Por: Cecilia Guerrero Suarez, Universidad Peruana Cayetana Heredia; Ian Malaga Orrillo, Universidad Nacional Jorge Basadre Grohmann; Jorge Sebastian Escobar Paquiyauri, Universidad Nacional del Centro de Perú; Luisa Esperanza Jordan Choqque, Universidad Nacional de San Antonio Abad del Cusco, y Norbil Jesús Tejada Malon, Universidad Privada del Norte sede Cajamarca.

 Trabajo que ocupó el segundo lugar en la V Cantera de Talentos para la Minería del IIMP.

Resumen

El presente estudio explora una estrategia multidisciplinaria para reducir el impacto de la variabilidad geológica en la cadena de valor minera, integrando tecnologías de la Industria 4.0 al modelo geometalúrgico convencional. La diversidad mineral, asociada al cambio de leyes, mineralogía y texturas, condiciona el comportamiento del material en el proceso operativo, afectando la rentabilidad del proyecto.

Los modelos actuales, centrados en leyes, resultan insuficientes para abordar esta complejidad. Por lo que se propone la Geometalurgia 4.0, que consolida una plataforma predictiva unificando parámetros críticos de las ramas de geología, minas, metalurgia y ambiental, permitiendo anticipar el comportamiento del yacimiento, optimizar los procesos de producción y recuperabilidad, además de garantizar la estabilidad en el manejo de residuos y recursos hídricos.

La caracterización inteligente, mediante sensores remotos, machine learning y big data geoespacial, transforma la geología en un sistema dinámico de información, conectando las etapas del ciclo minero en un análisis continuo.

Palabras clave: modelo geometalúrgico, variabilidad geológica, industria 4.0, caracterización inteligente, drenaje ácido de roca.

Abstract

This study explores a multidisciplinary strategy to reduce the impact of geological variability on the mining value chain by integrating Industry 4.0 technologies into the conventional geometallurgical model. Mineral diversity, associated with changes in grades, mineralogy, and textures, influences the material's behavior during the operational process, affecting project profitability.

Current grade-centric models are insufficient to address this complexity. Therefore, Geometallurgy 4.0 is proposed, which consolidates a predictive platform by unifying critical parameters from the fields of geology, mining, metallurgy, and environmental science.

This allows for anticipating deposit behavior, optimizing production and recovery processes, and ensuring stability in waste and water resource management. Intelligent characterization, using remote sensing, machine learning, and geospatial big data, transforms geology into a dynamic information system, connecting the stages of the mining cycle in a continuous analysis.

Introducción

La variabilidad intrínseca del depósito mineral, asociada a la heterogeneidad en las leyes de cabeza, la dureza, la mineralogía de alteración y la presencia de elementos contaminantes, introduce un grado elevado de incertidumbre en la cadena de valor de la operación minera. Esta variabilidad condiciona el comportamiento del material a lo largo de las fases secuenciales de perforación, voladura, carguío, transporte, procesamiento metalúrgico y gestión de relaves.

El objetivo principal del presente estudio es explorar una estrategia que permita reducir el impacto de la variabilidad del mineral a lo largo de la cadena de valor minera desde un enfoque multidisciplinario, integrando conceptualmente las tecnologías de la Industria 4.0 al modelo geometalúrgico convencional. A partir de este marco, se busca consolidar una plataforma predictiva unificando los parámetros críticos de geología, minas, metalurgia y medio ambiente, permitiendo anticipar el comportamiento del yacimiento, optimizar el rendimiento de los procesos de conminución y beneficio, y garantizar la estabilidad física y geoquímica en el manejo de residuos y recursos hídricos.

En este contexto, se propone la evolución del modelo geometalúrgico convencional hacia un enfoque de Geometalurgia 4.0, incorporando tecnologías como sensores, automatización, inteligencia artificial, aprendizaje automático y analítica de datos. La propuesta considera la integración de variables y parámetros del proceso minero dentro de un sistema de datos común, estableciendo relaciones entre características del mineral y su comportamiento en las diferentes etapas de la cadena de valor. De esta manera, la Geometalurgia 4.0 se plantea como un enfoque multidisciplinario para gestionar la variabilidad del mineral mediante información dinámica e integrada.

Variabilidad en la cadena de valor minera

Variabilidad de las características del mineral

La creciente complejidad de los yacimientos hace que la incertidumbre y la variabilidad sean claves en la evaluación de proyectos. La geometalurgia integra grandes volúmenes de información para considerar estos factores y otros externos que afectan la rentabilidad y sostenibilidad (Torres et al., 2021). Las pruebas metalúrgicas en exploración tienen limitaciones para representar la respuesta metalúrgica completa, lo que incide en la incertidumbre de las evaluaciones económicas (Castro et al., 2022). Los modelos geológicos tradicionales basados solo en leyes resultan insuficientes al no incorporar mineralogía de ganga, texturas, alteración y propiedades estructurales, determinantes para predecir el comportamiento en procesamiento. Definir dominios geológicos que integren estos parámetros es el primer paso hacia un enfoque geometalúrgico para gestionar la variabilidad integralmente.

