Predicción de demanda de bolas de molienda en concentradoras Minera Escondida mediante algoritmos de data mining

Abstract

Minera Escondida se convirtió en 2017 en la primera faena minera que opera tres concentradoras de manera simultánea, logrando procesar más de 400.000 toneladas por día. Uno de los insumos críticos de las concentradoras son las bolas de molienda, las cuales se utilizan en todos los procesos de molienda del mineral. Para el año fiscal 19 se destinó un presupuesto de $111,5 MUSD en este insumo, pero finalmente se gastó $93,3 MUSD; lo que representó el 56,1% de la dinámica de gastos en insumos de concentradoras para ese año. El proceso de carguío de bolas de molienda se realiza con una frecuencia diaria y actualmente el área operacional para realizar la reposición de bolas utiliza la tasa de desgaste de bolas; en gramos por toneladas para las bolas de 5,5 en molinos SAG y en kilowatts por toneladas para las bolas 3 en molinos de bolas. Esta metodología de reposición de bolas no considera otros factores en el consumo de bolas como lo son la mineralogía de alimentación, índices de dureza (SPI, SAG) y elementos menores (As, Mo, Au y Ag), los cuales dan origen a la hipótesis de este trabajo: estudiar cómo estas variables impactan en el consumo de bolas de molienda. Entonces, el objetivo principal del presente trabajo es: Desarrollar modelos predictivos de consumo de bolas de molienda, para proyectar la demanda futura en Minera Escondida, mediante algoritmos de minería de datos. Para cumplir con los objetivos se desarrollaron 3 modelos de machine learning: Bagging Trees, Random Forest y Gradient Boosting Trees para consumo de bolas 3 y 5,5 en las concentradoras: Laguna Seca 1, Laguna Seca 2 y Los Colorados, resultando ser GBT el que mejor ajusta independiente de la concentradora y molino, de acuerdo a métricas RMSE, Rsquared y MAPE. Los algoritmos de GBT entrenados para explicar el consumo de bolas generaron modelos que de haber sido utilizados para realizar el forecast del año fiscal 2019, se podría haber alcanzado un accuracy de 95,37% y 95,69 para bolas 3 y 5,5 respectivamente. Esto, habría reducido el presupuesto de este insumo estratégico en $23.082.978 USD, lo que se traduce en un ahorro efectivo de $8.735.088 USD. Finalmente, incluir nuevas tecnologías de analytics y data science permiten agregar valor en una industria que constantemente se enfoca netamente en producción, privilegiando la eficacia sobre la eficiencia. Automatizar procesos de análisis de datos aumenta la eficiencia y permite dedicar menos tiempo en análisis y reportabilidad, enfocando recursos en gestión y toma de decisiones. La gestión del cambio es una etapa fundamental en la utilización de estas nuevas tecnologías.