Inteligencia artificial y Machine Learning en la predicción del P80

El P80, tamaño de partícula clave en molienda, determina la eficiencia de la liberación mineral y la recuperación metalúrgica. Sin embargo, los analizadores físicos presentan limitaciones ante la alta demanda y las fallas recurrentes en planta. Este curso muestra cómo la Inteligencia Artificial y el Machine Learning pueden predecir el P80 mediante el desarrollo de sensores virtuales, reduciendo fallas operativas y mejorando la continuidad en planta.

2 horas

Ciencia de Datos e Inteligencia Artificial

On Demand

Lo que aprenderás

Inteligencia Artificial Machine Learning minería digital molienda procesamiento minerales CatBoost Random Forest soft sensors minería optimización procesos minería predictiva

Contenido del curso

5 módulos · 23 lecciones

Evolución de paradigmas – De la experimentación a la fusión de datos.

Definiciones clave – IA, Machine Learning y Deep Learning.

Tipos de aprendizaje – Supervisado, no supervisado y por refuerzo.

Importancia del P80 en molienda – Relación con la recuperación metalúrgica.

Caso Minera Las Bambas – Digitalización y centro remoto de operaciones.

Limitaciones de analizadores físicos – Problemas en alta demanda.

Inteligencia artificial y Machine Learning en la predicción del P80

Lo que aprenderás

Contenido del curso

Módulo 1 – Fundamentos de IA, Machine Learning y el P80 en minería

Evolución de paradigmas – De la experimentación a la fusión de datos.

Definiciones clave – IA, Machine Learning y Deep Learning.

Tipos de aprendizaje – Supervisado, no supervisado y por refuerzo.

Importancia del P80 en molienda – Relación con la recuperación metalúrgica.

Módulo 2 – Contexto y problemática en planta de molienda

Caso Minera Las Bambas – Digitalización y centro remoto de operaciones.

Limitaciones de analizadores físicos – Problemas en alta demanda.

Fallas recurrentes – Sobrecargas, granulometrías elevadas y atoros.

Necesidad de un sensor virtual – Alternativa tecnológica para predicción.

Módulo 3 – Desarrollo del modelo de Machine Learning

Flujo de trabajo – Comprensión, recopilación y preprocesamiento.

Limpieza de datos – Eliminación de atípicos, nulos y filtrado.

Selección de variables – Algoritmos de feature selection (BorutaShap).

Estrategias de muestreo y reducción de dimensionalidad.

Entrenamiento de modelos – Comparación entre distintos algoritmos de regresión.

Módulo 4 – Optimización y validación del modelo predictivo

Métricas estadísticas – R², RMSE y MAE.

Competencia de algoritmos – Regresión lineal, Random Forest, redes neuronales, CatBoost.

Optimización de hiperparámetros – Ajustes para mejorar resultados.

Resultados destacados – CatBoost con R² ≈ 0.9.

Validación operativa – Aplicación en distintas líneas de ciclones (1–4).

Módulo 5 – Implementación industrial y perspectivas futuras

Integración en sistemas de control (PI System).

Visualización en tiempo real – Comparación con sensores físicos.

Beneficios operativos – Reducción de fallas, continuidad y soporte a decisiones.

Limitaciones – Reentrenamiento periódico de modelos.

Perspectivas futuras – Cloud computing, nuevos algoritmos y mayor base de datos.