UNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL CUSCO

FACULTAD DE INGENIERÍA GEOLÓGICA, MINAS Y METALÚRGICA

ESCUELA PROFESIONAL DE INGENIERÍA METALÚRGICA

PROPUESTA DE OPTIMIZACIÓN DE PROCESOS DE LIXIVIACIÓN DEL

COBRE A TRAVÉS DE LA INTELIGENCIA ARTIFICIAL: MACHINE LEARNING

EN LA UNIDAD MINERA CUAJONES-MOQUEGUA

Presentado por los Bachilleres:

Cusco, Julio de 2021.

 2

INTRODUCCIÓN

Existe registro de la utilización activa del cobre por parte de la

humanidad desde el periodo evolutivo conocido como edad del cobre,

aproximadamente unos 3200 años a.C. Siguiendo el desarrollo histórico de la

humanidad las aplicaciones y procesos de obtención de este metal han tenido

una evolución constante, en sus inicios se obtenía mediante procesos

empíricos y quema hasta la aparición del proceso Welsh en el cual se usaba

azufre como reductor. El cobre tiene una infinidad de aplicaciones, mayormente

en áreas industriales y en aplicaciones eléctricas gracias a sus excelentes

características conductivas. Por su conductividad térmica es también

ampliamente utilizado para el diseño de tuberías de intercambio térmico,

además posee aplicaciones eléctricas, mecánicas y agrícolas según sus

derivados.

En la actualidad el proceso más común de obtención del cobre se lleva a

cabo mediante lixiviación, el cual es un proceso de separación del metal por

ataque y disolución del metal a partir de una mena tratada físicamente por

molienda. Luego de la molienda pasa a un proceso hidrometalúrgico, es decir

extracción de metales por uso de soluciones liquidas.

Sin embargo, este proceso afecta los minerales y propiedades de los

suelos, pudiendo provocar toxicidad en estos. La recuperación del cobre por el

medio de lixiviación es compleja y tiene una cinética lenta de disolución

presentando resultados de soluciones de cobre contaminadas con hierro.

Con el fin de solventar las problemáticas y mejorar de forma

cuantificable los procesos que se desarrollan en la unidad minera se propone

 3

en este estudio la implementación de un sistema de machine learning que

permita el procesamiento de datos, llevando los procesos industriales de un

desempeño desestructurado a un sistema automatizado. Esto mediante el

desarrollo de modelados de proceso ideal optimizado, que incluyen el proceso

de estudio y mejora sostenible a largo plazo.

Tomando en cuenta las características de la unidad minera Cuajone-

Moquegua se busca mejorar la calidad de solución lixiviada PLS de cobre.

 4

1.1 Justificación

Los procesos de obtención del cobre son ampliamente utilizados en el

Perú, cada mina o plantas por pilas poseen características propias y

desarrollan el proceso de forma particular ajustándose a los lineamientos de

consideración emitidos por el ministerio del Perú. Sin embargo, los efectos

colaterales y riesgos laborales presentan una preocupación para el desarrollo

de esta industria.

Para obtener el cobre, metal listo para la comercialización, se utilizan

métodos de lixiviación, los cuales son prolongados en comparación a la

relación de cantidad y calidad del producto final. Mediante el estudio y

estructuración de procesos es posible agilizar y aumentar la eficacia del

procesamiento en la mina, para lograr esto se propone la aplicación del

machine learning, como herramienta eficaz que permitirá la optimización al

aplicar los principios de la inteligencia artificial que permite a las maquinas la

facultad de aprender y de esta forma reconocer los patrones existentes.

Utilizando técnicas de recolección de datos y procesamiento mediante

inteligencias artificiales para el recuperado y procesamiento del cobre es

posible calcular los estimados de extracción y pureza del producto. Además, la

implementación de tecnologías de inteligencia artificial ha sido aplicada en

líneas de minado con el fin de predecir la calidad del producto final según su

composición y mejora de procesos con excelentes resultados en el pasado.

Aplicando el machine learning la mejora del proceso puede ser medible y

objetiva. Tiene cuatro fases primordiales, la recopilación de datos, el procesado

de los mismos, el modelado y su evaluación consecuente donde se eliminan

 5

los detalles y se perfecciona. Es por eso que esta investigación busca mediante

la aplicación de la tecnología aportar un beneficio a los procesos de la unidad

minera Cuajones-Moquegua, buscando una reducción importante en el impacto

ambiental al tiempo que se mejora el proceso, e incluso se agilizan los tiempos

de producción.

Mediante la automatización de procesos es posible controlar las

emisiones de polvo y humos, además de tomar medidas estándar como el

aislamiento, la ventilación local y de dilución, mojado de los materiales,

reducción de su manipulación y otros cambios en el proceso, esto enfocado en

aumentar la calidad y seguridad de los trabajos en la mina (Seguridad Minera,

2017).

Con la tecnología de machine learning es posible analizar grandes

volúmenes de datos procedentes de procesos industriales generando de esta

forma información valiosa acerca del comportamiento de dichos procesos,

reduciendo la incertidumbre y ayudando en la toma de decisiones. Su

aplicación en las plantas de minería tiene un efecto directo en la reducción del

porcentaje de riesgo. De esta manera es posible considerar que los valiosos

aportes de esta tecnología proveen beneficios a distintos niveles al proceso de

extracción de cobre, siendo además un recurso que genera información

analítica sobre los procesos y sus resultados en comparación con su

optimización.

Según el ministerio de minería se pronostica un marcado aumento en la

demanda del cobre a nivel mundial en la próxima década liderado por la

expansión de países asiáticos como China, esta situación representa un

 6

potencial beneficio al Perú como país minero, sin embargo para lograr suplir

esta demanda será necesario ajustar las producciones e incluso crear nuevas

minas, según esta investigación al aplicar machine learning se obtendrán

mayores cantidades de producto final con características deseadas en menor

tiempo y con una mejor relación de costos.

1.1.1 Conveniencia

Esta investigación presenta claras ventajas para la industria, a partir de

la optimización automatizada de procesos se apunta al aumento de producción

con una estimación de calidad relevante en menores tiempos de producción.

También apunta a reducir los riesgos de operación mediante el análisis de

proceso de machine learning.

Por tanto, se demuestra la utilidad de la implementación de esta

tecnología con el fin de darle un sentido de pasos a tomar normalizado y

estructurado mediante modelos desarrollados a partir de la data que se

recolecte y procese del estudio de los procesos de lixiviación del cobre

aplicados en la unidad minera Cuajones-Moquegua.

1.1.2 Relevancia social

Los mayores aportes en el ámbito social se ven evidenciado en la

optimización del trabajo, proveyendo resultados consistentes en el tiempo

trayendo mejores ganancias al tener un producto de calidad estándar en cada

parte de la extracción y producción del metal.

1.1.3 Valor teórico

 7

La implementación de machine learning en procesos industriales aporta

grandes beneficios en cuanto al estudio y desarrollo para automatización de los

mismos, además de que el aporte de la inteligencia artificial para el modelado

de procesos presenta un avance en este campo.

1.1.4 Utilidad teórica

A partir de los datos que se recopilen se podrá desarrollar un sistema

que realice la optimización calculada de los procesos y ayudara a comprender

como cada fase del desarrollo presenta un factor determinante en el producto

final tanto como en consecuencias secundarias, efectos tanto en calidad de

trabajo. De esta manera se desarrolla la tecnología que podrá facilitar el

análisis de información y facilita los procesos existentes.

