Traducido del inglés al español - www.onlinedoctranslator.

com

minerales

Artículo

Aprendizaje automático aplicado para la predicción del rendimiento

geometalúrgico: un estudio de caso que utiliza datos de producción en el
complejo minero de oro Tropicana

Christian Ambos * y Roussos Dimitrakopoulos *

COSMO: Laboratorio de planificación estocástica de minas, Departamento de ingeniería de materiales y minería,

Universidad McGill, 3450 University Street, Montreal, QC H3A 0E8, Canadá
* Correspondencia: christian.both@mail.mcgill.ca (CB); roussos.dimitrakopoulos@mcgill.ca (RD)

Abstracto:Con el uso cada vez mayor de tecnologías digitales en la industria minera, la cantidad de datos de producción almacenados centralmente crece

continuamente. Sin embargo, los conjuntos de datos en las minas y las plantas de procesamiento no se utilizan por completo para crear vínculos entre los materiales

extraídos y el rendimiento de las plantas metalúrgicas. Este artículo muestra un estudio de caso en el complejo minero Tropicana Gold que utiliza tasas de penetración

de la perforación de barrenos y mediciones del circuito de trituración para construir un modelo de predicción de rendimiento geometalúrgico basado en datos del

molino de bolas. Se muestran varias mejoras con respecto a una publicación anterior. En primer lugar, se consideran nuevamente el consumo de energía registrado, las

partículas de alimentación y el tamaño de las partículas del producto. En segundo lugar, se utiliza un modelo de aprendizaje automático en forma de red neuronal y se

compara con un modelo lineal. El artículo también muestra que las proporciones de dureza funcionan un 6,3 % mejor que los promedios de las tasas de penetración

para la predicción del rendimiento, lo que subraya la importancia de los enfoques de composición para las variables geometalúrgicas no aditivas. Al agregar la potencia

del molino de bolas y el tamaño de partícula del producto, el error de predicción (RMSE) disminuye otro 10,6 %. Este resultado solo se puede lograr con la red neuronal,
----
--- mientras que la regresión lineal muestra mejoras del 4,2%. Finalmente, se analiza cómo se puede integrar el modelo de predicción del rendimiento en la programación

de la producción. 6%. Este resultado solo se puede lograr con la red neuronal, mientras que la regresión lineal muestra mejoras del 4,2%. Finalmente, se analiza cómo
Citación:Ambos, C.; Dimitrakopoulos, R.
se puede integrar el modelo de predicción del rendimiento en la programación de la producción. 6%. Este resultado solo se puede lograr con la red neuronal, mientras
Aprendizaje automático aplicado para la
que la regresión lineal muestra mejoras del 4,2%. Finalmente, se analiza cómo se puede integrar el modelo de predicción del rendimiento en la programación de la
predicción del rendimiento geometalúrgico:

un estudio de caso con datos de producción producción.

en el complejo minero de oro Tropicana.

Minerales2021, 11, 1257. https://doi.org/ Palabras clave:geometalurgia táctica; análisis de datos en minería; rendimiento del molino de bolas; medición durante
10.3390/ min11111257 la perforación; no aditivo

Editores académicos: Rajive Ganguli,

Sean Dessureault y Pratt Rogers 1. Introducción
En los últimos años, la cantidad de datos de producción recopilados y almacenados centralmente en la
Recibido: 11 octubre 2021
industria minera ha aumentado enormemente con la implementación de tecnologías digitales. Algunos
Aceptado: 10 noviembre 2021
ejemplos de conjuntos de datos almacenados centralmente en minas operativas son los registros de los
Publicado: 12 noviembre 2021
sistemas de gestión de flotas [1], medición durante la perforación (MWD) [2], mediciones de características de
materiales utilizando técnicas de sensores [3], y otros indicadores clave de desempeño en las plantas de
Nota del editor:MDPI se mantiene neutral
procesamiento. Si bien potencialmente todas las actividades de planificación minera pueden beneficiarse del
con respecto a reclamos jurisdiccionales en

mapas publicados y afiliaciones

análisis de los datos de producción (análisis de datos), los campos interdisciplinarios como la geometalurgia

institucionales.
pueden beneficiarse particularmente de estos datos en crecimiento. La geometalurgia tiene como objetivo
capturar las relaciones entre las características de las rocas distribuidas espacialmente y su comportamiento
metalúrgico cuando los materiales extraídos se procesan y transforman en productos vendibles. Una parte
pertinente de la geometalurgia es la optimización de los circuitos de trituración y la predicción de los
indicadores de desempeño de la trituración, como el rendimiento en las instalaciones de procesamiento de
Derechos de autor:© 2021 por los
minerales [4–6]. Sin embargo, solo se agrega valor a la operación cuando el conocimiento geometalúrgico
autores. Licenciatario MDPI, Basilea,
adquirido se integra en los procesos de toma de decisiones, mientras que todavía faltan métodos apropiados
Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los
para el horizonte de planificación de producción táctica o a corto plazo [7]. Otra limitación actual es el costoso

términos y condiciones de la licencia muestreo y las pruebas de laboratorio de la dureza de la roca y la capacidad de molienda.8]. El presente artículo
Creative Commons Attribution (CC BY) muestra un estudio de caso en el complejo minero Tropicana Gold que demuestra cómo los datos de
(https:// creativecommons.org/ producción combinados con el aprendizaje automático pueden ser
licenses/by/ 4.0/).

Mío reales2021,11, 1257. https://doi.org/10.3390/min11111257 https://www.mdpi.com/journal/minerales

Minerales2021,11, 1257 2 de 19

utilizado para construir un modelo de predicción de rendimiento geometalúrgico basado en datos y cómo
dicho modelo puede utilizarse posteriormente para la programación de producción minera a corto plazo.
La optimización de los circuitos de trituración se ha basado tradicionalmente en leyes de trituración bien
aceptadas e índices de dureza y molienda del mineral para molinos de bolas/barras [9,10] y molinos SAG [11–13
]. Estos modelos de conminución se utilizan de forma rutinaria para optimizar el diseño del circuito de
molienda, utilizando promedios o rangos de pruebas de dureza de los yacimientos minerales que se extraerán.
En lugar de utilizar valores constantes que representan depósitos completos, los programas geometalúrgicos
tienen en cuenta la heterogeneidad de las variables geometalúrgicas dentro de la reserva mineral y su efecto en
los procesos aguas abajo a lo largo del tiempo [14]. Un flujo de trabajo geometalúrgico típico incluye un modelo
espacial, que comprende variables estimadas o simuladas geoestadísticamente (p. ej., molienda). Varios
estudios de casos han demostrado cómo se pueden predecir las tasas de rendimiento de un circuito de
conminución utilizando modelos geometalúrgicos espaciales de índices de dureza y molienda en combinación
con la teoría de la conminución [15–18]. Aunque algunos de estos modelos de rendimiento han demostrado
una alta precisión en los estudios de conciliación, existen desafíos notables al usarlos e integrarlos en los
procesos de toma de decisiones, como la programación de producción a corto plazo. Primero, el programa de
muestreo geometalúrgico requiere pruebas de laboratorio costosas para obtener los índices de dureza y
molienda mencionados anteriormente [8,13]. Los altos costos asociados gastados en las primeras etapas del
proyecto pueden ser prohibitivamente grandes y, por lo general, dan como resultado un muestreo muy escaso,
aunque se están realizando investigaciones para aumentar la cantidad de muestras mediante el uso de
herramientas alternativas de medición de datos y pruebas de procesamiento a pequeña escala [19]. En segundo
lugar, los modelos de predicción de rendimiento se construyen para evaluar el rendimiento semanal o mensual
de los programas de producción de la mina a posteriori, en lugar de integrarlos en la programación de
producción a corto plazo. En tercer lugar, ninguno de los modelos da cuenta de la incertidumbre inherente de
las variables geometalúrgicas derivadas del conocimiento imperfecto del yacimiento.

