Plantas de beneficio
Estimación de la dosificación de reactivos para
mejorar la recuperación en un proceso de flotación
mediante el Algoritmo de Árbol de Decisión por
Regresión Aprendizaje Supervisado Machine Learning
Por: Pedro Castellares Torres, Machine
Learning en el Massachusetts Institute
Technology.
Resumen
El mayor valor que puede obtener una empre-
sa al utilizar la minería de datos o al usar un
análisis de información más profundo está re-
lacionado con la predicción de determinados
escenarios con mayor precisión, pero uno de
los errores más comunes para las organiza-
ciones que están pensando en implementar
Machine Learning o Data Mining, tiene que
ver con dos extremos. Uno es aquel que dice:
Esquema del Massachusetts Institute of Technology (MIT) Cambridge Estados Unidos.
Figura 1. Sistema de gestión de datos.
6 MINERÍA / JUNIO 2022 / EDICIÓN 537 MINERÍA la mejor puerta de acceso al sector minero
"no estamos seguros de que esto realmente va
a funcionar" y el otro es que "va a funcionar
perfectamente".
Debemos tener muy en cuenta que el mundo del
Machine Learning, es probabilístico, no determi-
nístico. Entonces, es importante entender que se
está cambiando de un paradigma F(Xi) = C+aXi
+ bXi + ... +zXi, a otro donde se hace un entre-
namiento de un algoritmo. En otras palabras, el
Machine Learning se centra en buscar patrones
para elaborar predicciones.
Los algoritmos que se utilizan dependen en bue-
na parte del tipo de datos que se está anali-
zando y del resultado que se está tratando de
predecir o de analizar. Por lo tanto, cada proce-
so es diferente, donde tenemos unos datos para
analizar y que se requiere realizar una explora-
ción profunda de esa data. En ese sentido, no
es uno el que decide cuál es el algoritmo a usar,
sino que son los datos los que determinan el al-
goritmo que produce los resultados basados en
los datos que existen.
Para la estimación de la dosificación de reacti-
vos y mejorar la recuperación en cualquier pro-
Abstract
The greatest value a company can obtain
by using data mining or using deeper in-
formation analysis is related to predicting
certain scenarios with greater accuracy,
but one of the most common mistakes for
organizations that contemplate implemen-
ting Machine Learning or Data Mining,
has to do with two extremes. One involves
thinking that: “We're not sure if this is rea-
lly going to work” and the other that “it is
going to work perfectly.”
We must keep in mind that the world of Ma-
chine Learning is probabilistic, not determinis-
tic. So, it is important to understand that we
are changing from a paradigm F(Xi) = C+aXi
+ bXi + ... +zXi, to another where an algori-
thm is trained. In other words, Machine Lear-
ning focuses on looking for patterns in order to
make predictions.
The algorithms used depend largely on the
type of data being analyzed and the result
we are trying to predict or analyze. Therefo-
re, each process is different, where we have
some data to analyze and a deep exploration
of that data is required. In that sense, you are
not the one who decides which algorithm to
use, but it is the data that determines the al-
MINERÍA la mejor puerta de acceso al sector minero
ceso de flotación, es posible aplicar el Algoritmo
de Árbol de Decisión por Regresión mediante un
Aprendizaje Supervisado, ya que es una forma
de representación sencilla para encontrar gru-
pos homogéneos según una cierta variable de
respuesta.
Esta técnica permite representar de forma grá-
fica una serie de reglas sobre la decisión que
se debe tomar en función a una característica
gorithm that produces the results based on the
existing data.
To estimate the reagent dosage and improve
recovery in any flotation process, it is possible
to apply the Regression Decision Tree Algorithm
by Supervised Learning, since it is a simple way
of representation to find homogeneous groups
according to a certain response variable.
This technique allows to represent graphically
a series of rules about the decision to be taken
according to a main characteristic defined
by the algorithm (primary node) and can be
applied for the following variables in a flota-
tion process, such as:
 Primary collector dosage.
 Secondary collector dosage.
