MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 580 / ENERO 2026 61 Conclusiones 1. Los modelos inteligentes evaluados — FIS, ANFIS y FGA— demostraron un impacto positivo en la optimización del proceso de molienda. En promedio, los modelos FIS y ANFIS lograron incrementar el tonelaje de alimentación en aproximadamente un 1%, mientras que el modelo FGA alcanzó una mejora promedio del 1.5%. Cabe destacar que, en ciertos meses, se registraron incrementos puntuales de hasta un 5%, evidenciando el potencial de estos algoritmos para detectar oportunidades operativas no aprovechadas. Además, el modelo FGA se caracterizó por generar recomendaciones más estables, evitando variaciones abruptas que pudieran comprometer la continuidad del proceso. 2. En cuanto al consumo de agua, los tres modelos propusieron reducciones sostenidas del caudal alimentado, alcanzando en promedio una disminución del 6% sin afectar negativamente el desempeño global del circuito. Esto resalta la capacidad de los algoritmos para contribuir a una operación más eficiente y sostenible, especialmente en contextos industriales con restricciones hídricas. 3. Respecto a la variable granulométrica del producto (P80), se observó que los modelos FIS y ANFIS tienden a privilegiar el aumento del tonelaje aun cuando ello implica un ligero engrosamiento del mineral procesado, con un incremento promedio del P80 del orden del 2%. En contraste, el modelo FGA logra mantener el P80 en niveles similares a los reales, optimizando simultáneamente la carga del molino. Esta característica lo posiciona como una alternativa robusta que equilibra producción y calidad del producto final. Bibliografía Almeyda, L., Bravo, L. 2025. Implementación de una estrategia de control difusa para optimizar la molienda utilizando un analizador de tamaño de roca y sensores virtuales. Revista Minería (570). Almeyda, L. 2025. Optimización de la molienda primaria de una unidad minera ubicada al sur de Perú empleando un Sistema de Inferencia Difusa (FIS). Repositorio Institucional UNMSM. Bascur, O. y Concha, F. 2024. The Engineering Science of Mineral Processing. A Fundamental and Practical Approach. Taylor & Francis Group. Candiotti, S., Montaño, L., Barja, F., Charca, S., Quineche, L. y Flores, C. 2020. Estudio del arte de sistemas de molienda polimetálica. Universidad de Ingeniería y Tecnología. Cipriano, A. 2010. Industrial Products for Advanced Control of Mineral Processing Plants. En Sbárbaro, D. y Del Villar, R. (Ed.), Advanced Control and Supervision of Mineral Processing Plants (pp. 287 – 306). Springer. Mathworks. 2020. Fuzzy Logic Toolbox. User’s Guide. Sremac, S., Tanackov, I., Kopic, M. y Radovic, D. 2018. ANFIS model for determining the economic order quantity. Decision Making Applications in Management and Engineering Singh, H. y Ahmad, Y. 2020. Deep Neuro – Fuzzy Systems with Python. With caase studies and applications from the industry. Apress. Sivnandam, S. N., Sumathi, S. y Deepa, S.N. 2007. Introduction to Fuzzy Logic using MATLAB. Springer. Figura 26. Comparación mensual de P80 (FIS, ANFIS, FGA).
RkJQdWJsaXNoZXIy MTM0Mzk2