Colección de datos

Se organizó una prueba de flotación para una

muestra de molienda de cobre con un peso 1.3 kg,
(Laboratorio de procesamiento de minerales
FIGMM)

Se añadió a la celda los reactivos de colección,

espumante y base. Se usó MIBC, AZ-11 y Cal.
Modificación del tamaño de burbujas.

Comprensión de datos

Cada clase de burbuja está asociada con un valor,

es decir, Clase 1 burbuja pequeña compuesta por
34 imágenes, Clase 2 burbuja mediana compuesta
por 40 imágenes y Clase 3 burbuja grande
compuesta por 59 imágenes.

Preparación de datos y modelo

Se realiza la creación del set de datos. Se utiliza

aumento de datos y transformaciones para
maximizar la entrada. Se procede con la
redimensión de todos los datos a imágenes de
224x224 pixeles. Utilizamos el modelo para
clasificación de imágenes de Tensorflow,
mobilenetv2 – tf2. Se realiza el entrenamiento con
un modelo de tipo secuencia.

Aplicación

Se realiza la categorización. A las imágenes se le

aplicarán las redimensiones y se condicionará
automáticamente para realizarse las predicciones.

Se pueden realizar tantas categorizaciones como

imágenes se dispongan para las pruebas.

Nota. Corresponden los valores 0, 1, 2 a

respectivas categorizaciones Clase 1, Clase 2 y
Clase 3
En la industria minera, el análisis de la capa
superficial de espuma desempeña un papel
esencial para comprender el
comportamiento de los sistemas de flotación
de burbujas en la extracción de minerales.
Se han desarrollado analizadores
especializados para clasificar el proceso,
controlar la dosificación de reactivos y
regular el flujo de aire en las celdas de
flotación. La implementación creciente de
inteligencia artificial, específicamente el
aprendizaje automático, ha demostrado su
eficacia en la clasificación de imágenes, y
este estudio presenta un caso concreto en la
industria minera.
Utilizando herramientas de aprendizaje
automático, se busca obtener un modelo
basado en imágenes capturadas en las
celdas de flotación, con el propósito último
de mejorar la eficiencia del proceso, reducir
costos y elevar tanto la productividad como
la calidad en la extracción de minerales.
METODOLOGIA
MACHINE
LEARNING
Machine Learning, una rama de la
Inteligencia Artificial, se enfoca en
desarrollar algoritmos para sistemas
computacionales, permitiéndoles realizar
tareas sin instrucciones explícitas. Estos
algoritmos analizan datos históricos,
identifican patrones y generan resultados
precisos a partir de datos de entrada.
En su esencia, Machine Learning es una
disciplina científica que crea sistemas
capaces de aprender automáticamente al
identificar patrones en grandes conjuntos de
datos. La máquina que aprende es un
algoritmo que examina datos y puede prever
comportamientos futuros. La automatización
implica que estos sistemas mejoran
autónomamente con el tiempo, sin
necesidad de intervención humana.
 UNIVERSIDAD NACIONAL DE INGENIERIA
FACULTAD DE INGENIERÍA GEOLOGICA MINERA Y METALURGICA

FERIA Y CONCURSO DE PROYECTOS 23-2

FLOTACION

La flotación es un proceso físico-químico

que separa minerales sulfurados del metal y
otros componentes minerales presentes en Mejoramiento de Flotación con
la roca original. Durante este proceso, el Análisis de Imagen
mineral molido se adhiere a burbujas de aire
introducidas previamente, logrando así la André Ramírez; Francis Cabrejos;
separación del mineral de interés, como el
Arturo Lloclla; Cinthia Valentín
cobre, de otros minerales.
INGENIERIA ELECTRICA
La adhesión del mineral a las burbujas de
aire depende de sus propiedades Juan Carlos Guerrero Villalba
hidrofílicas (afinidad con el agua) y
aerofílicas (afinidad con el aire). Este Escuela Profesional de Ingeniería, FIGMM
método se emplea para separar minerales
valiosos de aquellos sin valor comercial,
conocidos como "gangas". En resumen, la
flotación aprovecha las propiedades de los
minerales para lograr una separación
eficiente.