1.2 Situación Problemática

A nivel mundial el consumo de cobre se ha visto incrementado por la alta

demanda de las industrias electrónica, en aplicaciones industriales como

tuberías y derivados. En el Perú para el primer trimestre del año 2021 tuvo un

aumento de 45.1% según el ministerio de energía y minas. Siendo el cobre el

principal producto de exportación nacional y que contribuye de forma

importante a la balanza económica actual (Camara Minera Maestrias

especializaciones, 2021). Se destaca la importancia de la obtención del cobre y

la optimización de sus procesos para crear un enfoque más consiente de los

posibles efectos subsecuentes de esta actividad de explotación minera, como

una necesidad existente y que tiene grandes repercusiones en el país y la

industria.
 8

Esto parte de que la obtención del cobre es compleja y requiere de una

serie de procesos para dejarlo en condiciones de ser comercializado, el cobre

se encuentra de manera dispersa en grandes áreas, mezclado con una gran

cantidad de sales y otros elementos mineralógicos además de roca estéril.

Estos compuestos que contienen cobre deben ser tratados debidamente para

separar el metal del resto de los minerales y afectan la calidad del producto

final (Muñoz, 2013).

Los procesos de obtención del cobre se han vuelto más complejos a

través del tiempo, sin embargo, se ha demostrado que la calidad y pureza del

cobre extraído dependen más de la habilidad y experiencia del personal y

supervisores que de una estandarización de procesos de calidad, resultando en

diversidad de resultados en distintas cepas.

Otro punto a tomar en cuanto a la mejora de procesos en la industria es

el manejo de los peligros presentes en las actividades de lixiviación, y se busca

disminuir el porcentaje de riesgo real en el proceso de operación que incluye el

error humano frente a posibles factores de riesgo. Por esto se consideran como

riesgos a las fuentes potenciales de contaminantes aéreos, falta o deficiencia

en las operaciones de mantenimiento, supervisión efectiva de áreas de riesgo

como las zonas en que pudiera darse exposición a arsenamina o ácido

cianhídrico. Y debe existir una planificación extensa para la adición

y manipulación de los productos químicos tóxicos utilizados en el proceso de

manera que se evite la manipulación manual (Seguridad Minera, 2017).

Existen largos tiempos de producción, el proceso de lixiviación se

extiende entre 7 a 8 horas, este es una de las problemáticas que se han

 9

observado, el proceso de obtención de cobre mediante lixiviación puede ser

prolongado en comparación con la cantidad y calidad del producto final.

Todos estos aspectos provienen de los procesos y como son llevados a

cabo, para el caso de la unidad minera Cuajones-Moquegua es necesario

identificar los puntos y actividades que presentan deficiencias y son

mejorables. En la actualidad esta unidad no posee una tecnología o

mecanismo de optimización de procesos que le permita medir, registrar y

estudiar de forma automatizada las acciones que se llevan a cabo en la unidad

minera.

1.3 Formulación De Problemas

1.3.1 Problema General

¿Cuál será el efecto a nivel de optimización de procesos de la aplicación

de machine learning en el proceso de lixiviación del cobre a través de la

inteligencia artificial: en la unidad minera Cuajone-Moquegua?

1.3.2 Problemas Específicos

1.- ¿Cuáles son los modelos estructurados en el proceso de lixiviación de

cobre?

2.- ¿Cuáles son las características, de las alternativas de mejoras de los

procesos de lixiviación de cobre?

3.- ¿Cómo se pueden minimizar los tiempos del proceso de lixiviación de cobre

y maximizar beneficios en la producción del metal con la aplicación de machine

learning en la unidad minera Cuajone?

 10

4.- ¿Cuál será la viabilidad técnica de la alternativa de sistema productivo con

la aplicación de machine learning en el proceso de lixiviación de cobre de la

unidad minera Cuajone?

1.3.3 Objetivos

General
Elaborar una propuesta de optimización de procesos de lixiviación del

cobre a través de la inteligencia artificial: machine learning en la unidad minera

Cuajones-Moquegua

Específicos
1.- Identificar modelos estructurados, a través de un sistema de inteligencia

artificial que interactúe con los atributos de las bases de datos en el proceso de

lixiviación de cobre.

2.- caracterizar, modelar y encontrar alternativas de mejoras de los procesos de

lixiviación de cobre.

3.- Minimizar los tiempos del proceso de lixiviación de cobre y maximizar

beneficios en la producción del metal con la aplicación de machine learning en

la unidad minera Cuajone.

4.- Evaluar técnicamente la alternativa de sistema productivo con la aplicación

de machine learning en el proceso de lixiviación de cobre de la unidad minera

Cuajone.
 11

MARCO TEÓRICO

ANTECEDENTES DE LA INVESTIGACION (ESTADO DEL ARTE)

2.1 Antecedentes Internacionales

El proyecto de investigación “Machine Learning En La Industria: El Caso

De La Siderurgia” presentado por (González, F. Alba-elías, 2017) en la

universidad de la roja, España tiene un enfoque experimental en cuanto a la

aplicación de tecnología de inteligencia artificial, machine learning y soft

computing, para lograr desarrollar modelos prácticos que permitan optimizar

procesos en la industria siderúrgica de España. Tuvieron como objetivo

principal utilizar la tecnología del machine learning para detectar las

deficiencias existentes, entre los cuales se destacan la calidad del producto

final y la relación directa de dependencia entre la experiencia y capacidad de

los operadores con los resultados obtenidos. Por esto se propuso una

aproximación basada en análisis de procesos automatizada que pudiese

brindar soluciones. Se encontró que al aplicar los principios de machine

learning, recolección de mega data, procesamiento, modelaje y evaluación

fueron capaces de detectar los puntos de consistencia en el proceso

siderúrgico, sin embargo fue necesario mejorar el modelo aplicando técnicas

del machine learning como redes neuronales y máquinas de vectores de

soporte hasta obtener un esquema de red de percepción que al ser aplicado

diera como resultado una mejora significativa en el producto final en cuanto a

control de calidad estandarizado. De esta forma presentaron en sus

conclusiones que el sistema de machine learning aporto un beneficio y mejora

a los procesos industriales siderúrgicos, que se mejoró la calidad del producto

de las bobinas de acero tras el proceso de laminación en caliente al detectar

 12

los aspectos técnicos como grosor de la capa superficial y el laminado de la

misma, y como esta afecta la incertidumbre que presenta el proceso de

limpieza en la línea de decapado. Se encontró solución al problema de la

adherencia del recubrimiento del zinc mejorando las características

anticorrosivas de las bobinas. Y por último se realizaron las pruebas mecánicas

del producto final mediante ensayos de laboratorio que permitieron cuantificar

la mejora en calidad a través de la optimización de procesos aplicando la

inteligencia artificial.

Estos hallazgos presentan que la aplicación de Machine Learning en los

procesos industriales que a pesar de ser mercados con muchos años y

establecidos aún tienen espacio de mejora en sus procesos que permiten

estandarizar los resultados deseados sin una dependencia directa de la

experiencia del personal sino más bien basados en técnicas medibles y estudio

de procesos repetibles.

(Lagos, 2017) por otra parte destaca en su investigación para la

Universidad Técnica Federico Santa María, titulada “Lixiviación Presurizada a

Temperatura Ambiente De Mineral Sulfurado De Cobre” presentada en la

ciudad de Valparaiso Chile. Que los procesos de lixiviación utilizados presentan

desventajas en cuanto el aumento de costos por perdida de mineral de ley que

alcanza el 3% y los costos de transporte. Para su proyecto se propuso evaluar

el efecto de la cinética de lixiviación a presión en pulpas de minerales de cobre

a temperatura ambiente, y uno de sus objetivos fue realizar una evaluación

técnica y económica de las alternativas factibles a implementar. Aplicando una

metodología experimental, obtuvieron como resultado que la mejor condición

ocurre con tiempo de humectación de grietas de 20 minutos, dados por los

 13

valores de la constante cinética y recuperación infinita a partir del modelo de

Klimpel y primer orden. Sin embargo, dada la escala de las experiencias, no

existen diferencias significativas entre todos los modelos ajustados. Y en

cuanto a su valuación económica según los análisis de datos el proyecto

resultaría factible para un número de instalaciones de 31 equipos modulares.

