Reactor Acacia

Consep Acacia es una solución de proceso completa para maximizar la recuperación de oro
de concentrados por gravedad como los generados por un concentrador Knelson.

El Consep Acacia típicamente logra recuperaciones generales superiores al 95%, a menudo

superiores al 98%. Lo más importante es que Consep Acacia mantiene una tasa de éxito de
instalación impecable.

La planta consta de un reactor fluidizado de flujo ascendente para el proceso de lixiviación,

que ha sido desarrollado y optimizado para producir la interacción sólido-líquido ideal para
maximizar la cinética de la reacción de lixiviación de oro sin agitación mecánica.

Los hábiles ingenieros de Consep han desarrollado módulos eficaces de electrodeposición y

destrucción de cianuro para integrarse perfectamente con las instalaciones de Consep
Acacia. Por supuesto, los módulos están disponibles en una amplia gama de
tamaños. Desarrollamos soluciones específicas para las necesidades de nuestros clientes,
incluidos módulos de tratamiento de metales pesados para eliminar de forma segura los
contaminantes de metales pesados solubles en cianuro peligrosos de la solución de
lixiviación.

El diseño único y la química del proceso de Consep Acacia proporcionan la máxima

disponibilidad, recuperación y flexibilidad de proceso durante la vida de un proyecto.

GCA ha trabajado con Consep durante varias décadas y tiene una vasta experiencia en la
instalación y optimización de Consep Acacias. Además de esto, GCA puede asesorar sobre
cuándo se debe utilizar Consep Acacia y con qué capacidad.

 Consep Acacia es una solución de proceso completa para maximizar la

recuperación de oro de concentrados por gravedad como los generados por
un concentrador Knelson.

El Consep Acacia típicamente logra recuperaciones generales superiores al

95%, a menudo superiores al 98%. Lo más importante es que Consep Acacia
mantiene una tasa de éxito de instalación impecable.

La planta consta de un reactor fluidizado de flujo ascendente para el proceso

de lixiviación, que ha sido desarrollado y optimizado para producir la
interacción sólido-líquido ideal para maximizar la cinética de la reacción de
lixiviación de oro sin agitación mecánica.

Los hábiles ingenieros de Consep han desarrollado módulos efectivos de

electrodeposición y destrucción de cianuro para integrarse perfectamente con
las instalaciones de Consep Acacia. Por supuesto, los módulos están
disponibles en una amplia gama de tamaños. Desarrollamos soluciones
específicas para las necesidades de nuestros clientes, incluid os módulos de
tratamiento de metales pesados para eliminar de forma segura los
contaminantes de metales pesados solubles en cianuro peligrosos de la
solución de lixiviación.

El diseño único y la química del proceso de Consep Acacia proporcionan la

máxima disponibilidad, recuperación y flexibilidad de proceso durante la vida
de un proyecto.
Vea a continuación algunas de las características clave que puede ofrecer
Consep Acacia, así como estudios de casos recientes que destacan las
ventajas del sistema Acacia. Alternativamente, siéntase libre
de contactar nuestro equipo para ver cómo podemos ayudar con su proyecto .

Recuperación maximizada

El objetivo de Consep es proporcionar a nuestros clientes un producto que

proporcione una recuperación segura, estable y maximizada sin necesidad
de una gestión constante y la participación del operador. La tecnología de
lixiviación de Consep Acacia maximiza las tasas de lixiviación para
garantizar que, independientemente de la ley, la mineralogía o el
comportamiento del oro, el sistema logre recuperaciones muy altas todos
los días. amplia variedad de aplicaciones.

Nuestro enfoque no solo ha estado en el desempeño de la

lixiviación. Nuestro equipo de ingenieros experimentados ha desarrollado
soluciones para electrodeposición, desintoxicación, reciclaje de soluciones,
recuperación de lodos de oro y fundición. Desde el concentrado de
gravedad hasta la barra de oro, nuestros sistemas están cuidadosamente
diseñados por ingenieros especialistas en oro con experiencia para
garantizar que cada paso produzca la mejor recuperación de oro.

