Imagen Cerro Verde

Modelo Predictivo de Cerro Verde impacta positivamente en su producción de cobre

Compártelo en redes sociales

Share on facebook
Share on linkedin
Share on twitter

Con la finalidad de reducir la cantidad de rechazos en recomendaciones de ajuste de parámetros operativos de presión hidráulica en HPGRs, generados por un Sistema Inteligente para la Optimización de Recuperación y Tonelaje, Cerro Verde implementó un modelo predictivo de inteligencia artificial basado en algoritmos de Machine Learning.

Sociedad Minera Cerro Verde es una de las principales empresas productoras de cobre en el Perú. Su operación está ubicada en Arequipa y produce el 18,2% del metal rojo del país, generando un total de 114 mil empleos directos e indirectos y contribuyendo en 2% al PBI nacional.

Como parte de su búsqueda constante de incrementar la productividad en sus operaciones Cerro Verde empleó un modelo predictivo de inteligencia artificial basado en algoritmos de Machine Learning, para determinar los requerimientos específicos de potencia eléctrica de cada uno de los HPGR (High-Pressure Grinding Rolls) del circuito de Chancado Terciario en la planta C2 de Sociedad Minera Cerro Verde.

Dicho modelo permite reducir la cantidad de rechazos en recomendaciones generadas por un Sistema Inteligente para la Optimización de Recuperación y Tonelaje, respecto al parámetro operativo de presión hidráulica de HPGR relacionado a sus límites de potencia eléctrica (2,750 kW).

Esquema del HPGR al que el modelo predictivo está orientado.

¿Qué impulsó la creación de este modelo?

En las operaciones de Cerro Verde, se utiliza un Sistema Inteligente para la Optimización de Recuperación y Tonelaje que es un generador de recomendaciones basado en inteligencia artificial y ayuda a los operadores de planta a encontrar los parámetros óptimos para incrementar el tonelaje y la recuperación de cobre.

Al tratarse de recomendaciones, se requiere de la aprobación de cada una de ellas por parte de operaciones para su implementación en planta. Por lo tanto, el rechazo de alguna de las mismas significaría perder la oportunidad de incrementar el tonelaje y recuperación de cobre.

Se identificó que el mayor porcentaje de rechazos en recomendaciones correspondía al parámetro optimizable de presión del sistema hidráulico. En promedio, el 10% de las recomendaciones de presión hidráulica en HPGR eran rechazadas.

El motivo recurrente del rechazo en estas recomendaciones se debía a que, a juicio y experiencia del operador, a esas presiones el HPGR correspondiente superaría su potencia eléctrica límite de 2,750kW, lo cual ocasionaría una parada de línea de producción por sobrecarga en motores de HPGR e incluso podría comprometer la salud del equipo.

La importancia de obtener un modelo de potencia eléctrica del HPGR, que incorpore las condiciones operativas del momento, así como las características del mineral, radica en garantizar reducir a cero el rechazo en las recomendaciones del Sistema Inteligente para la Optimización de Recuperación y Tonelaje relacionadas a la presión hidráulica del HPGR, así como evitar paradas de líneas de producción por sobrecarga en motores y cuidar la salud del equipo.

¿Qué metodología se empleó?

La tecnología empleada para el desarrollo y el modelamiento de la potencia del HPGR se basa en el modelo estándar de minería de datos llamado CRISP-DM (Cross Industry Standard Process for Data Mining), metodología que se caracteriza por su buen ajuste al modelamiento de datos usando algoritmos de machine learning.

Para el modelo se usó dos algoritmos, “Gradient Boosting” y “XGBoost”, los cuales consisten en técnicas de aprendizaje automático que emplean el concepto de gradiente para el análisis de regresión y la resolución de problemas de clasificación estadística, que en conjunto permiten la generación de mejores modelos predictivos y con mayor precisión en sus resultados.

Gráfico SHAP del modelo obtenido, en el cual se observa el grado de importancia y relaciones respecto a las variables utilizadas.

Óptimos resultados

El modelo predictivo predice ahora con suficiente precisión la potencia del HPGR con base en los parámetros operativos del momento, así como de las características del mineral en tránsito, y restringe exitosamente el espacio de búsqueda del optimizador respecto al parámetro de presión hidráulica de HPGR, garantizando no superar los límites de potencia eléctrica del equipo. Así mismo, el optimizador del Sistema Inteligente para la Optimización de Recuperación y Tonelaje ahora está en la capacidad de maximizar la capacidad disponible de cada HPGR, sin superar sus límites operativos.

Además, existe un alto grado de diferenciación de la idea propuesta, dado el empleo de un modelo predictivo de machine learning, el cual ha tenido un rol estratégico en el desarrollo de las operaciones de Chancado Terciario, pues ha permitido que las recomendaciones del  Sistema Inteligente para la Optimización de Recuperación y Tonelaje respecto a presión de HPGR sean aceptadas sin restricción, llegando a una tasa de rechazo de 0% y logrando un incremento en la producción de libras de cobre por cada recomendación aprobada, alcanzando un valor de 463.2 libras de cobre por mes.

La disponibilidad de datos, junto a los hiper parámetros obtenidos para el modelo predictivo, garantizan su sostenibilidad y continuidad de uso en el tiempo. Cabe señalar que los HPGR son equipos usados ampliamente en los procesos de conminución en las plantas de procesamiento de mineral, por lo tanto, la aplicabilidad de este modelamiento puede extenderse a todo equipo de estas características o similares, pudiendo replicarse en otras unidades mineras.

es_ESSpanish