MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2024 / EDICIÓN 556 37 posibilita inferir: (i) zonas de impacto crítico, (ii) forma de acomodo y trayectoria de la carga interna del molino, (iii) comportamientos inusuales, por lo que será capaz de anticipar fallas. Utilizando el modelo de mezclado perfecto como función objetivo junto a la información de los sensores de vibración es posible inferir diferentes variables del comportamiento interno del molino. Estas usualmente son calculadas de forma teórica y están sujetas a error. Con la implementación de esta tecnología se lograría una medición sincrónica y empírica de las variables descritas a continuación. Proyecto 3: instrumentación de los medios de molienda Para este proyecto, la tecnología que se implementó consistió en sensores de desgaste y acelerómetros. Consiste en instrumentar las bolas de molienda colocando en su interior sensores que permitan medir el desgaste y posición de la carga total de forma sincrónica (Figura 30). Y con ello, calcular una ratio de desgaste de acero real y relacionar esa información con el tamaño y la cantidad del mineral que ingresa al molino. Esta información permitirá validar si el tamaño y cantidad del lote de bolas es el adecuado, logrando optimizar el collar de bolas del proceso y el plan de ingreso diario de bolas al molino. El impacto de esta implementación tiene un efecto directo en el tamaño del producto de molienda, además permite validar si la cantidad de bolas que ingresan al molino es superior a la necesaria y, de ser el caso, se generaría un ahorro económico al ser un costo variable en la operación del molino. Proyecto 4: Softsensor para medir de forma sincrónica el tamaño P80 del producto El proyecto utiliza un modelo analítico basado en Machine Learning, el que consiste en generar un sensor virtual que permita estimar la distribución granulométrica del producto del molino en forma sincrónica (Figura 31). Este valor puede ser calculado a partir del tamaño de partícula F80 en la alimentación y la potencia consumida utilizando como función objetivo una adaptación de la ecuación de Bond y del modelo de mezclado perfecto. Proyecto 5: control sincrónico de las propiedades geometalúrgicas del mineral Este proyecto utiliza también un modelo analítico basado en Machine Learning, el que consiste en obtener un sensor virtual que permita estimar de forma sincrónica o periódica las variables geometalúrgicas del mineral que es alimentado hacia el molino de bolas. Sigue la formulación descrita en la Figura 32. El punto de partida es la información contenida en el Programa de Producción Mensual (PPM), el cual detalla los dominios geológicos y, por ende, el tipo de roca, la dureza asociada y la recuperación estimada del mineral enviado a molienda. Si bien este documento tiene una periodicidad mensual, en Cerro Lindo, existe una versión actualizada y corregida por la operación con una periodicidad semanal. Esta información de dominios geológicos y la del tamaño del mineral alimentado al molino permite establecer una relación directa entre el grado de fragmentación y el tipo de roca. Además, al compilar estos datos con la información contenida en el Plan de Ingreso de Bolas y la Reconciliación Metalúrgica, se genera un moFuente: Desarrollo interno de Nexa Resources. Figura 30. Instrumentación de bolas de molienda. FOM controlada Ratio de desgaste de acero (mm/día). Porcentaje y volumen de bolas (% o m3/t). FOM optimizada Consumo de acero (ton bolas/ton mineral). TRL 4 Estado En ejecución
RkJQdWJsaXNoZXIy MTM0Mzk2