X
Logo Minería
login

Inicie sesión aquí

USO DE INTELIGENCIA ARTIFICIAL EN LA OPTIMIZACIÓN DE LA PRODUCCIÓN DE CONCENTRADOS DE COBRE – SOCIEDAD MINERA CERRO VERDE

Trabajo ganador del Premio Nacional de Minería en PERUMIN 35
Por: Hugo Escobar y Aldo Aliaga, Sociedad Minera Cerro Verde.


Resumen 

Los planes de producción en una concentradora de cobre comprometen las libras producidas contenidas en los concentrados para su posterior comercialización. 

La operación diaria de las concentradoras es gobernada por dos variables a optimizar: el tonelaje y la recuperación; ambas con una relación inversa. Alcanzar el equilibrio óptimo entre estas dos variables constituye el reto principal para maximizar las libras de cobre en los concentrados.

Una herramienta que ha brindado buenos resultados en las concentradoras de Sociedad Minera Cerro Verde ha sido la implementación de la Inteligencia Artificial (IA). El uso del Machine Learning para modelar el tonelaje y recuperación, y así optimizar la producción de libras de Cu. 

Las recomendaciones obtenidas con la herramienta, el proceso sistemático de revisión de variables claves para la operación, la detección de anomalías de instrumentos y la interacción entre profesionales de las concentradoras durante la revisión de las recomendaciones, han servido para mejorar y unificar las decisiones operativas, rompiendo muchos paradigmas en el camino.

Producto de la implementación de esta herramienta y proceso, se lograron identificar oportunidades de mejora en las plantas que derivaron en proyectos de optimización de los circuitos de flotación y a la fecha con más de un año de ejecución, se obtuvieron incrementos en la producción de libras de Cu de hasta 6.5%, sin perder la calidad del concentrado y en muchas oportunidades mejorándola.

Introducción

Sociedad Minera Cerro Verde cuenta con dos concentradoras y una planta SX/EW que operan de manera integrada en su única concesión de beneficio. El rendimiento de ambas concentradoras ha estado basado principalmente en el expertise de los profesionales que la operan y la capacidad de los equipos instalados.

Con herramientas de analítica de avanzada se pudo determinar nuevas oportunidades de mejora; utilizando modelos de Machine Learning se encontraron nuevos puntos óptimos de operación que normalmente eran considerados paradigmas operativos y que al ojo del mejor metalurgista resultaba complicado alcanzar.

En este trabajo se presentará la metodología utilizada, los retos afrontados y los beneficios obtenidos durante la etapa de implementación y sostenibilidad de la herramienta.

Objetivos

Incrementar la producción de libras de Cu balanceando continuamente entre aumentar tonelaje o la recuperación. 

Utilizar la Inteligencia Artificial como herramienta de optimización operativa.

Metodología

La magnitud del trabajo involucrado en la implementación de la IA hace notar que los modelos de Machine Learning no podrían quedar solos como una herramienta de optimización; por el contrario, se requiere una serie de otras herramientas y actividades que acompañen y ayuden en el sostenimiento de este mecanismo de optimización.

El proceso completo de implementación contempló: diagnóstico de situación actual, definición de alcances y recursos, determinación de Primeros Principios, ejecución de primeros modelos de Machine Learning, implementación de módulo de “Detección de Anomalías de Instrumentos”, iteración de modelos de Machine Learning, definición de Interfaz de Usuario, alineamiento de APC (sistemas experto) con Primeros Principios Metalúrgicos, ajuste de restricciones y sostenibilidad de la herramienta.

Determinación de prueba de concepto

En esta etapa se identificó que el mayor potencial estaba en la optimización de la recuperación y el tonelaje con seis palancas que ayudarían a alcanzar y sostener el máximo potencial (ver Figura 1).

Referente a la recuperación, el análisis indicaba el potencial de mejora que se podría tener de acuerdo a conceptos teóricos y a análisis operativos de este proceso. Considerando otras variables más a las de modelos metalúrgicos de recuperación, que correlacionan variables relacionadas al mineral como el contenido de Cu y Fe en la alimentación, la dureza, el nivel de oxidación y variables relacionadas al proceso como el P80 (Tabla 1).

Referente al tonelaje, la relación es inversa con la recuperación, es decir cuando incrementamos el tonelaje hay un impacto negativo en la recuperación. Para la Concentradora 1 (C1), la sensibilidad de la recuperación al tonelaje es mayor que en la Concentradora 2 (C2), ver Figura 2.

Determinación de Primeros Principios

Definir los Primeros Principios permite dar coherencia a los modelos de Machine Learning y evitar errores de interpretación, es así como estos modelos deben cumplir con estos principios que obedecen al comportamiento metalúrgico de los tipos de mineral y factores operativos inherentes a cada planta concentradora (Figura 3).

Implementación de modelos Machine Learning de línea base

El primer paso para la implementación de la Inteligencia Artificial, fue definir modelos de línea base que puedan predecir resultados en condiciones estables de planta y que se actualicen con la información en línea disponible del proceso. Además, son muy necesarios para comparar los incrementos de recuperación y tonelaje con los modelos de optimización y generar las mejores recomendaciones a la operación.