Los resultados y métodos de la investigación de (Lagos, 2017) presentan

propuestas de mejora significativa a los procesos de lixiviación que llevan a

mejorar los rendimientos económicos y reducir el porcentaje de perdida

mineral. Es de esta forma que se plantea para la presente investigación que al

aplicar los métodos de procesamiento de datos machine learning a los métodos

de lixiviación en el Perú sea posible no solo obtener estas mejoras sino

detectar los puntos en el proceso que puedan garantizar la continuidad de las

mismas a largo plazo aumentando la calidad del producto final.

De forma similar la investigación de (Flores et al., 2020) titulada

“Utilizando técnicas de inteligencia artificial para mejorar la predicción de la

recuperación de cobre por lixiviación” para la Universidad Católica del Norte, en

Antofagasta, Chile, busco determinar cómo mejorar de forma local en las pilas

de extracción los procesos de lixiviación del cobre. El objetivo principal de esta

investigación fue determinar el efecto de la inversión tecnológica en la

producción de cobre chilena para asegurar la rentabilidad de la actividad

minera en el corto plazo. Para lograr este objetivo de desarrollo tecnológico e

innovación, la industria minera chilena está incorporando tecnología para

desarrollar aplicaciones tipo sistema de inteligencia para apoyar tareas como la

predicción de la recuperación del cobre. Estos sistemas se basan a menudo en

modelos informáticos de inteligencia artificial. Además de suponer una

 14

aportación tecnológica, los modelos obtenidos a partir de la inteligencia artificial

son una gran ayuda para la predicción o el control de los procesos de

producción, un hecho muy importante para el apoyo a la tecnología de la red,

que se caracteriza por una mayor complejidad de la extracción y unas

restricciones cada vez mayores, como la mayor complejidad de la extracción y

restricciones crecientes como las consideraciones ambientales. Esta

investigación se define como descriptiva y experimental, y su método de

recolección de datos fue mediante el estudio y proceso de la data recogida en

las minas de lixiviación. Concluyendo que se logró el objetivo de crear un

modelo predictivo de la recuperación del cobre estimada, tomando en cuenta

dos modelos uno para la data de operación y otro para la de las pilas, con la

importancia y consideración de todas las variables que intervienen en ambos

modelos. Además, se realizó la comparación entre modelos lineales y la

implementación de una red neural artificial, dando como resultado contundente

que la red neural artificial como modelo predictivo supero por mucho al modelo

lineal en términos de precisión.

2.2 Antecedentes Nacionales

Otro de los puntos importantes que se destacan en la industria de

extracción del cobre es que los procesos de lixiviación pueden tardar mucho y

crean contaminantes, por lo que (Postigo & Jesus, 2017) en su investigación de

grado “Estudio De Aplicación De Proceso No Convencional A Sulfuros

Refractarios Primarios De Cobre A Presión Atmosférica” para la Universidad

Nacional De San Agustín, facultad de ingeniería de procesos escuela

profesional de ingeniería metalúrgica, en Arequipa Perú, tuvo como objetivo

principal disolver concentrados de calcopirita en soluciones de cloruro cúprico

 15

para mejorar la pureza y acelerar los procesos químicos en comparación a

otras soluciones empleadas en la industria, para esto aplicaron un modelo

experimental en el cual desarrollaron distintas mezclas para el estudio de la

lixiviación de la calcopirita y luego se procedió al estudio del experimento de la

lixiviación de la chalcopirita en medio de cloruro. Los resultados de esta

investigación determinaron que la disolución de la calcopirita en el sistema

CuCl 2 - N2 permite encontrar el efecto del CuCl 2 en la lixiviación, siendo

mermada su contribución por efectos del equilibrio químico. La cinética se ve

favorecida con el incremento de la temperatura, con las partículas finas, los

bajos flujos de nitrógeno, y el aumento del [CuCl 2]. Demostrando que existen

beneficios al aplicar esta técnica al proceso de lixiviación y se comprobó una

mejora en la pureza del producto final.

Uno de los aspectos más relevantes durante este estudio es el

procesamiento masivo de datos que se emplearan para el desarrollo de los

modelos con inteligencia artificial, por ello se destaca la importancia de registrar

los procesos químicos y sus variaciones usados en la unidad minera Cuajones-

Moquegua, y si existe la mejora de estos se contempla en el desarrollo del

modelado por machine learning.

Un aporte sobre procesos químicos y mejora del producto final es el

trabajo de grado de (Calderon, 2019) para la Universidad Nacional Del Altiplano

– Puno, titulada “Lixiviación de minerales óxidos de cobre con reactivo Glicina

para recuperación de cobre del yacimiento Pucará Puno” la cual tuvo como

objetivo determinar el porcentaje de recuperación de cobre en la lixiviación de

minerales oxidados de cobre con reactivo orgánico glicina en medio alcalino y

comprobar su capacidad de disolución de cobre, ya que esta técnica de

 16

extracción con reactivo glicina es menos tóxico y amigable al medio ambiente.

Buscando además un beneficio a nivel ecológico y social. Se aplicó un diseño

experimental a la investigación utilizando las muestras extraídas del terreno

para desarrollar según la hipótesis planteada distintas soluciones a base de

glicina como lixiviante luego de un proceso mecánico. Se encontró que bajo

estas condiciones el porcentaje de extracción de cobre por el método de

lixivación por agitación alcanzó al 82,14% de Cu. Determinaron que la

concentración de glicina óptima en la lixiviación de cobre por agitación es 0,5

M. La solución lixiviante de glicina disuelve minerales oxidados de cobre

formando complejos de glicinato de cobre. La recuperación del cobre mediante

la lixiviación por agitación con reactivo glicina fue de 82,14%.

Para esta investigación se consideran los tiempos y resultados del

producto obtenido entre la data de estudio para la mejora de los procesos de

obtención del cobre, considerando los aportes en cuando a mejora

considerable de la cantidad y calidad de la producción y reducción de residuo

mediante la modificación de la fórmula de lixiviante.

En el Perú las aplicaciones de la tecnología Machine learning se han

visto a nivel industrial con excelentes resultados, en la investigación para el

Master en ingeniería mecánica de (Neyra Hau Yon, 2021), titulada

“Determinación en tiempo real de presencia de cadmio en cultivo de cacao

aplicando Machine Learning” se aplicó esta tecnología a los cultivos de cacao

con el objetivo de determinar la cantidad de la presencia de cadmio en el

cultivo. La problemática a tratar parte de que ha quedado demostrado por la

Agencia para Sustancias Tóxicas y Registro de Enfermedades (ATSDR), que

los índices elevados de concentración de cadmio incrementarían el riesgo de

 17

sufrir enfermedades relacionadas a los riñones, sistemas óseos y respiratorios.

Es por ello, que actualmente, los controles de estos niveles de contaminación

son más rigurosos, que a la larga genera que el producto sea trabajado con

mayores estándares de calidad. Para combatir esto se empleó la tecnología de

machine learning, cuyos algoritmos construyen un modelo matemático basado

en datos de entrenamiento para elaborar predicciones o decisiones sin ser

programados de manera explícita para optimizar una tarea que, con algoritmos

convencionales, no generaría un procesamiento efectivo. En esta investigación

el objetivo del machine learning fue principalmente adaptarse a nuevos

estímulos y reaccionar de manera precisa después de haber adquirido la data

necesaria. A partir de la programación usando el medio de Matlab como

entorno de programación, se pudo detectar con medidas tomadas a partir de

las muestras empleadas para la obtención de las imágenes hiperespectrales, y

usando estos datos se automatizo la predicción de contenido de cadmio en los

cultivos de cacao.