Seguridad y Responsabilidad

El paquete Consep Acacia maximiza la seguridad al maximizar la

recuperación. Se recupera el oro que se transfiere al Consep Acacia. El
Consep Acacia tiene partes móviles mínimas y no tiene actividades de
mantenimiento de rutina como engrase, minimizando así el número de
personas que necesitarían tener acceso a la Planta de Li xiviación por
Gravedad.

Mediante el uso de secuencias totalmente automatizadas, incluso los

operadores no necesitan tener acceso regular al proceso. La naturaleza
robusta de nuestra tecnología garantiza que muy pocas personas necesiten
acceder a Consep Acacia, lo que brinda la mayor oportunidad de
seguridad. Es importante destacar que Consep Acacia permite que los
sitios tengan una contabilidad metalúrgica diaria precisa de su producción
de oro por gravedad, lo que garantiza que se pueda contabilizar cada onza
de oro.

Seguridad

El uso de sistemas de lixiviación intensiva dentro de áreas confinadas,

como una sala de oro o un área de refinería, dicta que, por encima de todo,
el Consep Acacia debe proporcionar a nuestros clientes un entorno de
trabajo seguro. La mejor manera de maximizar la seguridad es minimizar la
necesidad de interacción humana proporcionando un sistema que tenga
recuperaciones de oro muy altas, automatización estable y probada y
requisitos de mantenimiento muy bajos. El Consep Acacia logra estos
objetivos.

Nuestro sistema no tiene partes móviles y tiene tanques sellados que

permiten una instalación segura en interiores. Consep Acacia puede lavar
de forma segura cualquier cianuro residual de los relaves, lo que garantiza
que los operadores y el personal de mantenimiento en el área de molienda
no estén expuestos a riesgos de cianuro. Nuestra química de lixiviación
única evita el riesgo de lixiviación de arensopirita, eliminando para siempre
los problemas de exposición al arsénico de las salas de oro y las
refinerías.
Operaciones, Procesos y Metalurgia Analítica Profunda Los Desafíos
del Big Data y Machine Learning Aplicada al Procesamiento de
Minerales.

I.- Algoritmos la Bola de Cristal de las Operaciones de

Procesamiento de Minerales

Reconocer que los algoritmos están siendo aplicados y llevando soluciones prototipo a las
operaciones de procesamiento de minerales, principalmente para evitar tiempos perdidos
por eventos de sobrecarga en los molinos SAG, con la ayuda de algoritmos de aprendizaje
automático. El desarrollo de algoritmos para predecir la sobrecarga en los molinos "Cuando
un molino SAG se sobrecarga y se llena demasiado, hace que el molino se dispare y se
detenga". “A veces puede llevar bastante tiempo que vuelva a funcionar. Debido a que los
molinos SAG son equipos críticos en el procesamiento de minerales y no hay forma de
desviar el material.

Evitar estos eventos siempre que sea posible, El tiempo de inactividad equivale a la
pérdida de producción, y el consumo de energía (y el costo) necesarios para reiniciar un
molino SAG es significativo. El proceso de desarrollo de algoritmos inicia con el análisis
de datos históricos durante un periodo de tiempo que comprende estos eventos de
sobrecarga, observar las señales o indicadores críticos relacionados con los eventos de
sobrecarga. Nos daremos cuenta que hay una gran cantidad de datos que provienen de un
molino SAG (la capacidad, la dureza del mineral, los niveles de ruido, la potencia del
molino, la velocidad, el consumo de energía y los parámetros de control), hay cientos de
mediciones, generalmente tomadas a intervalos de cinco segundos que deben analizarse.

