Curso:

Minería 4.0: El Machine Learning aplicado a los Procesos Metalúrgicos

Objetivo: El alumno aprenderá Ciencia de Datos a nivel intermedio programando Python y

desarrollará algoritmos de “machine learning” para caracterizar, modelar y encontrar alternativas
de mejoras de los procesos metalúrgicos.

Dirigido a: Ingenieros en Metalurgia, Ingenieros de Control de Procesos y carreras a fin,

relacionadas con la operación y optimización de procesos metalúrgicos.

Equipo Requerido: PC Portátil con acceso de administrador para instalar software.

Metodología: El taller se dará de forma virtual y en tiempo real, con una sesión pregrabada para
el soporte en la instalación de los softwares requeridos y aprender los principios básicos de
programación en Python.

Duración: 18 Horas divididas en 6 días de 3 horas diarias de curso.

Temario:

Dia 1

1. Plataforma de Gemelo Digital Operativo de plantas concentradoras basado en Python.

2. Librerías principales de Python: Pandas, NumPy, SciPy y Scikit-Learn
3. Estadística descriptiva de los datos operativos de una planta de flotación.

Dia 2

1. Graficas avanzadas con Matplotlib y Seaborn del performance de una planta de flotación.
2. Aprendizaje supervisado: Etiquetado de datos para entrenar algoritmos de clasificación
3. Clasificación de minerales en base a las leyes con el algoritmo de Máquinas de Soporte
Vectorial (SVM)

Dia 3.

1. Selección de Variables y los fundamentos del Diseño Experimental

2. Diseño Experimental en Flotación usando SciPy.
3. Diagramas de Pourbaix en línea para el adecuado control de pH y ORP de la pulpa.
4. Modelos de recuperación de mineral, basado en leyes de entrada y tamaño de partícula
Dia 4.

1. Graficas avanzadas con ScatterPlot Multiples del proceso de molienda.

2. Funciones de distribución granulométrica y su correcta selección.
3. Obtener ecuaciones de distribución granulométrica y aplicarla en modelos de Energía
especifica.
4. Caracterización del modelo de desgaste de bola en molinos.

Dia 5.

1. Aprendizaje no-supervisado: Clustering y PCA.

2. Algoritmos de Clasificación y Regresión con redes neuronales aplicado a clasificación de
estados operativos de un Molino SAG.
3. Reconciliación Metalúrgica en base al ratio de concentración usando SOLVER en Python.
4. Ejecución de modelos de Machine Learning integrados al Control de procesos (DCS)

Dia 6.

1. Usar MQTT, el protocolo del IoT (Internet de las cosas), de forma local para integrar
variables de proceso a nuestros algoritmos de Machine Learning.
2. Integrando nuestros algoritmos de Machine Learning a la Plataforma de Gemelo Digital.
3. Integración de modelos de Machine Learning al PI System.