Optimización Multivariable del Molino SAG mediante Machine Learning para Maximizar el Tonelaje en la Minería

[Martin.Verastegui]

Autores:

• Martín Karlo Verástegui Ponce
• Vicente Raúl Tapia Díaz
• Wilber Torres Cristóbal
• Julian Ismael Centeno Gonzales
• Sergio Mauricio Zambrano Jove

Resumen:
La optimización del rendimiento de los molinos semiautógenos (SAG) es fundamental en la industria minera, puesto que se relaciona directamente con la capacidad de procesamiento y, por ende, con la rentabilidad de la operación. Este estudio se centra en un enfoque multivariable para maximizar el tonelaje procesado en el molino SAG, sin descuidar la calidad granulométrica requerida en etapas posteriores.
Se analizaron 14,133 registros de datos industriales que incluyen variables como nivel de stock pile, velocidades de bombeo, presiones de ciclones, adición de agua y propiedades del mineral (hornfels, intrusivos, skarn, Bond, DWI). Mediante un exhaustivo Análisis Exploratorio de Datos (EDA) y algoritmos avanzados de machine learning (Decision Tree, Random Forest, SVR, MLP, LightGBM, XGBoost y CatBoost), se desarrollaron modelos predictivos para identificar configuraciones óptimas que maximizan la productividad.
Los hallazgos de esta investigación ofrecen lineamientos operativos basados en datos, facilitando un control proactivo del proceso de molienda SAG. Además, el enfoque práctico y el sólido sustento bibliográfico confirman la relevancia de integrar métodos estadísticos y herramientas de inteligencia artificial en plantas concentradoras de alto rendimiento.

Impacto:
El trabajo evidencia la efectividad de los enfoques multivariables y machine learning en la minería, habilitando operaciones más eficientes, adaptativas y basadas en datos. Este marco metodológico puede ser replicado en otras operaciones mineras, estableciendo un estándar para la adopción de tecnologías inteligentes en la industria.

Palabras clave:
Molienda SAG, Tonelaje, Variables Operativas, Machine Learning, Optimización Multivariable, Velocidad de Rotación, Nivel de Llenado, Presión de Alimentación, Composición Mineral, Análisis de Datos