See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/329583309

Avances en manejo de datos y modelos predictivos en Geometalurgia

Presentation · December 2018

CITATIONS READS

0 211

1 author:

Mauricio Garrido
University of Chile
23 PUBLICATIONS   34 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Mine planning optimization considering geometallurgical variables View project

All content following this page was uploaded by Mauricio Garrido on 12 December 2018.

The user has requested enhancement of the downloaded file.

Avances en manejo de datos y modelos
predictivos en Geometalurgia
Mauricio Garrido
Ingeniero Civil de Minas, Universidad de Chile
PhDc Departamento de Geología, Universidad de Chile
¿Qué es la Geometalurgia?

Integración e innovación

Captura de Modelamiento e Estimación de Factores Análisis de riesgo

Clasificación de
información y interpretación recursos modificantes y evaluación
recursos
muestreo geológica minerales Geometalúrgicos económica

11-12-2018 2
Datos geológicos georeferenciados
• Correcto manejo de datos permite
generar modelos predictivos de variables
geometalúrgicas  Modelo de bloques
• En recurso la cubicación define cantidad
de fino, tipo de geología, confiabilidad.
• Herramienta convencional:
Geoestadística

11-12-2018 3
Geometalurgia en reservas mineras
Geometalurgia en reservas mineras
Geometalurgia en reservas mineras
Simular circuito de conminución
• W Consumo específico de
energía [kWh/tc] P80 en el producto
• Make up [l/s] [um]
F80 en la Flujo (t/hr)
alimentation [um]. • P Potencia Molino [kW]
Costo operacional $
• Gs flujo de mineral [tc/h]
• Costo de energía 𝑐𝑒

BWI-SPI [kWh/tc]

11-12-2018 7
Simular circuito de flotación
• Recuperación de fino %
• Ley de concentrado %
• Costo operacional $

11-12-2018 8
Muestras: Pruebas mineralógicas
HyLogger-3 Technology: adquisición rápida de información mineralógica e imágenes de alta
resolución a partir de sondajes, chips de roca, pulpas y otros materiales.

Hiperespectroscotía permite la identificación de sulfatos, cuarzo, feldespatos, carbonatos,

óxidos e hidróxidos, filosilicatos y turmalina, entre otros  apoyo para diseño metalúrgico

11-12-2018 9
Muestras: Caracterización mineral
La caracterización mineral permite relacionar o explicar el comportamiento metalúrgico de la roca
en función de la mineralogía presente y sus factores operacionales

Mineral relave Mineral concentrado

11-12-2018 10
Modelos geometalúrgicos
• Modelos de CPY, BO, PY, Calcosina-Covelina

0–1 % 1 – 10 % 10 – 25 % 25 – 50 % 50 – 75 % 75 – 90 % 90 – 100 %

11-12-2018 11
Caracterización mineral en procesos metalúrgicos

• Las litologías y texturas entregan rangos de dureza para Bwi: ejemplo Teniente, Chile.

Basalto porfírico, Bwi > 17:

Cristales distribuidos en poblaciones de dos tamaños.
Abundantes microcristales con evidencia de
interferencia mutua entre cristales adyacentes. Grandes
interfaces de cristal.

Gabro, Bwi entre 15 y 17:

Cristales con distribución de tamaño serializada. Los
cristales más pequeños adoptan la forma de los
intersticios entre los más grandes cristales.

11-12-2018 12
Modelos geometalúrgicos

11-12-2018 13
Últimos avances en geometalurgia
• Workflow de trabajo: Proyecto FONDEF IT 2017-2018

11-12-2018 14
Últimos avances en geometalurgia
• Workflow de trabajo: Proyecto FONDEF IT 2017-2018

11-12-2018 15
Caso de estudio
• Búsqueda de correlaciones para
predicción de variables geometalúrgicas
• Modelamiento geometalúrgico
• Aplicación modelo corto/largo plazo