Comprobando la efectividad de la aplicación de inteligencias artificiales a

procesos industriales, su capacidad y precisión para crear modelos predictivos

presenta altas ventajas en cuanto a la exactitud de las proyecciones que se

desean alcanzar, para el caso de los modelos de lixiviación del cobre permitirá

crear un estimado mucho más preciso que ayude a la planificación de

producción y estimaciones de costos.

2.3 Bases Teóricas

2.3.1 Lixiviación

Para (Calderon, 2019) la lixiviación es el proceso en el cual se separan

los metales de los componentes minerales, ya sea por ataque o disolución del
 18

mismo a partir de la mena tratada físicamente. Se considera un proceso

hidrometalúrgico debido a que se emplea la disolución del metal en un medio

acuoso. Este proceso consiste en la disolución de los minerales en forma

ionica, primarios y/o secundarios, por reacciones de disolución para lograr la

extracción de metales valiosos, este proceso es realizado bajo condiciones de

temperatura ambiente (Lagos, 2017).

Existen distintos tipos de lixiviación según sea su aplicación, la lixiviación

in situ, por ejemplo, es utilizada en menas de baja ley. Una de sus ventajas es

que la inversión requerida es mínima (Aravena Maureira, 2020).

Luego se tiene a la lixiviación en botaderos cuya aplicación es común en

minerales de baja ley tanto para óxidos como sulfuros. Se caracteriza por

largos ciclos de lixiviación. Particularmente este sistema no requiere chancado,

debido a que el material de partida es mineral descargado directamente de la

mina sobre una pendiente o pila, por lo cual se encuentra listo para el sistema

de riego (Aravena Maureira, 2020).

Figura1: Lixiviación En Botaderos

Fuente: (Aravena Maureira, 2020)

 19

Un método muy común es la lixiviación en bateas o por percolación, este

es aplicado en minerales de baja ley para tanto en óxidos como sulfuros.

Presenta largos ciclos de lixiviación, es un sistema que la igual que en los

botaderos no requiere el proceso de chancado, ya que se emplea el mineral tal

cual viene de la mina, este es descargado sobre una pendiente o pila,

posteriormente se incorpora el sistema de riego acido. Este tipo de lixiviación

aplica a minerales para la extracción de Cu, U, Au y Ag (Aravena Maureira,

2020).

La lixiviación en pilas o columnas es usada en menas de ley baja-media.

Esta requiera de una inversión un poco mayor que las anteriores. En este

método se requiere crear una pila mediante aglomeración, es decir acumular el

material de forma mecanizada, luego es regado por una solución acida que

penetra en la pila y a partir de esta reacción se obtiene el PLS (Aravena

Maureira, 2020).

Figura 2: Descripción del proceso de filtrado en pilas de lixiviación.

Fuente:(Aravena Maureira, 2020)

En la lixiviación por agitación se parte de una pulpa que contiene

partículas finas y reactivas y esta pasa por un proceso mecánico de agitado

 20

con el fin de separar los elementos para la obtención del metal. Es aplicada en

menas de alta ley, cuya especie útil es de alto valor comercial, puesto que

requiere grandes costos de inversión. Tiene por objetivo principal lograr

recuperaciones de metal más altas en tiempos más cortos. Debido a sus

grandes costos se utiliza para lixiviar calcinas de tostación y concentrados, y es

empleada en la extracción de cobre, oro, plata, entre otros (Aravena Maureira,

2020).

2.3.2 Procedimientos operativos previos

Los procedimientos preoperativos se refieran al conjunto de tareas y

chequeos necesarios antes de comenzar el proceso de extracción dentro de la

planta. Estos se ven constituidos por inspección pre-operacional, partida,

parada, tareas rutinarias. Para esto el operador es el eje principal de un

desarrollo eficiente del trabajo en planta a través de la correcta realización de

las tareas de trabajo que incluyen las inspecciones, mediciones, limpieza,

reportes de desempeño y más (Tecsup, 2014c).

Esta fase es de gran importancia, el operador principal siempre deberá

llevar a cabo una completa inspección del estado de la planta antes de aprobar

el comienzo de la fase de aglomeración, así determinara si puede operarse en

forma segura, de lo contrario es su deber decidir las acciones a tomar para

garantizar la correcta puesta en marcha, ya sean reparaciones,

mantenimientos, reportes u otros.

Dentro de las tareas de inspección se incluye la evaluación de los

alimentadores y correas, realizando la revisión del estado de cuerdas de

seguridad Pull Cord los cuales no deben estar actuados. Se ha de chequear

 21

estado y operatividad de botoneras de emergencia en motores de partida. Se

debe garantizar el estado y funcionamiento óptimo del sistema de supresores

de polvo. Se realiza el chequeo de los sensores de alineamiento, estos deben

estar en posición vertical. Los sensores de atollo en descarga de correas deben

encontrar operativos a igual que los sensores de velocidad (Tecsup, 2014c).

Luego se realizan las inspecciones por separado del área de tambores

aglomerados, y las líneas de ácido y refino. Los cuales requieren comprobar el

funcionamiento de los sistemas como las duchas de emergencia, sistemas de

seguridad, soporte de válvulas y de bombas y sensores. Una vez comprobado

todo esto se pasa al chequeo de las torres de muestreo que incluyen las

inspecciones de las correas alimentadores, operatividad del cortador primario,

chancador del cono y todas sus partes.

Y finalmente el operario confirma al operador sala de control el estado

de los dispositivos de seguridad de los equipos; pullcord activados, paradas de

emergencias activadas, bastones de desalineamiento funcionando, se asegura

de que el sistema de lubricación de los tambores y aire de planta estén activos

y no presenten alarmas. Y finalmente se chequea o reponen, según sea

necesario, todos los componentes del sistema industrial de lixiviación para dar

inicio a la fase de aglomerado.

2.3.3 Proceso de lixiviación del cobre

La extracción del cobre se lleva a cabo básicamente en dos procesos:

primeramente, la lixiviación por pilas y luego la extracción por solvente, etapas

que su vez se dividen en subprocesos.

 22

La fase previa a la lixiviación comienza con el chancado, este proceso se

trata de disminuir el tamaño del material que se extrae de la mina,

principalmente a rajo abierto, este contiene minerales oxidados de cobre, y se

logra mediante fragmentado en dos fases, primaria y secundaria, con el

objetivo de obtener un material mineralizado de un tamaño máximo de 1,5 a

0,75 pulgadas. Este tamaño es suficiente para dejar expuestos los minerales

oxidados de cobre a la infiltración de la solución ácida (EVALC, 2014).

Luego del chancado se lleva el material mediante correas

transportadoras hacia el lugar donde se efectuará la formación de la pila. La

primera irrigación se realiza en el trayecto de transporte con una solución de

agua y ácido sulfúrico, lo que constituye el inicio del proceso de curado, esto

con el fin de iniciar en el camino el proceso de sulfatación del cobre contenido

en los minerales oxidados.

Al llegar al punto destino, el material se descarga mediante un equipo

esparcidor, este lo deposita de forma ordenada hasta formar un terraplén

continuo, con especificaciones de 6 a 8 m de altura que constituye la pila de

lixiviación. Y en esta se continúa el proceso de oxidación mediante un sistema

de riego, los más comunes aplican una combinación de goteo y aspersión para

cubrir de forma efectiva toda el área. (EVALC, 2014).

