Para ver un PDF del artículo, haga clic aquí.
Transformación de la Mezcla de Minerales para un Procesamiento del Oro más Inteligente gracias a la IA y al Aprendizaje por Refuerzo
Por Tenzin Worden, Especialista en Ciencia de Datos | Eclipse Mining Technologies
La disminución en las leyes y los crecientes costos de procesamiento están redefiniendo la viabilidad económica de la minería del oro. Los directivos del sector se enfrentan a una pregunta urgente: ¿cómo garantizar una máxima recuperación sin aumentar el consumo de energía ni comprometer aún más los márgenes ya estrechos? Los métodos tradicionales de planificación minera y control de leyes resultan útiles, pero en lo que respecta a la mezcla de minerales y la gestión de acopios (procesos que inciden directamente en el rendimiento de la planta), la mayoría de las empresas todavía carecen de herramientas de optimización en tiempo real.
La mezcla de minerales va más allá de una mera necesidad logística: determina directamente la capacidad de la planta, la eficiencia de la recuperación y el consumo de energía, según indica Tenzin Worden, Especialista en Ciencia de Datos en Eclipse Mining Technologies. Una mezcla adecuada puede impulsar la eficiencia de la molienda y optimizar el rendimiento de la lixiviación, mientras que una mezcla deficiente puede traducirse en menores recuperaciones, bajo aprovechamiento energético y pérdida de ingresos. Del mismo modo, una gestión eficaz de los acopios permite equilibrar el flujo entre la mina y la planta, reduciendo la variabilidad en la calidad del material suministrado y aumentando la estabilidad operativa.
Históricamente, las decisiones en materia de mezclas se han basado en leyes promedio o modelos simplificados, lo que expone a las operaciones a la variabilidad en la mineralogía y la calidad del mineral. La complejidad de las interacciones entre la ley del oro, el contenido de azufre y la eficiencia de la recuperación se traduce en que los promedios, por sí solos, rara vez pueden ser predictores precisos de estas relaciones. A efectos de definir una base sólida, el proceso debe comenzar con un muestreo confiable en el punto de entrada a la planta. Sin embargo, aun cuando se cuente con buenas muestras, la integridad de los datos no siempre está garantizada. Es común encontrar datos problemáticos: por ejemplo, muestras tomadas durante períodos de inactividad de la planta, lecturas erróneas de instrumentos o valores que se ubican muy fuera del rango esperado. A falta de un cuidadoso proceso de validación, estos datos pueden distorsionar la reconciliación e impactar negativamente la toma de decisiones.
Worden destaca que es aquí donde se vuelven esenciales los procesos de validación impulsados por la IA.
“El auge de los sensores, la computación en la nube y la inteligencia artificial ha dado paso a una nueva frontera en la minería,” aclara Worden. “En lugar de depender únicamente de modelos estáticos, las empresas cuentan ahora con acceso a predicciones en tiempo real que se adaptan a las condiciones cambiantes. El Big Data y la IA no se limitan a generar cifras: aportan soluciones generalizadas a partir de patrones presentes en los datos, lo que contribuye a que las empresas puedan optimizar sus decisiones a medida que cambian las propiedades del mineral.”
Sin embargo, cabe destacar que existen distintos niveles de IA. Los modelos de uso general, como los grandes modelos de lenguaje (LLMs), suelen acaparar los titulares, pero a menudo carecen de la precisión necesaria para responder a los desafíos específicos del sector minero. En contraste, los verdaderos avances residen más bien en la combinación de tres metodologías clave: modelado estadístico, simulación y aprendizaje por refuerzo (RL). Esta combinación cuenta con la capacidad de representar sistemas geometalúrgicos complejos y optimizarlos en tiempo real.
Worden explica que: “El modelado estadístico permite capturar las relaciones entre variables, como la interacción entre el contenido de azufre y la recuperación de oro. En lugar de tratar a las leyes como valores estáticos, esta metodología utiliza distribuciones de probabilidad para reflejar la variabilidad real de las propiedades del mineral.