11-12-2018 16
Métodos de integración de datos
• Compositación (up scaling): Compositación
Z1
1 Z2
Z( V) 
V 
V
Z(u)du Z11
Z3
Z4
– Permite unificar información a diferentes Z5
soportes. Z12
Z6
– Compositación de variables geoquímicas Z7
Z8
– Pierde resolución (aumento de soporte) y Z13
Z9
robustez en modelos  disminuye varianza.
Z10

11-12-2018 17
Métodos de integración de datos
• Downscalling genera artefactos Downscalling

(problemas de interpretación Z1

estadística): Z1 Z1
Z1
1 muestra
25
Z2
23 Z2
21 Z2
Z2
BWi_kWh/tc

19
17
BWi_kWh/tc Z3
15
13
Linear (BWi_kWh/tc)
Z3
y = 0.2066x + 12.903
Z3
11 R² = 0.9125
Z3
9
0 10 20 30 40 50 60 Z3
Ni(ppm)

11-12-2018 18
 Métodos de integración de datos
• Muestreo de Gibbs (down scaling): Down-scaling
Constant length
Variable length
– Asume que muestra está contenida en 1 𝑧11
UGM (𝑧11 , 𝑧12 , 𝑧13 ) = 𝑓(𝑧1 )
l𝑒𝑛𝑔𝑡ℎ = 3 𝑧1 𝑧12
– Permite unificar información a 𝑧13
diferentes soportes. 𝑧21
– Escala estadísticas básicas y de l𝑒𝑛𝑔𝑡ℎ = 3 𝑧2 𝑧22 (𝑧21 , 𝑧22 , 𝑧23 ) = 𝑓(𝑧2 ) l𝑒𝑛𝑔𝑡ℎ = 1
continuidad espacial. 𝑧23
– Considera restricciones metalúrgicas 𝑧31
para muestrear valores. 𝑧32
l𝑒𝑛𝑔𝑡ℎ = 4 𝑧3 (𝑧31 , 𝑧32 , 𝑧33 , 𝑧34 ) = 𝑓(𝑧3 )
𝑧33

𝑧34

11-12-2018 19
Tipos de análisis elemental
• Relación estadística entre moliendabilidad del mineral
(BWI) y hierro elemental (FeT)

• La correlación indica mayor dureza, menor

moliendabilidad y/o mayor consumo energético de
rocas de composición máfica que presentan
alteración potásica biotita/clorita, respecto de
rocas de composición félsica que presentan
alteraciones cuarzo-sericita.

11-12-2018 20
Tipos de análisis elemental
• Relación estadística entre moliendabilidad del mineral
(BWI) y hierro elemental (FeT)

• La correlación indica mayor dureza, menor

moliendabilidad y/o mayor consumo energético de
rocas de composición máfica que presentan
alteración potásica biotita/clorita, respecto de
rocas de composición félsica que presentan
alteraciones cuarzo-sericita.

• Esta correlación fue encontrada para un yacimiento Potásico Transición Cuarzo-sericita

pórfido cuprífero. ¿Es extrapolable para otros Máfico Félsico
yacimientos?

11-12-2018 21
Variable sintética
Implementación de algoritmos de aprendizaje genéticos (machine HIPERSPECTRAL
DATOS SENSOR
learning) y técnicas de data science integradas en un prototipo de
GEOLOGIA
software de modelación geometalúrgica predictiva GEOQUIMICA
SONDAJES

CORRELACIONES
ANALISIS DE DATOS
VARIABLES SINTETICAS

MACHINE LEARNING

PREDICCIÓN SIMULACIONES Y
GEOMETALURGICA ESTIMACIONES

11-12-2018 22
Últimos avances en geometalurgia
• Workflow de trabajo: Proyecto FONDEF IT 2017-2018

11-12-2018 23
Estimación conjunta
• El cokriging busca realizar la estimación
local conjunta de varias variables, tomando
en cuenta sus dependencias espaciales.
Esta técnica generaliza el kriging: se
construye el estimador como una
combinación lineal ponderada de los datos
disponibles, sin sesgo y con varianza de
error mínima.
• El cokriging es ventajoso cuando la variable
de interés está sub-muestreada con
respecto a otras variables correlacionadas
con ella (condición de muestreo
heterotópico)

11-12-2018 24
Validación y ejemplo de modelo geometalúrgico integrado

• Nube de puntos entre valor real y estimado para validación cruzada. (Izquierda)
caso univariable. (Derecha) caso multivariable.