Estos modelos fueron definidos para los parámetros optimizables: recuperación, tonelaje y para el modelo de restricción de concentrado bulk Cu-Mo. La dificultad de la implementación consistía en: la complejidad de la interacción de las variables en la concentradora y que no había datos en tiempo real sobre el rendimiento de planta sin que la IA tuviera lugar.

Un punto importante para considerar es que el modelo metalúrgico de recuperación de Cu inspiró el modelo de línea base de recuperación de la IA, sin embargo, la principal diferencia residía en que el modelo metalúrgico se centraba en la recuperación final de cada turno de operación y el modelo de línea base de la IA se centraba en estimar la recuperación con una cadencia de 3 horas (4 veces por cada turno de operación de la planta).

Las técnicas utilizadas para establecer los modelos de línea base consistían en los árboles de decisión y gradient boosting. 

En el caso de los árboles de decisión, permiten: agrupar datos para asignar casos a grupos que son similares con respecto al resultado, tolerar diversidad de datos (se desempeña bien con mezclas de datos continuos y categóricos), relaciones no lineales y ayuda a encontrar patrones que no pueden ser graficados en un diagrama XY y no pueden ser extrapolados porque las predicciones que entrega son promedios del resultado observado; esto lo convierte en una línea base natural.

En el caso del gradient boosting, permite: garantizar la diversidad de modelos al considerar las entradas de múltiples árboles de decisión, cada uno creado con un subconjunto de variables disponibles; incorporar los beneficios de los árboles de decisión tolerando la diversidad y modelando relaciones no lineales, y contener miles de árboles para considerar una amplia variedad de rutas únicas para la predicción de resultados antes de tomar un promedio ponderado de árboles para la regresión final.

Implementación de modelos de Machine Learning de optimización

Una vez definidos los modelos de línea base, el siguiente paso fue la construcción de modelos de optimización que generen recomendaciones de los mejores puntos de operación que maximicen la producción de libras de Cu balanceando entre maximizar el tonelaje molido y la recuperación.

El método de construcción es muy similar al de los modelos de línea base, la diferencia consiste en que estos estiman los valores óptimos para los parámetros optimizables que en este estudio consisten en los aspectos que siguen a continuación (ver Tabla 4):

Modelo de optimización de recuperación

El modelo campeón luego de las iteraciones presentó ~1.6% MAPE (ver Tabla 5 y Figura 6).

Modelo de optimización de P80

El modelo campeón luego de la iteración presentó ~3.48% MAPE (ver Tabla 6 y Figura 7).

Implementación de Módulo de Detección de Anomalías de instrumentos

Los modelos de Machine Learning deben correr con una frecuencia mayor a los resultados oficiales de cada turno de operación. Para estas corridas la información que se alimenta a los modelos proviene de los sensores de planta. Estos instrumentos deben ser monitoreados permanentemente y se debe asegurar su confiabilidad. Para esta tarea se implementó un Módulo de Detección de Anomalías de todos los instrumentos que alimentan información a los modelos de Machine Learning. Este evalúa continuamente la coherencia de los datos y al detectar una desviación, clasifica la falla en intensidades: moderada, alto, muy alto y crítico. Este ranking permite al equipo de Instrumentación definir la prioridad de atención (ver Figura 12). 

Iteración de modelos

Los modelos iniciales deben ser entrenados en todos los escenarios posibles para disminuir el error de predicción. Esta tarea se lleva a cabo de manera frecuente (cada 3 meses) y en función a los cambios de mineral, mejoras en los procesos, cambios de equipos, etc.

Definición de interfaz de usuario

La interfaz de usuario es el ambiente web que permite la interacción de los operadores con la Inteligencia Artificial. Es aquí donde se presentan los mejores puntos de operación estimados con los modelos de Machine Learning, y el operador puede hacer la revisión de estas recomendaciones. Esta interfaz de usuario brinda toda la información necesaria que debe conocer el operador para tomar la decisión de alcanzar los puntos de operación recomendados o no. Es decir, tiene la facultad de aceptar, rechazar o poner en revisión cada recomendación (ver Figura 13].

Alineamiento de APC con Primeros Principios

De acuerdo con la arquitectura de control, la IA ocupa el lugar más alto, sobre los Controles Avanzados de Procesos (APC, por sus siglas en inglés). Entonces, podemos deducir que las recomendaciones generadas por la IA podrían ser alcanzados de manera estable utilizando los APC. 

Ajuste de restricciones

Es importante definir las restricciones a los parámetros optimizables que considera la IA. Sin la definición de estas, podríamos generar desconfianza en los operadores cuando evalúen recomendaciones que no podrían ser alcanzados operativamente o que los equipos tienen como restricción física de diseño. 

Sostenibilidad de la herramienta

El proceso de sostenibilidad de la herramienta contempló:

ν Charlas de introducción de IA y su utilización en la optimización del proceso.

