Por: Aaron Aponte, Universidad Nacional Agraria La Molina; Elizbeth Champi, Universidad Nacional de San Agustín; Esmelin Ocón, Universidad Nacional de Cajamarca; Isabel Vicente, Universidad Nacional Daniel Alcides Carrión; Milton Cutipa, Universidad Nacional Jorge Basadre Grohmann, y Víctor Espinoza, Pontificia Universidad Católica del Perú.

Trabajo ganador de la IV Cantera de Talentos para la Minería del IIMP.

Resumen

Este artículo propone estrategias multidisciplinarias para mitigar la sobreespumación en la flotación Cu–Mo, un problema frecuente en yacimientos tipo pórfido-skarn con alta presencia de filosilicatos hidrofóbicos como talco, serpentinas o cloritas, que generan espumas inestables afectando la recuperación y la calidad del concentrado. 

Desde la geología, se plantea un modelo geometalúrgico predictivo basado en el concepto de “roca total” y la caracterización tanto física como mineralógica de los filosilicatos, permitiendo clasificar y segregar bloques problemáticos antes de su ingreso a planta. 

Por su parte, la ingeniería de minas contribuye mediante una estrategia de blending, que combina materiales con distinta mineralogía para estabilizar el proceso. En el ámbito metalúrgico, se revisa el uso de celdas Jameson, que mejoran la cinética de separación y reducen el arrastre. 

Desde la perspectiva ambiental, se evalúa los beneficios de aplicar las estrategias propuestas en la flotación Cu–Mo, enfocándose en la reducción del consumo de agua y energía, así como la minimización del uso de reactivos. 

Finalmente, se desarrolla un modelo predictivo con Machine Learning (Random Forest), el cual, alimentado con variables geológicas, operativas y ambientales, logra anticipar eventos de sobreespumación con una precisión del 85.7%, sirviendo como soporte para el control del proceso.

Palabras clave: Sobreespumación, Flotación Cu-Mo, Filosilicatos, Blending, Geometalurgia, Celdas Jameson, Machine Learning.

Introducción

En la industria minera, la eficiencia del proceso de flotación es determinante para la recuperación de minerales valiosos como el cobre y el molibdeno, especialmente en yacimientos tipo pórfido-skarn donde ambos coexisten. En estos sistemas, el molibdeno suele estar asociado a minerales de cobre como calcopirita, bornita o covelina, por lo que se procesan juntos en circuitos de flotación Cu–Mo. 

Sin embargo, la presencia de filosilicatos hidrofóbicos como talco, serpentinas o cloritas genera espumas densas, persistentes y poco selectivas, que afectan tanto la operatividad como la eficiencia metalúrgica. 

Este fenómeno de sobreespumación no se limita a la etapa de flotación selectiva, sino que puede iniciarse en la flotación bulk y persistir hasta la planta de molibdeno, dificultando el control del proceso, reduciendo la recuperación y comprometiendo la calidad del concentrado final.

En este contexto, resulta necesario desarrollar enfoques integrales que permitan anticipar el comportamiento del mineral desde su origen geológico hasta su procesamiento en planta. Esto implica integrar información mineralógica, geoquímica, metalúrgica y operativa en un marco que facilite la toma de decisiones tanto en el diseño de procesos como en la planificación de la explotación. 

En este escenario, la incorporación de tecnologías asociadas a la Minería 4.0, como el uso de algoritmos predictivos mediante Machine Learning en entornos como el software Orange, ofrece nuevas posibilidades para optimizar el control del proceso de flotación y reducir los impactos ambientales asociados. Al mismo tiempo, la creciente presión por adoptar prácticas mineras más sostenibles plantea el reto de reducir el uso de insumos sin comprometer el rendimiento, lo que refuerza la utilidad de desarrollar modelos predictivos precisos para la toma de decisiones operativas.

El presente trabajo aborda esta problemática desde una perspectiva multidisciplinaria, proponiendo soluciones que combinan herramientas predictivas, criterios geometalúrgicos y estrategias operativas, con el objetivo de mejorar la eficiencia del proceso de flotación Cu– Mo y reducir sus impactos ambientales.

