MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 575 / AGOSTO 2025 97 flotación Cu–Mo donde se requiere controlar el arrastre de ganga, mejorar la ley del concentrado, y aumentar la recuperación sin necesidad de aumentar significativamente el volumen del circuito. Su implementación puede además evaluarse previamente a través de pruebas piloto, como las desarrolladas por Glencore Technology, reduciendo el riesgo técnico de cambios en planta. Propuesta experimental: modelo predictivo de sobreespumación con Machine Learning Con el fin de anticipar la ocurrencia y facilitar una gestión proactiva del proceso, se desarrolló un modelo de Machine Learning. Este modelo busca integrar parámetros geológicos, geoquímicos y operacionales, para predecir condiciones de riesgo y servir como herramienta complementaria a las estrategias de mitigación propuestas en las secciones anteriores. Construcción de la base de datos La base de datos se elaboró inicialmente en Microsoft Excel, integrando información mineralógica y operativa representativa de distintos tipos de roca presentes en plantas Cu– Mo. Las variables consideradas fueron las que se muestran en la Tabla 1. Los datos fueron normalizados y exportados como archivo CSV, sirviendo de insumo para el modelado en la herramienta Orange Data Mining. Entrenamiento y validación de modelos En Orange, se utilizó un flujo de trabajo supervisado que incluyó los siguientes algoritmos de clasificación: Regresión logística. Árbol de decisión. Bosque aleatorio (Random Forest). Fuente: Lawson, 2016. Figura 18. Tamaño de la burbuja en función de la velocidad superficial del gas(Jg) para diferentes tecnologías de flotación. Tabla 1. Variables Operativas Fuente: elaboración propia.
RkJQdWJsaXNoZXIy MTM0Mzk2