UNIVERSIDAD NACIONAL DE SAN AGUSTÍN DE

AREQUIPA
FACULTAD DE INGENIERÍA DE PROCESOS
ESCUELA PROFESIONAL DE INGENIERÍA
METALÚRGICA

“DISEÑO DE MODELO PARA LA PREDICCIÓN DE LA

RECUPERACIÓN DE COBRE EN PLANTA
CONCENTRADORA DE SULFUROS MEDIANTE LA
APLICACIÓN DE REDES NEURONALES ARTIFICIALES”

Presentado por:
MACHACA EPILLICO, KATHERINE MELISSA

2018
1.- PLANTEAMIENTO DEL PROBLEMA
El Perú es un país de antigua tradición minera, que se mantiene y cultiva gracias a la presencia de
empresas líderes a nivel internacional. Contamos con un enorme potencial de reservas
especialmente de minerales sulfurados, lo que se da en la Cordillera de los Andes a lo largo del
territorio, constituye nuestra principal fuente de recursos económicos. Es así que, a nivel mundial
y latinoamericano el Perú se ubica entre los primeros productores de diversos concentrados de
minerales y metales, (oro, plata, cobre, plomo, zinc, hierro, estaño, molibdeno, teluro, entre
otros), lo cual es reflejo no sólo de la abundancia de recursos y la capacidad de producción de la
actividad minera peruana, sino de la estabilidad de las políticas económicas en nuestro país.

Los minerales concentrados producidos en el Perú son de gran demanda en el mercado mundial
actual, por su calidad que satisfacen las condiciones de procesos subsiguientes en la obtención de
los metales, haciendo sostenible la producción y el desarrollo de la industria que los usa. Dicho
esto, el trabajo se enfoca específicamente en plantas concentradoras; donde, es de vital
importancia los estudios de evaluación de los procesos metalúrgicos y sus complementarios para
mejorar constantemente la recuperación e implementación de parámetros que nos ayuden a
alcanzar la concentración de los minerales con una alta eficacia, en circunstancias en la que baja la
ley del mineral de cabeza, debido al agotamiento de los yacimientos mineros de alta ley; obligando
a que los procesos sean constantemente optimizados en función de esta disminución de las leyes
de las especies mineralógicas a recuperar, las cuales deben mantener la rentabilidad del proceso.

Las organizaciones buscan optimización de sus recursos mejorando sus procesos con el propósito
de lograr una ventaja competitiva sobre sus contrincantes. La toma de decisiones que se lleva a
cabo dentro de las organizaciones debe ser rápida, oportuna, fundamentada en información
concreta, que permita tomar decisiones eficientes, efectivas y con un bajo costo para la empresa
pues de ello dependerá el éxito o fracaso de la organización (Effy Oz, 2001).
Por otra parte, entre las décadas de 1950 y 1960 el científico Frank Rosenblatt, inspirado en el
trabajo de Warren McCulloch y Walter Pitts creó el Perceptron, la unidad desde donde nacería y se
potenciarían las redes neuronales artificiales. Las Redes Neuronales Artificiales (Callejas et al.,
2013), forman parte de la Inteligencia Artificial, la cual tiene como objetivo primario la
construcción de máquinas inteligentes (Grimson y Patil, 1987). Las Redes Neuronales Artificiales
(RNA) o sistemas conexionistas son sistemas de procesamiento de la información. Constituyen un
algoritmo matemático que simula en forma sencilla el funcionamiento en que las neuronas
interactúan para procesar datos y aprender con la experiencia (McLeod, 2000). Según Oliveira et
al., (2015), son redes entrenadas a través de las entradas obtenidas a partir de escenarios externos
o internos en el sistema y estas entradas se multiplican por pesos asignados al azar (Shaban et al.,
2008). Adicionalmente, es capaz de resolver funciones altamente no lineales en un tiempo corto
porque aprenden de los datos que son difíciles de expresarlas matemáticamente, son
“herramientas poderosas para el análisis de señales y la modelación de sistemas”. (Molino, et al.,
2014).

