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.ResumenEl 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.AbstractThis 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.IntroducciónLa 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 mineraVariabilidad de las características del mineralLa 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 minerasLa 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 mineríaEnfoque tradicionalLa 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 convencionalesA 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 mineraCaracterización 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 minerasEn 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.Fuente: Park y Kim (2020).Figura 6. Mapeos adaptados usando el desempeño de perforación.En la minería actual, el blending de minerales es fundamental para mitigar la variabilidad del yacimiento previo al procesamiento. Consiste en mezclar materiales de diversos frentes con distintas leyes, durezas y contaminantes, garantizando un alimento uniforme a la planta que evite caídas de rendimiento en molienda y problemas de recuperación. Esta técnica ha evolucionado mediante el uso de herramientas digitales y modelos predictivos en tiempo real. Un caso emblemático en el ámbito nacional es Compañía Minera Antamina, donde la coexistencia de rocas tipo skarn y pórfido, junto con la distribución irregular de cobre, zinc, bismuto y sílice, generaba cuellos de botella e inestabilidad operacional durante la conminución y flotación.Frente a dicho problema, la unidad minera implementó un algoritmo de machine learning conectado directamente a la caracterización del yacimiento y al sistema de dispatch. Esta herramienta evalúa de forma continua las variables del proceso para calcular la proporción adecuada de mezcla que debe enviarse a las chancadoras y stockpiles. Como resultado del blending automatizado, la operación logró elevar el tonelaje tratado por hora, reducir los picos de variabilidad en el mineral de cabeza y mantener la estabilidad en la recuperación de los concentrados (Valdivia et al., 2023).Fuente: Valdivia et al. (2023).Figura 7. Recuperación proyectada versus recuperación real.Procesamiento inteligente de mineralesLa variabilidad de las características del mineral y de las condiciones de operación afecta directamente el desempeño metalúrgico. Frente a ello, las tecnologías de la Industria 4.0 permiten utilizar los datos del proceso para identificar cambios, estimar variables y generar recomendaciones operacionales. Una de estas herramientas es la lógica difusa, que permite representar el conocimiento operacional mediante reglas lingüísticas y generar respuestas ante diferentes condiciones del proceso.Figura 8. Esquema conceptual de un sistema de inferencia difusa.En Cerro Lindo, Almeyda (2024) empleó un sistema de inferencia difusa para responder a la variabilidad de la granulometría en la alimentación de la molienda primaria. Utilizó como principales variables la corriente de las bombas, potencia del molino y caudal de agua, a partir de las cuales recomendó ajustes de tonelaje y flujo de agua, logrando reducir la variabilidad del P80.Fuente: Almeyda, 2024.Figura 9. Variación del F80 al circuito de molienda en Cerro Lindo.Los datos operacionales también pueden utilizarse para estimar variables cuya medición directa presenta limitaciones. En Las Bambas, Palma (2021) desarrolló un soft sensor basado en machine learning para estimar el P80 del circuito SAG, debido a la disponibilidad limitada del analizador de tamaño de partículas. Mediante estrategias de análisis y selección, se determinaron 37 variables relevantes para el modelamiento.Fuente: Palma, 2021.Figura 10. Coeficiente de determinación de los modelos evaluados para la estimación del P80.Entre los modelos evaluados, CatBoost obtuvo el mejor desempeño en el nido de hidrociclones 1, con R2 = 0.86. El sistema contaba con cuatro nidos, por lo que el uso de soft sensors permitió estimar el P80 a partir de variables disponibles y responder ante la variabilidad granulométrica sin depender exclusivamente de la medición directa.En Sociedad Minera Cerro Verde, Escobar y Aliaga (2022) extendieron el uso de machine learning hacia la optimización operacional. Para relacionar el tonelaje con el comportamiento de la molienda, se consideraron variables como P80, presión de hidrociclones y porcentaje de sólidos del molino; mientras que para la recuperación se incorporaron dosificación de reactivos, porcentaje de sólidos, pH y leyes en las etapas de flotación. Los modelos generaron recomendaciones orientadas a maximizar la producción, alcanzando incrementos de hasta 6.5 %.En Antamina, Valdivia et al. (2023) abordaron la variabilidad generada por los diferentes frentes de minado. Para ello, integraron información de