Un estudio publicado en la revista Minerals Engineering revela cómo el uso de inteligencia artificial y análisis de datos permitió optimizar el circuito de flotación de la Ma’aden Barrick Copper Company (MBCC) en Arabia Saudita, logrando mejoras significativas en la recuperación de cobre y en la eficiencia global de la planta.
Te puede interesar
El trabajo, titulado “Data-driven strategies to optimise Ma’aden Barrick Copper Company (MBCC) flotation circuit – The power of visualisation and machine learning in data mining”, fue desarrollado por T. Ncube (Murdoch University, Australia), P. Olawoore (Optimaviz Pty Ltd), P. Maphosa (Industrial Data Analytics Optima, Sudáfrica), junto con ingenieros de MBCC, S. Mogashoa, F. AlJohani y M. Swanepoel.
Datos, visualización y aprendizaje automático al servicio de la minería
El equipo utilizó Optimaviz, una plataforma de análisis de datos industriales basada en inteligencia artificial que permite procesar información operativa sin necesidad de programación. Con datos históricos del circuito rougher de flotación de la mina subterránea Jabal Sayid, se identificaron los parámetros más críticos para mantener un desempeño óptimo del proceso.
Los resultados muestran que mantener la pulpa de alimentación al ciclón entre 65% y 71% de sólidos es clave para lograr leyes combinadas de concentrado superiores al 24% y leyes de colas menores al 0,15%, indicadores que definen un alto rendimiento operacional.
Asimismo, el estudio determinó que el grado del primer concentrado debe superar el 26%, y que la eficiencia de las tres primeras celdas de flotación rougher es determinante para el desempeño total de la planta.
Aprendizaje automático con precisión del 96%
Mediante modelos de machine learning, específicamente con un algoritmo Random Forest, los investigadores alcanzaron una precisión del 96% al predecir condiciones de alto y bajo rendimiento. Las variables más influyentes fueron:
- Porcentaje de sólidos en la alimentación al ciclón,
- Masa extraída (mass pull), y
- Ley del primer concentrado.
El modelo permitió además visualizar de forma interactiva los cambios de comportamiento del sistema, optimizando la toma de decisiones sin necesidad de modificar físicamente el circuito.
Hacia una minería más inteligente
El estudio demuestra que la combinación de visualización avanzada de datos y aprendizaje automático puede transformar la gestión de procesos mineros, permitiendo a ingenieros y metalurgistas ajustar parámetros en tiempo real y mejorar la productividad sin requerir conocimientos de programación.
Según los autores, esta metodología puede aplicarse a otras operaciones mineras, abriendo el camino hacia una minería más digital, eficiente y sostenible, basada en la analítica predictiva y la optimización automatizada.
Referencia científica:
Ncube, T., Olawoore, P., Maphosa, P., Mogashoa, S., AlJohani, F., & Swanepoel, M. (2025). Data-driven strategies to optimise Ma’aden Barrick Copper Company (MBCC) flotation circuit – The power of visualisation and machine learning in data mining. Minerals Engineering, 221, 109128.
https://doi.org/10.1016/j.mineng.2024.109128