Caracterización del problema

Problema operativo de sobreespumación

Uno de los principales desafíos en el procesamiento de minerales Cu–Mo en yacimientos tipo pórfido-skarn es la sobreespumación durante la flotación. Este fenómeno se manifiesta a través de la generación de espumas excesivas, persistentes y poco selectivas. Si bien en algunos casos este problema podría atribuirse a un exceso de reactivos espumantes, diversos estudios han demostrado que la principal causa está relacionada con la composición mineralógica del mineral. 

Por ejemplo, Arce y Copara (2024) identifican que la sobreespumación puede atribuirse a la presencia de especies como Ca, Mg, MgO y CaO, elementos asociados principalmente a filosilicatos como el talco, los cuales compiten con los sulfuros por los reactivos colectores. Esta interacción reduce la cantidad de colectores disponibles para las especies sulfuradas, provocando una disminución en la recuperación de cobre. En sus análisis, se muestra una correlación inversa entre el contenido de talco y la recuperación de Cu, lo cual se evidencia en la Figura 1.

De manera similar, Mamani y Quequezana (2022) señalan que un alto contenido de arcillas y lamas, ricas en Ca y Mg, también contribuye significativamente a la sobreespumación, afectando la flotación colectiva Cu–Mo. En sus resultados se observa que el procesamiento de un mineral arcilloso (identificado como "mineral mármol") se asocia a una menor recuperación de molibdeno y menor grado de concentrado, tal como se representa en la Figura 2.

Caracterización mineralógica

La caracterización mineralógica es importante para entender el comportamiento del mineral en flotación Cu–Mo, ya que permite identificar la presencia y distribución de filosilicatos como talco, serpentinas y cloritas, los cuales afectan negativamente el proceso al generar espumas persistentes y disminuir la selectividad. 

Estos minerales se producen por alteraciones como la clorítica, argílica y la serpentinización de rocas máficas (ver Figura 3). La formación de filosilicatos escamosos y blandos suele concentrarse en zonas de fractura y bordes de intrusivos, afectando las características físico-químicas del mineral a procesar (Castro et al., 2022; Medina, 2024).

Los filosilicatos mencionados tienen una estructura laminar y una elevada capacidad de absorción de reactivos, lo que desestabiliza el sistema de flotación al actuar como nucleantes de burbujas, generar espumas persistentes y contribuir al arrastre de ganga no deseada al concentrado (Medina, 2024; Michaux, 2020), complicando las etapas de fundición por el exceso de ganga y aumentando la producción de escorias y la pérdida de rendimiento global (Jorjani et al., 2011). También causa rebases en canales, celdas y disminución de la selectividad en la separación Cu–Mo (Voisin, Ossandón & Pizarro, 2017; Yi et al., 2021). 

Además, su presencia se asocia a una mayor liberación de partículas finas debido a su baja dureza y tendencia a exfoliarse durante la conminución, comprometiendo la eficiencia metalúrgica y el control del proceso (Garrido, 2020). Este efecto negativo se acentúa en ambientes donde las alteraciones retrógradas han reemplazado minerales primarios como feldespatos o piroxenos, liberando filosilicatos que afectan la selectividad.

En este contexto, queda evidenciado que la presencia de filosilicatos no solo representa un desafío mineralógico, sino también un problema operativo que compromete la eficiencia global del proceso de flotación Cu–Mo. Esta situación exige un enfoque integral que aborde el problema desde distintas etapas del proceso minero-metalúrgico.

Estrategias técnicas de mitigación

Geometalurgia

Roca total y la caracterización geometalúrgica

La base conceptual del modelo predictivo geometalúrgico se sustenta en el enfoque de la “roca total”, desarrollado por S. Canchaya (2008), el cual establece que todo cuerpo mineralizado debe ser caracterizado integralmente –más allá de la distinción convencional entre mena y ganga– considerando sus atributos físicos, químicos, mineralógicos y texturales (ver Figura 6). Esta visión permite identificar el comportamiento metalúrgico del material en planta sin depender únicamente de leyes metálicas, y es clave para el diseño y control de procesos.