geología, mediante la litología clasificada; de mina, mediante la velocidad de perforación como indicador de la dureza; y de metalurgia, mediante RPM de molinos, porcentaje de sólidos y velocidad de alimentación. Estos datos fueron utilizados en modelos de machine learning para recomendar condiciones de molienda y flotación, incorporando además reactivos, aire y leyes del circuito. Las recomendaciones fueron integradas en dashboards de control, logrando un incremento de 3.7 % en la producción de cobre.Estos casos muestran una evolución en el uso de tecnologías digitales frente a la variabilidad del procesamiento. La lógica difusa permite incorporar conocimiento operacional; los soft sensors permiten estimar variables difíciles de medir continuamente; y los modelos de machine learning permiten relacionar múltiples variables para generar recomendaciones.Monitoreo y gestión ambiental inteligenteLa digitalización ambiental permite transformar la gestión de pasivos mediante la caracterización predictiva temprana en etapas iniciales del ciclo minero (Lottermoser, 2017). A través del enfoque Geoquímica-Mineralogía-Textura-Geometalurgia (GMTG) aplicado directamente sobre testigos de perforación, es posible cuantificar indicadores ambientales (tales como la razón de potencial de neutralización sobre potencial de acidez, el potencial de generación neta de acidez, el pH de abrasión, el contenido de sulfuros reactivos y el índice mineralógico de drenaje ácido) para anticipar el potencial de drenaje ácido de roca (DAR) y la calidad de los residuos antes de su extracción (Parbhakar-Fox & Lottermoser, 2017). Esta integración temprana de datos geoambientales en la planificación minera permite clasificar selectivamente los desmontes y formular estrategias preventivas de manejo de relaves, superando el modelo tradicional y reactivo de monitoreo posterior.Asimismo, la supervisión de los depósitos masivos de residuos ha evolucionado radicalmente bajo el paradigma de la Industria 4.0 mediante sensores inteligentes y Gemelos Digitales (Cacciuttolo & Atencio, 2023). La interconexión en tiempo real de piezómetros, inclinómetros y tecnología satelital (InSAR) alimenta modelos de simulación virtual que vigilan continuamente la presión de poros y la estabilidad física de las estructuras de almacenamiento. Estos sistemas predictivos permiten anticipar anomalías hidrogeológicas y riesgos de licuefacción estática o dinámica frente a eventos sísmicos o meteorológicos extremos, garantizando una gobernanza de relaves segura y ambientalmente controlada (Cacciuttolo & Atencio, 2023).Fuente: Cacciuttolo y Atencio, 2023Figura 11. Un nuevo paradigma de gestión de relaves mineros filtrados que considera las tecnologías de la Industria 4.0.Finalmente, la transición hacia tecnologías limpias como los relaves filtrados (dry stacking) demuestra cómo el control automatizado optimiza la conservación de recursos hídricos en el procesamiento mineral. De acuerdo con Cacciuttolo y Atencio (2023), la implementación de filtros prensa automatizados para operaciones de gran escala alcanza eficiencias de recuperación de agua de hasta un 93 %, facilitando su recirculación directa a la planta concentradora. Esta tecnología elimina las presas convencionales de lodos, reduce el área superficial ocupada en el territorio y mitiga significativamente las emisiones de material particulado mediante técnicas de cobertura y rehabilitación progresiva.Evolución del modelo geometalúrgicoDe la geometalurgia convencional a la digitalLa geometalurgia convencional representa un importante avance respecto a la separación tradicional entre geología y metalurgia. Su principal aporte consiste en asociar características del mineral con su comportamiento durante el procesamiento, permitiendo generar unidades geometalúrgicas y parámetros que pueden incorporarse en la planificación minera.Esta transición implica ampliar su aplicación más allá de la caracterización y modelamiento tradicional del yacimiento. Este proceso requiere integrar progresivamente herramientas de automatización y digitalización que permitan conectar la información generada durante las distintas etapas del ciclo minero. Así, la geometalurgia puede contribuir a una gestión más integrada de los datos, desde la exploración hasta la operación, fortaleciendo la toma de decisiones frente a la variabilidad inherente del mineral (Torres et al., 2021).Figura 12. Transición de la geometalurgia convencional hacia un enfoque digital. Integración de datos a lo largo de la cadena de valor mineraLa integración constituye una de las partes centrales de esta evolución. La información geológica tiene mayor valor cuando puede relacionarse con información generada durante la extracción y el procesamiento del mismo material. La integración también permite establecer retroalimentación, es decir, los