MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2024 / EDICIÓN 556 39 Austin para poder caracterizar la velocidad de molienda de cada fracción de tamaño del mineral. Este modelo del mezclador perfecto utiliza datos experimentales de la distribución de tamaño muestreados por laboratorio en la alimentación y descarga del molino y en base a esos valores se logra entrenar un modelo de reducción de tamaño del molino. Módulo de desgaste de revestimientos. Usa un modelo basado en datos para predecir la altura y ángulo de ataque del revestimiento. Módulo de predicción de escenarios metalúrgicos. Utiliza un modelo basado en datos para predecir diferentes escenarios que podrían ocurrir durante el proceso de molienda, esto incluye: (i) desempeño de la operación frente a nuevas litologías, (ii) desempeño de la operación frente a cambios en la configuración del circuito o nuevos equipos, (iii) anticipación de fallas operativas. Casi todos los proyectos mencionados forman parte del portafolio: Instrumentos de control con tecnologías 4.0 (1.1.1), mostrado en la Figura 21. A excepción del proyecto 7, que forma parte del programa: Sistemas de control industrial – Aplicaciones con Machine Learning (1.2.1.3). Con respecto al portafolio Sistemas de control industrial (1.2.1), este se subdivide en tres categorías: Estrategias de control avanzado, permiten llevar el conocimiento humano hacia una computadora. Sin embargo, no ocurre reentrenamiento, ni adaptación a nuevos parámetros de forma automática. Sistemas expertos, permiten llevar el conocimiento humano hacia una computadora y pueden autorregularse y reentrenarse de ser necesario. Aplicaciones con Machine Learning, permiten la anticipación de condiciones futuras a partir del análisis de la data histórica. Estas condiciones pueden ser conocidas o desconocidas. Fuente: desarrollo interno de Nexa Resources. Figura 32. Formulación del sensor virtual geometalúrgico. FOM controlada Dureza de mineral. Dominio geológico. Índice de abrasión. FOM optimizada Tamaño de partícula del producto del molino (um). Troughput (t/h). Rendimiento (kWh/t). TRL 3 Estado En ejecución FOM controlada Tamaño de partícula de la alimentación del molino (mm). Ratio de desgaste de acero (mm/día). Porcentaje y volumen de bolas (% o m3/t). Ingreso de material (t/h) FOM optimizada Consumo de acero (ton bolas/ton mineral). Tamaño de partícula del producto del molino (um). TRL 2 Estado Sin iniciar. Fuente: adaptado de Casquero (2019). Figura 33. Idea de alimentador de bolas inteligente.
RkJQdWJsaXNoZXIy MTM0Mzk2