Parámetros de clasificación geometalúrgica

La clasificación geometalúrgica se basa en la identificación y agrupación de unidades rocosas con comportamiento similar durante el procesamiento mineral. Para ello, se definen parámetros discriminantes que permiten diferenciar dominios con respuesta metalúrgica contrastante. Según Medina (2024), estos parámetros abarcan dimensiones químicas (MgO, CaO, Fe₂O₃ y LOI), mineralógicas (filosilicatos y carbonatos), físico-mecánicas (competencia y dureza), texturales (porosidad y fracturamiento) y otras propiedades que afectan la flotación, como el grado de alteración y el contenido de partículas blandas.

Modelo geometalúrgico

La fase final de la caracterización consiste en la construcción del modelo geometalúrgico, que integra espacialmente todos los parámetros recolectados (geoquímicos, mineralógicos, físicos y texturales) en un entorno 3D utilizando softwares especializados como Datamine o Studio RM (ver Figura 8). A diferencia de los modelos geológicos tradicionales, el modelo geometalúrgico no se basa en litologías estrictas, sino en el comportamiento del material frente a procesos como la flotación Cu-Mo, facilitando decisiones de planificación y control operacional (Medina, 2024; Castro et al., 2022).

Este modelo permite asignar a cada bloque del yacimiento una unidad geometalúrgica (ver Figura 9) según su respuesta estimada en planta, lo que permite anticipar riesgos y aplicar estrategias como el blending o el ajuste de reactivos. En operaciones peruanas como Las Bambas, este enfoque ha sido importante para contrarrestar los problemas operativos relacionados con minerales como el talco.

La integración del modelado geometalúrgico predictivo ha demostrado ser eficaz para mitigar la sobreespumación en flotación Cu–Mo. En el estudio de Medina et al. (2024), se reporta que la implementación de la geometalurgia permite reducir la variabilidad de producción hasta en un 15 %, lo que conlleva una disminución directa de los eventos de sobreespumación y una menor necesidad de ajustes operacionales en planta. La capacidad de segmentar bloques de riesgo anticipadamente ha mejorado la estabilidad del proceso y reducido las pérdidas asociadas al arrastre de ganga y paradas operativas.

Blending

En el procesamiento de minerales, el blending es una táctica empleada para mejorar la recuperación de minerales que presentan dificultades en su tratamiento. Esta metodología consiste en combinar un mineral más complejo, que puede tener baja concentración o estar rico en arcillas, con otro mineral más sencillo de procesar, en una proporción determinada por su peso. El propósito es aumentar la obtención del mineral de cobre concentrado al procesar la mezcla en comparación con el procesamiento de los minerales por separado (Ortega, 2005).

Un estudio que demuestra la aplicabilidad del blending es el de Arce y Copara (2024) aplicado en una planta metalúrgica de la región Apurímac donde evaluó el uso del blending como estrategia para enfrentar los problemas metalúrgicos causados por minerales con alto contenido de magnesio, talco y arcillas. Se estudió un mineral estándar (procesado normalmente), que fue mezclado con un mineral problema, el cual presentaba una mayor concentración de talco y magnesio, generando pérdidas en la recuperación de Cu-Mo. Para mitigar este efecto, se realizaron seis pruebas de flotación con diferentes proporciones de mezcla (blending) entre ambos tipos de mineral, desde 0% hasta 100% de mineral problema. Los resultados demostraron que la aplicación del blending permitió reducir el impacto negativo de los minerales complejos, mejorando la eficiencia del proceso.

En la Figura 11, se aprecia que conforme se va incrementado la cantidad de mineral problema en el blending del mineral estándar, la recuperación va decreciendo, de tal manera que, si solamente se procesara mineral problema, la recuperación en las mejores condiciones siempre estará por debajo de 72%.

En el caso del molibdeno de igual forma el ingreso del mineral problema, es nocivo como se aprecia en la Figura 12, donde el porcentaje de recuperación de Mo baja de 76.91% hasta 55.53%, es decir aminora un 21.38%, y podemos decir que, si este mineral problema ingresara al 100% en el proceso, la recuperación en las mejores condiciones siempre estará por debajo de 56%.

