En la minería, cada paso, decisión y predicción tiene un impacto significativo. Con márgenes de error limitados, las tecnologías avanzadas son esenciales para mejorar la eficiencia de los procesos. En Minsur, una de las principales mineras de Perú, mejorar la refinación y reducir el consumo de aluminio en la remoción de antimonio llevó a la compañía a explorar un terreno nuevo: el machine learning.
Luis Vargas, jefe de Metalurgia en Minsur, presentó en el congreso Minería Digital 2025 de Gecamin un modelo innovador que propone cambios significativos en los procesos de la planta: “El objetivo fue predecir la cantidad óptima de aluminio que debemos adicionar a cada lote en el proceso de refinación”, explicó.
Entre los objetivos está reducir el error, minimizar el retrabajo y optimizar el uso de aluminio para lograr mayor eficiencia y menor impacto ambiental, explicó el ingeniero metalúrgico.
El desafío del antimonio en la minería
Respecto al antimonio, cabe señalar que es un elemento químico utilizado principalmente en la aleación de metales. En la naturaleza, se encuentra en un mineral llamado estibina. Aunque su presencia es más escasa que la de otros metales, su importancia en las industrias de la minería, la electrónica y la fabricación de baterías está en aumento.
Eliminar este compuesto de las concentraciones minerales es un desafío no menor. El proceso de remoción implica separar este elemento, para lo cual tradicionalmente se utiliza el aluminio como agente. Sin embargo, el problema está en determinar la cantidad exacta de aluminio necesaria para lograr un buen rendimiento sin generar desperdicios. Aquí entra en juego la tecnología avanzada.
La precisión en la predicción del aluminio necesario
Todo proceso minero tiene su complejidad, pero la remoción de antimonio presenta retos aún mayores. El uso de aluminio en esta actividad, aunque esencial, genera problemas relacionados con los desperdicios.
El objetivo de Minsur era usar solo la cantidad exacta de aluminio, sin comprometer la calidad ni la eficiencia del proceso. Esto se logró gracias a la combinación de datos históricos, algoritmos avanzados y la experiencia de un equipo dispuesto a desafiar los límites establecidos.
“Lo que buscamos con esto es que cada uno de nuestros operadores sea como un especialista”, explicó Vargas al destacar el propósito del proyecto. “Es un proceso de aprendizaje, donde nos acercamos poco a poco al valor real de aluminio necesario”.
El gestor indicó que utilizaron el modelo XGBoost (Extreme Gradient Boosting), que usa algoritmos predictivos para tareas de regresión (estimación de cantidades numéricas con datos de origen) y de clasificación (agrupación de datos en categorías).
XGBoost es una técnica de aprendizaje automático ampliamente utilizada en ciencia de datos que mejora el rendimiento de modelos mediante una estrategia iterativa de corrección de errores. Vargas sostuvo que, además de buscar mayor eficiencia, el modelo también permite una comprensión más precisa del comportamiento del aluminio en cada ciclo de producción.
Impacto en la eficiencia y el ahorro
Los primeros resultados fueron interesantes, pero el impacto en los costos fue lo que realmente generó diferencias. “La precisión del modelo se incrementó un 8% en comparación con el método estático, lo que resultó en una reducción significativa de errores”, explicó Vargas.
“En términos prácticos, esto se traduce en un ahorro de casi 69.000 dólares al año”, sostuvo el gestor, quien recalcó que este ahorro no solo refleja una mejora en la rentabilidad, sino también en la eficiencia del uso de recursos y el impacto directo en el medio ambiente.
Confianza en la máquina: el reto humano
En una planta minera, la relación con la tecnología no siempre es sencilla. El expositor lo resumió así: “El pensamiento científico debe estar siempre presente. el machine learning y la analítica de datos no son una caja mágica que entrega resultados”. Al final, la confianza en estas herramientas se adquiere, y eso, más que un desafío técnico, es uno cultural.
A pesar de la resistencia inicial, la herramienta empezó a ganar espacio. Aunque al comienzo tuvo una alta aceptación, la verdadera prueba era incorporarla. Vargas explicó: “El valor máximo de implementación alcanzado fue solo del 58%. Esto es principalmente porque depende de las personas”.
Las máquinas hacen el trabajo, pero las manos humanas que las operan también requieren confianza, conocimiento y tiempo dedicado.
La mejora continua como motor de cambios
“Tenemos margen para refinar el modelo, hacerlo más específico para cada circuito y escalarlo a otros procesos de refinación”, sostuvo al apuntar a los próximos pasos de este proyecto. Como minero, sabe que la mejora continua es la única forma de avanzar, por lo que el éxito alcanzado hasta ahora sería solo un comienzo.
La plataforma Optimus Leach, que centraliza todos los proyectos de machine learning de la empresa, se perfecciona continuamente para optimizar toda la operación. “Este sistema no solo calcula la cantidad de aluminio necesaria, sino que también permite hacer un seguimiento detallado de la precisión de las recomendaciones y su implementación en cada turno”, indicó el expositor.
Tecnología y talento minero como clave
Lo esencial, más allá de la mejora de una operación, está en el futuro de la minería, donde la tecnología y el conocimiento humano se enlazan para lograr resultados más eficientes y responsables. La apuesta de Minsur por el prendizaje computacional refleja esta transición hacia una minería más digital, un proceso largo que requiere paciencia, aprendizaje y confianza.
“Lo importante no es solo que la herramienta funcione, sino que las personas confíen en ella y aprendan de sus errores”, concluyó el gestor. Así, la minería digital desde varios frentes llegó para quedarse, aunque su éxito probablemente dependerá ya sea de la precisión de los algoritmos, como de la forma en que los operarios se adaptan a ellos.