 Dosage of primary foaming agent.
 Dosage of secondary foaming agent.
 Lime dosage.
 Dispersant dosage.
 Solids % in Ro Scv pulp.
 P80 to the flotation circuit.
 Ore type, etc.
This algorithm can be applied in different sof-
tware, such as Python, Studio R, MatLab, C/
C++, Cart Regression, Xlstat, etc.
MINERÍA / JUNIO 2022 / EDICIÓN 537 7
principal definida por el algoritmo (nodo pri-
mario) y puede aplicarse para las siguientes
variables en un proceso de flotación, como
son:
 Dosificación del colector primario.
 Dosificación de colector secundario.
 Dosificación de espumante primario.
 Dosificación de espumante secundario.
 Dosificación de cal.
 Dosificación de dispersantes.
 %sólidos en la pulpa Ro Scv.
 P80 al circuito de flotación.
 Tipo de mineral, etc.
Este algoritmo puede ser aplicado en diferentes
software, como Python, Studio R, MatLab, C/
C++, Cart Regresión, Xlstat, etc.
Figura 2. Visualización de datos originales de cuatro variables de 12. Se usó un formato condicional
de valor estadístico para identificar valores fuera de control y de especificación, así como residuos
grandes.
8 MINERÍA / JUNIO 2022 / EDICIÓN 537
Objetivo
Estimar las dosificaciones adecuadas de reacti-
vos para mejorar la recuperación de cualquier
proceso de flotación, mediante la aplicación del
Algoritmo de Árbol de Decisión por Regresión
de Aprendizaje Supervisado Machine Learning.
Desarrollo del algoritmo
Sistema de gestión de datos
El sistema de gestión de datos es la herramienta
básica que da soporte a todas las tareas relacio-
nadas con el aprendizaje automático (Machine
Learning). Gracias a este, podemos obtener los
datos que constituyen el punto de partida de esta
disciplina, y solo a través de él podemos lograr
los objetivos propuestos y tomar decisiones ba-
sándonos en los datos. La Figura 1 muestra los
MINERÍA la mejor puerta de acceso al sector minero
tres elementos básicos de un sistema de gestión
de datos que deben ser considerados de suma
importancia por las actuales empresas.
Hoy, sin embargo, la mayoría de los datos no
cumplen los criterios básicos de los denomina-
dos "datos correctos". Las razones incluyen no
conocer el origen, equipos de medición mal ca-
librados, procedimientos demasiado complejos
y errores humanos como el desconocimiento del
proceso a estudiar. Como compensación, el in-
geniero de proceso debe limpiar la información
antes de entrenar el modelo predictivo. Este es
un trabajo tedioso y arduo que ocupa el 80%
del tiempo total de la evaluación.
Visualización de datos
En la Figura 2 se muestra la visualización de da-
tos originales, donde se puede usar un formato
condicional de valor estadístico para identificar
valores fuera de control y de especificación, así
como residuos grandes. Teniendo como premisa
principal el conocimiento de cualquier proceso
de flotación, se debe realizar en primer lugar la
limpieza y segmentación de datos, la cual debe
ser definido en un periodo y estableciendo las
condiciones de estudio y alcance del proceso.
Para este modelo de aplicación de Machine
Learning en un proceso de flotación, podemos
considerar las variables que afectan comúnmen-

Figura 3. Primera división del Algoritmo del Árbol de Decisión por Regresión
(determinación del nodo primario = %magnesio contenido en el mineral).

