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
RkJQdWJsaXNoZXIy MTM0Mzk2