Impacto de la variabilidad en las operaciones mineras

La variabilidad en las características geológicas influye directamente en el desempeño metalúrgico de la alimentación a la planta, lo cual dificulta el cumplimiento de la producción proyectada. Esta heterogeneidad genera fluctuaciones espaciales y temporales que, si no se cuantifican, incrementan el riesgo operativo y la posibilidad de pérdidas en el Valor Presente Neto (VPN) del proyecto. Por lo tanto, la ingeniería de minas debe pasar de modelos estáticos a enfoques resilientes que integren este conocimiento del yacimiento en la planificación. (Dominy et al., 2018).

En el área de dispatch, la variabilidad entre el modelo de bloques estático y la ley real del mineral genera pérdidas económicas significativas. Los sistemas tradicionales de gestión de flotas muestran baja adaptabilidad ante las fluctuaciones en tiempo real del material extraído. Mediante herramientas inteligentes, los ingenieros ejecutan un minado que distribuye órdenes de dispatch en diversos frentes para mezclar activamente minerales de alta y baja ley. Esta estrategia estabiliza la calidad del alimento al molino, normalizando la recuperación por flotación y reduciendo costos por reprocesamiento. (Eshonkulov et al., 2026).

Fuente: Eshonkulov et al., 2026.

Figura 1. Gestión de variabilidad de leyes mediante extracción inteligente.

En el procesamiento de minerales, la variabilidad del mineral puede generar inestabilidad en las principales operaciones como la molienda y la flotación, al modificar condiciones de procesamiento y dificultar el control de parámetros operacionales. En molienda puede generar cambios en la capacidad de tratamiento y granulometría, mientras que en flotación puede provocar inestabilidad en la recuperación y calidad del concentrado. Vera (2021) evidencia que la variabilidad constituye una problemática relevante en flotación, asociada a dificultades en control operacional.

Gestión de la variabilidad en la minería

Enfoque tradicional

La industria minera ha desarrollado diferentes estrategias para reducir los efectos de la variabilidad. Una de las principales ha sido la caracterización geometalúrgica del yacimiento mediante campañas de muestreo, ensayos de laboratorio y pruebas metalúrgicas. Esta información permite identificar dominios con características similares y asignar parámetros representativos para su utilización en la planificación.

Figura 2. Cadena de la caracterización geometalúrgica.

Otra estrategia ampliamente utilizada es el blending. Consiste en mezclar diferentes tipos de minerales con la finalidad de obtener una alimentación con características más estables a la planta, reduciendo fluctuaciones de la ley de cabeza, dureza del mineral y otras propiedades importantes que dificultan el control del proceso. En planta, la gestión de la variabilidad se ha basado principalmente en sistemas de control, pruebas de laboratorio y ajuste de las condiciones operacionales de acuerdo a la experiencia y conocimiento de los operadores.

La geometalurgia ha permitido integrar parte de estas estrategias al incorporar propiedades y respuestas metalúrgicas dentro de los modelos de bloques. Con ello, es posible asociar determinadas zonas del yacimiento con propiedades como dureza, consumo energético, recuperación o comportamiento metalúrgico, y no únicamente estimar leyes y tonelajes.

Limitaciones de los enfoques convencionales

A pesar de los avances alcanzados mediante la caracterización tradicional, una de las principales limitaciones de los enfoques convencionales está relacionada con la frecuencia con la que se actualiza la información. Las campañas de caracterización geometalúrgica pueden requerir importantes cantidades de tiempo y recursos, mientras que las condiciones de la operación pueden cambiar en escalas temporales mucho menores (Frenzel et al., 2023). Como consecuencia directa, los modelos asumen propiedades homogéneas que no capturan la variabilidad natural del yacimiento, forzando a la operación a responder de forma tardía y reactiva ante cambios imprevistos en el frente de minado (Dominy et al., 2018).

Esta falta de dinamismo operativo puede generar importantes dificultades en las etapas posteriores de procesamiento y beneficio mineral. Frenzel et al. (2023) señalan que la incertidumbre asociada a las características del mineral puede generar inconvenientes durante su extracción y procesamiento, debido a que las plantas de tratamiento suelen estar diseñadas para operar bajo condiciones relativamente estables. Por ello, prácticas como el acopio y la mezcla de distintos bloques de mineral buscan homogeneizar la alimentación de la planta.