Los objetivos que se persiguen al utilizar redes neuronales artificiales son mucho más modestos
que la creación de un cerebro artificial. Las redes neuronales se utilizan en la resolución de
problemas prácticos concretos, que normalmente no han sido resueltos mediante sistemas
tradicionales. “Gracias a su capacidad de aprendizaje, robustez, no linealidad y tolerancia a la
imprecisión e incerteza del entorno, desde hace unos años las redes neuronales, vienen
alcanzando excelentes resultados en aplicaciones diversas”. Martín y Sanz, 2002.

En el presente estudio, se busca predecir de la recuperación de cobre en planta concentradora de

sulfuros mediante la aplicación de redes neuronales artificiales, específicamente el modelo
“backpropagation”, partiendo de la los grados de Cu y Fe en la alimentación; el tamaño de tamiz
que deja pasar 80% de las partículas de la alimentación (P80); además del índice de solubilidad en
ácido (ISA), como variables de entrada. De este modo se puede tomar decisiones anticipadas y
apropiadas para el proceso; haciéndolo más eficiente, integrando de este modo la Inteligencia
Artificial en la aplicación del procesamiento de minerales a la geometalurgia, lo que conllevaría a
una producción planificada en función del mercado de minerales y metales.

2.- ESTADO DEL ARTE

Desde hace algunos años en el procesamiento de minerales de plantas concentradoras de sulfuros
de cobre, se han desarrollado técnicas y métodos para optimizar la recuperación de concentrados
finales. Es así que se hace cada vez más necesario mejorar y optimizar los procesos con el fin de
obtener recuperaciones óptimas al final de cada guardia. El hecho de poder predecir los resultados
futuros de las recuperaciones de mineral, de algún modo permite tomar decisiones anticipadas y
apropiadas, generando una estrategia de operación y el consiguiente ahorro de costos.

El proceso que implica un modelo para la estimación de recuperación en planta, implica en forma
genérica muchos aspectos, tales como: el análisis de datos y resultados operativos de planta, la
determinación de modelos estadístico-matemáticos para la predicción de la recuperación de los
minerales, la evaluación de los criterios para optimizar las bases de datos mediante el descarte de
datos anómalos que distorsionan tendencias, la deducción y obtención a partir de ensayes
químicos de los cálculos necesarios para la confección de una base de datos óptima, el
conocimiento de las herramientas estadísticas para validar los modelos obtenidos, la
demostración matemática de los tópicos que vinculan la recuperación y los ensayes químicos de
los concentrados, entre otros.

En investigación aplicada es muy común encontrar situaciones en las que debemos estimar o
predecir el comportamiento de una variable en función de una o varias variables predictoras. Bajo
este contexto, se vienen evaluando las predicciones basadas con modelos estadísticos vs. el uso de
redes neuronales. Es asi por ejemplo que, en un estudio realizado por la Universidad de Valencia,
se comparó mediante simulación redes neuronales (del tipo perceptrón multicapa) con modelos
estadísticos (regresión múltiple, análisis discriminante y regresión logística) en tareas de
predicción y clasificación (binaria o no binaria), manipulando los patrones de correlación
existentes entre los predictores (o variables de entrada) por un lado, y entre predictores con el
criterio (variable de salida) por otro. Los resultados mostraron que en tareas de predicción las
redes neurales y los modelos de regresión múltiple tienden a rendir por igual. Más en las tareas de
clasificación en todo tipo de condiciones las redes neurales rindieron mejor que los modelos
estadísticos de análisis discriminante y regresión logística.

Muchos estudios se vienen realizando sobre la aplicabilidad de estos modelos basados en redes
neuronales en diferentes campos, concluyendo en la validez o no frente a métodos tradicionales.