Ha habido esfuerzos para incorporar las propiedades de dureza geometalúrgica y su incertidumbre

geológica asociada en la programación de la producción minera en minas individuales a cielo abierto [20] y en
complejos mineros [21]. Los modelos de optimización estocástica se desarrollan para la programación de
producción a largo plazo y requieren que los índices de dureza y molienda se simulen geoestadísticamente para
volúmenes de unidades mineras selectivas (bloque minero). Sin embargo, la mayoría de los índices de dureza y
capacidad de molienda que se utilizan con frecuencia no son aditivos.13,22,23]. Las muestras geometalúrgicas
también se recolectan en grandes escalas de soporte [24,25] y suelen ser muy escasos, como se mencionó
anteriormente. Estos factores complicados hacen que la interpolación espacial conjunta de las variables
geometalúrgicas y su cambio de soporte de mediciones puntuales a bloques mineros sea un desafío.25–28].
Morales et al. [20] optimice el cronograma de producción de la mina utilizando rendimientos de molienda
precalculados y valores económicos para cada bloque de forma independiente. Por lo tanto, el método ignora
que los materiales extraídos se mezclan en las existencias y en las instalaciones de procesamiento; en
consecuencia, el comportamiento de trituración no aditiva de los materiales mezclados y la producción de metal
resultante no pueden evaluarse correctamente. Kumar y Dimitrakopoulos [29] optimizar un complejo minero al
tiempo que incluye proporciones predefinidas de roca dura y blanda, para lograr un rendimiento constante en
los flujos de procesamiento. Sin embargo, estas proporciones se definen arbitrariamente y no se abordan los
detalles de la planificación a corto plazo.
Ambos y Dimitrakopoulos [30] presentan un nuevo enfoque que integra un modelo de predicción de
rendimiento geometalúrgico en la programación de producción estocástica a corto plazo para complejos
mineros. La formulación de programación de producción estocástica se basa en la optimización estocástica
simultánea de complejos mineros [31,32] que optimiza los componentes pertinentes de un complejo minero en
un solo modelo matemático e incorpora la incertidumbre geológica para minimizar el riesgo técnico. En lugar
de utilizar tasas de producción de bloque, la formulación de programación de producción calcula la producción
de materiales combinados utilizando un modelo de predicción de producción creado empíricamente,
aprendiendo de las tasas de producción observadas previamente en el molino de bolas [30]. Una limitación de
este trabajo es que el modelo de predicción de rendimiento integrado hasta ahora solo ha considerado la
dureza de la roca, la densidad, la litología y el grado de meteorización de la reserva mineral. Esto ignora que las
tasas de rendimiento del molino también dependen de los factores operativos de la planta de procesamiento,
como el consumo de energía, las tasas de utilización,
Minerales2021,11, 1257 3 de 19

y distribuciones de tamaño de partículas. En segundo lugar, se ha utilizado una regresión lineal múltiple (MLR)
para las predicciones de rendimiento, que no puede capturar las posibles relaciones no lineales entre las
variables de entrada y la respuesta geometalúrgica.
El estudio de caso en el complejo minero Tropicana Gold que se muestra en este artículo amplía el
método presentado en Both y Dimitrakopoulos [30] de múltiples maneras. Primero, el consumo de energía de
las mediciones registradas de la planta, el tamaño de las partículas de alimentación y el tamaño de las
partículas del producto del molino de bolas se consideran recientemente para mejorar la predicción de las tasas
de rendimiento del molino de bolas. En segundo lugar, se prueba un método de aprendizaje supervisado más
potente en forma de red neuronal artificial y se compara con MLR, ya que la adición de las nuevas funciones
relacionadas con la conminución aumenta las posibilidades de interacciones no lineales entre las variables
predictivas y de respuesta. Las mediciones de la planta, incluido el rendimiento observado del molino de bolas,
se recuperan del circuito de trituración en el complejo minero Tropicana Gold. El otro conjunto de datos
utilizado en este estudio de caso para predecir el rendimiento del molino de bolas comprende las tasas de
penetración de la medición durante la perforación (MWD).2,33,34]. Las tasas de penetración se convierten en un
conjunto de proporciones de dureza por unidad de minería selectiva (SMU, por sus siglas en inglés) que se ha
propuesto recientemente para crear un vínculo entre la dureza de la roca intacta y el rendimiento de trituración
de la roca en los circuitos de molienda y molienda [30]. El presente artículo también compara las capacidades de
predicción de las proporciones de dureza con los promedios de las tasas de penetración. De esta manera, se
puede cuantificar el efecto de ignorar la no aditividad de las variables geometalúrgicas relacionadas con la
dureza, un tema que ha recibido poca atención en la literatura hasta el momento.

En las siguientes secciones, se presentan primero los componentes del complejo minero Tropicana Gold,
junto con todos los datos de producción utilizados para la predicción del rendimiento del molino de bolas. El
modelo de aprendizaje automático supervisado se analiza a continuación, incluido un análisis estadístico del
conjunto de datos actual y una calibración de hiperparámetros. A continuación se presenta el análisis de los
resultados, la discusión y las conclusiones.

2. El complejo minero de oro Tropicana y los datos de producción utilizados para la predicción del
rendimiento del molino de bolas

El complejo minero Tropicana Gold está ubicado en el oeste de Australia, al oeste del Gran Desierto
de Victoria. El yacimiento de oro se extrae de cuatro tajos, Boston Shaker, Tropicana, Habana y Habana
Sur (de norte a sur), como se puede apreciar en la vista aérea de la Figura1. Además, el complejo minero
contiene una planta de procesamiento, pilas de acopio, una instalación de relaves y múltiples vertederos
de desechos. El oro se produce en el sitio en un solo flujo de procesamiento,
compuesto por un circuito de conminución y una planta de carbón en lixiviación (CIL).

Figura 1.Componentes del complejo minero Tropicana Gold y un mapa de calor de la tasa de penetración de perforación (ROP) recuperados de la
medición durante la perforación (MWD).
Minerales2021,11, 1257 4 de 19

El conjunto de datos mostrado en los cuatro hoyos en la Figura1muestra la tasa de penetración de

perforación (ROP) de la perforación de producción (agujeros de voladura), que forma parte del conjunto de
datos de medición durante la perforación (MWD) recopilados en el complejo minero Tropicana Gold. Es
claramente visible como la ROP refleja la heterogeneidad de la roca y disminuye con la profundidad. La roca
ejemplar, fácil de perforar (más suave) se encuentra hacia la superficie (colores rojos en Havana South Pit y
Boston Shaker Pit), mientras que la roca difícil de perforar (más dura) se encuentra más profunda en los pozos
(colores verde-azul). en Havana Pit, Tropicana Pit y un corte más profundo en Boston Shaker Pit). Ambos y
Dimitrakopoulos [30] demuestran fuertes correlaciones entre la tasa de penetración (ROP) de la roca perforada
y el rendimiento del molino de bolas cuando estos paquetes de roca se envían a la planta de procesamiento.
Posteriormente, presentan un método que predice el rendimiento del molino de bolas usando ROP. Este
artículo amplía este trabajo al utilizar mediciones adicionales en la planta de procesamiento relacionadas con el
rendimiento del molino de bolas.
El flujo de material relevante en el complejo minero se muestra junto con todos los datos de producción
utilizados en la Figura2. El seguimiento detallado del material en intervalos diarios se realiza utilizando datos del
ciclo del camión, comenzando desde la extracción del material en los tajos y terminando en la trituradora.
Fundamentalmente, el seguimiento de materiales incluye todas las actividades de descarga y remanejo en pilas
de acopio fuera de la mina (ROM), ya que el material remanipulado representa el 80–90 % del mineral
procesado en el complejo minero Tropicana Gold. De esta manera, las entradas de ROP registradas en los tajos
se pueden vincular con éxito a las mediciones observadas en la planta de procesamiento, incluido el
rendimiento observado del molino de bolas. Los detalles de implementaciones exitosas de seguimiento de
materiales que incluyen reservas se pueden encontrar en Wambeke et al. [35] y Ambos y
Dimitrakopoulos [30].

Figura 2.Flujo de material y datos de producción utilizados para la predicción del rendimiento del molino de bolas en el
complejo minero Tropicana Gold.