Finalmente, una severa deficiencia del análisis geometalúrgico convencional es que ignora las implicancias de la variabilidad fuera del circuito metalúrgico, limitándose casi exclusivamente a predecir la recuperación comercial. Según Parbhakar y Lottermoser (2015), no actualizar dinámicamente las propiedades del mineral impide anticipar problemas críticos; por ejemplo, la generación imprevista de drenaje ácido de roca (DAR) en los relaves debido a pulsos no detectados de pirita reactiva. Este desfase técnico genera sobrecostos en neutralización y pasivos no planificados, demostrando la insuficiencia del enfoque estático tradicional.

Transformación digital de la cadena de valor minera

Caracterización inteligente del yacimiento

 La caracterización tradicional, basada en sondajes y modelos de bloques, muestra solo una fracción ínfima del depósito (1/10,000 a 1/1,000,000), generando incertidumbre sobre el mineral real durante la minería y el beneficio (Frenzel et al., 2023). La caracterización inteligente la supera con captura de datos densa, continua y en tiempo real. La geología pasa de insumo estático a sistema dinámico de información a lo largo de todo el ciclo minero. El smart mining integra IA, IoT, robótica y monitoreo en tiempo real para construir modelos geológicos de alta resolución y actualización continua (Zhou, 2025).

Esta digitalización impulsa a las grandes minas a cielo abierto hacia la minería inteligente, donde el procesamiento de macrodatos geoespaciales y el machine learning permiten identificar minerales con precisión y predecir la mineralización multidimensionalmente (Chen et al., 2025). La Figura 3 esquematiza este flujo de trabajo integrado.

Fuente: Chen et al. (2025). 

Figura 3. Caracterización inteligente de yacimientos.

La caracterización inteligente integra sensores remotos hiperespectrales y SWIR que identifican minerales y alteraciones no destructivamente, desde el mapeo satelital hasta testigos de sondaje. Datos de perforación con machine learning clasifican litologías y dominios geoquímicos a partir de ensayos elementales, detectando patrones y límites no evidentes con análisis tradicional (Zhou, 2026). Esto brinda mayor resolución e integra mineralogía, textura, alteración y estructura, clave para definir dominios geológicos. No reemplaza el conocimiento geológico; lo potencia con datos más ricos y actualizados, y al integrar tecnologías 4.0 gestiona la variabilidad, modelando no solo leyes, sino el comportamiento del mineral en minado, procesamiento y ambiente.

Automatización y optimización de las operaciones mineras

En el marco de la automatización y optimización de las operaciones mineras, la metodología Mine to Mill(MTM) se consolida como una estrategia fundamental para maximizar la eficiencia global mediante la integración holística de procesos interconectados, desde la fragmentación inicial en la mina hasta la concentración en la planta. Valery et al. (2023) integran el planeamiento de minado, la geología, la alimentación de la planta y las especificaciones de los equipos en un modelo geometalúrgico que forma la base de estrategias operativas proactivas.

En el estudio realizado por Park y Kim (2020) se menciona que las investigaciones referidas al MTM recaen en dos categorías principales: controlar la voladura y determinar el grado óptimo de fragmentación. La metodología MTM para optimizar la fragmentación por voladura es compleja y requiere de parámetros como las características del macizo rocoso, la energía de explosión, y los procesos de conminución aguas abajo.

Para poder obtener la caracterización del macizo rocoso en tiempo real propone la práctica Monitoring While Drilling(MWD), cuyos sistemas usan sensores para almacenar la información en tiempo real al perforar. Referencia en la Figura 4. La data de campo del MWD normalmente tiene errores y una tasa de perforación (PR) inconsistente, lo cual es consecuente en la capacidad de lograr una fragmentación óptima asegurando una granulometría que maximice la recuperación metalúrgica en planta.

Fuente: Park y Kim (2020).

Figura 4. Diversas tecnologías de sensores y sistema MWD para caracterizar el macizo rocoso.

Para mitigar las desviaciones asociadas a factores mecánicos de la perforación (fuerza de empuje, torque y velocidad de rotación), la tasa de perforación ajustada (APR) como técnica de normalización. Como se observa en la Figura 5, la aplicación de la APR elimina la dependencia paramétrica del equipo, estabilizando los errores de la PR y correlacionando eficazmente el desempeño del taladro con la resistencia de tracción (TS) y el índice de trabajo de Bond (BWI).

Fuente: Park y Kim (2020).

Figura 5. Comparación de resultados del taladro.

Finalmente, en la Figura 6se ilustra la integración de los datos obtenidos con esta práctica para desarrollar mapeos adaptados a diversos escenarios de mallas de perforación (e.g. “blando”, “regular”, “competente”). Estos modelos se pueden incorporar en los programas de planeamiento minero, permitiendo sectorizar el bloque de perforación según su fragmentabilidad y asignar diseños de carga explosiva optimizados.