Hudbay implementa modelo predictivo de «throughput» a través del «machine learning» para hacer más eficiente su proceso productivo

Hudbay implementa modelo predictivo de «throughput» a través del «machine learning» para hacer más eficiente su proceso productivo

Con la finalidad de seguir impulsando el desarrollo de innovaciones que le permitan mejorar la eficiencia de su proceso minero, Hudbay Perú destacó los beneficios de implementar un modelo predictivo del throughput, utilizando el machine learning, en su operación ubicada en la región Cusco. Se denomina throughput al ritmo con el cual se alimenta la planta concentradora de la operación, incluyendo el mineral que se va consumiendo y llega a ser reducido hasta los 150 micrones, gracias a los molinos. Sin embargo, no todo el material que ingresa es uniforme, ya que algunos minerales son duros y otros suaves, lo que marca una diferencia, ya que los duros requieren un mayor consumo de energía, potencia y tiempo para ser reducidos.

«En Constancia, el uso de este modelo nos permite predecir, con una efectividad mayor al 90%, los eventos que ocurrirán en el molino, desde que el mineral es descargado en la chancadora, con una anticipación previa de 90 minutos», destacó Eder Lagos, superintendente de Planeamiento Mina de Hudbay Perú. Fue durante la conferencia brindada en el Expomina Perú 2022. La importancia de esta innovación radica en que le permitirá al personal de Hudbay conocer de manera anticipada el tipo de mineral que llegará al molino, con lo que podrán reajustar las acciones a realizar para el procesarlo, evitando así caídas abruptas en la productividad. Por ejemplo, si se sabe que llegará un mineral duro, este podría ser mezclado con uno suave, evitando que el rendimiento de la planta se vea comprometido. 

De esta manera, se utiliza menos energía (no se utiliza más tiempo de molienda para la misma cantidad de mineral), hay un menor costo de minería (ya que se evitan cambios en la distribución de los equipos y parámetros) y se puede cumplir con el plan de negocios planificado en la operación. «Gracias a la trazabilidad que hemos logrado obtener con la generación del modelo predictivo, hemos podido identificar que el SPI y la granulometría son las principales variables que impactan en el throughput, por ello ahora estamos trabajando en modelar estas variables, con el fin de poder replicar los casos de éxito en el rendimiento de los molinos», indicó Lagos. 

El machine learning es la disciplina del campo de la Inteligencia Artificial (IA) que, a través de algoritmos, dota a los ordenadores de la capacidad de identificar patrones en datos masivos y elaborar predicciones. Esta característica, utilizada en la minería, permite mejorar la eficiencia de la operación, en sus distintos procesos técnicos. 

En su exposición, Lagos resaltó, además, tres características adicionales que brinda el uso de esta tecnología, ya que permite el rastreo del mineral, desde el frente de minado hasta la chancadora; realiza la predicción en función a las variables de mina; y por último, permite a las áreas de Mina de la operación, adaptar, sobre la marcha, un plan de minado con mayor exactitud, a fin de ofrecer una mezcla de mineral óptima durante la jornada.

Autor: Energiminas (info@prensagrupo.com)