Complementariamente, un estudio aplicado en la minera Sierra Gorda SCM (ubicada al norte de Chile) evaluó el blending como alternativa frente al impacto de minerales con alto contenido de arcillas y filosilicatos, específicamente en la etapa rougher de flotación. Se emplearon dos tipos de mineral: UGM 850, con mayor proporción de arcillas (13.6%) y comportamiento metalúrgico desfavorable, y UGM 840, con menor contenido de arcillas (9.4%) y buena respuesta en flotación. Las pruebas realizadas con mezclas progresivas de ambos materiales permitieron identificar zonas de “blending positivo”, donde la recuperación mejoraba, y “blending negativo”, donde el exceso de mineral complejo reducía el rendimiento metalúrgico (Soto, 2017).

Para las pruebas de flotación realizando blending de las UGM 840 y 850 se utilizaron las pulpas obtenidas de las pruebas de cinética de molienda con distintas proporciones, a pH fijo de 8.5 y en las mismas condiciones de operación de la planta, los resultados en términos de recuperación de Cu y Mo se muestran en las Figuras 13 y 14.

Estos indicadores confirman que el blending, aplicado estratégicamente desde mina, es una herramienta efectiva para optimizar la calidad del mineral enviado a planta y mitigar los efectos negativos de materiales de difícil tratamiento.

Celdas Jameson

Una alternativa tecnológica destacada para mejorar la eficiencia en la flotación Cu–Mo frente a minerales complejos es la celda Jameson, que ofrece una buena combinación de alta capacidad de carga, rápido contacto burbuja-partícula, y baja recuperación de ganga, lo que la convierte en una opción ideal para circuitos donde se requiere alta ley y mejor selectividad, especialmente en etapas de limpieza (cleaner), Lawson (2016).

Su aplicación ha sido efectiva en la flotación a granel de cobre y molibdenita, aprovechando su eficiencia de recolección y estabilidad de espuma. En diseños modernos, como el propuesto por Akerstrom (2020), la celda Jameson se implementa como cleaner/scalper, capturando rápidamente partículas liberadas al inicio del circuito de limpieza y generando concentrados de alta ley. Los relaves generados son procesados en celdas mecánicas tipo cleaner/scavenger, y su concentrado intermedio pasa a una celda Jameson recleaner, que entrega el producto final con mínima ganga.

En plantas piloto, se ha validado que la celda Jameson reduce significativamente el arrastre de ganga gracias al uso de agua de lavado. Esto se evidencia en una menor recuperación de sílice y de no-sulfuros de ganga a altas recuperaciones de Cu, lo que refleja un mejor control selectivo del proceso.

En el gráfico izquierdo de la Figura 16, las pruebas piloto muestran menor recuperación de sílice, especialmente a altas recuperaciones de cobre, indicando mejor rechazo de ganga.

En el gráfico derecho, las pruebas piloto presentan menor recuperación de no-sulfuro de ganga, evidenciando mejor control del arrastre.

Un ejemplo industrial exitoso se encuentra en Mount Isa Mines, donde la implementación de un nuevo circuito de limpieza con celdas Jameson reemplazó 33 celdas convencionales. El nuevo diseño incluyó tres celdas Jameson (cleaner/scalper, recleaner y cleaner/scavenger) y dos celdas Wemco, mejorando la recuperación sin comprometer la ley del concentrado (Lawson, 2016).

Desde el punto de vista técnico, la celda Jameson se caracteriza por su alta eficiencia de colisión, que depende de la eficiencia de adhesión y de estabilidad. Su velocidad de mezcla elevada y el diseño que favorece la formación de una película delgada de pulpa alrededor de burbujas pequeñas facilita una adhesión más rápida y efectiva (Lawson, 2016).

Las celdas Jameson son reconocidas por su capacidad de carga superior en comparación con las columnas y celdas de flotación convencionales (ver Figura 18). Esta ventaja se atribuye principalmente al tamaño reducido de sus burbujas, lo que permite un contacto más eficiente entre partículas y burbujas, y a la existencia de una zona de espuma tranquila que mejora la recuperación del mineral y prolonga el tiempo de residencia (Lawson, 2016). Estudios realizados por la Universidad de McGill han confirmado que las burbujas en las celdas Jameson son consistentemente más pequeñas que en otras tecnologías, optimizando así la eficiencia del proceso.