Con los datos ya organizados y estructurados usamos los patrones de comportamiento y las
anomalías de las fallas, para predecir lo que sucederá después. Nos damos cuenta que hay
indicadores principales sobre lo que va a suceder, y un algoritmo es una ecuación
matemática que describe todas esas señales. O bien envía esa información al sistema de
control de proceso automatizado de la planta o, en este caso, activa una advertencia visual
para que los operadores puedan responder a la creciente probabilidad de un evento de
sobrecarga. El algoritmo predice la probabilidad de un evento de sobrecarga en una hora, lo
que permite que el operador de cuarto de control tome las medidas adecuadas para evitarlo.
Los molinos SAG en el campo de procesamiento de minerales, son como las orquestas
sinfónicas con muchos instrumentos, que emiten cientos de señales.

Existen diferentes niveles de respuesta que muestran las señales dependiendo de la

probabilidad de que ocurra un evento, cada molino SAG tiene su propio algoritmo, no se
puede implementar un algoritmo desarrollado en un molino en particular en otro molino,
Cada caso es individual, como las orquestas sinfónicas no tocan igual la misma canción. No
es fácil identificar ese punto de inflexión de las condiciones operativas normales en una
situación de sobrecarga.
 Los algoritmos efectivamente permiten que los molinos operen al máximo rendimiento con
un riesgo mínimo de sobrecarga. El principal desafío es y siempre será encontrar la
secuencia del evento de sobrecarga, con la enorme cantidad de datos basados en fallas en
comparación con las condiciones normales de operación, lo que hace difícil predecir
cuándo ocurrirían estos eventos, particularmente con una hora de anticipación.

Existe una diferencia con la aplicación de algoritmos de aprendizaje automático no

supervisado y un algoritmo de aprendizaje supervisado, el algoritmo no supervisado en este
tipo de escenario no le daría a la planta el tiempo suficiente para responder. Esa es la
ventaja de utilizar un algoritmo de aprendizaje automático supervisado.

Loa beneficios de usar el machine learning en las plantas de procesamiento de mineral es

reducir el número de paradas de los molinos, lo cual aumenta su disponibilidad y
utilización, un aumento en la disponibilidad del 1 % paga cualquier mejora en la aplicación
de algoritmos de control y prevención, no necesita gastar dinero en una nueva plataforma
para implementar estos algoritmos, son independientes de la plataforma.

Los grandes datos, y más específicamente la el aprendizaje automático de los procesos,

pueden ayudar a las organizaciones a obtener una transparencia total en sus operaciones, lo
que les permite mejorar los márgenes de producción y la agilidad para resolver problemas y
prevenir daños u tiempos muertos en las operaciones.

El rendimiento corporativo depende en gran medida de la eficiencia operativa, y cuanto

más grande es la organización, más complejo se vuelve optimizar las operaciones. Las
empresas se enfrentan al desafío de mejorar los procesos y las operaciones centrales como
compras, logística y producción para lograr un mejor desempeño corporativo. Los
tomadores de decisiones a menudo sienten que tienen un buen control de estos procesos
comerciales, pero generalmente tienen mucha menos visibilidad y control de lo que
imaginan. Esta falta de transparencia es causada por la gran cantidad de datos disponibles
en los sistemas empresariales, y en este contexto, identificar problemas dentro de los
procesos centrales puede ser como encontrar una aguja en un pajar.

Ahí es donde entra en juego la analítica de los procesos, un enfoque innovador para el
análisis de big data. Impulsada por el aprendizaje automático y la inteligencia artificial, la
tecnología de analítica de los procesos aprovecha los registros digitales en los sistemas de
IT existentes de cada empresa para crear un mapa visual de los procesos comerciales de una
organización.

Con la analítica de los procesos, los responsables de la toma de decisiones pueden

visualizar y analizar fácilmente los procesos interdepartamentales como compras a pagar,
pedidos a efectivo, producción, logística, gestión de servicios de TI, cuentas por pagar y
cuentas por cobrar, para lograr una transparencia total sobre cómo Los procesos están
funcionando en la vida real. La tecnología utiliza la enorme cantidad de datos acumulados
en una gran organización para comprender el comportamiento humano, reconstruir
automáticamente la forma en que funciona la organización y encontrar formas de mejorar.
 La analítica tradicional, analiza y mapea procesos en una organización en tiempo real,
revelando debilidades y proporcionando una visión imparcial para hacer que los procesos
sean más transparentes, más rápidos y más rentables. Las organizaciones utilizan la minería
de datos en los procesos para encontrar respuestas a preguntas difíciles sobre cuestiones
operativas, la pérdida de productividad debido a pasos innecesarios en los procesos.