Tabla 1. Condiciones Generales de Estabilidad de un Proceso de Flotación de Cobre

%Mg < ~1.5% %Mg > ~1.5%
Tonelaje (TMSD) Estable y de diseño Estable y de diseño
Tox (%) 3.5 - 10.5 3.5 - 10.5
Ley Cu (%) 0.37 - 1.15 0.37 - 1.15
Dosificación de Cal (g/t) pH 9.0- 10.0 pH 10.0- 10.8
Sólidos en las Celdas Ro Scv (%) 34.0 - 36.0 30.0 - 34.0
P80 al Circuito de Flotación (um) 250.0 - 325.0 220.0 - 310.0

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / JUNIO 2022 / EDICIÓN 537 9
te a un circuito de cobre, como por ejemplo,
pueden ser las empresas mineras del sur del Perú
como Antapaccay, Cerro Verde, Hudbay, Las
Bambas, etc., de las cuales debemos definir las
condiciones de tonelajes, rango de oxidación
de mineral (%tox), rango de %Cu, granulome-
trías, rango de pH y demás variables que de-
penderán del objetivo a analizar en un proceso
de flotación.
Todo esto permitirá reducir el número de regis-
tros iniciales, por ejemplo, para esta aplicación,
se pudo reducir de 6,594 a 1,780 registros que
realmente tienen la denominación de “datos co-
rrectos” y que sirven para el siguiente paso, que
Técnica: Aprendizaje Supervisado
Algoritmo: Árbol de Decisión
Tipo: Clasificación por Regresión
Método: CART Regresión
Validación: Tipo Cruzada
Nodo Primario: %Mg
Condición; %Mg < ~1.5%
Figura 4. Predicción de la dosificación del co-
lector primario para un mineral con contenido
de magnesio menor a ~1.5% (máximo hasta
~29.8g/t).
10 MINERÍA / JUNIO 2022 / EDICIÓN 537
es el uso del Algoritmo de Árbol de Decisión
por Regresión Aprendizaje Supervisado Machi-
ne Learning.
Algoritmo de Árbol de Decisión
La construcción del Árbol de Decisión por Re-
gresión Aprendizaje Supervisado Machine
Learning sigue un enfoque de división binaria
recursiva y analiza la mejor variable para la
ramificación solo en el proceso de división ac-
tual.
Utilizando el CART Regresión, del total de da-
tos (1,780 registros y 12 variables) se tomó de
manera aleatoria un porcentaje para el entrena-
Técnica: Aprendizaje Supervisado
Algoritmo: Árbol de Decisión
Tipo: Clasificación por Regresión
Método: CART Regresión
Validación: Tipo Cruzada
Nodo Primario: %Mg
Condición; %Mg > ~1.5%
R-cuadrado: 0.5915
Figura 5. Predicción de la dosificación del co-
lector primario para un mineral con contenido
de magnesio mayor a ~1.5% (máximo hasta
~39.3g/t).
MINERÍA la mejor puerta de acceso al sector minero
miento del algoritmo, obteniéndose el siguiente
resultado para el caso general planteado de la
recuperación de cobre (ver Figura 3):
 El algoritmo definió como nodo primario de
división, al contenido de magnesio, el que
correlaciona con el análisis de arcillas presen-
te en el mineral con un valor entre 1.4625%
y 1.535% (%Mg ~1.5%.).
A partir de este primer nodo, podemos estimar
las dosificaciones de reactivos por ejemplo para:
 Dosificación del colector primario.
 Dosificación de colector secundario.
 Dosificación de espumante primario.
 Dosificación de espumante secundario.
Técnica: Aprendizaje Supervisado
Algoritmo: Árbol de Decisión
Tipo: Clasificación por Regresión
Método: CART
Validación: Tipo Cruzada
Nodo Primario: %Mg
Condición; %Mg < ~1.5%
R-cuadrado: 0.5014
Figura 6. Predicción de la dosificación del co-
lector secundario para un mineral con conteni-
do de magnesio menor a ~1.5% (máximo hasta
~4.5g/t).
MINERÍA la mejor puerta de acceso al sector minero
Podemos realizar las evaluaciones estableciendo
las condiciones generales de estabilidad (ver Tabla
1) que debe tener un proceso de flotación de cobre.
Resultados
Dosificación del colector primario
La dosificación del reactivo colector primario
para mejorar la recuperación de cobre mediante
el Algoritmo de Árbol de Decisión, para la con-
dición de mineral con contenido de magnesio
menor a ~1.5% debería ser hasta un máximo de
~29.8g/t (ver Figura 4).