Esta característica se traduce en una mayor capacidad para procesar materiales con mejores recuperaciones. Por ejemplo, en la flotación de cobre, pruebas piloto han demostrado que las celdas Jameson pueden alcanzar capacidades de carga hasta tres veces mayores que las columnas convencionales, evidenciando su potencial para mejorar significativamente el rendimiento y la eficiencia de los circuitos de flotación Cu-Mo.

Gracias a estas características, la celda Jameson es altamente recomendable en circuitos de flotación Cu–Mo donde se requiere controlar el arrastre de ganga, mejorar la ley del concentrado, y aumentar la recuperación sin necesidad de aumentar significativamente el volumen del circuito. Su implementación puede además evaluarse previamente a través de pruebas piloto, como las desarrolladas por Glencore Technology, reduciendo el riesgo técnico de cambios en planta.

Propuesta experimental: modelo predictivo de sobreespumación con Machine Learning

Con el fin de anticipar la ocurrencia y facilitar una gestión proactiva del proceso, se desarrolló un modelo de Machine Learning.

Este modelo busca integrar parámetros geológicos, geoquímicos y operacionales, para predecir condiciones de riesgo y servir como herramienta complementaria a las estrategias de mitigación propuestas en las secciones anteriores.

Construcción de la base de datos

La base de datos se elaboró inicialmente en Microsoft Excel, integrando información mineralógica y operativa representativa de distintos tipos de roca presentes en plantas Cu– Mo. Las variables consideradas fueron las que se muestran en la Tabla 1.

Los datos fueron normalizados y exportados como archivo CSV, sirviendo de insumo para el modelado en la herramienta Orange Data Mining.

Entrenamiento y validación de modelos

En Orange, se utilizó un flujo de trabajo supervisado que incluyó los siguientes algoritmos de clasificación:

ν Regresión logística.

ν Árbol de decisión.

ν Bosque aleatorio (Random Forest).

Cada uno fue conectado al nodo Test and Score, lo que permitió evaluar el desempeño de los modelos mediante validación cruzada. No se aplicaron procesos adicionales de muestreo o discretización dentro de Orange, ya que el preprocesamiento fue ejecutado desde Excel.

Resultados y análisis

Los resultados evidenciaron que el algoritmo Random Forest ofreció el mejor rendimiento general, alcanzando un AUC de 0.800 y una precisión de 0.714. Este modelo mostró mayor robustez ante relaciones no lineales y múltiples variables simultáneamente, condiciones frecuentes en sistemas de flotación.

Entre las variables más influyentes en la predicción destacaron:

ν Contenido de talco.

ν Porcentaje de MgO.

ν Índice de trabajo (Wi).

ν Tipo de reactivo utilizado.

ν pH y consumo de agua.

Los gráficos generados (matriz de confusión, box plots comparativos y curva ROC) permitieron visualizar el comportamiento diferencial de estas variables frente a la ocurrencia de sobreespumación, validando estadísticamente correlaciones ya observadas en campo y en estudios previos.

Limitaciones y proyecciones

Aunque el modelo mostró buen desempeño predictivo, su efectividad depende directamente de la calidad y cantidad de datos disponibles. En esta etapa, se trabajó con una base simulada y referencial, por lo que se recomienda su validación futura con datos reales de planta para afinar su precisión.

El modelo desarrollado posee un alto potencial de aplicación práctica, ya que podría integrarse en sistemas de planificación minera o monitoreo metalúrgico para:

ν Anticipar zonas de riesgo geometalúrgico.

ν Ajustar estrategias de blending.

ν Modificar condiciones operativas y tipos de reactivos en tiempo real.

Esta herramienta representa un paso hacia un control predictivo y multidisciplinario del proceso Cu–Mo, alineado con la visión integral del presente estudio.

Beneficios ambientales de las estrategias

Los beneficios ambientales de aplicar una estrategia integrada que abarca el modelado geometalúrgico, el blending, las celdas Jameson y el aprendizaje automático en la flotación de Cu-Mo son significativas. En primer lugar, la geometalurgia permite una caracterización precisa del mineral, su implementación, como se documenta en el estudio de Medina-Tasilla (2024), puede reducir hasta en un 15% la variabilidad de producción, disminuyendo eventos de sobreespumación y evitando ajustes correctivos costosos que implican mayor uso de agua y energía, reduciendo su demanda al igual que la aplicación del blending, al evitar el procesamiento de mineral de baja calidad, lo que suele aumentar el desperdicio y el uso de recursos. 