El circuito de conminución del complejo minero Tropicana Gold comprende tres etapas: chancado
(chancador primario y secundario), molienda (rodillo de molienda de alta presión, HPGR) y molienda (molino de
bolas). El desbordamiento del ciclón se envía a la planta CIL para extraer el oro. El consumo de energía
promedio registrado del molino de bolas y las distribuciones de tamaño de partículas que entran y salen del
molino de bolas son de particular interés para la predicción del rendimiento. Tenga en cuenta que el
Minerales2021,11, 1257 5 de 19

Las distribuciones de tamaño de partículas de alimentación y producto se definen posteriormente por sus diámetros de paso del
80% enµmetro. Las medidas del tamaño de las partículas de alimentación (F80) se realizan utilizando analizadores de imagen en
la cinta transportadora del producto HPGR. Los compuestos de cambio de muestras de desbordamiento de ciclones se utilizan
para medir el tamaño de las partículas del producto (PAG80).
La relevancia de todas las medidas presentadas anteriormente se puede derivar de la teoría de la
trituración, como la ley de trituración de Bond [9,10]. La ecuación de Bond (Ecuación (1)) calcula la energía
específica del molino de bolas (Wen kWh/t) requerido para moler el mineral de un tamaño de alimentación
conocido (F80) a un tamaño de producto requerido (PAG80).
( )
10 10
W=Wisconsin∗ √ −√ (1)
PAG80 F80
El índice de trabajo (Wisconsinen kWh/t) es una medida de la resistencia del mineral a la trituración y
molienda [9]. En este artículo, es útil sustituir la energía específica del molino de bolas (energía entregada por
tonelada de mineral en kWh/t) por el cociente del consumo de energía del molino (kW) y el rendimiento del
molino (toneladas procesadas por hora de operación), como se muestra en la Ecuación (2).
( )
Fuerza 10 10
=Wisconsin∗ √ −√ (2)
HTP PAG80 F80
La ecuación (3) se obtiene reorganizando la ecuación (2) para el rendimiento del molino de bolas (TPH).

Fuerza
HTP= ( ) (3)
Wisconsin∗√10 − √10
PAG80 F80

Además del consumo de energía medido y las distribuciones de tamaño de partícula, está claro que las
predicciones de rendimiento del molino de bolas deben incluir algún tipo de información sobre la dureza del mineral.
En general, cuanto más duro es el material, mayor es su resistencia contra la trituración, por lo que es necesario
permanecer más tiempo en el molino de bolas para alcanzar el tamaño de producto deseado, dado el consumo de
energía y el tamaño de alimentación de partículas constantes. En la ecuación de Bond, TPH es inversamente
proporcional aWisconsin, como se muestra en la Ecuación (4).
1
HTP∝ (4)
Wisconsin

Como se presentó anteriormente, el papel de informar la dureza del mineral lo asumen las mediciones de
ROP en este artículo. Al utilizar datos de producción rentables y de fácil acceso (información MWD generada por
máquinas de perforación), las costosas y lentas pruebas de laboratorio gastadas paraWisconsinlas estimaciones
de la reserva geológica pueden ser reemplazadas. Mwanga et al. [8] informan que el volumen de muestra típico
requerido para las pruebas de Bond es relativamente grande (2 a 10 kg, según la modificación de la prueba) y
requiere mineral triturado de menos de 3,35 mm (que pasa un tamiz de malla 6). Además, son necesarios varios
ciclos de rectificado para alcanzar el estado estacionario del circuito cerrado simulado. La utilización alternativa
de ROP es especialmente prometedora como sustituto deWisconsindebido a su capacidad demostrada para
indicar el tipo de roca, la resistencia y la alteración [34,36–38]. En general, una ROP alta (en m/h) indica roca
menos competente, con menorWisconsin. A su vez, se espera que aumenten los TPH, como se muestra en la
Ecuación (5).
()
(metro)
kWh
ROP ↗=⇒Wisconsin ↘=⇒HTP↗ (5)
h t

Tenga en cuenta que las dependencias en la Ecuación (5) pueden ser no lineales. Más bien, las
dependencias potencialmente no lineales requieren modelos de predicción más sofisticados para la predicción
de TPH, que se analizan posteriormente en la Sección3.

3. Aplicación del aprendizaje automático supervisado para la predicción del rendimiento

Esta sección analiza el uso del aprendizaje automático supervisado para crear un modelo de predicción de
rendimiento en el complejo minero Tropicana Gold. Los modelos de aprendizaje automático supervisados requieren
conjuntos de datos etiquetados para el entrenamiento, que consisten en pares de datos {Xi,yi},i=1, . . . ,norte,
Minerales2021,11, 1257 6 de 19

mientrasXies un vector de variables predictoras, yyies la respuesta conocida. En este artículo, la

respuesta conocida (etiqueta) es el rendimiento del molino de bolas observado, y elMETROLas variables
predictoras (características) comprenden los atributos geológicos del mineral y las variables medidas en
el circuito de trituración. Las respuestas de rendimiento se registran en una escala continua, lo que hace
que el problema de aprendizaje supervisado sea una tarea de regresión (yi∈R).

3.1. Redes neuronales

Se elige una red neuronal de avance como modelo de aprendizaje supervisado para la tarea
potencialmente no lineal de predicción del rendimiento del molino de bolas. En esencia, las redes
neuronales feed-forward son combinaciones de neuronas en capas totalmente conectadas que
tienen su origen en el modelo de perceptrón.39]. Una sola neurona (perceptrón) calcula el
producto interno entre su vector de peso interno,wT,y el vector de entrada,X. Después de agregar
un término de sesgo,b∈R,el valor resultante (e se pasa) a través de una función de activación no
lineal, gramo(·),creando una salida escalarz=gramowTX+b.Varias neuronas conectadas aXforman
la llamada primera capa oculta de la red neuronal. Si las salidas de la primera capa oculta pasan a
través de otra capa de neuronas, se construye una red neuronal multicapa.40]. La capa de salida
comprende una sola neurona que recibe como entrada el vector de salidas ocultas, zy proporciona
una estimación,ŷ∈rLas redes neuronales son el método de elección en este artículo porque tienen
la ventaja comprobada de ser capaces de aproximar cada función arbitraria utilizando una capa
oculta de muchas neuronas exponencialmente, o múltiples capas neuronales consecutivas que
consisten en menos neuronas.41]. Esto le da a las redes neuronales ventajas teóricas sobre los
modelos de predicción lineal, como la regresión lineal múltiple, que se ha probado en trabajos
anteriores para la predicción del rendimiento [30]. Las estadísticas univariadas y las correlaciones
en el conjunto de datos actual, incluidas las posibles no linealidades, se analizan a continuación,
seguidas de la discusión de la arquitectura de red neuronal utilizada y el ajuste de sus
hiperparámetros.

3.2. Conjunto de datos y análisis estadístico

El conjunto de datos para la predicción del rendimiento contiene la tasa de penetración (ROP) relacionada
con la dureza del mineral, que se ha rastreado en el complejo minero Tropicana Gold, como se presenta en la
Figura2. El consumo de energía,F80, yPAG80También se incluyen mediciones, así como un factor de utilización
del molino de bolas que refleja el tiempo de actividad y de inactividad del molino de bolas. Se calcula un
promedio móvil de 7 días de los datos para un horizonte de tiempo observado de seis meses (febrero-agosto de
2018), lo que reduce el ruido en el conjunto de datos y ayuda a reconocer tendencias de tasas de rendimiento
más altas y más bajas que probablemente estén relacionadas con las propiedades de la roca. del material
procesado. En el intervalo de seis meses, la extracción ocurre principalmente en dos tajos, Tropicana y Havana
Pit, y el material se almacena continuamente en los acopios de ROM. Las estadísticas univariadas de las
variables predictivas y la variable de respuesta (rendimiento) se muestran en la Tabla1.

Tabla 1.Estadísticas univariadas de variables predictivas (características) y rendimiento del molino de bolas (respuesta).

Promedio Molino de bolas Molino de bolas Molino de bolas

PAG80 (µmetro) F80(milímetro)
ROP (m/h) Potencia (kW) Utilización (%) Rendimiento (t/op.h)

Mínimo 35,0 9996 0.7 76.5 10.3 796.4

Significar 41.4 13,002 1.0 83.3 13.1 926.5

Máximo 53.6 13,435 1.0 93.2 15.0 1007.9

estándar desarrollo 3.45 685.9 0.052 3.12 1.00 34.8

coef. de Var.
0.083 0.053 0.053 0.037 0.077 0.038
(CV)
Oblicuidad 0.88 − 3.01 − 3.03 0.57 − 0.36 − 1.07
curtosis 1.20 9.26 9.30 0,94 − 0.13 3.05
Contar 181 181 181 176 153 181
Minerales2021,11, 1257 7 de 19

Mesa2muestra correlaciones lineales entre las características pertinentes y los TPH observados usando el
coeficiente de correlación de Pearson, en la Ecuación (6) a continuación, conXiyyirepresentando puntos de
muestra individuales yX,yindicando las medias muestrales. Tenga en cuenta que las correlaciones en la Tabla2
se pueden inflar porque se calculan después de aplicar la media móvil.