Antes de construir las pilas (fase de aglomeración) se designa el área y

ahí se instala previamente una geomembrana impermeable, sobre esta se

construye un sistema de drenajes cuya función es recoger las soluciones que

se infiltran a través del material extraído de la mina.

 23

La función del sistema de regado, constituido por un goteo y aspersores

con una mezcla de agua y ácido sulfúrico constante, es que la mezcla acida se

infiltre completamente en la pila hasta su base y ahí actué, creando la reacción

de disolución del cobre en los minerales oxidados. El resultado es la formación

de una solución de sulfato de cobre, la cual recoge el sistema de drenaje y la

lleva fuera del sector de las pilas mediante canales impermeabilizados (EVALC,

2014).

Figura 3. Proceso de lixiviación en planta

Fuente: Elaboración propia.

El método de extracción aplicado se conoce como extracción por

solventes, según (Tecsup, 2014) el consiste en que grandes volúmenes de

soluciones ácidas de lixiviación impuras y diluidas, conocidas como PLS

(Pregnan Leaching Solution) por su contenido de pequeñas cantidades de

cobre, se contactan con un producto orgánico, el cual se conforma de un

actuacor extractante mas un agregado diluyente, lo cual provoca la reacción de

extracción del cobre de la solución ácida. Esta combinación es llevada a un

mezclador donde se da la transferencia de cobre. Lo que ocurre es que el

solvente orgánico se carga y pasa a contener gran parte del cobre que
 24

previamente estaba en la solución ácida de lixiviación, estos compuestos se

separan debido a la diferencia de densidades, lo cual ocurre en un

sedimentador. La solución ácida resultante es el refino, esta solución está libre

de todo cobre, y en este punto se devuelve a las pilas para ser reutilizada en la

lixiviación de más mineral cuyo contenido sea cobre.

La expectativa de este proceso es de producir soluciones de sulfato de

cobre con concentraciones hasta 9 gramos de cobre por litro (gpl). En el

sistema de lixiviación se disuelve el cobre contenido en el mineral regándolo

con solución ácida a razón de 9.6 litros por hora para cada metro cuadrado de

área de la pila (l/m2h) produciendo una solución cargada con cobre llamada

PLS (Pregnant Leaching Solution), esta solución resultante es transportada a

distintos tanques en los cuales se desarrolla el proceso de purificación de

éstas, eliminando las partículas sólidas que pudiese contener.

Es en este punto donde se da la etapa de purificación, por lo que la

solución que procede de las pilas de lixiviación, se libera de residuos o

impurezas y se concentra su contenido de cobre, pasando de 9gpl a 45gpl,

mediante una extracción iónica.

Una vez purificadas las soluciones ricas de lixiviación, sin impurezas o

partículas sólidas, se entra en la fase de obtención del cobre. El cobre se retira

por cementación o electrolisis, así el cobre recuperado es cementado, este se

funde y afina al fuego y electrolíticamente. El resultado del electrodepósito se

vende o funde en lingotes, estos tienen un mercado propio para

concentraciones de (99.9% Cu), y se puede afinar electrolíticamente para

obtener cobre de calidad eléctrica.

 25

Para extraer el cobre de la solución PLS, ésta se mezcla con una

solución de parafina y resina orgánica. La resina atrapa los iones de cobre

(CU+2) en forma selectiva, obteniéndose por un lado un complejo resina-cobre

y por otro una solución empobrecida en cobre que se denomina refino, la cual

es reutilizada en el proceso de lixiviación y es recuperada en las soluciones

que se obtienen del proceso.

Figura: 4. Diagrama secuencial de extracción por lixiviación mediante solventes

orgánicos.

Fuente: (Aravena Maureira, 2020)

Tabla 1. Resumen de técnicas de lixiviación

Rango de
Aplicaciones Resultados Métodos de lixiviación
y Resultados

En Botaderos En pilas Percolación Agitación

Ley del Baja ley Baja-media Media-alta Alta ley
mineral
Tonelaje Grande Gran a Amplio rango Amplio rango
mediano
Inversión Mínima Media Media a alta Alta
Granulomet Corrido de mina Chancado Chancado Molienda
ría grueso medio húmeda
Recuperaci 40 a 50% 50 a 70% 70 a 80% 80 a 90%
ones típicas
 26

Tiempo Varios años Varias Varios días Horas

detratamien semanas
to
Soluciones Diluidas 1 -2 g/L Cu Diluidas 1 Cu 20-40 g/L  Cu 5-15
-2 g/L g/L Cu
Problemas  Recuperaci  Recup  Bloqu  Molienda
principales ón eración eo por .
en su incompleta. incomp finos.  Lavado
aplicación  Reprecipitac leta  Requi en
ión de Fe y requier ere de contracor
Cu. a de  Más riente
 Canalizacio grande inversi  Tanque
nes s ón. de
 Evaporación áreas.  Manej relaves
.  Canaliz o de  Inversión
 Evaporación acione  materi muy alta
. s. ales.  Requiere
 Pérdida de  precipit  Neces abundant
 soluciones ación ita de e agua.
 Soluciones  Evapor mayor  Control
muy ación. contro de la
diluidas.  Solucio l en la planta es
nes planta más
diluir. . sofisticad
o.
Fuente: (Tecsup, 2014)

2.3.4 La Unidad Minera

Una unidad minera se define como el ente económico que se dedica, a

realizar algún tipo de actividad minera pudiendo ser de extracción, explotación

y/o beneficio de minerales metálicos o no metálicos. Los centros de operación

se caracterizan por ser zonas de extracción, galeras, obras e instalaciones, y

presentan una designación geográfica contigua en áreas determinadas donde

se dan los procesos de extracción, estas incluyen, pero no se limitan a cerros,

yacimientos, y canteras. La unidad minera en si puede estar formada por una o

varias minas, por una cantidad de minas varias y su planta de beneficio, o

 27

únicamente por la planta de beneficio; la cual puede trabajar con minerales

propios o ajenos (Instituto nacional de estadistica y geografia, 2009).

Esta investigación será desarrollada en la unidad minera Cuajones, la

cual se encuentra ubicada la franja oeste de la Cordillera Occidental en la parte

sur de los Andes peruanos, en el distrito de Torata, provincia de Mariscal Nieto.

Se encuentra a una altura aproximada de 3500 metros sobre el nivel del mar, y

es una de las principales minas productoras de cobre del país.

Esta unidad comienzo sus actividades mineras de extracción en 1970, y

logro en 1976 su primer envió de carga extraída a la planta concentradora.

Cuajones es un proyecto minero de gran amplitud del país, dirigido por la

empresa Southern Peru Copper Corporation, este yacimiento cuprífero está

ubicado en una zona de fuerte relieve topográfico. El mineral extraído se

traslada a la refinería de Ilo para su fundición y procesamiento (Energiminas,

2021).

Figura 5: unidad minera Cuajone-Moquegua

Fuente: Google Maps (2021).

 28

Por tanto, el desarrollo del diseño de inteligencia artificial que permitirá

analizar en profundidad los procesos de extracción y lixiviación del cobre serán

aplicados en esta unidad minera, que además presenta un caso de amplio

referente y con muchos años de funcionamiento en donde los procesos

industriales se aplican constantemente y son optimizados según sea necesario.

Este estudio además contempla la línea base de seguridad social, tomando en

cuenta las medidas de seguridad en la actividad de esta mina y procurando un

diseño de medidas de manejo de procesos industriales enfocados a la mejora

de esta unidad.

Actualmente los procesos de extracción aplicados en la mina Cuajone

presentan un rendimiento común mensual que permite ganancias estándares,

sin embargo se da una sobreexplotación a los suelos de la zona.

 29

Figura 6: Producción de la planta procesadora Cuajones periodo Julio 2021.

