MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 62 modelo teórico tradicional, utilizando métricas estándar de regresión: Mean Absolute Error (MAE). Mean Absolute Percentage Error (MAPE). Root Mean Squared Error (RMSE). Los resultados mostraron una mejora significativa en la precisión del modelo estadístico, validando su aplicabilidad como herramienta de soporte a la toma de decisiones operativas. Presentación y discusión de resultados La evaluación del modelo estadístico desarrollado se realizó mediante la comparación de sus predicciones con los valores reales de recuperación de metal crudo, así como con las estimaciones generadas por el modelo teórico tradicional. Para ello, se utilizaron tres métricas de error ampliamente reconocidas en problemas de regresión: Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE) y Root Mean Squared Error (RMSE). Comparación de desempeño predictivo Los resultados muestran que el modelo estadístico basado en Machine Learning supera significativamente al modelo teórico en todas las métricas evaluadas. La reducción del MAE en un 44.5% y del RMSE en un 36.1%, evidencia una mayor capacidad del modelo para capturar la complejidad del proceso de fusión en el horno Ausmelt, lo que se traduce en una predicción más precisa y confiable de la recuperación de metal crudo. Adicionalmente, la reducción del MAPE en un 40.1% es especialmente relevante, ya que esta métrica expresa el error en términos relativos, lo que permite evaluar la precisión del modelo independientemente de la escala de los datos. Interpretabilidad del modelo: análisis SHAP El análisis de interpretabilidad mediante SHapley Additive exPlanations (SHAP) permitió identificar las variables con mayor influencia en la predicción del rendimiento. Entre las más relevantes se encuentran: Consumo de carbón: principal agente reductor, con impacto directo en el mecanismo de reducción de óxido de estaño para obtener metal crudo. Temperatura del horno: variable crítica para la cinética de fusión y reducción. Composición química de entrada: influye en los mecanismos de reacción y en la formación de escorias. Consumo de gas natural: fuente energética que afecta la estabilidad térmica del sistema. Inmersión de lanza: factor asociado a la transferencia efectiva de energía y a la homogenización del baño fundido, proporcionando turbulencia que favorece la cinética de reacción. El gráfico de resumen SHAP mostró que estas variables no solo son importantes individualmente, sino que también presentan interaccioTabla 3. Evolución del nivel de Aceptación de las Recomendaciones del Modelo de Machine Learning por parte del Equipo de Metalurgia en 2025 Mes Aceptación de recomendaciones Enero 16.16% Febrero 11.22% Marzo 16.32% Abril 22.55% Mayo 77.87% Junio 94.81% Tabla 4. Evolución del nivel de Implementación de las Recomendaciones del Modelo de Machine Learning en 2025 Mes Implementación de recomendaciones Enero 17.07% Febrero 15.06% Marzo 5.90% Abril 11.27% Mayo 20.40% Junio 33.57%
RkJQdWJsaXNoZXIy MTM0Mzk2