(Xi− x)(yi− y)
i =1
r =√
∑norte
√ (6)
i=1(Xi− x)2∗∑norte i=1(yi− y)2
∑norte

Tabla 2.Coeficiente de correlación de Pearson entre las variables predictoras (geológicas, relacionadas con la trituración) y el rendimiento del
molino de bolas.

Coeficiente de correlación de Pearson

No. Categoría Característica Unidad
al rendimiento del molino de bolas

Dureza del mineral usando promedio

A1 ROP promedio (m/h) 0.44
valores de tasa de pluma

B1 (Material más duro) <26 m/h (%) − 0.274

B2 26–29 m/h (%) − 0.370
B3 29–32 m/h (%) − 0.525
B4 Dureza del mineral expresada por 32–35 m/h (%) − 0.361
B5 proporciones de 35–38 m/h (%) − 0.416
B6 tasa de penetración 38–42 m/h (%) − 0.318
B7 intervalos 42–46 m/h (%) 0.028
B8 46–53 m/h (%) 0.356
B9 53–62 m/h (%) 0.386

B10 (Material más suave) > 62 m/h (%) 0.498

C1 Tamaño de alimentación F80 (mm) 0.046

C2 Medidas en el Tamaño del producto P80 (µmetro) 0.063

C3 circuito de trituración Fuerza (kW) 0.382

C4 Utilización del molino (%) 0.374

Las entradas de ROP rastreadas se utilizan de ahora en adelante de dos maneras diferentes para
informar la dureza del material. La característica 'Promedio de ROP' comprende promedios ponderados
de valores de ROP continuos vinculados a los materiales que se transportan a la trituradora en el mismo
intervalo de tiempo observado. Por el contrario, Both y Dimitrakopoulos [30] proponen un enfoque de
composición, que divide la ROP en categorías más fáciles de perforar (roca más blanda) y más difíciles de
perforar (roca más dura), utilizando un conjunto de intervalos de ROP. La división en múltiples intervalos
da como resultado proporciones de materiales más duros o más blandos enviados al circuito de
trituración en un intervalo de tiempo determinado. En Both y Dimitrakopoulos [30]. Las características
enumeradas en la tabla2se pueden distinguir en términos generales en tres categorías, mientras que las
dos primeras categorías están relacionadas con la dureza del mineral. La ROP promedio comprende la
primera categoría (A1), y las proporciones de dureza construidas por intervalos de tasas de penetración
comprenden la segunda categoría (B1–B10). La tercera categoría de características refleja las mediciones
en el circuito de trituración (C1–C4).
Al comparar los coeficientes de correlación de Pearson en la Tabla2, se puede ver que algunas
variables se correlacionan más fuertemente con TPH, mientras que otras variables no lo hacen. Una
correlación positiva más fuerte de TPH para 'ROP promedio' (en m/h) brinda la primera evidencia de la
utilidad de esta función (A1). El enfoque de composición divide efectivamente la distribución de las tasas
de penetración en múltiples categorías de dureza. Aquí, un mayor porcentaje de material difícil de
penetrar en la mezcla de mineral procesado (B1–B6) indica material más duro, lo que reduce el TPH, lo
que se confirma con la correlación negativa en la Tabla2. Por el contrario, se espera que una fracción
más alta de material más fácil de penetrar en la mezcla aumente los TPH, lo que también se confirma en
la Tabla2a través de correlaciones positivas de las categorías B8–B10. Curiosamente, algunas categorías
de dureza muestran una correlación más fuerte
Minerales2021,11, 1257 8 de 19

(positivo y negativo) que la característica ROP promedio (A1). Esto indica que se puede transmitir
información adicional a través de la creación de categorías de dureza. El potencial de predicción
de las tasas de penetración promedio y las proporciones de dureza se compara en detalle en la
Sección4.1.
De acuerdo con la Ecuación (5), la relación entre la potencia del molino de bolas y los TPH es directamente
proporcional. Esta relación teórica está empíricamente bien reflejada en la Tabla2, mostrando una correlación
positiva más fuerte entre la potencia del molino de bolas (C3) y TPH. Por lo tanto, las mediciones de potencia
comprenden una parte importante de la predicción del rendimiento, que posteriormente se realiza en la
Sección4de este artículo. Aunque la utilización del molino de bolas (C4) no es parte de la ecuación de Bond, no
es sorprendente ver una correlación más fuerte con TPH. Los eventos de tiempo de inactividad planificado y no
planificado del molino de bolas, es decir, utilización < 100 por ciento, procesos de aumento y disminución
gradual, se encuentran entre los efectos que también reducen el rendimiento efectivo por hora de
funcionamiento. Se observa una redundancia entre la utilización del molino de bolas y la potencia del molino de
bolas, confirmada por estadísticas similares de potencia y utilización en la Tabla1, lo que explica una correlación
similar en la Tabla2. Las relaciones entre TPH y los tamaños de partículas del mineral que resultan de la ley de
Bond (Ecuación (1)) se muestran en las Ecuaciones (7) y (8).

PAG80↗=⇒HTP↗ (7)

F80↘=⇒HTP↗ (8)
Por un lado, un tamaño de partícula más grueso del producto (mayorPAG80valor) da como resultado un TPH más
alto (Ecuación (7)), dado que las características del mineral, la entrada de energía y el tamaño de las partículas de
alimentación permanecen iguales. Por otro lado, un tamaño de alimento de grano más fino (menorF80valor) también
puede conducir a un aumento de TPH porque se necesita aplicar menos trabajo de molienda para alcanzar el tamaño
de producto deseado (Ecuación (8)). En el conjunto de datos actual, las mediciones del tamaño de partícula (C1–C2)
muestran muy poca correlación en la Tabla2. Esto puede deberse a varias razones. Al contrario del consumo de energía,
las relaciones en las Ecuaciones (7) y (8) no son lineales, y las mediciones del tamaño de las partículas están incompletas
durante algunos períodos, como se indica en la Tabla1. Además, se debe considerar que las mediciones del tamaño de
las partículas sobre cintas de correr son propensas a errores, especialmente cuando se usan analizadores de imágenes
paraF80. Se analiza en la Sección4si las mediciones del tamaño de las partículas pueden mejorar la predicción del
rendimiento en la práctica. Tenga en cuenta que todas las variables de trituración se escalan antes del uso dividiéndolas
por su valor máximo. Los datos de composición comprenden naturalmente valores fraccionarios en [0,1] y, por lo tanto,
no es necesario escalarlos.

3.3. Arquitectura de red y búsqueda de hiperparámetros

En su implementación, la arquitectura de una red neuronal feed-forward requiere la calibración de
varios hiperparámetros. La configuración del hiperparámetro es relevante para el proceso de evaluación
y la solidez del enfoque. Por lo tanto, se vuelve obvio explorar el espacio de hiperparámetros para
encontrar una región estable de este espacio [42]. Sin embargo, debido al pequeño tamaño del conjunto
de datos (181 puntos de datos) y la necesidad de realizar pruebas en todo el horizonte (181 días) para
extrapolar el rendimiento general del enfoque propuesto, el conjunto de datos no se puede dividir. En su
lugar, se utiliza la validación cruzada k-fold para medir la calidad de la configuración, minimizando así la
pérdida de información [43]. Se utilizan diferentes períodos para diferentes pliegues (20 pliegues) para
simular el escenario más realista donde se realiza una predicción sobre un nuevo período. La
arquitectura de red se implementa en Python usando el paquete scikit-learn [44]. El error cuadrático
entre el rendimiento observado, yi,i=1, . . . ,nortey el rendimiento previsto,ŷi,i=1, . . . ,norte, se elige como
función de pérdida a minimizar durante el entrenamiento, y como función de activación se elige la
unidad lineal rectificada. El algoritmo cuasi-newtoniano L-BFGS [45] se utiliza para minimizar la función
de pérdida, que demostró converger más rápidamente en el pequeño conjunto de datos en comparación
con los métodos de gradiente estocástico. Finalmente, el error cuadrático medio (RMSE) se utiliza para
las comparaciones.
La interrupción temprana del entrenamiento es importante para evitar el sobreajuste en las redes
neuronales y, por lo tanto, el número de iteraciones de entrenamiento es un hiperparámetro que debe
calibrarse.46]. Se encontró que el error de validación fue mínimo después de cinco iteraciones.
Minerales2021,11, 1257 9 de 19

Se probó la regularización L2 pero no aumentó significativamente el potencial de generalización en esta

aplicación.