Una RNA es un sistema basado en el sistema neuronal biológico. Las neuronas biológicas reciben
señales a través de las sinapsis ubicadas en las dendritas o la membrana de la neurona y la
neurona se activa cuando las señales recibidas superan un umbral. La neurona luego emite una
señal a través del axón a otra sinapsis o activa otras neuronas. Una RNA en ingeniería se puede
usar para clasificadores de patrones o filtros adaptativos no lineales. A través del entrenamiento,
una RNA puede aprender de la experiencia y ser utilizada para una clasificación de datos bastante
precisa en diferentes clases. La clasificación se basa en el conocimiento obtenido del
entrenamiento y se almacena en forma de pesos de interconexión que están en sus capas ocultas.
El aprendizaje supervisado consiste en proporcionar a RNA los datos de entrada y los compara con
los resultados de salida. Los pesos se ajustan de acuerdo con sus reglas de aprendizaje a medida
que se somete a entrenamiento antes de probarse con precisión.

En el presente estudio el objetivo se centrará en tres acciones. La primera se centrará en la

adquisición y filtración de los datos, tales como:
- Grados de Cu y Fe en la alimentación
- Tamaño de tamiz que deja pasar 80% de las partículas de la alimentación (P80)
- Indice de solubilidad en ácido (ISA)

La segunda parte será el procesamiento de los datos y la predicción de las recuperaciones en el

procesamiento de minerales previo entrenamiento y aprendizaje supervisado de la neurona; y
finalmente se realizará la comparación de la predicción de la RNA con un modelo auxiliar, para así
poder validar o no el diseño propuesto.

Con el aprendizaje la red Neuronal, concluirá cuando el porcentaje de error de las predicciones de
recuperación sean las mínimas posibles, con lo cual garantizaremos que la RNA, nos emitirá
resultados confiables para una toma de decisión adecuada en el proceso.

ANTECEDENTES

 En la investigación de León (2016) en Chile, se realizó un modelo basado en inteligencia

artificial para la estimación de contenido en azufre en acería de horno de arco eléctrico.
Primero, se realizó un tratamiento preliminar de los datos en los que se eliminaron
espurios y medidas anómalas, a continuación se analizó el conjunto de datos con técnicas
descriptivas como el análisis PCA, proyección Sammon o el análisis clúster. Los resultados
obtenidos aunque lejos de obtener predicciones precisas, debido a la gran variabilidad de
los datos, mejoraron los encontrados en la bibliografía.
 Contreras Acchiardo, F. 2018 en su estudio DISEÑO DE MODELO PREDICTIVO
MULTIVARIABLE PARA MOLIENDA EN COMPAÑÍA MINERA DOÑA INÉS DE COLLAHUASI
(Chile), desarrolló un modelo capaz de predecir el comportamiento no lineal de la
potencia de uno de los molinos SAG de CMDIC, teniendo como entradas del modelo las
variables mineralógicas (durezas y granulometría de alimentación) junto con las variable
manipulables por el operador (%sólidos, velocidad, nivel de bolas y flujo de alimentación)
y como salida única la potencia. Para ello se propuso tres tipos de modelos predictivos a
comparar. De los resultados se concluyó que el método de Random Forest con 150 árboles
de decisión tuvo un mejor desempeño que el modelo de Redes Neuronales con 2
neuronas en la capa oculta.
 En un estudio realizado por ALLAHKARAMI, E, et al., 2016 en Irán; se evaluó la posibilidad
de predecir grados de cobre y molibdeno, y sus recuperaciones en una planta de flotación
industrial usando un modelo basado en redes neuronales artificiales. Los parámetros más
importantes considerados en el estudio fueron Ph, colector, espumante, concentración de
F-oil, porcentaje de tamaño pasante de alimentación 75 micrones, humedad contenida en
la alimentación, porcentaje de sólido, y grado de cobre, molibdeno y fierro en la
alimentación. Se concluyó que el modelo propuesto puede ser aplicado para determinar
los grados de cobre y molibdeno y su recuperación en la concentración final del proceso
industrial de flotación de cobre.
 Nakhaeie, F, et al., (2012), realizó en Irán un estudio donde se buscó predecir el grado de
concentración en una columna de flotación industrial, para lo cual se usó nuevos métodos
avanzados, como la red neuronal artificial (ANN). Así, valores de los grados de Cu y Mo en
la alimentación de flotación y el concentrado final, la altura de la espuma, el agua de
lavado y las tasas de flujo de aire y la fracción no flotante, fueron utilizados para la
simulación por ANN. Los resultados discutidos en ese documento indicaron que el modelo
propuesto puede usarse para predecir las concentraciones de Cu y Mo con un error
razonable siendo altamente efectiva.