ν Entrenamiento en la utilización de la herramienta interactuando a través de la interfaz de usuario con los operadores directos.

ν Charlas de difusión de la herramienta a las áreas de soporte de la operación como Electricidad, Instrumentación, Mantenimiento Mecánico, Control de Procesos, Metalurgia, etc.

ν Difusión de la importancia de la confiabilidad de información de sensores y disponibilidad.

ν La socialización e involucramiento de los líderes cumple un papel muy importante para el éxito de todo el proceso de implementación.

Durante el inicio del despliegue de la herramienta, el 100% del personal de la concentradora tenía conocimiento del proyecto de implementación y sabía cómo su trabajo impactaría en el éxito y sostenimiento de esta herramienta.

Como parte del sostenimiento, se hicieron seguimientos mensuales al performance de las revisiones de recomendaciones, la comparación entre guardias y las estadísticas de aceptación, puestas en revisión o rechazo de las recomendaciones (ver Figura 9).

Este seguimiento permite identificar los parámetros que menos nivel de aceptación tienen y evaluar si existe una restricción física de Planta que puede ser levantada a través de una iniciativa de mejora o si es simplemente un paradigma operativo.

Resultados

De acuerdo con las mejores estimaciones de la IA implementada, incrementar el tonelaje favorece la mayor producción de libras de Cu, sin embargo, la relación de la recuperación con el tonelaje es inversa según las curvas revisadas en la prueba de concepto. Es así, que al incrementar el tonelaje se impacta negativamente en la recuperación, empero, existe un punto máximo de tonelaje y recuperación que optimiza la producción de libras y las recomendaciones generadas por la IA nos permite mover la operación hacia esos puntos. 

Desde el 2019 hasta febrero del 2020, operativamente se buscaba un mayor tonelaje, pero el impacto en la recuperación era alto. Aun cuando la ley de cabeza era mayor a 0.36% de Cu la producción de libras de cobre por día alcanzaba a las 32,000 lb/h. A partir de agosto del 2020 en que inició el proyecto de implementación de IA con los primeros análisis y levantamiento de restricciones, se logró incrementar la recuperación a promedios de ~ 85% pese a que la ley de cabeza se redujo por debajo de 0.34% de Cu.

A partir del despliegue de iniciativas durante la implementación de la IA y su aplicación, se logró aumentar la producción de libras de Cu a promedios de ~ 34,000 lb/h, lo que significa incrementos de hasta 6.5%.

Conclusiones

1. Desarrollar un sistema de optimización de procesos utilizando Inteligencia Artificial conlleva una serie de implementaciones paralelas a los modelos de Machine Learning que ayuden a maximizar las libras de Cu. Estas labores son tan importantes como los modelos en sí mismos.

2. Los trabajos de sostenibilidad de la herramienta que involucran conversaciones uno a uno con operadores de campo, con grupos de colaboradores de áreas de soporte y líderes de la concentradora son primordiales para el éxito de la implementación. Finalmente se puede tener una muy buena herramienta de optimización, pero si no ha sido interiorizada por los usuarios directos o los involucrados en las áreas de soporte, la herramienta simplemente no se utilizaría.

3. De acuerdo con la jerarquía de control y optimización, es importante que todos los sistemas que están bajo la IA estén operando de manera confiable por dos razones principales: a) la información que generen servirá como inputs a los modelos de optimización y b) porque para alcanzar los puntos de operación recomendados se necesita que la operación esté estable y la movamos hacia los nuevos puntos recomendados.

4. Con la implementación de la IA se ha logrado incrementar las libras de Cu producidas maximizando el tonelaje y la recuperación.

Bibliografía

• Marco Vaccari, Ricardo Bacci. 2020. Implementation o fan Industry 4.0 system to optimally manage chemical plant operation.

• Ilesanmi Daniyan. 2022. Implementation of Artificial Intelligence for maintenance operation in the rail industry.

• Varanon Uraikul, Christine W. Chan, Paitoon Tontiwachwuthikul. 2006. Artificial intelligence for monitoring and supervisory control of process systems.

• https://shap.readthedocs.io/en/latest/index.html

• https://scikit-learn.org/stable/index.html

• https://scikit-learn.org/stable/modules/sgd.html

Artículos relacionados

En esta edición: Darío Zegarra, ProEXPLO 2025 y gestión del agua en minería

Seguir leyendo
X

Ingrese sus datos aquí

X

Recuperar Contraseña

X

Recuperar Contraseña

Si tiene problemas para recuperar su contraseña contáctese con el Área de Servicio al Asociado al teléfono 313-4160 anexo 218 o al correo asociados@iimp.org.pe

X

Ha ocurrido un error al iniciar sesión

Si tiene problemas para recuperar su contraseña contáctese con el Área de Servicio al Asociado al teléfono 313-4160 anexo 218 o al correo asociados@iimp.org.pe

X

Ingrese sus datos y nos pondremos en
contacto para poder completar su compra

X

Ingrese sus datos y nos pondremos en
contacto para poder completar su compra