Número de capas y neuronas

Cifra3muestra un análisis de sensibilidad del número de neuronas para dos conjuntos de características
seleccionadas. En figura3a, solo se utilizan características relacionadas con la dureza, mientras que la Figura3b incluye
más características. Dados los procesos estocásticos involucrados durante el entrenamiento, cada configuración de red
se repite 20 veces utilizando inicializaciones aleatorias de pesos. Este procedimiento da como resultado una muestra de
errores que se muestran mediante diagramas de caja.

Figura 3.Comparación del número de neuronas para dos conjuntos de características seleccionados: (a) proporciones de dureza y (b) proporciones de dureza,
potencia del molino de bolas y tamaño de partícula del producto (P80).

Cifra3muestra que el error promedio y la varianza del error se reducen para ambos conjuntos de
características a medida que aumenta el número de neuronas. Se alcanza una meseta en 25 a 30 neuronas. Esto
es de esperar ya que un número demasiado pequeño de neuronas no es capaz de mapear adecuadamente la
función subyacente. Tenga en cuenta que este comportamiento se puede observar independientemente del
número de capas. En la figura se utilizan dos capas ocultas completamente conectadas.3a, mientras que se usó
una sola capa oculta conectada para el análisis de sensibilidad en la Figura3b. Para la mejor elección de capas,
se realiza otro análisis de sensibilidad variando el número de capas ocultas de una a cuatro. Cifra4muestra los
resultados realizados en los mismos conjuntos de características seleccionados.

Figura 4.Comparación del número de capas ocultas para dos conjuntos de características seleccionados: (a) proporciones de dureza y (b) proporciones de
dureza, potencia del molino de bolas y tamaño de partícula del producto (P80).

Cifra4indica que una capa oculta ofrece los resultados más estables en todos los conjuntos de
funciones probados. Aunque la adición de más capas puede reducir el error en ejecuciones individuales,
como se ve en la Figura4a, la red parece más propensa al sobreajuste y la varianza del error
Minerales2021,11, 1257 10 de 19

aumenta Para conjuntos de características más grandes (Figura4b), el sobreajuste parece exacerbarse a medida que se
utilizan más capas. Los resultados obtenidos demuestran la fuerza de la parsimonia de los parámetros (POP), ya que el
modelo con el tamaño más pequeño (es decir, una capa oculta) funciona mejor.

4. Resultados y Análisis
Sección4se subdivide en dos partes separadas que tienen como objetivo analizar los efectos de
diferentes conjuntos de características en la predicción del rendimiento y luego comparar la red
neuronal presentada con un modelo de regresión múltiple. Sección4.1aborda la predicción del
rendimiento del molino de bolas utilizando únicamente variables relacionadas con la dureza. En la
sección4.2, las variables de trituración pertinentes se agregan individualmente y se evalúa su efecto en la
predicción del rendimiento.

4.1. Variables relacionadas con la dureza (efecto de la no aditividad)

Esta subsección tiene como objetivo responder cómo funcionan las diferentes formas de informar sobre
la dureza y la capacidad de molienda de la reserva geológica utilizando las tasas de penetración de la
perforación de barrenos para la predicción del rendimiento. Específicamente, el potencial de predicción de la
tasa promedio de penetración (ROP) se compara con el comportamiento de predicción de las proporciones de
dureza creadas usando intervalos de tasa de penetración. Cifra5a muestra una comparación gráfica del
rendimiento del molino de bolas (eje izquierdo) y la ROP promedio del mineral procesado (eje derecho). Cifra5b,
c ilustra la evolución en el tiempo de dos proporciones distintas de dureza en comparación con el rendimiento,
y se analizan posteriormente.
Se puede ver en la figura5a que la ROP promedio sigue bien el rendimiento del molino de bolas en
muchos períodos del horizonte de tiempo observado. Junto con la fuerte correlación positiva reportada
en la Tabla2, el comportamiento similar de ambas variables en la figura5a confirma la hipótesis de que
las tasas de penetración registradas por las máquinas de perforación pueden contribuir a informar el
rendimiento de trituración y la molienda del mineral procesado. A continuación, esta función se prueba
mediante una validación cruzada de 20 veces. El rendimiento de la ROP promedio como característica
única para la predicción del rendimiento se muestra en la Figura6a (red neuronal) y Figura6b (regresión
múltiple).
Al comparar la figura6a,b, no parece haber ventajas obvias de la red neuronal en comparación con
la regresión múltiple, lo que puede explicarse por el hecho de que solo se utiliza una característica.
Aunque siguiendo las tendencias generales de rendimiento en la mayoría de los intervalos de tiempo
observados, los resultados revelan debilidades en la predicción de las magnitudes correctas de
rendimiento alto y bajo. Una posible explicación de esta debilidad se puede encontrar al considerar las
tasas de penetración como una variable no aditiva. La no aditividad está presente si los promedios
lineales de una variable, por ejemplo, las tasas de penetración de dos entidades rocosas separadas, son
diferentes del valor esperado de la muestra combinada (combinada). Por lo tanto, tomar promedios
matemáticos puede ser perjudicial para dichas variables. Otros ejemplos bien conocidos son la
recuperación de metales [47] y otras variables que representan la calidad del producto [48].
De hecho, la función 'ROP promedio' ha pasado por un proceso de promedio dos veces.
Primero, las tasas de penetración se promedian dentro de un bloque minero cuando se cambia el
soporte de nodos de cuadrícula simulados (soporte puntual) a volúmenes explotables (SMU) para
reflejar la selectividad de la mina. Este proceso estándar solo es inocuo para variables aditivas
como los grados de metal (a densidad constante). En segundo lugar, se calcula un promedio
ponderado por tonelaje de cada camión por día, teniendo en cuenta todas las fuentes de material
que se mezclan. Para el conjunto de características alternativas de proporciones de dureza, las
tasas de penetración en el soporte puntual se dividen en varias categorías utilizando intervalos de
tasas de penetración. Este procedimiento evita el promediado de partes más duras y más blandas
dentro de la reserva geológica. En cambio, las proporciones de material más blando y más duro se
conservan en las mezclas de minerales que se procesan en el molino (enfoque composicional). En
Both y Dimitrakopoulos [30].
Cifra5b,c ilustra la evolución de dos proporciones distintas de dureza en comparación con
TPH. Cifra5b muestra las proporciones de material blando que llega al molino, informadas por el
porcentaje de altas tasas de penetración (superiores a 62 m/h) en la mezcla de mineral. Aquí,
Minerales2021,11, 1257 11 de 19

Se espera que se produzcan rendimientos más altos cuando llegue más material blando al molino. De
hecho, grandes proporciones de material más blando en la Figura5b coincide con un alto rendimiento
del molino, que es más visible para los días 1 a 10, así como para los días 170 a 181 del período
observado. Cifra5c muestra las proporciones de material más duro, que se refleja en tasas de
penetración que caen en el intervalo de 29 a 32 m/h. Proporciones más grandes de esta categoría de
material deberían tener un efecto negativo en el rendimiento. Curiosamente, figura5c muestra que el
rendimiento más bajo del molino (días 128–133) coincide con el pico de las fracciones de material más
duro. Por el contrario, el mayor rendimiento se logra cuando las proporciones de este material más difícil
de penetrar son las más pequeñas.

Figura 5.Promedio móvil del rendimiento del molino de bolas en comparación con el promedio móvil de (a) tasa
promedio de penetración (ROP), (b) proporciones de material más blando (altas tasas de penetración en el intervalo >62
m/h), y (C) proporciones de material más duro (tasas de penetración bajas que caen en el intervalo de 29–32 m/h).
Minerales2021,11, 1257 12 de 19

Figura 6.Predicción del rendimiento del molino de bolas (validación cruzada de 20 veces) usando (a) ROP promedio (NN), (b) ROP promedio (MLR),
(C) proporciones de dureza (NN), y (d) categorías de tasa de penetración (MLR).

El rendimiento de las proporciones de dureza para la predicción del rendimiento se muestra

en la Figura6c (red neuronal) y Figura6d (regresión múltiple). Los máximos y mínimos del
rendimiento se predicen con mayor precisión, lo que lleva a una reducción del error de predicción
del 6,3 % para ambos modelos de predicción. Esto indica que la clasificación en proporciones de
dureza es ventajosa sobre el uso de una sola variable de dureza continua. La diferencia entre la
red neuronal y el modelo de regresión múltiple es relativamente pequeña.