 CARRIÓN, C (2018) en su estudio “Aplicación de redes neuronales artificiales para la

predicción de la recuperación de planta concentradora en Minsur s.a. – Unidad San Rafael
(Perú)”, sustentó la aplicabilidad de la Inteligencia Artificial para la solución de problemas
en Planta Concentradora, teniendo como datos de entrada las leyes de cabeza de: Estaño
(%Sn) mineral de beneficio y Azufre (%S) principal mineral ganga o contaminante del
 yacimiento. Así mismo se realizó un modelo por regresión lineal paralelo para el mismo
estudio. De acuerdo a los resultados obtenidos, se observó que el modelo de regresión
lineal presenta un margen de error no aceptable. Sin embargo, el modelo de red neuronal
(backpropagation) es el que mejor se ajustó al comportamiento de las variables y para la
mejor predicción de las recuperaciones.

3.- JUSTIFICACIÓN DE LA INVESTIGACIÓN

El presente trabajo busca involucrar la aplicación de recursos como la Inteligencia Artificial para la
solución de problemas en temas de Minería como la predicción de la recuperación de minerales
en Planta Concentradora y hacer un proceso más eficiente y responsable debido a la reducción de
recursos y reservas del yacimiento minero.

4.- OBJETIVOS
4.1 OBJETIVO GENERAL

Aplicar la Inteligencia Artificial como herramienta para la solución de problemas en Planta

Concentradora mediante la predicción de variables para una eficiente recuperación que varían
según la ley de cabeza del mineral.

4.2 OBJETIVOS ESPECÍFICOS

1. Estudiar la aplicabilidad del modelo de red neuronal “backpropagation” para la solución de

problemas en Planta Concentradora.
2. Adquirir y filtrar los datos, tales como los grados de Cu y Fe en la alimentación; el tamaño
de tamiz que deja pasar 80% de las partículas de la alimentación (P80); además del índice
de solubilidad en ácido (ISA), para la generación del modelo propuesto.
3. Procesar los datos y predecir las recuperaciones en el procesamiento de minerales previo
a un adecuado entrenamiento y aprendizaje supervisado de la neurona.
4. Comparar la predicción de la RNA con modelos auxiliares y validar o no el diseño
propuesto.
5.- HIPÓTESIS
 Es posible que mediante la aplicación del modelo de Red Neuronal Artificial
“backpropagation”, se pueda predecir las recuperaciones de mineral en Planta
Concentradora de Sulfuros de Cobre, con un alto grado de certeza.
 Con la aplicación de Redes Neuronales Artificiales se podrán tomas decisiones anticipadas
y apropiadas conociendo los resultados futuros, para una correcta producción en Planta
Concentradora.

6.- MARCO TEÓRICO

Para el presente estudio se considera una Planta Concentradora de Sulfuros, cuyo objetivo es la
obtención final de concentrados de cobre y molibdeno. La planta concentradora de sulfuros
primarios, comprenden las siguientes áreas:

ÁREA ETAPAS
- Chancado Primario
Área seca
- Chancado Secundario - Terciario
- Molienda
Área Húmeda - Flotación y Remolienda
- Espesadores de Relaves
- Planta de Molibdeno
Planta de Molibdeno – Filtros
- Filtración de Cobre

El mineral contiene principalmente sulfuros primarios de cobre y molibdeno, entre ellos la

calcopirita (CuFeS2) y la molibdenita (MoS2).
Las pruebas realizadas al mineral son:

a) CONTENIDO DE COBRE (%)

La ley de cobre total se encuentra entre 0.35 y 0.45 %. Para determinar el contenido de
cobre se realizan 2 pruebas:
 Análisis de cobre total: mediante ella, se determina el contenido total de cobre
mediante digestión ácida con HCl, HNO3 y H2SO4.
  Análisis Secuencial de Cobre: esto permite determinar las especies mineralógicas
de cobre presentes (óxidos, sulfuros primarios y secundarios). Esta prueba se basa
en la solubilidad y permite determinar el tipo de proceso metalúrgico que se
deberá emplear para recuperar el cobre.

