Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Esto no se debe confundir con la remoción de datos improbables, los cuales pueden,
estar indicando anomalías reales dentro de una planta, por lo que la excesiva
limpieza de datos puede llevar fácilmente a estudiar escenarios sesgados basados en
juicios erróneos.
Por otra parte, la cantidad y uso de información es uno de los mayores desafíos que tiene el
desarrollo de la geo-metalurgia o geo-minero-metalurgia. Estos conceptos buscan
herramientas que puedan conciliar la información geológica y su respuesta a nivel
metalúrgico, basándose en que la geología debería tener mayor información de la materia
prima usada en los procesos. El principal objetivo de estas metodologías es poder generar
respuestas predictivas en la planta, a partir de la caracterización geológica y, por tanto,
poder alimentar un modelo de planificación minera con información más certera. Sin
embargo, para que se puedan generar herramientas predictivas, se debería contar con gran
cantidad de información de pruebas metalúrgicas que se puedan asociar a la caracterización
geológica. Por razones de costo, hasta hoy, esto se hace impracticable, provocando que la
información geológica sea en general mucho mayor a la información metalúrgica.
En resumen, los aspectos más relevantes del uso actual del big data en procesamiento de
minerales y metalurgia extractiva son los siguientes:
Así como existen modelos empíricos y fenomenológicos para lixiviación en pilas, para
procesos de conminución y flotación existen experiencias donde los datos que se generan a
partir de la instrumentación y sistemas de control se transforman en información relevante
para mejorar el proceso, mediante técnicas de Machine Learning, las cuales permiten
establecer correlaciones y crear modelos entre grandes bases de datos. El machine learning
se aplica habitualmente en cuatro pasos: desarrollo de ingeniería, entrenamiento del
modelo, validación del modelo y selección y aplicación del modelo a nuevos datos. En estos
casos, se requiere de un número abundante de datos de entrenamiento (training set).
Por ejemplo, grandes compañías mineras como Codelco, BHP y Antofagasta Minerals, están
haciendo esfuerzos para incorporar procedimientos, metodologías y tecnología que permita
estandarizar la obtención y uso de los datos, para desarrollar predicciones en diferentes
ámbitos. En este sentido Codelco ha sido pionero en la implementación del control
operacional de su planta de División Ministro Hales (DMH), ubicada cerca de Calama, desde
sus oficinas en Santiago. En esta misma línea, BHP se encuentra actualmente
implementando una iniciativa similar con su planta concentradora y de lixiviación en
Escondida. Estas iniciativas no sólo están desafiando el uso de metodologías de big data,
sino que además están separando los esfuerzos de diagnóstico y definición operacional, de
las contingencias propias de mantener una planta operativa, evitando posibles sesgos y
tomando definiciones con una visión global del problema, tanto a nivel de resultados, como
a nivel de disciplinas. Otras acciones recientes, también por parte de Codelco, es el
desarrollo de un contrato marco de implementación de big data, analítica e inteligencia
artificial a nivel corporativo, para implementar diferentes desafíos divisionales.
En la misma línea, BHP y Antofagasta Minerals han definido propuestas para avanzar en la
implementación de técnicas de big data y softwares para desarrollo de modelos de
monitoreo de calidad de aire y mantención predictiva, respectivamente. En resumen, los
aspectos más relevantes de los avances que se están implementando para el uso del big
data en las áreas de procesamiento de minerales y metalurgia extractiva son los siguientes:
Por último, esta revolución digital en minería traerá consigo un cambio obligado en la fuerza
de trabajo, donde especialidades asociadas al análisis de datos, al desarrollo de software y al
diseño digital, serán de suma importancia para probar todos los nuevos desarrollos,
interpretar la gran cantidad de datos asociada y trabajar en un sistema con una
infraestructura para el progreso del IoT (Internet of Things). Por ello, la formación de capital
humano que cuente con habilidades en estas áreas será fundamental para poder superar los
desafíos que se impondrán a futuro.