4.2. Efecto de las variables de conminución en la predicción

Se identificaron varias variables de trituración como candidatas potenciales para mejorar la

predicción del rendimiento en las secciones2y3. En esta subsección, el conjunto de características de
dureza que comprende las categorías de dureza se mejora con una variable de trituración adicional a la
vez. Para analizar los efectos de la red neuronal, se proporciona una comparación con un modelo de
regresión lineal múltiple para cada experimento.

4.2.1. Poder del molino de bolas

Las mediciones de potencia del molino de bolas mostraron el potencial para mejorar la predicción del
rendimiento del molino de bolas debido a su relación proporcional a TPH en la ley de Bond (Ecuación (1)) y su fuerte
correlación en el conjunto de datos actual que se muestra en la Tabla2. Cifra7a muestra una comparación gráfica entre
el consumo de energía promedio diario del molino de bolas y TPH. El consumo de energía se mantiene mayormente
constante durante el horizonte de tiempo observado, incluidas algunas caídas distintivas de energía en la segunda
mitad del horizonte de tiempo observado. Estas caídas de energía tienden a ocurrir en momentos en que también
disminuye el rendimiento del molino. Por lo tanto, no sorprende que agregar la potencia del molino de bolas como una
característica para la predicción del rendimiento mejore especialmente los períodos de fuerte disminución del
rendimiento, como se muestra en la Figura8a.
Minerales2021,11, 1257 13 de 19

Figura 7.Promedio móvil (7 días) del rendimiento del molino de bolas en comparación con el promedio móvil de (a) potencia del molino de bolas (b) tamaño de partícula

de alimentación: (F80), y (C) tamaño de partícula del producto (P80).

Minerales2021,11, 1257 14 de 19

Figura 8.Predicción del rendimiento del molino de bolas (validación cruzada de 20 veces) usando características adicionales: (a) potencia del

molino de bolas (NN), (b) potencia del molino de bolas (MLR), (C) tamaños de partículas de alimentación (NN), (d) tamaños de partículas de

alimentación (MLR) (mi) tamaño de partícula del producto (NN), (F) tamaños de partículas del producto (MLR) (gramo) potencia y P80 (NN), (

h) potencia y P80 (MLR)–RSME se comparan entre paréntesis con las predicciones del modelo respectivo (red neuronal/regresión múltiple)

usando solo características de dureza.

Al comparar el desempeño predictivo de la red neuronal (NN) con el desempeño del modelo
de regresión lineal múltiple (MLR) en la Figura8b, la superioridad de la red neuronal se hace
evidente. MLR sobreestima la influencia de la potencia del molino de bolas, que se observa en la
fuerte disminución en los días 120–125. La red neuronal predice más cerca del rendimiento real,
que se puede notar visual y estadísticamente. En comparación con la sola utilización de
proporciones de dureza (Sección4.1), el RMSE disminuye un 5,3 % cuando se utiliza la red neuronal,
mientras que el error para MLR aumenta un 1,5 %.

4.2.2. Tamaños de partículas

En comparación con las mediciones de potencia del molino de bolas, las mediciones del tamaño de las partículas indican
una baja correlación empírica en el conjunto de datos actual entre el tamaño de las partículas y el TPH (Tabla2).
Minerales2021,11, 1257 15 de 19

Las relaciones teóricas con el rendimiento (ecuaciones (5), (8) y (9)) no pueden confirmarse mediante un análisis visual
en la figura7b, c solo. Los gráficos también muestran una gran cantidad de datos faltantes, especialmente para las
mediciones del tamaño de las partículas del alimento (F80). No se reconocen tendencias visibles.
Al comparar el comportamiento de predicción al agregar tamaños de partículas en la Figura8c–f, se
pueden sacar las siguientes conclusiones. Agregar mediciones F80 parece no mejorar significativamente
la predicción del rendimiento en este caso de estudio, ya que el RMSE disminuye solo marginalmente
cuando se usa el NN (−0,6%, cifra8c) y aumenta al usar MLR (+1.4%, Figura8d). La adición de medidas del
tamaño del producto (P80) parece tener un efecto positivo en la predicción del rendimiento en este caso
de estudio, lo cual es notable para ambos modelos de predicción. Sin embargo, el error de predicción NN
(−6,5%) en la figura8e reduce notablemente más que el error de predicción MLR (−3,0%) en la figura8f,
mostrando la superioridad de la NN cuando se trata de características no lineales. La mayor ganancia en
la precisión de la predicción se puede obtener al usar ambas características de buen rendimiento,
consumo de energía y P80, juntas. Aquí, las fortalezas de la red neuronal se vuelven más evidentes,
mostrando el error más bajo en la Figura8g y una reducción de error del 10,6% en comparación con la
dureza del mineral solamente. El MLR también muestra el error más bajo registrado (−4,2%, Figura8h),
pero el error disminuye mucho menos que el NN. Para resumir, cuantas más funciones se agreguen, NN
podrá interpretar mejor sus interdependencias.

5. Discusión
Además del rendimiento superior de las proporciones de dureza combinadas con el consumo de energía
y las mediciones del tamaño del producto, los resultados obtenidos anteriormente muestran que el uso de
redes neuronales puede disminuir el error de predicción del rendimiento del molino de bolas en comparación
con el uso de la regresión múltiple. La toma de decisiones a corto plazo, como la programación de la
producción minera a corto plazo, puede beneficiarse de las mejoras demostradas en la predicción del
rendimiento que se presentan en este artículo. En la figura se muestra un programa convencional de
producción a corto plazo para el complejo minero Tropicana Gold.9.

Figura 9.Ejemplo de programa mensual de producción a corto plazo en el complejo minero Tropicana Gold.

Como se puede ver en la Figura9, la extracción a corto plazo puede tener lugar en múltiples tajos y
diferentes áreas mineras dentro de los tajos en el mismo período de extracción, lo que genera flujos de
material mezclado en la(s) planta(s) de procesamiento. Como desarrollo reciente en la planificación
minera a corto plazo, la incorporación de un modelo de predicción de producción geometalúrgica en la
programación de producción a corto plazo ha sido demostrada en Both y Dimitrakopoulos [30]. En lugar
de generar estimaciones de rendimiento predefinidas por bloque de minería, los autores predicen el
rendimiento del molino de bolas de materiales combinados utilizando un modelo de regresión múltiple y
utilizan estas predicciones para la programación de producción a corto plazo en un modelo de
optimización estocástica. Cifra10ilustra cómo la red neuronal entrenada en este artículo, junto con
Minerales2021,11, 1257 16 de 19

variables de trituración en el molino de bolas, puede reemplazar el modelo de regresión múltiple para la
optimización de la programación de producción.

Figura 10.Comparación de modelos para la predicción del rendimiento del molino de bolas y la integración en la programación
de producción a corto plazo.

La restricción estocástica que se muestra en la Figura10asegura que para cada período y escenario
de yacimiento simulado, el tonelaje de mineral programado sea igual al tonelaje resultante del
rendimiento por hora previsto y las horas de molienda disponibles. Las variables de desviación,d,+t,sy
d−
,t,s, penalizar las desviaciones entre el tonelaje programado y el tonelaje realizable en
función objetiva del programa matemático, que se analiza en detalle en Both y Dimitrakopoulos [30]. Las
proporciones de dureza que sirven como entrada a la red neuronal representan las proporciones de
dureza ponderadas de los materiales que se programarán juntos en un solo período a corto plazo.
Además, el consumo de energía planificado, así como los tamaños de partículas de alimentación y
producto planificados para los futuros materiales programados, ahora pueden servir como entrada para
la optimización de la programación de producción, ya que la red neuronal se ha entrenado en estos
atributos. Tenga en cuenta que las formulaciones de programación de producción no lineal combinadas
con un método de solución metaheurística, como el recocido simulado, pueden manejar estos cálculos
no lineales internos en el proceso de optimización, que se han desarrollado para la planificación a corto y
largo plazo [31,49].