Encontrar soluciones a problemas conocidos ya es bastante difícil, pero es casi imposible

para las empresas encontrar soluciones a problemas que no saben que existen. Con big data
y machine learning, las empresas no tienen que funcionar en la oscuridad cuando se trata
del funcionamiento interno de los procesos. Las empresas finalmente pueden "encender las
luces" para ver claramente lo que está sucediendo y por qué, al tiempo que proporcionan
recomendaciones prescriptivas para solucionar problemas con los procesos.

II.- La Motivación Para Transformar el Cambio

La industria minera requiere innovación para aumentar sus resultados, para ser más
efectivos en la explotación, cómo pueden los big data y los datos de máquinas con
aprendizaje, impulsar sus negocios, Se requiere una comprensión profunda de los datos
generados por la máquina, datos estructurados / no estructurados, Internet de las cosas
(IoT), minería de procesos para los últimos exámenes. La industria minera requiere
innovación para aumentar sus resultados, para ser más efectivos en la explotación. Cuáles
son las posibilidades y las fronteras. Por lo tanto, propongo la siguiente pregunta como el
foco principal de iniciar el cambio:

¿Cómo pueden las empresas mineras utilizar big data

generado por máquinas en sus operaciones y que
aprendizaje se adquiere con el manejo de la información,
surge algún modelo que predice los comportamientos de
los procesos, puedo encontrar buna respuesta a través de
un cambio de los datos a través de un algoritmo basado en
la las secuencia de análisis?.
III.- La
formulación de la respuesta, una pregunta genera otra
pregunta disfrazada de respuesta:

Ø ¿Qué caracteriza a los datos de la máquina y en qué se diferencia

de los datos generados por humanos? También se necesita una visión
más profunda sobre la industria minera, para poder analizar cómo
se pueden conectar los datos de la máquina a este campo:

Ø ¿Cómo generan valor las empresas mineras en sus procesos

operativos? Las dos áreas tienen que estar conectadas para ubicar
las áreas donde las empresas examinadas pueden beneficiarse de Big
Data. También se deben identificar los riesgos y las amenazas para
llegar a una visión general equilibrada.

Ø ¿Cómo pueden optimizarse los procesos operativos con los datos de

la máquina y cuáles son las posibles complicaciones y desventajas?
El proyecto Big Data se ha asociado en una demostración del uso de análisis de datos para
mejorar los parámetros de rendimiento de partes de las principales plantas de
procesamiento de minerales. Estos parámetros, que incluyen el rendimiento, la
recuperación y el uso de energía, contribuyen directamente a la rentabilidad de la planta. La
revolución digital nos ha permitido contar con numerosas herramientas que podrían
aprovecharse para transformar nuestros datos operativos en ideas procesables. Darse cuenta
que las herramientas digitales tienen un valor limitado, desde un contexto operativo
metalúrgico, si los desarrolladores de software para el control avanzado de los procesos y el
auto aprendizaje no incorporan la experiencia de los metalurgistas e ingenieros de los
procesos de las plantas, el dominio adecuado junto con la correcta comprensión de los
conceptos básicos queda incomprendida y puede colapsar.

El enfoque es garantizar que haya una profundidad adecuada de las diferentes disciplinas
integradas en nuestras plantas junto con la amplitud para integrar otras disciplinas, como la
geología y la minería, para una integración efectiva de Mine-to-Mill. Una estrategia de
mejora de recuperación basada en la distribución óptima del tamaño, del monitoreo del
rendimiento de concentración y la orientación a través de mapas de grado de alimentación.

Tres cambios tecnológicos apoyan el desarrollo de enfoques más automatizados para el

control de la planta. Son:

1. Instrumentos cada vez más sofisticados para mediciones en tiempo real de tamaños
de partículas, química de los procesos y caracterización mineralogía.

