MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 19 Principales KPI de implementación Para asegurar un proceso exitoso se han definido KPI de seguimiento, que brinden información sobre el desempeño del proceso. A continuación, se describen los principales indicadores que fueron utilizados: Disponibilidad de los modelos: porcentaje de tiempo en que los modelos dan recomendaciones. Recomendación: el porcentaje de las recomendaciones generadas son realmente contestadas. Aceptación de recomendaciones: qué porcentaje de las recomendaciones vistas han sido aceptadas. Se mide a través del Dashboard automático con las respuestas enviadas. Implementación: qué porcentaje de las recomendaciones aceptadas/rechazadas finalmente han sido implementadas. Se realiza una medición con datos reales de variables en rango óptimo sugerido por modelos. Resultados La captura de valor en el despliegue de Machine Learning, fue validada estadísticamente al 95% de confianza, comparando los incrementos obtenidos sobre las líneas base, para los tiempos específicos de implementación de las recomendaciones planteadas por los modelos. Hemos considerado el diagrama de proceso de la Figura 18 para estimar el impacto en dos rubros de incrementos en TPH y porcentajes de recuperación. Impactos en TPH Las variaciones en el tonelaje dependen de los siguientes factores: Características del equipo (capacidad y restricciones): no lo controlamos, por lo que definimos líneas base (LB) por SAG (01 y 02). Características del mineral: no lo controlamos, definimos LB por M2A/ M4B y clasificación duro/blando (clusterización). Parámetros de operación: sí lo controlamos: RPM, % de sólidos, etc., los cuales son recomendadas por el Machine Learning. Se definieron ocho líneas base TPH (clusters) detalladas en la Figuras 19, que nos permiten comparar antes y después de la implementación del Machine Learning tanto por molino SAG como por tipo de mineral y clasificación de dureza. ¿Por qué se utilizaron clústeres? a) Tipo de yacimiento. Antamina al ser skarn polimetálico, tiene alta variabilidad en sus características, incluso dentro de un mismo tipo de material. b) Proporción de material duro/blando. El material que alimenta a la planta, dependiendo del periodo, puede tener mayor proporción de mineral duro o blando, lo que podría alterar los resultados. c) Clasificación. Para clusterizar el blending de mineral que llega a planta entre duro y blando, se tomaron datos de mina, geología, Figura 19. Cluster de mineral para molienda. Figura 20. Impacto en la recuperación.
RkJQdWJsaXNoZXIy MTM0Mzk2