MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 575 / AGOSTO 2025 84 Finally, a predictive model using Machine Learning (Random Forest) was developed. Fed with geological, operational, and environmental variables, it is able to anticipate over-foaming events with 85.7% accuracy, providing valuable support for process control. tos de sobreespumación con una precisión del 85.7%, sirviendo como soporte para el control del proceso. Palabras clave: Sobreespumación, Flotación Cu-Mo, Filosilicatos, Blending, Geometalurgia, Celdas Jameson, Machine Learning. Introducción En la industria minera, la eficiencia del proceso de flotación es determinante para la recuperación de minerales valiosos como el cobre y el molibdeno, especialmente en yacimientos tipo pórfido-skarn donde ambos coexisten. En estos sistemas, el molibdeno suele estar asociado a minerales de cobre como calcopirita, bornita o covelina, por lo que se procesan juntos en circuitos de flotación Cu–Mo. Sin embargo, la presencia de filosilicatos hidrofóbicos como talco, serpentinas o cloritas genera espumas densas, persistentes y poco selectivas, que afectan tanto la operatividad como la eficiencia metalúrgica. Este fenómeno de sobreespumación no se limita a la etapa de flotación selectiva, sino que puede iniciarse en la flotación bulk y persistir hasta la planta de molibdeno, dificultando el control del proceso, reduciendo la recuperación y comprometiendo la calidad del concentrado final. Fuente: Arce & Copara, 2024. Figura 1. Gráfico de correlación % talco versus % recuperación de cobre. Fuente: Mamani & Quequezana, 2022. Figura 2. Recuperación de Mo vs tipo de mineral. Fuente: Corbett & Leach, 1997. Figura 3. Tipos de alteración más comunes en un pórfido de Cu-Mo.
RkJQdWJsaXNoZXIy MTM0Mzk2