resultados obtenidos en planta pueden utilizarse para evaluar las predicciones durante la etapa geometalurgica y actualizar los modelos. Con ello, se establece un ciclo continuo de caracterización, predicción, operación y aprendizaje.Figura 13. Integración de la geometalurgia y tecnologías 4.0.Geometalurgia 4.0 como enfoque integrado para la gestión de la variabilidadA partir de la evolución descrita, la Geometalurgia 4.0 puede plantearse como un enfoque integral de información geológica, minera, metalúrgica, operacional y ambiental mediante tecnologías digitales y herramientas de tecnologías avanzadas descritas en el inciso 4. Este enfoque no solo genera un modelo más detallado del yacimiento, sino que permite adquirir una capacidad de gestión dinámica de la variabilidad.Figura 14. Modelo conceptual de la Geometalurgia 4.0 para la gestión integrada de la variabilidad.La propuesta de Geometalurgia 4.0 supera la visión tradicional de la variabilidad como una condición que debe ser caracterizada y posteriormente controlada de manera aislada. Su principal aporte radica en conectar las distintas etapas de la cadena de valor minera, permitiendo que la información generada en geología se relacione con las decisiones de minado, procesamiento y gestión ambiental. De esta manera, la variabilidad deja de ser únicamente una fuente de incertidumbre y se convierte en una variable gestionable mediante información integrada, análisis continuo y capacidad de respuesta.La incorporación de tecnologías 4.0 permite capturar, integrar, analizar y retroalimentar información en distintos niveles temporales y espaciales, favoreciendo la anticipación de cambios en las características del mineral y sus efectos sobre la operación.Retos y perspectivas de la Geometalurgia 4.0La implementación de la Geometalurgia 4.0 enfrenta desafíos que no son exclusivamente tecnológicos. Uno de los principales es la calidad, disponibilidad y almacenamiento de los datos. La adopción de modelos predictivos también requiere cambios en las capacidades profesionales. El geólogo, ingeniero de minas, metalurgista e ingeniero ambiental deberán complementar sus conocimientos tradicionales con competencias relacionadas a la analítica de datos y herramientas digitales 4.0. Sin embargo, es preciso resaltar que la tecnología no reemplaza el conocimiento del proceso, sino que se integran para interpretar correctamente los resultados de los modelos.La perspectiva más importante consiste en cambiar la forma en que se entiende la geometalurgia. Su avance no debería limitarse a construir modelos más complejos, sino a convertir la información generada durante toda la cadena minera en conocimiento útil para anticipar y gestionar la variabilidad.Conclusiones1. El presente estudio ha permitido explorar una estrategia para 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. La variabilidad geológica, manifestada en la distribución no uniforme de la ley, mineralogía y texturas, condiciona directamente el comportamiento del material en las fases de perforación, voladura, procesamiento y gestión ambiental, incrementando el riesgo operativo y reduciendo el VAN de los proyectos cuando no se cuantifica espacialmente.2. Los modelos geológicos tradicionales, centrados exclusivamente en leyes, resultan insuficientes para representar esta complejidad, por lo que la definición de dominios geológicos que integren variables como la mineralogía modal de la ganga, las texturas, los tipos de alteración y las propiedades estructurales constituye el primer paso hacia un enfoque geometalúrgico integral.3. La caracterización inteligente del yacimiento, mediante sensores remotos, machine learning y análisis de big data geoespacial, permite transformar la geología de un insumo estático a un sistema dinámico de información a lo largo del ciclo minero, facilitando la captura de datos más densa, continua y en tiempo real. La adopción de tecnologías como la lógica difusa, los soft sensors y los modelos de machine learning ha demostrado ser efectiva para reducir la variabilidad operativa y generar recomendaciones que incrementan la producción.4. Asimismo, el monitoreo y gestión ambiental inteligente, a través del enfoque geoquímica-mineralogía-textura-geometalurgia, permite anticipar el potencial de drenaje ácido de roca. La Geometalurgia 4.0 se consolida como un enfoque integral que conecta las distintas etapas de la cadena de valor minera, convirtiendo la variabilidad en una variable gestionable mediante información integrada, análisis continuo y capacidad de respuesta.BibliografíaAlmeyda, L. 2024. Optimización de la molienda primaria de una unidad minera ubicada al sur de Perú empleando un Sistema de Inferencia Difusa (FIS) [Tesis de licenciatura, Universidad Nacional Mayor de San Marcos]. Repositorio institucional. https://hdl.handle.net/20.500.12672/25917Cacciuttolo, C., & Atencio, E. 