los revestimientos magnéticos en el molino Metso II. La actividad se realizó en 74 horas con 54 personas y cero accidentes durante este proceso. Culminada la instalación, se inician las operaciones del molino Metso II como primario y la evaluación de la performance metalúrgica (ver Tabla 5). Seguimiento y evaluación Desde la puesta en marcha del molino Metso II con los actuales revestimientos, se realiza un seguimiento operacional de la performance metalúrgica y el desgaste de estos. Además de las condiciones operacionales que podrían afectar su rendimiento. Se obtuvo una mejora con la reducción de los ratios de molienda primaria entre 10 – 12 y se alcanzó un valor de 10.4. Se obtuvo una mejora con la reducción de los ratios de molienda secundaria de 1.65 y se alcanzó un valor de 1.62. La diferencia con el forro convencional es que la eficiencia se mantiene constante desde el primer minuto de operación efectiva, principalmente, porque no afecta el diámetro interno del molino como sucedería con un revestimiento convencional. Actualmente se realiza la inspección interna del molino Metso II cada dos meses para la evaluación de la proyección de la vida útil y la performance del proceso. Resultados Mecánico Se mantuvo el diámetro interno del molino (128 m2) con un procesamiento estable desde la puesta en marcha. Monitoreos del espesor a los 3, 4, 6 y 9 meses, para proyectar la vida útil de los revestimientos, última medición dentro de lo esperado. Fuente: elaboración propia. Figura 16. Ratio de reducción – molino primario. Fuente: elaboración propia. Figura 15. Inspección del molino internamente. Fuente: elaboración propia. Figura 13. Inspección interna del molino. Fuente: elaboración propia. Figura 14. Finalización de los trabajos de instalación.
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 39
MINERÍA la mejor puerta de acceso al sector minero MINERÍA / OCTUBRE 2022 / EDICIÓN 541 40 Reducción del peso de la estructura de molienda de 86 toneladas a 57 toneladas, logrando la reducción del consumo de energía. Metalúrgico Se registraron ratios de reducción entre 10 a 12 como molino primario y 1.65 a 1.62 como molino secundario. Se realizaron muestreos constantes en diferentes partes del circuito de molienda para evaluar los perfiles granulométricos. Medio ambiente y seguridad Se realizó el cambio del revestimiento con éxito sin ningún incidente registrado y cumpliendo las horas hombre proyectadas inicialmente, demostrando una actividad más segura por el peso de cada pieza. Disminución de la probabilidad de incidentes y/o accidentes por los cambios de revestimientos. Disminución de ruido en la zona de molienda de 120 a 90 db. Aminoramiento de la huella de carbono por la reducción de traslado (flete) y producción de los revestimientos de acero. Costos Reducción de costos por la menor frecuencia en el cambio de revestimientos. Conclusiones 1.Se logró generar un ahorro de 75% por la frecuencia de cambio de revestimiento en el Molino Metso II. 2.Se realizaron 6 mediciones de espesores hasta la fecha, donde se proyecta una vida útil entre 30 y 36 meses. Se continuará realizando la medición cada 3 meses de acuerdo con el estándar. 3.El revestimiento magnético mantiene la performance metalúrgica en el circuito en referencia a la función fractura P80 en la descarga de molino entre 270 – 310 micrones. 4.Se logró disminuir el peso de las piezas en un 92%. Con ello se disminuye la probabilidad de ocurrencia de accidentes/incidentes y enfermedades ocupacionales relacionados al peso. Fuente: elaboración propia. Figura 17. Ratio de reducción – Molino secundario. Fuente: elaboración propia. Figura 18. Eficiencia de molienda. Tabla 5. Inicio de Operaciones Inicio de operaciones Jueves 8 de julio del 2021 Arranque 10:30 horas Circuito Molino primario Tonelaje 340 t/h Ratio de reducción 10.4 Amperaje 440 Amp Amperaje bomba molienda 490 Amp Nivel de bolas 32%
RkJQdWJsaXNoZXIy MTM0Mzk2