Fuente: Concentradora Cuajones (2021)

2.3.5 Machine learning

“Machine learning es una disciplina científica del ámbito de la

Inteligencia Artificial que se enfoca en proveer a las computadoras la habilidad

de aprender por sí mismas a partir de datos” (Alvear, 2018).

 30

Las principales aplicaciones del machine learning son en procesamiento

de datos (big data), inferencias y análisis estadísticos predictivos, y

automatización de procesos. Según (González, F. Alba-elías, 2017) “Con el

análisis de los grandes volúmenes de datos procedentes de procesos

industriales es posible generar información muy valiosa acerca del

comportamiento de dichos procesos, reduciendo la incertidumbre y ayudando

en la toma de decisiones”.

2.3.6 Implementación de machine learning

La aplicación de machine learning conlleva el proceso de inducción de

conocimiento, este incluye obtener, mediante procesamiento masivo de data,

un enunciado general a partir de información no estructurada en forma de

ejemplos o casos particulares. Por consiguiente es un proceso basado en el

análisis de datos con el fin de aprender y aplicar el conocimiento adquirido en

otros conjuntos de datos (González, F. Alba-elías, 2017).

El primer paso para crear un sistema de machine learning es la

recopilación de datos, establecido el sujeto de estudio que se desea analizar

mediante la inteligencia artificial, se comienza recopilando toda la data posible

existentes sobre los procesos a estudiar. Las características, como diversidad

de data, diferentes fuentes, altos volúmenes y características de la información

pueden dificultar la recolección. Es por ello que se debe dar prioridad a la

identificación de la data más relevante, tomando en cuenta su disponibilidad.

Debe tomarse un enfoque profesional en esta tarea de forma manual para

organizar las fuentes, los niveles de detalles para la extracción de datos, y la

decisión final de la información a procesar.

 31

El preprocesado de datos comienza al seleccionar el diseño de técnica

de aprendizaje más efectivo para la información según lo que se desea

obtener, lo ideal es que este diseño actúe sobre los datos en bruto a partir de

estos se obtendrá resultados satisfactorios con un margen de error aceptable

en un inicio, que luego de un mayor análisis y con la potencia de cálculo

adecuada será posible extraer su contenido informacional. Este suceso es muy

común a nivel de industrias debido a pérdidas de datos en sus sistemas, datos

erróneos o simplemente no registrados, que influyen de forma negativa en el

proceso de muestreo e incluso error humano en la introducción de datos. Es

por ello que en la fase de preprocesado se da un sentido general a la

información de forma que se pueda desarrollar con éxito la técnica de machine

learning.

Con el fin de construir modelos precisos y fiables es necesario eliminar

los espurios, data irrelevante, y errores de registro de datos, e incluso adaptar

todos los datos obtenidos con diferentes frecuencias de muestreo. Es algo muy

común dentro del ámbito industrial trabajar con una gran cantidad de sensores

que a su vez trabajan en distintas frecuencias de muestreo, por ello es

necesario realizar una sincronización previa a la etapa de aprendizaje

(González, F. Alba-elías, 2017).

El éxito de la etapa de pre-procesamiento se base en corregir errores y

extraer las características deseadas para lograr facilitar el modelado de

patrones a través de machine learning. Esta etapa de preparación y análisis de

datos es de gran importancia y requiere una gran cantidad de tiempo y

esfuerzo, ya que a partir de la información recabada se obtendrán los

resultados del modelo o evaluación predictiva.

 32

Luego se comienza con la fase modelado, aquí es donde ocurre el

“aprendizaje” de la máquina, es en este punto donde se pude obtener una

solución a la problemática, análisis de data masiva, o modelos predictivos para

la industria. Con el resultado, modelo predictivo, es posible responder a las

preguntas planteadas, estudiar las expectativas de comportamiento en el futuro

o el análisis y mejora de patrones existentes.

Existen infinidad de algoritmos y diseños posibles para el desarrollo de

modelados en machine learning. Sin embargo, con fines de esta investigación

se basarán en los dos tipos más aplicados a nivel industrial, los cuales son:

aprendizaje supervisado y aprendizaje no supervisado.

En el aprendizaje supervisado el modelado se guía por el conocimiento,

data e información, previa de las variables en estudio. Lo más resaltante es que

este tipo de aprendizaje requiere como base un conjunto de datos que

contenga información del objeto, y da la meta a alcanzar (outputs/salidas)

relacionada con cada uno de los elementos de inicio (inputs/entrada)(Alvear,

2018).

El aprendizaje no supervisado se aplica para crear modelos a partir de

conjuntos de datos que no precisan salidas definidas. Para este tipo de

modelado el objetivo es obtener respuestas, conclusiones a partir del conjunto

de datos existentes. Esto aplica para estudios en los que se desea descubrir

patrones, relaciones, tendencias presentes dentro de los datos o procesos

actuales. Esto además permite generar nuevas percepciones y modelos

secundarios que brindan apoyo a la resolución del problema mediante un

proceso dinámico que requiere de la interacción en interpretación de los

operadores. En cualquier fase de modelado puede ser necesaria la

 33

intervención al generar nueva información, interrogantes o ideas que ameriten

ser investigadas o reimplementarlas en las fases previas (González, F. Alba-

elías, 2017).

Una vez que se ha seleccionado el tipo de modelado y se ha comenzado

el proceso de aprendizaje este dará como resultado un modelo, una respuesta

o solución. Antes de aceptar los resultados es necesario evaluar la respuesta

desde el punto de vista de la interrogante original. Esto con el fin de determinar

si la solución encontrada es lo suficientemente buena como para ser

desarrollada y aplicada en los procesos industriales.

Para el caso del aprendizaje supervisado el proceso se centra en medir

los porcentajes de error cometido en las predicciones realizadas por el modelo.

Esto se realiza mediante las siguientes acciones: evaluación mediante un

conjunto de test, así el conjunto de datos es divido en dos, de los cuales uno se

denomina de entrenamiento y es aplicado en la fase de aprendizaje mientras

que el segundo se denomina de test y es aplicado para la estimación del error.

Las desventajas de este método de análisis de respuesta se encuentran en la

disminución del tamaño efectivo del conjunto de aprendizaje (González, F.

Alba-elías, 2017).

Otra forma de evaluar los modelos resultantes es a través de validación

cruzada, en este método el conjunto de datos se divide en x subconjuntos de

tamaño equivalente, de forma que en cada interacción se construirá y evaluará

un modelo. Aplicando la unión de los subconjuntos x-1 para el aprendizaje y el

restante como test. El resultado de este enfoque es una medida aritmética de

las relaciones de error obtenido y a partir de esta se obtiene el ratio de error de

la prueba final.
 34

Figura 7. Proceso de implementación de machine learning

RECOLECCION DE MODELADO/
PREPROCESAMIENTO
DATOS APRENDIZAJE

EVALUACION/TEST MEJORA

Fuente: Elaboración propia.

2.4 Definición de Términos Básicos

 Aglomeración: “Consiste en la adhesión de partículas finas ya

sea entre ellas o con partículas gruesas, mediante la adición de

agua y ácido sulfúrico concentrado formando glómeros de calidad

mecánica aceptable, evitando la migración de partículas finas

desde las gruesas, para obtener un lecho de mineral homogéneo

y permeable, lo que es fundamental para el proceso de lixiviación

en pila, donde la solución irrigada debe percolar por todas las

partículas de mineral” (Aravena Maureira, 2020).

 Big data: “Se refiera a conjuntos de datos o combinaciones de

conjuntos de datos cuyo tamaño (volumen), complejidad

(variabilidad) y velocidad de crecimiento (velocidad) dificultan su

captura, gestión, procesamiento o análisis mediante tecnologías y

 35

herramientas convencionales, tales como bases de datos

relacionales y estadísticas convencionales o paquetes de

visualización, dentro del tiempo necesario para que sean útiles”

(RAMÍREZ, 2018).