Para la condición de mineral con contenido
de magnesio mayor a ~1.5%, el algoritmo
Técnica: Aprendizaje Supervisado
Algoritmo: Árbol de Decisión
Tipo: Clasificación por Regresión
Método: CART
Validación: Tipo Cruzada
Nodo Primario: %Mg
Condición; %Mg > ~1.5%
R-cuadrado: 0.5385
Figura 7. Predicción de la dosificación del colec-
tor secundario para un mineral con contenido de
magnesio mayor a ~1.5% (mayor a ~8.8g/t).
MINERÍA / JUNIO 2022 / EDICIÓN 537 11
ha estimado una dosificación de colector
primario hasta un máximo de ~39.3g/t (ver
Figura 5).
Dosificación de colector secundario
La dosificación del reactivo colector secundario
para mejorar la recuperación de cobre mediante
el Algoritmo de Árbol de Decisión, para la con-
dición de mineral con contenido de magnesio
menor a ~1.5% debería ser hasta un máximo de
~4.5g/t (ver Figura 6).
Para la condición de mineral con contenido de
magnesio mayor a ~1.5%, el algoritmo ha esti-
mado una dosificación de colector secundario
mayor a ~8.8g/t (ver Figura 7).
Técnica: Aprendizaje Supervisado
Algoritmo: Árbol de Decisión
Tipo: Clasificación por Regresión
Método: CART
Validación: Tipo Cruzada
Nodo Primario: %Mg
Condición; %Mg > ~1.5%
R-cuadrado: 0.5385
Figura 8. Predicción de la dosificación del espu-
mante primario para un mineral con contenido de
magnesio menor a ~1.5% (mayor a ~37.2g/t).
12 MINERÍA / JUNIO 2022 / EDICIÓN 537
Dosificación de espumante primario
La dosificación del reactivo espumante primario
para mejorar la recuperación de cobre mediante
el Algoritmo de Árbol de Decisión, para la con-
dición de mineral con contenido de magnesio
menor a ~1.5% debería ser mayor a ~37.2g/t
(ver Figura 8).
Para la condición de mineral con contenido de
magnesio mayor a ~1.5%, el algoritmo ha esti-
mado una dosificación de espumante primario
mayor a ~31.6g/t (ver Figura 9).
Dosificación de espumante secundario
La dosificación del reactivo espumante secunda-
rio para mejorar la recuperación de cobre me-
Técnica: Aprendizaje Supervisado
Algoritmo: Árbol de Decisión
Tipo: Clasificación por Regresión
Método: CART
Validación: Tipo Cruzada
Nodo Primario: %Mg
Condición; %Mg > ~1.5%
R-cuadrado: 0.5473
Figura 9. Predicción de la dosificación del espu-
mante primario para un mineral con contenido de
magnesio mayor a ~1.5% (mayor a ~31.6g/t).
MINERÍA la mejor puerta de acceso al sector minero
diante el Algoritmo de Árbol de Decisión, para
la condición de mineral con contenido de mag-
nesio menor a ~1.5% debería ser hasta un máxi-
mo de ~2.9g/t (ver Figura 10).
Para la condición de mineral con contenido de
magnesio mayor a ~1.5%, el algoritmo ha esti-
mado una dosificación de espumante secunda-
rio hasta un máximo de ~3.2g/t (ver Figura 11).
Conclusiones
1. El paso más importante en el uso de algoritmos
de aprendizaje automático es comprender la
información contenida en los datos. Además,
tenemos la tarea de conocer bien el proceso,
Técnica: Aprendizaje Supervisado
Algoritmo: Árbol de Decisión
Tipo: Clasificación por Regresión
Método: CART
Validación: Tipo Cruzada
Nodo Primario: %Mg
Condición; %Mg < ~1.5%
R-cuadrado: 0.5473
Figura 10. Predicción de la dosificación del espu-
mante secundario para un mineral con contenido
de magnesio menor a ~1.5% (máximo hasta a
~2.9g/t).
