En el simposio técnico minero TECNIMIN, David Ahues Echeverría, ingeniero civil en mecánica con más de diez años de experiencia en la optimización y mejora de procesos mineros, comenzó su intervención destacando el papel fundamental de la empresa SIOM, una firma internacional con presencia en Chile, Perú y Brasil, especializada en la fabricación y optimización de revestimientos para la gran minería.
Durante su exposición, el experto detalló dos áreas clave de su presentación: las simulaciones computacionales y el uso de machine learning para predecir el desgaste de los equipos. Explicó que la simulación computacional de elementos discretos (DEM), elementos estructurales (FEM) y simulación de fluidos acoplados son herramientas poderosas para modelar el comportamiento de equipos como molinos, zarandas y chutes, y así optimizar el rendimiento y extender la vida útil de estos activos cruciales para la minería.
Simulaciones Computacionales: Optimización en Tiempo Real
Ahues presentó ejemplos específicos de simulaciones de molinos y zarandas, donde se pudo observar cómo el mineral circula a través de estos equipos y cómo se mide el desgaste de las mallas y las estructuras. Según el experto, estos modelos no solo permiten prever y mitigar problemas de desgaste, sino también mejorar los diseños de revestimientos y aumentar la eficiencia de clasificación, lo que, en el caso de las zarandas, resultó en un aumento del 37% en el tonelaje procesado.
Asimismo, las simulaciones estructurales se utilizan para evaluar la resistencia de los equipos ante fuerzas y vibraciones, un análisis crucial para evitar fallas mecánicas. En los molinos, Ahues detalló cómo las simulaciones permiten estudiar las dinámicas del flujo de mineral y cómo los revestimientos pueden ser diseñados para resistir el desgaste en las zonas más críticas.
Machine Learning: Predicciones Precisas para el Desgaste de Revestimientos
Uno de los momentos más destacados de la charla fue la presentación de un software desarrollado por SIOM, el cual emplea machine learning para predecir con alta precisión el desgaste de los revestimientos de los molinos. Ahues explicó cómo este modelo predictivo utiliza datos históricos de escaneos láser, dureza del mineral y revoluciones por minuto del molino para entrenar algoritmos que permiten predecir la vida útil de los revestimientos con una precisión mucho mayor que los modelos tradicionales.
Impacto y Beneficios de la Innovación
El uso de estos avances tecnológicos, según Ahues, no solo mejora la eficiencia operativa, sino que también reduce significativamente los errores en las predicciones de desgaste. Mientras que los modelos convencionales pueden tener un error de hasta 17 millones de toneladas en predicciones de desgaste, el modelo de SIOM reduce este error a solo 7 millones de toneladas, lo que representa una mejora sustancial en la fiabilidad de las predicciones.
Además, destacó que la integración de la inteligencia artificial y el machine learning en la minería es cada vez más indispensable a medida que los procesos se vuelven más complejos. Las simulaciones computacionales y las predicciones basadas en machine learning permiten una toma de decisiones más precisa, reduciendo los costos operativos y mejorando la sostenibilidad de las operaciones mineras.
El machine learning, futuro de la minería
La presentación de David Ahues dejó claro que la simulación computacional y el machine learning son tecnologías clave para el futuro de la minería. A medida que los procesos se sofisticaron y los equipos se vuelven más complejos, estas herramientas permiten a las empresas mineras optimizar sus operaciones y maximizar la vida útil de sus activos, garantizando operaciones más eficientes y sostenibles.
Este enfoque vanguardista, que SIOM ha implementado con éxito, marca un hito en la industria minera y promete continuar siendo un motor de innovación en la optimización de procesos y equipos mineros.
Más información:
- Sitio web: https://siom-mineria.com/
