Plataforma de Optimización de Procesos Mineros
Plataforma ML end-to-end para optimizar procesamiento mineral — molienda SAG, flotación, espesamiento — desplegada en múltiples divisiones mineras. Entregó +100 TPH de aumento de throughput y mejoras medibles en recuperación de cobre.
Contexto de Negocio
En la minería de cobre a gran escala, la economía es contundente: una mejora de 1% en recuperación de cobre o un aumento de 100 TPH en throughput de molienda SAG se traduce en decenas de millones de dólares en ingresos anuales adicionales. Sin embargo, las decisiones operacionales — velocidad de molino, dosificación de reactivos de flotación, configuraciones de espesadores — eran tradicionalmente tomadas por operadores basándose en experiencia personal y transferencia de conocimiento turno a turno, sin mecanismo sistemático para capturar, escalar u optimizar esta expertise entre sitios.
Valor Estratégico
La plataforma entregó resultados medibles a escala industrial: aumento de throughput superior a +100 TPH en molienda SAG y mejoras medibles en recuperación de cobre en circuitos de flotación. Construida sobre pipelines Kedro desplegados en Azure Databricks, incorpora recomendaciones basadas en datos en la cadencia productiva de 4 horas a través de múltiples divisiones mineras. El enfoque ensemble (XGBoost, gradient boosting, redes neuronales) con seguimiento de experimentos MLflow permite selección reproducible de modelos, mientras el motor de recomendaciones genera recomendaciones de setpoint con intervalos de confianza — para que los operadores vean no solo qué cambiar, sino cuán confiado está el modelo. El despliegue multi-división requirió balancear metodología estandarizada con calibración específica por división, un requisito dual que moldeó toda la arquitectura de la plataforma.
El Desafío
Las operaciones mineras a gran escala involucran procesos complejos e interconectados. Molinos SAG, bancos de flotación y espesadores tienen docenas de variables controlables y cientos de lecturas de sensores, creando un problema de optimización de alta dimensionalidad que evoluciona con las características del mineral. Una mejora de 1% en recuperación se traduce en decenas de millones USD anuales.
Nuestro Enfoque
Pipeline modular Kedro: (1) Ingesta de datos desde SCADA vía Azure Data Factory, (2) Ingeniería de características informada por dominio — estadísticas rodantes, variables de rezago, detección de régimen, (3) Entrenamiento de modelo ensemble — XGBoost, gradient boosting, redes neuronales en ventanas históricas, (4) Simulación de escenarios generando recomendaciones de setpoint con intervalos de confianza, (5) Dashboard operacional con seguimiento de KPIs y ciclos de retroalimentación experta.
Indicadores Clave de Rendimiento
| KPI | Línea Base | Resultado | Impacto |
|---|---|---|---|
| Base de Decisión | Experiencia del operador, variabilidad por turno | Recomendaciones basadas en datos cada 4h | Decisiones consistentes y auditables |
| Realización de Valor | Potencial de mejora desconocido | +100 TPH throughput, ganancias de recuperación | Valor anual de producción cuantificable |
| Escalabilidad Multi-división | Soluciones específicas por sitio | Plataforma compartida configurable | Costo de implementación por sitio reducido |
Propietario — código fuente no disponible públicamente
Arquitectura
mining optimization
Stack Tecnológico
Los recursos visuales de este proyecto no están disponibles públicamente.
Este es un proyecto propietario. El código fuente y recursos externos no están disponibles públicamente.