Estadístico Univariable Multivariable

𝝆 0.54 0.78
m 0.80 0.96
Sesgo 20% 4%
r2 29% 61%
Error 27% 16%

11-12-2018 25
Modelo 3D univariable / multivariable
Univariable Multivariable

11-12-2018 26
Últimos avances en geometalurgia
• Workflow de trabajo: Proyecto FONDEF IT 2017-2018

11-12-2018 27
Geometalurgia en reservas mineras
• Se calcularon las reservas en 2 casos:
– Caso 1: No se considera el costo de molienda como una variable dentro de los factores
modificantes del proceso.
– Caso 2: Se consideró el costo de molienda como una variable f(BWI) dentro de los factores
modificantes del proceso.
• La valorización consideró las ecuaciones de costos, para ello se aplicó el algoritmo de Lerchs &
Grossman para calcular la envolvente de reservas mineras.

11-12-2018 28
Geometalurgia en reservas mineras
• ¿Por qué es importante determinar la
envolvente económica?

– Bloque de 15 x 15 x 15 m3.
– Densidad 2.7 ton/m3
– Ley media del bloque de 0.7% Cu
– Ley de corte de 0.5 %Cu
– Precio del Cobre 300 cUS$/lb Cu
– Bloque mal clasificado
• Pérdida marginal de 0.2% Cu
40.178 lb Cu  120.000 US$

11-12-2018 29
Geometalurgia en reservas mineras
• Para el costo de la molienda:
– W Specific energy consumption of work required 𝐵 = 𝑝 − 𝑘 ∙ 𝑥𝑦𝑔 − 𝑥ℎ − 𝑚
to grind of F80 to P80 [kWh/tc]
– T residence time 1 block [h] 𝐶ℎ𝑎𝑟𝑑𝑛𝑒𝑠𝑠 = 𝑐𝑒 ∙ 𝑃 ∙ 𝑇
– P mill potency 475.0 [kW]
– Gs Mass flow of ore [tc/h] 𝑊
𝑇 = 𝐺𝑏 ∙
– Gb Mass of the block [tc] 𝑃
– Wi Bond Work Index [kWh/tc] 𝑃 1 1
– F80 Size below 80% of the feed 25.0x103 [um]. 𝑊= = 10 ∙ 𝐸 ∙ 𝑤𝑖 ∙ −
𝐺𝑠 𝑃80 𝐹80
– P80 Size below 80% of the product 0.2x103 [um].
– Energy cost 𝑐𝑒: 85.0 USD/MWh. 𝑤𝑖 ~𝐶ℎ𝑎𝑟𝑑𝑛𝑒𝑠𝑠
– Factor E: 1.485

11-12-2018 30
Geometalurgia en reservas mineras
• Caso 1: pit final [línea oscura] considerando costo de molienda como constante (se usó un BWI
promedio)
• Caso 2: pit final [1.0 rojo] considerando costos de molienda como variables (se usó un BWI
simulado geoestadísticamente)
Caso 1

Caso 2

11-12-2018 31
Geometalurgia en reservas mineras
• Incertidumbre de la moliendabilidad en la
planificación minera de open pit genera
problemas de capacidad de planta
concentradora.
• Se generó un diseño básico de pit
anidados para extracción de minerales
con contenido rentable de cobre por
períodos. Este proceso considera la ley de
cobre como principal input geológico (no
considera BWI):

11-12-2018 32
 Geometalurgia en reservas mineras
• Considerando moliendabilidad en la planificación:
Año 1 Año 2
Cu=1.6% Cu=0.8%