6. Conclusiones
Este artículo muestra un estudio de caso en el complejo minero Tropicana Gold que
demuestra las mejoras de un modelo de predicción de rendimiento geometalúrgico
utilizando datos de producción recopilados en minas y plantas de procesamiento,
combinados con aprendizaje automático supervisado. Las mejoras clave con respecto a una
publicación anterior son: (i) incluir y probar la influencia de las mediciones en el circuito de
trituración que probablemente afecten las tasas de rendimiento del molino de bolas de una
manera no lineal, (ii) utilizar un modelo de aprendizaje supervisado en forma de red neuronal
para aproximar las relaciones no lineales entre el predictor y las variables de respuesta, y (iii)
probar si los enfoques de composición pueden dar cuenta de las variables geometalúrgicas
no aditivas mejor que la información de tipo promedio. Finalmente,
Los resultados muestran que la adición de consumo de energía del molino de bolas y las mediciones del tamaño
de las partículas del producto pueden reducir el error de predicción del rendimiento en un 10,6 % en comparación con
la predicción del rendimiento utilizando solo variables de dureza geológica. Este resultado solo se puede lograr con la
red neuronal entrenada, mientras que el modelo de regresión lineal muestra mejoras de hasta un 4,2 %. Las medidas
de tamaño de alimentación disponibles en el estudio de caso presentado también aparecen
Minerales2021,11, 1257 17 de 19

impreciso para afectar positivamente la predicción de rendimiento. Una estructura de red neuronal de
una capa oculta que comprende 30 neuronas ofrece las predicciones más estables y muestra la varianza
de error más baja. Sin embargo, las ventajas de la red neuronal se compensan en parte por la búsqueda
de hiperparámetros que requiere más tiempo en comparación con el modelo lineal, que es fácil de
aplicar y muestra un rendimiento comparativo en algunos casos.
Finalmente, las proporciones de dureza disminuyen el error de predicción en comparación con el
uso de promedios de tasas de penetración. Esto subraya la importancia de los enfoques de composición
para variables geometalúrgicas no aditivas. Una conclusión clave es que el enfoque de composición que
se muestra no se limita a las variables de dureza del mineral. En cambio, es concebible utilizar enfoques
de composición para otras variables no aditivas (geometalúrgicas) también.
El trabajo futuro tiene como objetivo crear más modelos de predicción basados en datos de respuestas
metalúrgicas en complejos mineros utilizando datos de producción generados en las minas y plantas de
procesamiento. Además de la predicción demostrada del rendimiento de la trituración, se debe considerar la
predicción basada en datos de la recuperación de metales, el consumo de reactivos y otros factores de ingresos
y costos. La integración de estos modelos de predicción en los procesos de toma de decisiones, como la
programación de la producción a corto plazo, es pertinente para cumplir los objetivos de producción clave en
las cadenas de valor de los minerales.

Contribuciones de autor:Conceptualización, CB y RD; metodología, CB; software, CB; validación, CB y

RD; análisis formal, CB; investigación, CB; recursos, RD; curación de datos, CB; redacción—preparación
del borrador original, CB; redacción—revisión y edición, CB y RD; visualización, CB; supervisión, RD;
administración de proyectos, RD; adquisición de fondos, RD Todos los autores han leído y están de
acuerdo con la versión publicada del manuscrito.

Fondos:Esta investigación fue financiada por el Consejo Nacional de Investigación en Ciencia e

Ingeniería de Canadá (NSERC) CRD Grant CRDPJ 500414-16, NSERC Discovery Grant 239019 y el consorcio
de la industria minera COSMO (AngloGold Ashanti, AngloAmerican, BHP, De Beers, IAMGOLD, Kinross,
Minería Newmont y Vale).

Expresiones de gratitud:Un agradecimiento especial a AngloGold Ashanti Limited y Tropicana Gold

Mine (AngloGold Ashanti Australia Ltd., 70 % y gerente, IGO Ltd., 30 %), en particular, Mark Kent, Tom
Wambeke, Aaron Caswell, Johan Viljoen y Louis Cloete. por proporcionar los datos utilizados en este
estudio y colaboración de larga data.

Conflictos de interés:Los autores declaran no tener conflicto de intereses.

Referencias
1. Moradi Afrapoli, A.; Askari-Nasab, H. Sistemas de gestión de flotas mineras: una revisión de modelos y algoritmos.En t. J. min. Reclamar
Reinar.2017,33, 42–60. [Referencia cruzada]
2. Rai, P.; Schunnesson, H.; Lindqvist, Pensilvania; Kumar, U. Una descripción general de la técnica de medición durante la perforación y su alcance en la
industria de la excavación.J. Inst. Ing. Ser. D2015,96, 57–66. [Referencia cruzada]
3. Lessard, J.; De Bakker, J.; McHugh, L. Desarrollo de la clasificación de minerales y su impacto en la economía del procesamiento de minerales.Minero. Ing. 2014,sesenta y cinco, 88–97. [
Referencia cruzada]
4. Williams, SR Una perspectiva histórica de la aplicación y el éxito de las metodologías geometalúrgicas. En Actas de la Segunda
Conferencia Internacional de Geometalurgia de AusIMM, Brisbane, Australia, 30 de septiembre al 2 de octubre de 2013; AusIMM:
Carlton, Australia, 2013; págs. 37–47.
5. Dobby, G.; Bennett, C.; Kosick, G. Avances en el diseño y simulación de circuitos SAG aplicados: el modelo de bloque de mina. En Proceedings of the
International Autogenous and Semi-Autogenous Grinding Technology—SAG 2001, Vancouver, BC, Canadá, 30 de septiembre—3 de octubre de
2001; Volumen 4, págs. 221–234.
6. Bueno, M.; Foggiatto, B.; Lane, G. Geometalurgia aplicada en trituración para minimizar los riesgos de diseño. En Actas de la 6.ª Conferencia
Internacional sobre Molienda Autógena y Semi-Autógena y Tecnología de Rodillos de Molienda de Alta Presión, Vancouver,
BC, Canadá, septiembre de 2015; Universidad de Columbia Británica (UBC): Vancouver, BC, Canadá, 2015; Volumen 40, págs. 1–19.
7. McKay, N.; Vann, J.; Ware, W.; Morley, W.; Hodkiewicz, P. Geometalurgia estratégica y táctica: un proceso sistemático para agregar y mantener el
valor de los recursos. En Actas de la Tercera Conferencia Internacional de Geometalurgia de AUSIMM, Perth, Australia, 15 y 16 de junio de
2016; AusIMM: Carlton, Australia; págs. 29–36.
8. Mwanga, A.; Rosenkranz, J.; Lamberg, P. Pruebas del comportamiento de trituración de minerales en el contexto geometalúrgico: una revisión. Minerales2015
,5, 276–297. [Referencia cruzada]
9. Bond, FC La Tercera Teoría de la Conminución.Trans. AIME mín. Ing.1952,193, 484–494.
10. Cálculos de trituración y molienda Bond, FC Parte 1.Hermano química Ing.1961,6, 378–385.
Minerales2021,11, 1257 18 de 19

