Hacia la optimización del procesamiento de minerales mediante la integración de herramientas de machine learning, análisis de sensibilidad, y geoestadística

La explotación de los recursos mineros ha sido fundamental para el desarrollo de la humanidad desde antes de la industrialización. Después de cientos de años de la explotación de estos recursos, su demanda ha continuado creciendo, y sin duda, se incrementará en el futuro para enfrentar los grandes desafíos de la ingeniería y la humanidad. Sin embargo, la industria minera afronta una serie de problemas, tales como la reducción de las leyes de los yacimientos, estrés hídrico, el desafío de disminuir el consumo de energía, y el de reducir el impacto medio ambiental. Bajo este escenario, las condiciones operacionales de los procesos mineros deben ser optimizadas para mitigar los problemas antes mencionados.

La optimización puede ser abordada usando diferentes enfoques, por ejemplo, control y simulación de procesos. Este enfoque requiere de un modelo matemático para describir el comportamiento del sistema estudiado, el que puede ser desarrollado usando herramientas clásicas de modelado y/o machine learning supervisado (MLS). Sin embargo, la mayoría de las optimizaciones desarrolladas implementan condiciones operacionales fijas para el proceso, lo que está alejado de la práctica industrial. De hecho, los procesos operan bajo incertidumbre operacional y geológica que afectan su rendimiento metalurgista. Existen varios métodos para estudiar la incertidumbre, entre estos destaca el análisis de sensibilidad global (ASG), debido a su eficiencia y versatilidad. En los siguientes párrafos, a través de los artículos publicados por el profesor de la Escuela de Ingeniería Química, Dr. Freddy Lucay, junto a otros investigadores, veremos como ASG y MLS pueden ser integrados con otros enfoques propuestos en la literatura para optimizar los procesos metalurgistas, así como para mejorar su comprensión.

En el artículo titulado “Control structure design using global sensitivity analysis for mineral processes under uncertainties [1]”, publicado en Minerals, se introdujo una metodología para diseñar estructuras de control para sistemas MIMO, que operan bajo incertidumbres. Este procedimiento fue asistido por el ASG e ilustrado a través de dos casos de estudio basados en un molino SAG y una planta SX. Entre los resultados obtenidos se destaca que la metodología permite diseñar estructuras de control descentralizada de 2X2 y 3X3 para los procesos mencionados, las que ofrecen un buen rendimiento comparado con el modelo de control predictivo. Además, ASG ofrece resultados gráficos que ayudan a entender el comportamiento dinámico de los sistemas bajo incertidumbres. Sin embargo, el tiempo de ejecución requerido para realizar el ASG fue significativamente alto.

En el manuscrito titulado “Accelerating global sensitivity via supervised machine learning tools: Case studies for mineral processing models [2]”, publicado en Minerals, se presentó una metodología para acelerar el ASG mediante modelos sustitutos. El procedimiento estuvo basado en diseños de experimentos modernos y herramientas de MLS entrenadas mediante aprendizaje batch y online, y fue ilustrado usando un molino SAG y un banco de celdas. Se destaca entre los resultados obtenidos que la metodología permite reducir el tiempo de ejecución de ASG desde horas a segundos. A su vez, el aprendizaje online de las herramientas MLS abre la puerta para realizar ASG en tiempo real para los procesos utilizados en la industria metalúrgica. Como corolario, se tiene que la integración de MLS con herramientas incluidas en otros campos de investigación ofrece un abanico de posibilidades para analizar y mejorar la comprensión de los procesos a optimizar.

En el artículo “Integration of linear geostatistical analysis and computational intelligence to evaluate the batch gringing kinetics [3]”, publicado en Minerals, se desarrolló un procedimiento para mejorar la comprensión de la cinética de molienda a través del análisis de superficie de respuesta (SR), usando geoestadística para reconstruir los datos y MLS para construir los metamodelos. SR permite estimar el porcentaje de peso de cada tamaño en un sistema particulado, así como visualizar las áreas de mayor fluctuación y cambios de tendencia sin requerir técnicas experimentales, análisis de coeficientes de fracturación o el uso de sistemas de ecuaciones. Como queda de manifiesto, la optimización de los procesos mineros requiere de una retroalimentación continua, incluyendo la integración de distintos enfoques para lograr resultados robustos.

1. Mamani-Quiñonez, O.; Cisternas, L.A.; Lopez-Arenas, T.; Lucay, F.A. Control Structure Design Using Global Sensitivity Analysis for Mineral Processes under Uncertainties. Minerals 2022, 12, 736, doi:10.3390/min12060736.
2. Lucay, F.A. Accelerating Global Sensitivity Analysis via Supervised Machine Learning Tools: Case Studies for Mineral Processing Models. Minerals 2022, 12, 750, doi:10.3390/min12060750.
3. Lucay, F.A.; Delgado, J.; Sepúlveda, F.D. Integration of Lineal Geostatistical Analysis and Computational Intelligence to Evaluate the Batch Grinding Kinetics. Minerals 2022, 12, 823, doi:10.3390/min12070823.