MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 57 robustas y adaptativas que permitan predecir el comportamiento del sistema y optimizar su desempeño en tiempo real. En respuesta a este desafío, se desarrolló LingoSmelter, una solución basada en técnicas de Machine Learning que busca complementar y superar las limitaciones del modelo teórico tradicional utilizado para estimar la recuperación de metal crudo en el horno Ausmelt. Esta iniciativa no solo responde a una necesidad técnica, sino que se enmarca en una estrategia corporativa más amplia de adopción de tecnologías digitales, orientada a generar valor a través de la innovación, la eficiencia operativa y la sostenibilidad. El presente trabajo técnico detalla el enfoque metodológico adoptado para el desarrollo del modelo estadístico, la arquitectura de datos empleada, los algoritmos utilizados para predicción y optimización, así como los resultados obtenidos en términos de precisión, impacto económico y adopción operativa. Asimismo, se discute el proceso de validación técnica y cultural de la herramienta, y su potencial como plataforma para futuras aplicaciones de analítica avanzada en la fundición y refinería. Objetivos Objetivo general Desarrollar, implementar y evaluar un modelo estadístico basado en técnicas de Machine Learning para predecir y optimizar la recuperación de metal crudo en el horno Ausmelt de la planta de fundición de Minsur, como parte de una estrategia de transformación digital enmarcada en los principios de la Minería 4.0. Objetivos específicos Integrar y estructurar una base de datos histórica del proceso de fusión del horno Ausmelt, incluyendo variables operativas clave como composición de alimentación, consumo de insumos como gas natural, aire, oxígeno, carbón y recuperación de metal crudo. Construir un modelo predictivo utilizando algoritmos de aprendizaje supervisado (XGBoost) que permita estimar con alta precisión la recuperación de metal crudo a partir de las condiciones operativas y datos de alimentación al horno Ausmelt. Aplicar técnicas de optimización evolutiva (Differential Evolution Solver) para identificar combinaciones óptimas de parámetros operativos que maximicen la recuperación de metal crudo estimada. Comparar el desempeño del modelo estadístico con el modelo teórico tradicional, mediante métricas de error estándar (MAE, MAPE, RMSE) y validar su aplicabilidad en condiciones reales de operación. Evaluar el impacto técnico, económico y operativo de la implementación del modelo, incluyendo su contribución a la eficiencia en el uso de insumos, reducción de costos y generación de valor económico. Fomentar la adopción del modelo en la operación mediante estrategias de validación Figura 2. Flujo de proceso simplificado de fundición de concentrado.
RkJQdWJsaXNoZXIy MTM0Mzk2