11. Starkey, J.; Dobby, G. Aplicación del índice de energía MinnovEX SAG en cinco plantas SAG canadienses.Molienda Semi Autógena
Autógena.1996, 345–360.
12. Morrell, S. Predicción de la energía específica de molinos autógenos y semiautógenos a partir de muestras de núcleos de perforación de diámetro pequeño. Minero. Ing.
2004,17, 447–451. [Referencia cruzada]
13. Amelunxen, P.; Berríos, P.; Rodriguez, E. La prueba del índice de molienda SAG.Minero. Ing.2014,55, 42–51. [Referencia cruzada]
14. Dominio, Carolina del Sur; O'Connor, L.; Parbhakar-Fox, A.; Vidrio, HJ; Purevgerel, S. Geometallurgy—A Route to More Resilient Mine Operations.
Minerales2018,8, 560. [Referencia cruzada]
15. Flores, L. Modelo de dureza y reconciliación de modelos de rendimiento con resultados de planta en Minera Escondida Ltda., Chile.Minero SGS.
serv. tecnología Toro.2005,5, 1–14.
16. Bulled, D.; Leriche, T.; Blake, M.; Thompson, J.; Wilkie, T. Pronóstico de producción mejorado a través del modelado geometalúrgico en
Iron Ore Company of Canada. En Actas de la 41.ª Reunión Anual de Procesadores de Minerales Canadienses, Ottawa, ON, Canadá, 20–
22 de enero de 2009; págs. 279–295.
17. Keeney, L.; Walters, SG; Kojovic, T. Mapeo geometalúrgico y modelado del rendimiento de trituración en el depósito de pórfido este de
Cadia. En Actas de la Primera Conferencia Internacional de Geometalurgia de AusIMM, Brisbane, Australia, 5 al 7 de septiembre de
2011; AusIMM: Carlton, Australia, 2011; págs. 5–7.
18. Alruiz, OM; Morell, S.; Suazo, CJ; Naranjo, A. Una aproximación novedosa al modelado geometalúrgico del circuito de molienda de
Collahuasi.Minero. Ing.2009,22, 1060–1067. [Referencia cruzada]
19. Keeney, L.; Walters, SG Una metodología para el mapeo geometalúrgico y el modelado de yacimientos. En Actas de la Primera
Conferencia Internacional de Geometalurgia de AusIMM, Brisbane, Australia, 5 al 7 de septiembre de 2011; AusIMM: Carlton,
Australia, 2011; págs. 217–225.
20. Morales, N.; Séguel, S.; CaCeres, A.; jmilvez, E.; alarcon, M. Incorporación de atributos geometalúrgicos e incertidumbre geológica en la
planificación de minas a cielo abierto a largo plazo.Minerales2019,9, 108. [Referencia cruzada]
21. Kumar, A.; Dimitrakopoulos, R. Aplicación de optimización estocástica simultánea con decisiones geometalúrgicas en un complejo
minero de cobre y oro.mín. Tecnología Trans. Inst. mín. Metal.2019,128, 88–105. [Referencia cruzada]
22. Yan, D.; Eaton, R. Propiedades de rotura de mezclas de minerales.Minero. Ing.1994,7, 185–199. [Referencia cruzada]
23. Amelunxen, P. La aplicación del índice de potencia SAG a la caracterización de la dureza del cuerpo mineral para el diseño y optimización de
circuitos de molienda autógena. Tesis de maestría, Universidad McGill, Montreal, QC, Canadá, 2003.
24. Garrido, M.; Ortíz, JM; Villaseca, F.; Kracht, W.; Townley, B.; Miranda, R. Cambio de soporte utilizando variables no aditivas con muestreador Gibbs:
aplicación a la recuperación metalúrgica de minerales sulfurados.computar Geosci.2019,122, 68–76. [Referencia cruzada]
25. Deutsch, JL; Palmer, K.; Alemán, CV; Szymanski, J.; Etsell, TH Modelado Espacial de Propiedades Geometalúrgicas: Técnicas y Caso de
Estudio.Nat. recurso Res.2016,25, 161–181. [Referencia cruzada]
26. Deutsch, CV Modelado geoestadístico de variables geometalúrgicas: problemas y soluciones. En Actas de la Segunda Conferencia Internacional
de Geometalurgia de AusIMM, Brisbane, Australia, 30 de septiembre al 2 de octubre de 2013; AusIMM: Carlton, Australia, 2013; págs. 7–15.

27. van den Boogaart, KG; Konsulke, S.; Tolosana-Delgado, R. Geoestadística no lineal para la optimización geometalúrgica. En Actas de la
Segunda Conferencia Internacional de Geometalurgia de AusIMM, Brisbane, Australia, 30 de septiembre al 2 de octubre de 2013;
AusIMM: Carlton, Australia, 2013; págs. 253–257.
28. Ortíz, JM; Kracht, W.; Pamparana, G.; Haas, J. Optimización del sistema de energía de un molino SAG: integración de la dureza de la roca, la irradiación solar,
el cambio climático y la gestión del lado de la demanda.Matemáticas. Geosci.2020,52, 355–379. [Referencia cruzada]
29. Kumar, A.; Dimitrakopoulos, R. Programación de producción en complejos mineros industriales con nueva información entrante mediante búsqueda de
árboles y aprendizaje de refuerzo profundo.aplicación Cómputo suave.2021,110, 107644. [Referencia cruzada]
30. Ambos, C.; Dimitrakopoulos, R. Integración de predicciones de rendimiento de molinos de bolas geometalúrgicos en la programación de producción
estocástica a corto plazo en complejos mineros.En t. J. min. ciencia Tecnología2021, 1–37, aceptado.
31. Goodfellow, RC; Dimitrakopoulos, R. Optimización global de complejos mineros a cielo abierto con incertidumbre.aplicación Suave. computar
j2016,40, 292–304. [Referencia cruzada]
32. Montiel, L.; Dimitrakopoulos, R. Optimización de complejos mineros con múltiples alternativas de procesamiento y transporte: un enfoque
basado en la incertidumbre.EUR. J.Oper. Res.2015,247, 166–178. [Referencia cruzada]
33. Parque, J.; Kim, K. Uso del rendimiento de perforación para mejorar la eficiencia de rotura de rocas: una parte de los estudios de optimización de mina a molino en una
mina de roca dura.En t. J. min. ciencia Tecnología2020,30, 179–188. [Referencia cruzada]
34. Vezapparambu, V.; Eidsvik, J.; Ellefmo, S. Clasificación de rocas mediante análisis multivariado de datos de medición durante la perforación: hacia una mejor
estrategia de muestreo.Minerales2018,8, 384. [Referencia cruzada]
35. Wambeke, T.; Elder, D.; Miller, A.; Benndorf, J.; Peattie, R. Reconciliación en tiempo real de un modelo geometalúrgico basado en mediciones de rendimiento
de molinos de bolas: un estudio piloto en la mina de oro Tropicana.mín. Tecnología2018,127, 1–16. [Referencia cruzada]
36. Horner, PC; Sherrell, FW La aplicación de técnicas de perforación rotatoria por percusión con chorro de aire en la investigación del sitio.QJ Ing. Geol.1977,10,
207–220. [Referencia cruzada]
37. Sugawara, J.; Yue, Z.; Tham, L.; Ley, K.; Lee, C. Caracterización de rocas erosionadas mediante parámetros de perforación.Poder. Geotecnología. j 2003,40,
661–668. [Referencia cruzada]
38. Yue, ZQ; Lee, CF; Ley, KT; Tham, LG Monitoreo automático de perforación de percusión rotatoria para la caracterización del suelo, ilustrado por un
ejemplo de caso en Hong Kong.En t. J. roca mecánica. mín. ciencia2004,41, 573–612. [Referencia cruzada]
Minerales2021,11, 1257 19 de 19

39. Rosenblatt, F. El perceptrón: un modelo probabilístico para el almacenamiento y la organización de la información en el cerebro.psicol. Rdo.1958,sesenta y cinco, 386–
408. [Referencia cruzada]
40. Hornik, K.; Stichcombe, M.; White, H. Multilayer Feedforward Networks.Red neuronal1989,2, 359–366. [Referencia cruzada]
41. Hornik, K. Capacidades de aproximación de redes de alimentación directa multicapa.Red neuronal1991,4, 251–257. [Referencia cruzada]
42. Bengio, Y.; Grandvalet, Y. Sin estimador imparcial de la varianza de la validación cruzada de K-Fold.J. Mach. Aprender. Res.2004,5, 1089–1105. [
Referencia cruzada]
43. Hastie, T.; Tibshirani, R.; Friedman, J. Los elementos del aprendizaje estadístico.Pronóstico Bayesiano. Din. Modelo.2009,1, 1–694. [Referencia cruzada]
44. Pedregosa, F.; Varoquaux, GV; Gramfort, A.; Miguel, V.; Thirion, B.; Grisel, O.; Blondel, M.; Prettenhofer, P.; Weiss, R.; duburgo,
V.; et al. Journal of Machine Learning Research: Prefacio.J. Mach. Aprender. Res.2011,12, 2825–2830.
45. Liu, DC; Nocedal, J. Sobre el Método BFGS de Memoria Limitada para Optimización a Gran Escala.Matemáticas. Programa.1989,45, 503–528. [
Referencia cruzada]
46. Goodfellow, I.; Bengio, Y.; Courville, A.Aprendizaje profundo; MIT Press: Cambridge, MA, EE. UU., 2016.
47. Carrasco, P.; Chilmis, J.-P.; Smiguret, S. Aditividad, recuperación metalúrgica y grado. En Actas del 8º Congreso Internacional de
Geoestadística; Santiago, Chile, 1 al 5 de diciembre de 2008; pag. 10
48. Cobarde, S.; Vann, J.; Dunham, S.; Steward, M. El marco de respuesta primaria para variables geometalúrgicas. En Actas de las Actas de
la Séptima Conferencia Internacional de Geología Minera, Perth, Australia, 17–19 de agosto de 2009; AusIMM: Carlton, Australia, 2009;
págs. 109–113.
49. Ambos, C.; Dimitrakopoulos, R. Programación conjunta estocástica de la producción a corto plazo y optimización de la gestión de flotas para complejos
mineros.Óptimo Ing.2020,21, 1717–1743. [Referencia cruzada]