2. Redes de información que pueden recopilar y transmitir miles de datos de segundo a

segundo desde cada parte de una planta.
3. Masivos escalado de almacenamiento y procesamiento de datos, como computación
en la nube, y nuevo software de aprendizaje automático.

El aprendizaje automático (machine Learning) actualmente la parte más importante de la

inteligencia artificial (IA), implica programar computadoras para aprender de datos de
ejemplo o experiencias pasadas, para permitir la predicción, el reconocimiento de imágenes
y el descubrimiento de anomalías. Comenzamos formulando procedimientos para obtener
datos históricos de la planta, de un sistema de base de datos PI para toda la planta
concentradora. Sin embargo, no se puede aprender lo suficiente sobre los pasos detallados
de procesamiento para formular un modelo razonable de toda la planta. Si hay un vacío o
falta de conocimiento de la planta. Hay un potencial para la mejora del rendimiento de la
planta. Creando un sistema escalable para el intercambio diario seguro de dato. Con el
modelado de los datos se puede lograr una mejora económicamente significativa, en el
rendimiento.

Además, se logra un análisis de sensibilidad en variables clave, el llenado del molino, la

potencia del molino, la densidad, la carga circulante y el tamaño final, proporciona nuevos
conocimientos para los metalúrgicos de plantas. Los resultados clave de Big Data son:

a. La contribución del aprendizaje automático para mejorar el rendimiento de los

circuitos de molienda.

b. El estímulo para extender nuestra aplicación de IA a otras partes del control de

procesos y la gestión de la planta.

c. Cómo la nube la computación simplifica el intercambio de datos, y proporciona un

escalado directo a otras operaciones de la planta

#¿Quien maneja la bolita de la transformación digital de sus operaciones en la planta? De

seguro aun no se visualizan estos cambios. Bueno Aquí les dejo una parte del documento que
he redactado. hashtag#Estoy a sus ordenes para cualquier consulta.

Pasos para el algoritmo Mayor flujo de alimentación, mayor será el volumen de la carga en el
molino. En la práctica se controla ajustando el flujo de alimentación. Un mayor flujo de
provocará una sobrecarga y la potencia comenzará a caer rápidamente. Una granulometría
gruesa influye en un aumento del consumo de energía, una disminución del tonelaje tratado y
un aumento del tamaño de descarga. Un aumento del tamaño de la partícula, mayor será la
velocidad de molienda. El rango de tamaño intermedio es de 40-60mm La dureza del mineral
el operador no tiene control. Mientras más duro mayor será el tiempo que demore su
reducción de tamaño. La densidad de la pulpa dentro del molino no puede ser medida
directamente, se controla en la descarga del molino. Al aumentar la densidad, se incrementa la
viscosidad y se reduce la descarga, provocando un aumento de volumen de pulpa y de la
potencia y una disminución de la capacidad. El volumen de la carga de bolas un factor que
influye mucho en la operación de un molino SAG. Este volumen se expresa como una fracción
del volumen total del molino y variar entre 4% y 14%, siendo 8% el valor más usado. El uso de
bolas eleva la densidad media de la carga y aumenta la potencia demandada por el molino.

Muy interesante la información Pedro, gracias por compartirla, espero ver más artículos tuyos,
una pregunta, no he estado laborando en planta, los softwares usados comúnmente para
monitorización de procesos como el de molienda almacenan todos los datos a los que tiene
acceso, la gerencia de planta almacena esos datos actualmente para algún uso particular?, para
cuando se quiera implementar el big data en compañias será fácil tener acceso a la información
histórica de la planta, gracias y saludos.

Hola Alfonso gracias por tu comentario. Alguna empresas tienen un sistema que graban la
información de ciertos periodos en discos duros y de esta manera liberan su almacén de
información en sus sistemas de control. Otras empresas si tienen suficiente capacidad de
almacenamiento que puede ser consultada para ver tendencias y hacer analítica.