Optimización del Control Operativo del Circuito de Molienda-Clasificación usando Machine Learning en la UM Cerro Corona – Gold Fields La Cima

• Autor: Alvarado Peña, Jesús Junior
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/26536
• Enlace del recurso: https://hdl.handle.net/20.500.12672/26536
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Molienda; Control; https://purl.org/pe-repo/ocde/ford#2.07.05; https://purl.org/pe-repo/ocde/ford#1.02.01

La presente tesis tiene como principal propósito desarrollar un sistema de recomendaciones en línea que optimice el control operativo del circuito de Molienda-Clasificación en la planta concentradora de la Unidad Minera Cerro Corona. La investigación busca abordar la variabilidad en el tamaño de las partículas del producto final, que afecta directamente a la recuperación de minerales. A través de la implementación de técnicas de Machine Learning, se pretende reducir esta variabilidad y, por ende, mejorar la eficiencia operativa de la planta. El enfoque metodológico de la investigación incluye la recopilación y análisis de los datos históricos de la planta concentradora. A partir de estos datos, se desarrolló un modelo predictivo utilizando algoritmos de Machine Learning que permite anticipar el comportamiento del P80 (Tamaño de partícula en el que el 80% del material molido pasa a través de un tamiz de malla determinada) en función de diferentes variables operativas. Este modelo sirve como base para un sistema de recomendaciones situacional de variables controlables en línea del Circuito Molienda - Clasificación. Los resultados obtenidos demostraron que el sistema de recomendaciones es capaz de reducir la desviación estándar del P80 en 2.84 μm, según las simulaciones realizadas, lo que representa una disminución significativa en la variabilidad del proceso. Este avance mejora la recuperación de minerales teniendo un impacto positivo en la sostenibilidad de la operación minera. En conclusión, la investigación presenta una contribución innovadora al aplicar Machine Learning para la optimización en tiempo real de procesos. Donde proporciona una herramienta valiosa para las plantas concentradoras, permitiendo un control más preciso y eficiente.