Charla Técnica
Optimización de Datos Mineralógicos y Predicción con Machine Learning de la Recuperación de Cu en Lixiviación Clorurada
Resumen
Este estudio presenta un flujo de trabajo geometalúrgico que integra la optimización de datos mineralógicos, la predicción mediante aprendizaje automático de la recuperación de cobre bajo condiciones de lixiviación clorurada y su implementación en el modelo de bloques.
El enfoque se desarrolló para abordar la inconsistencia entre los datos mineralógicos crudos y variables analíticas, como cobre total, cobre soluble y solubilidad. Para superar esta limitación, se aplicó un algoritmo de optimización con restricciones para generar variables mineralógicas equilibradas que sean químicamente consistentes y adecuadas para la modelización predictiva.
El conjunto de datos mineralógicos optimizado se combinó luego con resultados de lixiviación a escala de laboratorio para entrenar y evaluar modelos de aprendizaje automático supervisado, incluyendo Random Forest, Extreme Gradient Boosting y Support Vector Regressor.
Los resultados muestran que la etapa de optimización logró conciliar con éxito los datos mineralógicos y químicos, siendo consistente con el cobre soluble analítico y estequiométrico. Para la recuperación de cobre a escala de laboratorio a 22°C, los modelos de aprendizaje automático basados en variables mineralógicas superaron los enfoques de regresión tradicionales, siendo Random Forest el que ofreció el rendimiento más sólido, alcanzando R2 = 0,97 y RMSE = 3,52, mostrando además mejor generalización y menor sobreajuste que los otros algoritmos probados. Las variables de recuperación predichas se transfirieron posteriormente a la base de datos de estimación, se interpolaron en el modelo de bloques y se escalaron usando factores de escalamiento a columna por zona mineral.
Los resultados confirman que el balance mineralógico proporciona entradas predictivas sólidas y que los algoritmos de aprendizaje de máquinas ofrecen un marco efectivo para modelar la relación no lineal entre la mineralogía y la recuperación de cobre, con aplicabilidad directa para la modelación geometalúrgica.
Autores
Fernando Stocker | Geólogo | SRK Chile
Joled Nur | Ingeniero Civil de Minas Principal | SRK Chile
Conferencista