Planificación sólo BWI diseño : 19

• Problemas de procesamiento en año 1
considerando ley BWI: 16 Año 1: 1.6%, BWI: 20
• Disminución de la capacidad de planta
de cobre Año 2: 0.8%, BWI: 16 • Disminución del VAN 1
BWI: 20

11-12-2018 33
 Geometalurgia en reservas mineras
• Considerando moliendabilidad en la planificación:
Año 1 Año 2
Cu=1.6% Cu=0.8%

Planificación sólo BWI diseño : 19

• Problemas de procesamiento en año 1
considerando ley BWI: 16 Año 1: 1.6%, BWI: 20
• Disminución de la capacidad de planta
de cobre Año 2: 0.8%, BWI: 16 • Disminución del VAN 1
BWI: 20

Año 1
Cu=1.3%
Planificación Cu=1.1%
Año 2 BWI diseño : 19
considerando
Año 1: 1.3%, BWI < 19 • No hay problemas de procesamiento
geometalurgia BWI < 19 • Disminuye la ley el año 1
Año 2: 1.1%, BWI < 19
BWI < 19 • Disminución del VAN 2

11-12-2018 34
 Geometalurgia en reservas mineras
• Considerando moliendabilidad en la planificación:
Año 1 Año 2
Cu=1.6% Cu=0.8%

Planificación sólo BWI diseño : 19

• Problemas de procesamiento en año 1
considerando ley BWI: 16 Año 1: 1.6%, BWI: 20
• Disminución de la capacidad de planta
de cobre Año 2: 0.8%, BWI: 16 • Disminución del VAN 1
BWI: 20

Año 1 ¿ VAN 1 ≤ VAN 2?

Cu=1.3%
Planificación Cu=1.1%
Año 2 BWI diseño : 19
considerando
Año 1: 1.3%, BWI < 19 • No hay problemas de procesamiento
geometalurgia BWI < 19 • Disminuye la ley el año 1
Año 2: 1.1%, BWI < 19
BWI < 19 • Disminución del VAN 2

11-12-2018 35
Geometalurgia en reservas mineras
• Optimización considerando restricciones de planta (molino como cuello de botella).
• Caso 1: Primero lo que tiene mayor ley

11-12-2018 36
Geometalurgia en reservas mineras

11-12-2018 37
Geometalurgia en reservas mineras
• Optimización considerando restricciones de planta (molino como cuello de botella).
• Caso 2: programas de dilución y remanejo

11-12-2018 38
Geometalurgia en reservas mineras

11-12-2018 39
 Geometalurgia en reservas mineras
• Optimización considerando restricciones de planta.

Caso 1: optimización sin moliendabilidad Caso 2: optimización con moliendabilidad

Período Ley media BWI VAN Ley media BWI VAN
1 1.21 16.31 $ 281,740 1.17 16.52 $ 269,815
2 1.16 16.91 $ 190,069 1.17 16.66 $ 258,517
3 0.64 16.80 $ 104,179 0.63 16.76 $ 101,639
4 0.70 17.32 $ 65,130 0.57 17.23 $ 52,775
5 0.80 17.29 $ 78,709 0.96 17.33 $ 54,937
6 1.05 17.22 $ 5,615
SUM $ 725,445 $ 737,684

11-12-2018 40
 Geometalurgia en reservas mineras
• Optimización considerando restricciones de planta.

Caso 1: optimización sin moliendabilidad Caso 2: optimización con moliendabilidad

Período Ley media BWI VAN Ley media BWI VAN
1 1.21 16.31 $ 281,740 1.17 16.52 $ 269,815
2 1.16 16.91 $ 190,069 1.17 16.66 $ 258,517
3 0.64 16.80 $ 104,179 0.63 16.76 $ 101,639
4 0.70 17.32 $ 65,130 0.57 17.23 $ 52,775
5 0.80 17.29 $ 78,709 0.96 17.33 $ 54,937
6 1.05 17.22 $ 5,615
SUM $ 725,445 $ 737,684

11-12-2018 41
 Geometalurgia en reservas mineras
• Optimización considerando restricciones de planta.