En segundo lugar, la celda Jameson mejora significativamente la cinética de flotación y minimiza el arrastre de ganga con burbujas ultrafinas, lo que permite recuperaciones equivalentes con menos celdas, reduciendo en un 50% las emisiones de carbono en la fase de construcción y hasta 36% en la etapa de operación, requiriendo la mitad de energía que las celdas convencionales (Glencore Technology, s.f.) lo que se traduce en menores emisiones de CO₂.

Finalmente, las herramientas de aprendizaje automático (p. ej., Random Forest) puede optimizar las estrategias anteriores, al anticipar zonas de riesgo metalúrgico, ajustar las estrategias del blending y modificar condiciones operativas en tiempo real, como el tipo y dosificación de reactivos en el pH del sistema, dando como respuesta la minimización del uso de reactivos, agua y energía. En conjunto, estos enfoques ofrecen una vía hacia una operación de Cu-Mo más sostenible y eficiente en el uso de recursos, con una menor huella ambiental.

Conclusiones

1. La geometalurgia permite anticipar y controlar problemas como la sobreespumación en flotación Cu–Mo, optimizando la recuperación y los costos operativos. Su aplicación en operaciones como Las Bambas evidencia mejoras significativas en eficiencia y valor económico.

2. El blending es una herramienta operativa eficaz para controlar el impacto de minerales con alto contenido de talco, magnesio y arcillas en la flotación Cu–Mo. Los resultados obtenidos en la mina de Apurímac muestran que el incremento del mineral problema reduce significativamente la recuperación de Cu y Mo, confirmando la necesidad de limitar su proporción en el mineral de cabeza. De forma complementaria, el caso de Sierra Gorda SCM valida que la aplicación estratégica del blending permite mejorar la eficiencia metalúrgica cuando se identifican proporciones óptimas de mezcla.

3. Las celdas Jameson optimizan la flotación Cu–Mo al generar burbujas finas, aumentar la recuperación y reducir el arrastre de ganga. Su uso como cleaner/scalper y recleaner mejora la calidad del concentrado y permite diagnosticar la eficiencia de liberación, facilitando un control más preciso del proceso y una mayor eficiencia metalúrgica.

4. El modelo de Machine Learning aplicado permitió predecir eficazmente la presencia de sobreespumación en procesos Cu–Mo tipo pórfido-skarn, destacando el Bosque Aleatorio como el algoritmo más robusto. La integración de variables geometalúrgicas como talco, pH y tipo de reactivo, refuerza su aplicación operativa. Este enfoque respalda decisiones técnicas para mitigar impactos metalúrgicos en planta.

5. La aplicación conjunta de herramientas predictivas, operativas y tecnológicas en la flotación Cu–Mo permite reducir el uso de agua, energía y reactivos, disminuyendo significativamente la huella ambiental del proceso, favoreciendo a una operación más sostenible.

Bibliografía

Akerstrom, J. S. 2020. Cleaner circuit optimization at Cadia operations. Glencore Technology.

Arce Rado, D. W., & Copara Gorveña, J. J. 2024. Evaluación de la influencia del magnesio y talco en la recuperación de cobre por flotación en una empresa minera ubicada en la región de Apurímac [Tesis de licenciatura, Universidad Nacional de San Agustín de Arequipa]. Facultad de Ingeniería de Procesos, Escuela Profesional de Ingeniería Química.

Canchaya Moya, S. 2017. Unidades geometalúrgicas vs modelo geometalúrgico [Presentación en conferencia]. Congreso Geomet 2017, Lima, Perú.