 Chancado: “El chancado es una operación unitaria o grupo de

operaciones unitarias en el procesamiento de minerales, cuya

función es la reducción de grandes trozos de rocas a fragmentos

pequeños. La chancadora es la primera etapa de la reducción de

tamaños, generalmente trabaja en seco y se realiza en dos o tres

etapas que son: chancadora primaria, secundaria y

ocasionalmente terciaria” (Yo mineria, 2020).

 Espurios: “Los espurios son valores atípicos cuya desviación del

resto de valores medidos resulta sensiblemente extraña frente al

comportamiento general del conjunto” (González-marcos & Alba-

elías, 2017).

 Inteligencia artificial: “Se comprende al conjunto de programas,

algoritmos y funciones que permiten a una maquina procesar y

generar nueva información a partir de la data de entrada, de esta

forma creando sus propias rutas lógicas que den como resultado

funciones cognitivas programadas” (Galipienso et al., 2003).

 Metalurgia: “Ciencia compuesta por técnicas y operaciones

industriales especializadas que se destinan tanto a la obtención

como al tratamiento de los metales” (Aravena Maureira, 2020)

 Pilas de lixiviación: “Son las acumulaciones de material

mineralizado que se realiza en forma mecanizada, formando una

 36

especie de torta o terraplén continuo de 6 a 8 m de altura. Están

levemente inclinadas para permitir el escurrimiento y captación de

las soluciones” (Ministerio de Energia y Minas Peru, 2018).

 Procedimiento operativo: “Un procedimiento operativo es un

conjunto de acciones o instrucciones detalladas en forma

secuencial que se deben llevar a cabo para realizar la operación

de la planta. Las instrucciones están acompañadas donde se

considera necesario de símbolos de seguridad de advertencia,

precaución, etc.” (Tecsup, 2014c).

 Ley de corte: “Corresponde a la ley más baja que puede tener un

cuerpo mineralizado para ser extraído con beneficio económico.

Todo el material que tiene un contenido de cobre sobre la ley de

corte se clasifica como mineral y es enviado a la planta para ser

procesado, en tanto que el resto, que tiene un contenido de cobre

más bajo, se considera estéril o lastre y debe ser enviado a

botaderos” (Yo mineria, 2020).

 37

HIPÓTESIS
3.1.1 Hipótesis general

Al aplicar la tecnología de inteligencia artificial machine learning en la

unidad minara Cuajones-Moquegua se tendrá como resultado la optimización

de procesos de lixiviación del cobre.

3.1.2 Hipótesis especifica

1- Es posible identificar modelos estructurados a través de la aplicación de

inteligencia artificial que interactúe con los atributos de las bases de datos en el

proceso de lixiviación de cobre.

2.- A través de la estructuración con machine learning es posible modelar y

encontrar alternativas de mejoras de los procesos de lixiviación de cobre.

3.- Al aplicar el procesamiento de datos con machine learning se podrá

disminuir los tiempos del proceso de lixiviación de cobre y maximizar beneficios

en la producción del metal en la unidad minera Cuajones.

4.- Es posible desarrollar un sistema productivo alterno que permita mejorar

las técnicas de procesos con la aplicación de machine learning al sistema de

lixiviación de cobre de la unidad minera Cuajones.

 38

DISEÑO METODOLÓGICO

4.1 Enfoque cuantitativo

Esta investigación se desarrollará con un enfoque cuantitativo porque las

variables a estudiar, es decir los resultados de los procesos de extracción con

modelados a partir de machine learning son medibles con escalas numéricas.

Se consideran aspectos como el tiempo de lixiviación, la calidad y pureza del

producto final. Según (Hernandez et all, 2014) la reciente investigación es de

orientación cuantitativo, debido a que las variables estarán moderadas por

medio de datos cuantificados.

4.2 Tipo de investigación Aplicada

Es una investigación de tipo aplicada puesto que busca utilizar

conocimientos y tecnologías para solucionar los problemas, mejorar los

procesos y crear modelos predictivos de las actividades de extracción del

cobre. Según (Hernandez et all, 2014) esta “se centra en la utilización de los

conocimientos y saberes para la resolución práctica de problemas, o sea, para

aplicarlos al mundo cotidiano de la humanidad”.

4.3 Nivel de investigación

Esta investigación es de nivel explicativo, pues se enfoca en determinar

cuáles son los aspectos a mejorar en los procesos de lixiviación del cobre y

como el introducir la tecnología de machine learning presenta mejoras a estos

procesos, todo con el fin de crear un aporte técnico científico que tome en

cuenta los fenómenos, sus causas, variantes y resultados. La investigación

explicativa se utiliza con el fin de intentar determinar las causas y

 39

consecuencias de un fenómeno concreto. Se busca no solo el qué sino el

porqué de las cosas, y cómo han llegado al estado en cuestión (Arias, 2012).

4.4 Diseño investigación experimental

Se caracteriza de tipo experimental porque el objetivo incluye manipular

las variables con el fin de obtener resultados específicos, para el caso de esta

investigación las variables serian el sistema modelado de machine learning y

los procesos de lixiviación del cobre llevados a cabo en la unidad minera.

Según (Arias, 2012) “La investigación experimental es un proceso que consiste

en someter a un objeto o grupo de individuos, a determinadas condiciones,

estímulos o tratamiento (variable independiente), para observar los efectos o

reacciones que se producen (variable dependiente)”.

 40

ASPECTOS OPERATIVOS

TABLA N 1 Cronograma de actividades

Cronograma de actividades

Actividades Semanas Agosto Septiembre Octubre Noviembre Diciembre

Recopilación y

análisis de

datos

documentales

y prácticos 1-3
sobre la

unidad Minera

Cuajones-

Moquegua

Desarrollo del

programa de

machine

learning. Fase
4-6
de

procesamiento

de datos y

modelado.

Implementació

n de modelado

predictivo
7-9
resultado del

machine

learning

Estudio y 10-12
recopilación de
 41

datos sobre los

procesos de

lixiviación y los

resultados de

producción.

Mejora y

reprocesamien

to del

modelado.

Aplicación de

modelos

finales, estudio

de resultados

comparativos y 13-15
recolección y

de datos final.

Presentación

de resultados.

TABLA N 2 Presupuesto
Costo Promedio
Materiales Cantidad Costo Total (S/)
(S/)

Escritorio 1 - -

Papel A4 500 unidades - 15,00

Lapiceros 10 unidades 3,00 30,00

Folder 3 unidades 7,00 21,00

 42

Material
2 unidades 15,00 30,00
Didáctico

Laptop 1 unidad - -

Servicios Varios - 50,00

Fotocopias 10 0,15 100,50

Impresiones 5 0,20 100,00

Movilidad Varios - 600,00

Gastos
Varios - 300,00
administrativos

Estudio de
Varios - 300,00
Campo

Imprevistos - - -

Total 1468,5
 43

TABLA N 3 Matriz de consistencia.