“La simulación toma estos modelos como punto de partida para crear gemelos digitales de los sistemas de procesamiento donde los operadores pueden poner a prueba miles de escenarios hipotéticos. ¿Qué impacto tendría una mezcla distinta en la eficiencia de la lixiviación con cianuro? ¿Qué pasaría con la recuperación si se priorizara cierto acopio? La simulación ofrece respuestas sin el costoso proceso de ensayo y error que suele ocurrir en el mundo real.
“El aprendizaje por refuerzo completa el ciclo, aplicando la retroalimentación del ensayo y error para perfeccionar de manera continua las estrategias de mezcla. Al igual que un operador de planta que aprende a partir de su experiencia, los agentes de RL experimentan con diferentes opciones de mezcla, reciben información sobre los resultados de recuperación y consumo energético, y mejoran sus estrategias a lo largo del tiempo. A diferencia de los métodos de optimización tradicionales, que se basan en promedios fijos, el RL se adapta dinámicamente a medida que evolucionan las leyes, la mineralogía y las condiciones de la planta.”
Según Worden, las herramientas convencionales, como la programación lineal, son rígidas en su aplicación: requieren modelos matemáticos explícitos, suponen condiciones de estado estable y, con frecuencia, pasan por alto la variabilidad inherente a la minería. Un plan de mezcla semanal puede parecer óptimo en teoría, pero en la práctica a menudo no toma en cuenta las desviaciones en las leyes del mineral, períodos imprevistos de inactividad de los equipos o fluctuaciones en la productividad operativa.
En contraste, Worden destaca que “el Aprendizaje por Refuerzo sobresale en los entornos dinámicos. No necesita instrucciones explícitas sobre la acción ‘correcta’; aprende a partir de la experiencia, guiado por un sistema de aciertos y errores. Este enfoque evaluativo lo hace especialmente adecuado para la minería, donde las condiciones reales rara vez se ajustan a los modelos teóricos.”
En la minería aurífera, la mezcla de minerales resulta especialmente compleja porque la recuperación no tiene una naturaleza “aditiva.” Las distintas combinaciones de mineralogía y ley pueden interactuar de maneras que modifiquen drásticamente el rendimiento de la lixiviación. El modelado estadístico y la simulación permiten a los operadores explorar estas relaciones no lineales, mientras que el aprendizaje por refuerzo identifica estrategias que maximizan la recuperación a lo largo del tiempo, en lugar de hacerlo en situaciones aisladas.
Worden explica que: “Al combinar estas metodologías, las empresas mineras pueden realizar la transición de una planificación estática basada en promedios a una toma de decisiones dinámica y en tiempo real. El resultado es un sistema capaz no solo de predecir los resultados de recuperación con mayor precisión, sino también de ajustar sus estrategias a medida que cambian las condiciones, algo fuera del alcance de los métodos tradicionales.”
Las implicaciones para el procesamiento del oro son considerables. Una mezcla optimizada puede aumentar la recuperación, reducir el consumo energético y disminuir los costos por onza. Pero, más allá de eso, transforma a la mezcla de minerales y la gestión de acopios — actividades tradicionalmente subutilizadas— en motores estratégicos para la rentabilidad.
“El núcleo de esta transformación radica en la integración del modelado estadístico, la simulación y el aprendizaje por refuerzo dentro de sistemas de conocimientos unificados,” apunta Worden. “Al conectar la geología con la metalurgia, estos sistemas permiten que las empresas puedan predecir, adaptarse y optimizar a lo largo de toda la cadena de valor.”
“El EKPS SourceOne®, una solución consistente con esta metodología, aplica estas técnicas de avanzada de IA a las operaciones auríferas,” concluye Worden. “Al convertir a los datos sin procesar en inteligencia procesable, abre la puerta al modelado predictivo y a la optimización que permiten completar el ciclo entre la mina y la planta. El resultado: mayores tasas de recuperación, menores costos y una operación que se adapta con mayor facilidad a las disminuciones en las leyes y a los aumentos en la demanda energética.”