MINERÍA la mejor puerta de acceso al sector minero
realizar consultas, segmentar y visualizar los
datos. En estas tareas de aprendizaje auto-
mático, debemos enfatizar la importancia de
la visualización de la data. En esencia, los
humanos no tienen la facilidad de asimilar da-
tos numéricos como las máquinas. Más bien,
entendemos la información presentada visual-
mente de manera más natural. Por lo tanto, re-
presentar datos complejos es un desafío para
los expertos en aprendizaje automático. Este
es un trabajo que ocupa el 80% del tiempo
total de evaluación.
2. Los Árboles de Decisión por Regresión son
uno de los algoritmos clasificadores más
Técnica: Aprendizaje Supervisado
Algoritmo: Árbol de Decisión
Tipo: Clasificación por Regresión
Método: CART
Validación: Tipo Cruzada
Nodo Primario: %Mg
Condición; %Mg < ~1.5%
R-cuadrado: 0.5769
Figura 11. Predicción de la dosificación del espu-
mante secundario para un mineral con contenido
de magnesio mayor a ~1.5% (máximo hasta a
~3.2g/t).
MINERÍA / JUNIO 2022 / EDICIÓN 537 13
 Tabla 2. Resultados
Colector Primario
Colector Secundario
Espumante Primario
Espumante Secundario
CONDICIONES
Dosificación de Cal (g/t)
Sólidos en las Celdas Ro Scv (%)
P80 al circuito de flotación (um)
conocidos y usados en las tareas de Data
Mining Machine Learning, ya que son una
forma de representación sencilla para en-
contrar grupos homogéneos según una cierta
variable de respuesta. Esta técnica permitió
representar de forma gráfica una serie de re-
glas sobre la decisión que se debe tomar
en la dosificación de reactivos en un pro-
ceso de flotación, tal como se aplicó para
este ejemplo, la cual podría incrementar la
recuperación de cobre en función al nodo
primario estimado por el algoritmo, el cual
fue el magnesio contenido en el mineral pro-
cesado. Los resultados de esta aplicación
redondeando los valores fueron los que se
muestran en la Tabla 2.
3. El usar este tipo de aprendizaje automático
permitirá crear un modelo inicial que ve todos
los conjuntos de características y el tipo corres-
pondiente de mineral en función al nodo pri-
mario (para este ejemplo fue el %magnesio),
el cual lo determinó sin estar explícitamente
programado para hacerlo. Así, este algoritmo
de aprendizaje automático debe ser alimenta-
do de manera continua, de tal manera que de
forma iterativa continúe aprendiendo de los
14 MINERÍA / JUNIO 2022 / EDICIÓN 537
%Mg < ~1.5% %Mg > ~1.5%
< 30 g/t < 40 g/t
< 5 g/t > 8 g/t
> 37 g/t > 31 g/t
< 3 g/t < 3 g/t
pH 9.0- 10.0 pH 10.0- 10.8
34.0 - 36.0 30.0 - 34.0
250.0 - 325.0 220.0 - 310.0
datos y posibilite encontrar detalles ocultos e
ir mejorando su grado de predicción.
4. Una vez validado el grado de predicción del
modelo, también permitirá establecer rangos
de dosificación de reactivos claros y preci-
sos para poder maximizar la recuperación de
cualquier proceso de flotación (en este caso
de aplicación fue el de cobre), lo que posibili-
taría establecer estrategias operativas para el
proceso de flotación, lo que daría como resul-
tado una reducción en la variabilidad causa-
da por las distintas formas de operar entre los
diferentes grupos de trabajo y además una
posible reducción en costos por consumos de
reactivos.
5. Finalmente podríamos soportarnos en realizar
gráficas de contorno de las principales varia-
bles y ver su impacto en la recuperación de
los elementos valiosos de cualquier proceso
de flotación.
Bibliografía
MIT. Curso de Machine Learning.
Universidad de Ciencias Aplicadas. Curso de
Data Mining.
MINERÍA la mejor puerta de acceso al sector minero