MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2024 / EDICIÓN 556 38 delo analítico capaz de sugerir si aumentar o disminuir la cantidad de mineral que ingresa al molino. Estas decisiones no solo se basan en el tamaño del alimento sino también en la dureza inferida y en la posible recuperación. Proyecto 6: dosificación inteligente de medios de molienda Este proyecto considera un mecanismo robótico y modelo analítico basado en Machine Learning, Consiste en desarrollar un mecanismo físico que sea capaz de alimentar bolas de acero al molino, considerando: (i) tamaño y dureza de mineral alimentado, (ii) ratio de desgaste de aceros y (iii) variables operacionales que describen el comportamiento interno del molino en forma sincrónica. Este equipo debe tener una dimensión tal que pueda ser ubicado en espacios reducidos y debe tener la versatilidad suficiente para adaptarse al proceso de ingreso de bolas usado por la planta. Proyecto 7: gemelo digital de molino de bolas Para este proyecto se utilizan mecanismos robóticos y un modelo analítico basado en Machine Learning. Representa la consolidación de todas las tecnologías propuestas en el portafolio de I&D, ya que utiliza la información proveniente de los diferentes sensores previamente instalados, así como de diferentes algoritmos basados en Machine Learning, con la finalidad de optimizar el proceso de molienda. En una primera etapa esta tecnología busca generar escenarios virtuales que permitan la anticipación de nuevas condiciones operacionales. Para el desarrollo del Gemelo Digital en la unidad Minera Cerro Lindo se concibió cinco sub-etapas con entregables específicos. Módulo de carga total. Utiliza la información del carguío de bola y un modelo de desgaste para estimar la carga de bola dentro del molino. Este módulo se centra en poder determinar el momento en que se realiza cada recarga de bola y mantiene un cálculo del collar de bola en el interior del molino estimando el desgaste. Módulo de acomodo de Carga. Usa la potencia del molino y las condiciones estimadas de desgaste interno como variables de entrada y, con ello, obtiene los ángulos de acomodo de la carga. Este modelo analítico utiliza como función objetivo una versión modificada del modelo de potencia de Hogg & Fuerstenau (Figura 34). Módulo de reducción de tamaño de roca. Utiliza el modelo de mezclado perfecto propuesto por FOM controlada Tamaño de partícula de la alimentación del molino (mm). Potencia del molino (kW) Ingreso de material (t/h) Densidad la pulpa (kg/m3) FOM optimizada Tamaño de partícula del producto del molino (um). Troughput (t/h). TRL 3 Estado En ejecución Fuente: Software SuitMET (2023). Figura 31. Softsensor P80.
RkJQdWJsaXNoZXIy MTM0Mzk2