Paso de análisis Proceso Metalúrgico

Especie Mineralógica Solubilidad
secuencial a emplear
Óxido
- Cuprita (Cu2O) Muy solubles en
Cobre Soluble en Lixiviación a Ácido
- Tenorita (CuO) soluciones de H2SO4 y
Ácido Sulfúrico Sulfúrico
- Malaquita (CuCO3Cu(OH)2) NaCN
- Crisocola (CuSiO32(H2O))
Muy solubles en
Sulfuro Secundario
soluciones de NaCN, pero Cobre Soluble en Lixiviación en Medio
- Calcosita (Cu2S)
muy poco solubles en Cianuro de Sodio Férrico
- Covelita (CuS)
soluciones de H2SO4.
Insolubles en soluciones
Sulfuro Primario
de H2SO4 y NaCN. Cobre Residual Concentración por
- Bornita (CuFeS4)
Excepto la bornita que es Total flotación
- Calcopirita (CuFeS2)
soluble en NaCN.

b) CONTENIDO DE MOLIBDENO (%)

La ley de Molibdeno en promedio es 0.015 % y 0.03%

c) CONTENIDO DE ARSÉNICO (ppm)

Es importante conocer el contenido de arsénico porque es una impureza común en los
concentrados sulfurados de cobre y molibdeno. Éste disminuye la cantidad del
concentrado que será tratado mediante proceso pirometalúrgico.

d) CONTENIDO DE ARCILLAS Y CAOLINES (%)

Debe ser menor al 4%, porque valores altos causan problemas de atoro en los chutes. Y en
flotación desplazan al mineral de cobre, debido a su adherencia preferencial a las
superficies de las burbujas, reduciendo la recuperación.
Estos conceptos constituyen algunas de las herramientas informativas de las características del
mineral a procesar. Dicho esto, en el presente trabajo se realizará las predicciones de recuperación
en Planta Concentradora mediante la aplicación de Redes Neuronales Artificiales. Se espera que
las Redes Neuronales Artificiales aplicadas sean capaces de predecir las recuperaciones en el
procesamiento de minerales previo a un adecuado entrenamiento y aprendizaje supervisado de la
neurona, donde se introducen una gran cantidad de datos reales anteriores de Planta
Concentradora en este caso principalmente la ley de Cobre y Fierro proveniente de mina (además
de otras variables mineralógicas) y sus respectivas recuperaciones, con los cuales buscamos que la
Red Neuronal aprenda. El proceso de Entrenamiento o Aprendizaje concluirá cuando el porcentaje
de error de las predicciones de recuperación sean las mínimas posibles, con lo cual garantizaremos
que la RNA, nos emitirá resultados confiables para una toma de decisión adecuada en el proceso.

7.- METODOLOGÍA

7.1 DESCRIPCIÓN DE LA INVESTIGACIÓN

Teniendo en cuenta los objetivos de la investigación y la naturaleza del problema planteado, para
el desarrollo del presente estudio se empleará el nivel de Investigación “Predictivo - Explicativo”,
porque se busca diseñar un modelo predictivo, aplicando técnicas específicas.

La investigación es de tipo “experimental”, ya que se basa en la toma de data de indicadores

operacionales industriales que se han realizado, en las que se han manipulado variables en
condiciones rigurosamente controladas; data que describe el proceso actual de la recuperación
por flotación de minerales de cobre sulfurados, es decir lo que se produce en esta situación
específica o particular. La que luego será procesada para establecer el modelo neurológico de
inteligencia artificial.
 7.2 MÉTODOS Y TÉCNICAS
De acuerdo a lo descrito anteriormente se obtendrán los datos del reporte diario metalúrgico,
donde podemos identificar las siguientes variables independientes para el sistema de detección:

