Sandy Prieto Ili, Ingeniera Matemática del equipo de Geometalurgia de SGS Canadá, nos comenta que durante el proceso de producción de un proyecto minero se captura una gran cantidad de información que en muchos casos no están siendo aprovechada.
Datos como la ley de concentrados finales, recuperaciones, tonelaje, entre muchos otros, se revisan en el mejor de los casos para ver la tendencia diaria, pero después terminan siendo conocimiento muerto.
Como consecuencia de ello, los pronósticos de producción no se realizan correctamente y no se alcanzan los objetivos, lo cual afecta la decisión del inversionista, corriendo éste el riesgo de tener pérdidas.
En nuestra experiencia, hemos visto casos en los que la diferencia entre la producción estimada y la real ha sido de hasta 30% o 40%.
Machine Learning: hacia una planificación geometalúrgica más precisa
La planificación geometalúrgica permite hacer un pronóstico de producción de la planta acertado. Para potenciarla, una de las metodologías que hemos comenzado a utilizar con éxito es el machine learning.
El machine learning es una rama de la inteligencia artificial que permite procesar y aprender de datos históricos o datos de entrenamiento, y aplicar ese conocimiento para hacer predicciones sobre datos nuevos.
Debido a que la máquina tiene mayor capacidad de procesamiento que el ojo humano, con este tipo de modelos es posible analizar una mayor cantidad de datos y encontrar relaciones subyacentes que no podríamos obtener de otra manera.
De esta forma, por citar un caso, en un gran proyecto de minería con más de diez años de operación identificamos, luego de analizar los datos históricos de la planta y aplicar un modelo de clúster junto con árboles de decisión, los factores que más influían en la variabilidad de la Ley y en la Recuperación obtenida en la planta.
En otro proyecto, en etapa de factibilidad, aplicando un modelo de Procesos Gaussianos, que captura los patrones desde más de 500 variables presentes, pudimos estimar las cinéticas de los minerales para alrededor de mil muestras, a partir de datos de 300 muestras, mejorando con esto la resolución geo-espacial o densidad espacial de las simulaciones del proceso de flotación.
Recomendaciones para aplicar machine learning
Lo primero que hay que tener en cuenta es que no hay un estándar definido para aplicar machine learning: depende del proyecto y del reto que haya. Pero dos recomendaciones que podemos brindar a las empresas mineras que estén interesadas en aplicar esta tecnología son:
- Entender e identificar el problema que se quiere solucionar al aplicar un modelo de machine learning, definiendo objetivos específicos y cuantificables. Ningún modelo cumplirá un objetivo no clarificado.
- Entender e identificar las necesidades de datos. Es decir, recolectar los datos necesarios y almacenarlos en una forma lo más estructurada posible, de modo que permita utilizarlos fácilmente en los modelos. En este punto, más es mejor. Ante la duda de si almacenar ciertos datos o no, siempre será mejor incluir todos los datos referentes al problema a los que se tenga acceso, ya que no sabemos realmente si algún dato que a priori no creíamos importante proveerá información relevante al modelo.
Mirando a futuro
El machine learning sumado a la utilización de softwares de simulación de procesos metalúrgicos como IGS, desarrollado por SGS, son un poderoso aporte para la simulación de la planta y el pronóstico de producción, y sin duda de gran ayuda para reducir la incertidumbre del proceso.
No obstante, aún está muy lejos de alcanzar su potencial. Es importante que las empresas se arriesguen a probar modelos, puesto que es la única forma en que puedan generarse antecedentes que puedan ser tomados como referencia. Solo así se podrá maximizar el alcance de la metodología.