Castro, J. A., Dávila, R. P. M., Torres, J. A., & Aramburú, V. S. 2022. Geometalurgia y el análisis de la data. Importancia y aplicaciones en Perú. Instituto de Ingenieros de Minas del Perú (IIMP). https://dialnet.unirioja.es/servlet/articulo?codigo=8754239

Castro, J., Julián, A., Ayala, E., & Becerra, G. 2022. Rol y desafíos de la geometalurgia operacional en Cerro Corona, Cajamarca, Perú. Congreso de Minería. https://app.ingemmet.gob.pe/biblioteca/pdf/Lib-216-163.pdf

Corbett, G., & Leach, T. 1997. Southwest Pacific Rim gold-copper systems: Structure, alteration, and mineralization. https://corbettgeology.com/wp-content/uploads/2016/07/short-course-manual-1997.pdf

Garrido, M., Sepúlveda, E., Ortiz, J. M., & Townley, B. 2020. A methodology for the simulation of synthetic geometallurgical block models of porphyry ore bodies. Natural Resources Research, 29, 3527–3545. https://www.researchgate.net/publication/329583255

Guerrero Flores, H. 2024. Integración geometalúrgica MMG - Las Bambas: Poblamiento metalúrgico del bloque geológico y desarrollo de modelo fenomenológico [Presentación técnica]. MMG – Las Bambas.

Glencore Technology. (s.f.). Jameson Concentrator. Glencore Technology. https://www.glencoretechnology.com/es/technologies/jameson-concentrator

Jorjani, E., Barkhordari, H. R., Tayebi Khorami, M., & Fazeli, A. 2011. Effects of aluminosilicate minerals on copper–molybdenum flotation from Sarcheshmeh porphyry ores. Minerals Engineering, 24(8), 754–759. https://doi.org/10.1016/j.mineng.2011.01.005

Lawson, V. 2016. Enhancing the performance of Cu-Mo circuits using the Jameson Cell. 12.ª Conferencia Internacional de Procesamiento de Minerales. Glencore Technology, Australia: Procemin 2016.

https://www.glencoretechnology.com/.rest/api/v1/documents/fd83a9cb6b07892f8ee9 2c4886497d33/Enhancing-the-Performance-of-Cu-Mo-Circuits-using-the-Jameson- Cell.pdf

Madrid Ortega, I. 2005. Efecto de iones calcio, pH, tamaño de partícula y colectores no polares en la flotabilidad de molibdenita [Tesis de maestría, Universidad Autónoma de San Luis Potosí]. Instituto de Metalurgia, Facultad de Ingeniería.

Mamani Chino, E. C., & Quequezana Irrarazabal, J. S. 2022. Evaluación de dos espumantes con base de 2-etil, 1-hexanol para la recuperación de concentrado Cu-Mo en primera y segunda flotación de mineral pórfido-skarn [Tesis de licenciatura, Universidad Nacional de San Agustín de Arequipa]. Facultad de Ingeniería de Procesos, Escuela Profesional de Ingeniería Química.

Medina-Tasilla, D. Y. 2024. Optimizing mineral extraction in Peru: Integrating geometallurgical planning with Mining 4.0 technologies. Universidad Nacional de Ingeniería. https://www.researchgate.net/publication/383489865

Michaux, B. 2020. How to set up and develop a geometallurgical program. En Proceedings of the AusIMM Mill Operators Conference. Australasian Institute of Mining and Metallurgy (AusIMM). https://www.researchgate.net/publication/341459317

Madrid Ortega, I. 2005. Efecto de iones calcio, pH, tamaño de partícula y colectores no polares en la flotabilidad de molibdenita. Tesis de Maestría en Ingeniería de Minerales. Instituto de Metalurgia/Facultad de Ingeniería, UASLP.

Soto, D. 2017. Evaluación del efecto blending en la recuperación de minerales de Cu-Mo con alto contenido de arcillas, en la etapa de flotación rougher, y el efecto de reactivos en pruebas de laboratorio [Informe de memoria de título, Universidad de Concepción]. Facultad de Ingeniería, Departamento de Ingeniería Metalúrgica.

Voisin, L., Ossandón, J., & Pizarro, C. 2017. Effects of clay minerals on viscosity and copper entrainment losses in smelting slags. En Proceedings of the 5th International Slag Valorisation Symposium (Leuven, 3 a 5 de abril de 2017). Advanced Mining Technology Center, University of Chile.

Yi, G., Macha, E., Van Dyke, J., Macha, R., McKay, T., & Free, M. L. 2021. Recent progress on research of molybdenite flotation: A review. Advances in Colloid and Interface Science, 102466. https://doi.org/10.1016/j.cis.2021.102466