 VARIABLES INDEPENDIENTES:

ÍTEM DIMENSIONES INDICADORES ESCALA DE MEDICIÓN

0.25
1 Grado de Cu en alimentación %
0.45
8
2 Relación Fe/cu adimensional
14
165
3 P80 µm
185
5
4 Índice de solubilidad den ácido adimensional
12

 VARIABLES DEPENDIENTES:

ÍTEM DIMENSIONES INDICADORES ESCALA DE MEDICIÓN

1 Porcentaje de recuperación %

La red empleada en el estudio se conoce como RNA “backpropagation”. El funcionamiento de una

red backpropagation consiste en un aprendizaje de un conjunto predefinido de pares de entradas-
salidas en dos fases: primero se aplica un patrón de entrada como estímulo para la primera capa
de las neuronas, está a la vez se va propagando a través de todas las capas superiores hasta
generar una salida, se compara el resultado obtenido en las neuronas de salida con las salidas que
se busca obtener y se calcula un valor de error para cada neurona.
En una red backpropagation existe una capa de entrada con “n” neuronas y otra capa de salida
con “m” neuronas y al menos se tendrá una capa oculta, cada neurona de una capa (excepto las de
entrada) recibe entradas de todas las neuronas de la capa anterior y envían su salida a todas las
neuronas de la capa posterior (excepto las de salida). A diferencia del Perceptron la red
blackpropagation requiere el uso de neuronas cuya función de activación sea continua,
 generalmente la función que se utiliza para este tipo de red neuronal será el tipo sigmoidal
(Función Tangente Hiperbólico).

8.- CRONOGRAMA
ACTIVIDADADES POR MESES
Actividades 1 2 3 4 5 6 7 8 9 10
Revisión bibliográfica x x x x x x x x
Recolección de data x
Filtrado y Selección de datos x
Acondicionamiento de datos x
Creación de la Red Neuronal x
Entrenamiento de la RNA x x
Simulación de resultados x
Validación de la RNA x
Redacción de tesis x x

9.- PRESUPUESTO

10.-REFERENCIAS BIBLIOGRÁFICAS
 Allahkarami, E, et al. (2016). Predicción de grados de cobre y molibdeno, y sus
recuperaciones en una planta de flotación industrial usando un modelo basado en redes
neuronales artificiales. Irán.
 Alfonso, P., Roy, J.F. y Ruiz, J.C. (1998). Redes neurales vs modelos estadísticos:
Simulaciones sobre tareas de predicción y clasificación. Valencia.
 Bonifacio, M., Molina, A. (2002). Redes Neuronales y Sistemas Difusos. Alfaomega Grupo
Editor S.A. Mexico.
 Bribiesca G. (2014). LAS REDES NEURONALES ARTIFICIALES PARA LA TOMA DE DECISIONES
VER. 2.0. México.
 Carrión, C (2018). “Aplicación de redes neuronales artificiales para la predicción de la
recuperación de planta concentradora en Minsur. Unidad San Rafael.
 Montaño J. (2002). Redes Neuronales Artificiales aplicadas al Análisis de Datos
 Nakhaeie, F, et al., (2012), Concentrate Grade Prediction in an Industrial Flotation Column
Using Artificial Neural Network. Iran.
 Olmedo, et al. (2004) Utilización de Redes Neuronales en la Caracterización, Modelización
y Predicción de Series Temporales.
 Rivas Asanza W., Mazón B. (2017).Redes Neuronales Artificiales Aplicadas al
reconocimiento de Patrones. Universidad Técnica de Machala.
 Rusell, S. and Norving, P. (2004). Inteligencia Artificial – Un enfoque moderno. Pearson
Education, S.A.
 Viñuela, P. (2005). Redes de Neuronas Artificiales. Ediciones PEARSON, Pretince Hall.
 Zubizarreta Pico, Asier (2016). Aplicación de las técnicas de redes neuronales para el
desarrollo de un sistema de diagnóstico on-line en el proceso de electroerosión por hilo.
Escuela técnica superior de ingeniería de Bilbao, España.