2023. Dry Stacking of Filtered Tailings for Large-Scale Production Rates over 100,000 Metric Tons per Day: Envisioning the Sustainable Future of Mine Tailings Storage Facilities. Minerals, 13(11), 1445. https://doi.org/10.3390/min13111445Castro Andrade, J. A., Dávila Medina, R. P. M., Torres Guerra, J. A., & Aramburú Rojas, V. S. 2022. Geometalurgia y el análisis de la data. Importancia y aplicaciones en Perú. Revista del Instituto de investigación de la Facultad de minas, metalurgia y ciencias geográficas, 25(49), 211-228. https://doi.org/10.15381/iigeo.v25i49.23025Chen, Y., Wang, G., Mou, N., Huang, L., Mei, R., & Zhang, M. 2025. Machine-learning-based integrated mining big data and multi-dimensional ore-forming prediction: A case study of Yanshan Iron Mine, Hebei, China. Applied Sciences, 15(8), 4082. https://doi.org/10.3390/app15084082Dominy, S. C., O’Connor, L., Parbhakar-Fox, A., Glass, H. J., & Purevgerel, S. 2018. Geometallurgy—A route to more resilient mine operations. Minerals.https://doi.org/10.3390/min8120560Escobar, H. y Aliaga, A. 2022. Uso de Inteligencia Artificial en la optimización de la producción de concentrados de cobre – Sociedad Minera Cerro Verde. Revista Minería, 541, 14-27. https://revistamineria.com.pe/mineria/541/14/Eshonkulov, U., Umirzokov, A., Kuttybayev, A., Samenov, G., Shampikova, A., Ibyrkhanov, T., Muradova, A., Tursunova, I., Qodirov, F., & Rakhimov, T. 2026. Digital-Twin and IoT-Enabled Closed-Loop Dispatch for Dynamic Ore-Grade Blending in Open-Pit Mining. Mining, Metallurgy & Exploration.https://doi.org/10.1007/s42461-026-01667-0Frenzel, M., Baumgartner, R., Tolosana-Delgado, R., & Gutzmer, J. 2023. Geometallurgy: Present and future. Elements, 19(6), 345-351.https://doi.org/10.2138/gselements.19.6.345Lottermoser, B. (Ed.). 2017. Environmental Indicators in Metal Mining. Springer International Publishing. https://doi.org/10.1007/978-3-319-42731-7Palma, R.M. 2021. Inteligencia artificial y Machine Learning para el desarrollo e implementación de Softsensors en la predicción del P80 para la molienda SAG (SABC-A) - Minera las Bambas [Tesis de maestría, Universidad Nacional de San Agustin]. Repositorio Institucional. http://hdl.handle.net/20.500.12773/14133Parbhakar-Fox, A., & Lottermoser, B. 2017. Predictive waste classification using field-based and environmental geometallurgy indicators, Mount Lyell, Tasmania. En B. Lottermoser (Ed.), Environmental Indicators in Metal Mining (pp. 157–178). Springer International Publishing. https://doi.org/10.1007/978-3-319-42731-7_9 Parbhakar-Fox, A., & Lottermoser, B. G. 2015. A critical review of acid rock drainage prediction methods and practices. Minerals Engineering.https://doi.org/10.1016/j.mineng.2015.03.015Park, J; Kim, K. 2020. Use of drilling performance to improve rock-breakage efficiencies: A part of mine-to-mill optimization studies in a hard-rock mine. International Journal of Mining Science and Technology, Volume 30, Issue 2. (179-188). https://doi.org/10.1016/j.ijmst.2019.12.021Torres Guerra, J. A., Mejía Cáceres, D., Moreyra Ramos, P., Oré Grados, J., & Oscco Barrientos, S. 2021. Geometalurgia y el futuro de la minería digital en el Perú. Revista del Instituto de investigación de la Facultad de minas, metalurgia y ciencias geográficas, 24(47), 163-179. https://doi.org/10.15381/iigeo.v24i47.20661Valdivia, H., Paredes, H., Estrella, D. y Álvarez, A. 2023. Incremento de producción metálica en planta concentradora mediante la implementación de Machine Learning en Antamina. Revista Minería, 548, 6-21.https://revistamineria.com.pe/mineria/548/6/Valery, W; Hayashida, R; Valle, R; Tabosa, E; Duffy, K; Pyle, L. 2023. Mine-to-Mill optimization, production reliability enhacement and efficient use of resources over the Life-of-Mine. [Presentación de escrito]. 22º Simpósio de Mineração / ABM Week 7ª edição, São Paulo, Brasil. 574–288. https://doi.org/10.5151/2594-357X-39654Vera, J.E. 2021. Optimización del ajuste de parámetros en los lazos de control de nivel de celdas de flotación en plantas concentradoras de minerales para reducir la variabilidad del proceso, basado en el método PHVA [Tesis de Licenciatura, Universidad Nacional de Ingeniería]. Repositorio institucional. http://hdl.handle.net/20.500.14076/20897Zhou, T. 2025. Towards smart mining: An integrated process for high-accuracy, high-resolution, and time-lapse geological modeling. EGU General Assembly 2025, Vienna, Austria, 27 Apr–2 May 2025. https://doi.org/10.5194/egusphere-egu25-15713Zhou, T. 2026. A hybrid recurrence–wavelet transform approach for geochemical classification of rocks along boreholes. Engineering Geology, 368, 108746. https://doi.org/10.1016/j.enggeo.2026.108746
Driving sustainability: electric trucks to transform mining logistics in the andean countries Seguir leyendo