PROBLEMAS OBJETIVOS HIPÓTESIS VARIABLES E

INDICADORES

General General General VARIABLE

¿Cuál será el efecto a nivel de Elaborar una propuesta de Al aplicar la tecnología de DEPENDIENTE

optimización de procesos de la optimización de procesos de inteligencia artificial machine Proceso de lixiviación

aplicación de machine learning en lixiviación del cobre a través de learning en la unidad minara aplicado en la unidad

el proceso de lixiviación del cobre la inteligencia artificial: machine Cuajones-Moquegua se tendrá minera Cuajones-

a través de la inteligencia artificial: learning en la unidad minera como resultado la optimización Moquega

en la unidad minera Cuajone- Cuajones-Moquegua de procesos de lixiviación del

Moquegua? Específicos cobre. VARIABLE

Problemas Específicos Objetivos específicos Específicos INDEPENDIENTE

1.- ¿Cuáles son los modelos 1.- Identificar modelos 1- Es posible identificar modelos Sistema de

estructurados el proceso de estructurados, a través de un estructurados a través de la procesamiento de

 44

lixiviación de cobre? sistema de inteligencia artificial aplicación de inteligencia artificial datos machine

2.- ¿Cuáles son las características, que interactúe con los atributos que interactúe con los atributos learning

de las alternativas de mejoras de de las bases de datos en el de las bases de datos en el

los procesos de lixiviación de proceso de lixiviación de cobre. proceso de lixiviación de cobre.

cobre? 2.- caracterizar, modelar y 2.- A través de la estructuración

3.- ¿Cómo se pueden minimizar encontrar alternativas de con machine learning es posible

los tiempos del proceso de mejoras de los procesos de modelar y encontrar alternativas

lixiviación de cobre y maximizar lixiviación de cobre. de mejoras de los procesos de

beneficios en la producción del 3.- Minimizar los tiempos del lixiviación de cobre.

metal con la aplicación de machine proceso de lixiviación de cobre 3.- Al aplicar el procesamiento de

learning en la unidad minera y maximizar beneficios en la datos con machine learning se

Cuajone? producción del metal con la podrá disminuir los tiempos del

4.- ¿Cuál será la viabilidad técnica aplicación de machine learning proceso de lixiviación de cobre y

de la alternativa de sistema en la unidad minera Cuajone. maximizar beneficios en la

productivo con la aplicación de 4.- Evaluar técnicamente la producción del metal en la

 45

machine learning en el proceso de alternativa de sistema unidad minera Cuajones.

lixiviación de cobre de la unidad productivo con la aplicación de 4.- Es posible desarrollar un

minera Cuajone? machine learning en el proceso sistema productivo alterno que

de lixiviación de cobre de la permita mejorar las técnicas de

unidad minera Cuajone. procesos con la aplicación de

machine learning al sistema de

lixiviación de cobre de la unidad

minera Cuajones.
 46

REFERENCIAS
Alvear, J. O. (2018). Cápsula | ¿Qué es machine learning y por qué es tan
popular? Universidad de Cuenca.
https://www.ucuenca.edu.ec/component/content/article/233-espanol/investi
gacion/blog-de-ciencia/1222-machine-learning?Itemid=437
Aravena Maureira, J. (2020). DESARROLLO DE UN MODELO PARA
PREDECIR LA CONCENTRACIÓN DE COBRE EN EL PLS DEL
PROYECTO “LIXIVIACIÓN DE RIPIOS” DE LA GERENCIA DE
EXTRACCIÓN Y LIXIVIACIÓN, CODELCO – DIVISIÓN CHUQUICAMATA.
Universidad de Concepción Facultad de ingeniería.
Arias, F. (2012). El proyecto de investigacion (5ta ed.).
Calderon, J. G. A. (2019). LIXIVIACIÓN DE MINERALES ÓXIDOS DE COBRE
CON REACTIVO GLICINA PARA RECUPERACIÓN DE COBRE DEL
YACIMIENTO PUCARÁ PUNO. In Universidad nacional del altiplano -
puno.
Camara Minera Maestrias especializaciones. (2021). tiempo minero.
Exportaciones de Cobre Peruano Creció Un 45.1% En El Primer Trimestre
2021, 10–21.
Energiminas. (2021, July). Southern Perú presupuesta US$122 millones para
mejoras en su mina Cuajones. Revista Energiminas.
https://energiminas.com/southern-copper-corp-reporta-un-solido-trimestre-
con-ganancias-por-us932-millones/
EVALC. (2014). En qué consiste el proceso de Lixiviación.
http://www.evalc.cl/en-que-consiste-el-proceso-de-lixiviacion/
Flores, V., Keith, B., & Leiva, C. (2020). Using Artificial Intelligence Techniques
to Improve the Prediction of Copper Recovery by Leaching. Journal of
Sensors, 2020. https://doi.org/10.1155/2020/2454875
Galipienso et al. (2003). inteligencia artificial, modelos, tecnicas y areas de
aplicacion. (E. Paraninfo (ed.); 1st ed.). https://books.google.co.ve/books?
hl=es&lr=&id=_spC6S7UfZgC&oi=fnd&pg=PP1&dq=concepto+inteligencia
+artificial&ots=sQguHELtuY&sig=LZU_kvFKRSaJGgUnP_Lbaf14x5E#v=o
nepage&q=concepto inteligencia artificial&f=false
González, F. Alba-elías, M. (2017). MACHINE LEARNING EN LA INDUSTRIA :
EL CASO DE LA SIDERURGIA. 55–63.
Hernandez et all. (2014). Metodologia de la investigacion 6ta edicion (6 ta). Mc
graw hill Education.
Instituto nacional de estadistica y geografia. (2009). Cuestionario de unidades
mineras. 1–20.
Lagos, H. (2017). Lixiviación presurizada a temperatura ambiente de mineral
sulfurado de cobre.
Ministerio de Energia y Minas Peru. (2018). Pilas de lixiviación: - Ministerio de
Minería. Pilas de Lixiviación: - Ministerio de
 47

Mineríahttps://Www.Minmineria.Cl › Pilas-de-Lixiviacion.
Muñoz, M. J. D. (2013). El mercado del cobre a nivel mundial: evolución,
riesgos, características y potencialidades futuras. Revista Chilena de
Ingenieria, 248–261.
Neyra Hau Yon, J. L. (2021). Determinación en tiempo real de presencia de
cadmio en cultivo de cacao aplicando Machine Learning [Universidad de
Piura. Facultad de Ingeniería.].
https://pirhua.udep.edu.pe/handle/11042/4990
Postigo, G., & Jesus, L. (2017). Estudio de aplicacion de proceso no
convencional a Sulfuros Refractarios.
RAMÍREZ, D. H. (2018). EL MACHINE LEARNING A TRAVÉS DE LOS
TIEMPOS, Y LOS APORTES A LA HUMANIDAD. In Biomass Chem Eng
(Vol. 3, Issue 2).
http://journal.stainkudus.ac.id/index.php/equilibrium/article/view/
1268/1127%0Ahttp://publicacoes.cardiol.br/portal/ijcs/portugues/2018/
v3103/pdf/3103009.pdf%0Ahttp://www.scielo.org.co/scielo.php?
script=sci_arttext&pid=S0121-75772018000200067&lng=en&tlng=
Seguridad Minera. (2017). Prevención y riesgos en procesos metalúrgicos.
Revistaseguridadminera.Com.
https://www.revistaseguridadminera.com/operaciones-mineras/riesgos-en-
procesos-metalurgicos/
Tecsup. (2014a). Chancado – Clasificación Curado – Aglomerado Lixiviación
Extracción Por Solvente Electro – Obtención Cátodos de Cobre.
Tecsup. (2014b). CURSO V OPERACIÓN DE PLANTAS
HIDROMETALURGICAS CAPITULO 2 : OPERACIÓN DE CIRCUITO DE
EXTRACCIÓN POR SOLVENTES Y ELECTRODEPOSICION . CURSO V.
66–96.
Tecsup. (2014c). CURSO V OPERACIÓN DE PLANTAS
HIDROMETALURGICAS CAPITULO I : OPERACIÓN DE CIRCUITO DE
AGLOMERACION Y (Issue 1).
Yo mineria. (2020). CHANCADO (TRITURACION DE MINERALES).
https://yomineria.jimdofree.com/metalurgia-extractiva/conminucion/
chancado/