¿Necesitas ayuda?
No dude en contactarnos. Nos comunicaremos con usted en un plazo no mayor a las 24 horas.
(+51) 971434545
CASOS DE SOLUCIONES CON MACHINE LEARNING
Modelos de Machine Learning para optimización de molienda
Los altos costos de los insumos son un factor de continuo seguimiento en la actividad minera. Si a ellos sumamos la cantidad de variables involucradas en el procesamiento del mineral, la complejidad de análisis diario para optimizar los recursos se vuelve una tarea titánica imposible de mantener por el cálculo humano.
Solución:
Se utilizarán algoritmos de machine learning para predecir la combinación de parámetros que optimizan las variables de salida. Se probarán algoritmos tales como modelos optimizables, árboles de decisión, random forest, y máquina de vectores de soporte (SMV).
Se usará el algoritmo seleccionado como base de un modelo de optimización que explorará qué variables de control hay ajustar para maximizar la producción y la vida útil de los componentes.
Como resultado del algoritmo de optimización, se obtiene recomendaciones sobre qué variables de control ajustar y la mejora potencial en la tasa de producción.
Resultados:
Las metas son ambiciosas y en varios frentes: hacer uso eficaz de las bolas de acero, mejorar la dosificación de energía, etc. En conjunto, y como primer indicador de éxito, se espera que el cliente reduzca costos entre 10 y 20% por año, con un retorno de inversión en los primeros seis meses de implementación.
Además, la organización no solo obtendrá un impacto económico directo como la reducción de costos, sino que aportará al cuidado del medio ambiente al reducir su consumo de energía eléctrica y agua.
Modelos combinados de Machine Learning para mejorar la estimación de existencia de minerales para explotación a uno, dos y tres años
La capacidad del Machine Learning y la Analítica Avanzada, adecuadamente aplicada por nuestros expertos geoestadísticos, permiten extraer de millones de datos espaciales, identificadores tempranos de existencia o no de minerales y su rango de concentración en zonas de explotación futura.
Solución
Entender el proceso de estimación de existencia de materiales a partir de datos de muestras obtenidas por taladros de voladura (corto plazo) y de diamantina (largo plazo).
Explorar modelos predictivos alternativos, probando diversas combinaciones de variables predictoras que incluyan criterios geoespaciales, como las direcciones preferenciales del mineral.
Implementar modelos de clasificación (alta y baja ley) y predicción (ley).
Automatizar los procesos de ejecución de modelos, desde la decisión de generar una nueva predicción, hasta la comparación de datos predichos con los datos reales, una vez iniciada la fase de explotación en una ubicación y volumen determinado.
Resultados
Las predicciones de existencia y concentración de minerales lograron menores ratios de error para futuros a uno y dos años, permitiendo que los equipos de planeación programen sus actividades de adquisición y logísticas con mucha mayor certidumbre.
La automatización del proceso predictivo de punta a punta, libera tiempo de profesionales valiosos que dedican más horas a actividades de generación de más valor.