Caso 1: optimización sin moliendabilidad Caso 2: optimización con moliendabilidad

Período Ley media BWI VAN Ley media BWI VAN
1 1.21 16.31 $ 281,740 1.17 16.52 $ 269,815
2 1.16 16.91 $ 190,069 1.17 16.66 $ 258,517
3 0.64 16.80 $ 104,179 0.63 16.76 $ 101,639
4 0.70 17.32 $ 65,130 0.57 17.23 $ 52,775
5 0.80 17.29 $ 78,709 0.96 17.33 $ 54,937
6 1.05 17.22 $ 5,615
SUM $ 725,445 $ 737,684

11-12-2018 42
 Geometalurgia en reservas mineras
• Optimización considerando restricciones de planta.

Caso 1: optimización sin moliendabilidad Caso 2: optimización con moliendabilidad

Período Ley media BWI VAN Ley media BWI VAN
1 1.21 16.31 $ 281,740 1.17 16.52 $ 269,815
2 1.16 16.91 $ 190,069 1.17 16.66 $ 258,517
3 0.64 16.80 $ 104,179 0.63 16.76 $ 101,639
4 0.70 17.32 $ 65,130 0.57 17.23 $ 52,775
5 0.80 17.29 $ 78,709 0.96 17.33 $ 54,937
6 1.05 17.22 $ 5,615
SUM $ 725,445 $ 737,684

11-12-2018 43
Exploración geometalúrgica
• Cuantificación de la
disminución del riesgo
con la generación de un
sondaje.
• ¿Dónde generar
información de forma
optimizada?
𝑉𝑃𝑁 = 𝑓(𝐵𝑊𝐼, 𝑆𝑃𝐼, 𝑅, 𝑒𝑡𝑐)

11-12-2018 44
Exploración geometalúrgica
• Cuantificación de la
disminución del riesgo
con la generación de un
sondaje.
• ¿Dónde generar
información de forma
optimizada?
𝑉𝑃𝑁 = 𝑓(𝐵𝑊𝐼, 𝑆𝑃𝐼, 𝑅, 𝑒𝑡𝑐)

11-12-2018 45
Exploración geometalúrgica
Sondaje disminuye
• Cuantificación de la el riesgo

disminución del riesgo Sondaje no genera Sondaje no genera

con la generación de un impacto en el riesgo impacto en el riesgo
del proyecto del proyecto
sondaje.
• ¿Dónde generar
información de forma
optimizada?
𝑉𝑃𝑁 = 𝑓(𝐵𝑊𝐼, 𝑆𝑃𝐼, 𝑅, 𝑒𝑡𝑐)

11-12-2018 46
Exploración geometalúrgica
• Generación de información en la zona que disminuye el riesgo del proyecto minero $$$

Siguiente prospecto
de sondaje

11-12-2018 47
Exploración geometalúrgica
• Generación de información en la zona que disminuye el riesgo del proyecto minero $$$

Siguiente prospecto
de sondaje

11-12-2018 48
Exploración geometalúrgica
• Generación de información en la zona que disminuye el riesgo del proyecto minero $$$

Siguiente prospecto 𝑉𝑃𝑁 = 𝑓(𝐵𝑊𝐼, 𝑆𝑃𝐼, 𝑅, 𝑒𝑡𝑐)

de sondaje

11-12-2018 49
Exploración geometalúrgica
• Caso base, exploración actual Frecuencia
• Probabilidad de fracaso: A

Incertidumbre del VPN

VPN
VPN est

11-12-2018 50
Exploración geometalúrgica
• Caso base, exploración actual Frecuencia
• Probabilidad de fracaso: A
• Generación de 1 sondaje 
disminución de la incertidumbre
Incertidumbre del VPN
• Probabilidad de fracaso: B

Costo de sondaje v/s C(p(A – B))

A

B VPN
VPN est

11-12-2018 51
 Caracterización y Modelamientos Geo Minero Metalúrgicos
Predictivos: Camino a la Minería del Futuro

View publication stats