¿Dónde tiene la IA más potencial en una planta de procesamiento?
Según Ulrich, los operadores suelen manejar sus equipos de forma conservadora porque la variabilidad —cambios en la ley del mineral, la dureza de la roca, la mineralogía— es costosa de gestionar. Existe además una asimetría: sobrecargar un molino hasta detenerlo («trip») es mucho peor que subcargarlo. El resultado son márgenes de seguridad amplios en toda la operación, y es justamente ahí donde la IA puede intervenir para cerrarlos de forma segura.
Las soluciones NEXT de Weir se han enfocado en mejorar la conminución (el proceso de reducción de tamaño del mineral mediante chancado y molienda), modelando equipos como HPGR (prensas de rodillos de alta presión), molinos de bolas, hidrociclones y bombas. El enfoque combina modelos físico-metalúrgicos —basados en la ciencia de cada proceso— que se recalibran constantemente para detectar cambios sutiles, como variaciones en la dureza o humedad del mineral.
¿Cómo se entrenan estos modelos de IA?
Los modelos se entrenan con los datos propios de cada sitio, ya que la variabilidad de un yacimiento a otro es alta. Es un proceso continuo: los modelos se recalibran constantemente para adaptarse a los cambios del proceso.
Un ejemplo que da Ulrich: en un HPGR, el operador conoce la presión y la velocidad de los rodillos, pero medir la distancia real entre sus superficies es difícil porque se desgastan con el uso. Para eso se usa un soft sensor (sensor virtual): una señal generada por software —no por un sensor físico— que estima ese dato a partir de otras variables disponibles.
¿Qué relación hay entre los gemelos digitales y la IA?
Para Weir, un gemelo digital es, ante todo, una plataforma que integra datos de múltiples fuentes —sensores, mantenimiento, procesos, IoT— junto con el conocimiento de ingeniería y modelos físicos de la compañía, para construir una representación digital del equipo o la planta. Sobre esa base se aplican herramientas de IA y machine learning para entender cómo opera cada equipo y anticipar distintos tipos de fallas.
Esto permite simular escenarios «qué pasaría si»: por ejemplo, prever que un componente se está desgastando a un ritmo que no llegará a la próxima mantención programada, y ajustar los parámetros de operación para reducir ese desgaste sin perder throughput (la tasa de procesamiento).
¿La IA reemplaza el sistema de control de procesos? ¿Qué rol juega la IA generativa?
Una duda frecuente de los clientes es si NEXT reemplaza al APC (Advanced Process Control, o Control Avanzado de Procesos), la capa de control que mantiene la estabilidad de la operación en el corto plazo. Según Ulrich, la respuesta es no: Weir toma el APC como una parte ya existente y confiable del sistema, y construye sobre él. Mientras el APC optimiza en un horizonte de tiempo corto, NEXT usa IA avanzada —como el aprendizaje por refuerzo (reinforcement learning)— para optimizar en un horizonte más largo y ambicioso, detectando patrones horas antes de que se manifiesten y entregando recomendaciones a los operadores.
Sobre la IA generativa (GenAI), Ulrich aclara un malentendido común: no es la que toma las decisiones sobre el equipo. Su rol es otro: interpreta la salida de los modelos, explica las recomendaciones y mejora la comunicación entre la plataforma y los operadores. En palabras de Ulrich, «GenAI es una capa comunicativa».
Caso real: cómo Montana Resources llegó a cero paradas por «roping»
Weir destaca el caso de la mina Montana Resources, que combinó sus hidrociclones CAVEX® con la plataforma NEXT para dar un salto en su desempeño de clasificación. El sistema recolecta y analiza en tiempo real los datos de cada ciclón, dando a los operadores visibilidad completa sobre presión, flujo y tendencias de desempeño.
El resultado: la mina eliminó las paradas no planificadas asociadas a los ciclones —que antes generaban varias horas de producción perdida por evento— y alcanzó 100% de uptime en todos los ciclones en operación. La clave fue el monitoreo del índice de «roping» (una condición en que la descarga del hidrociclón se vuelve ineficiente): antes del sistema, estos eventos eran frecuentes y reducían el throughput; con el monitoreo activo, los operadores reciben alertas minutos antes de que la condición se desarrolle por completo, permitiéndoles intervenir a tiempo.
Antes de instalar los equipos, Weir usó datos de muestreo del circuito para modelar el desempeño esperado de los hidrociclones CAVEX® 700CVX, prediciendo —y luego confirmando— una mejora en la eficiencia de clasificación, incluyendo una reducción del P80 (el tamaño de partícula bajo el cual se encuentra el 80% de la muestra) y una granulometría más uniforme. Para instalar los equipos en un espacio físico limitado, Weir usó escaneo 3D para diseñar componentes de retrofit que calzaran exactamente en la huella existente, evitando modificaciones estructurales. Hoy, los operadores de la mina pueden revisar los datos de los ciclones en tiempo real desde su teléfono.
¿Cuántas instalaciones usan esta tecnología?
Según Weir, la compañía opera tres centros de monitoreo global, con 120 sitios monitoreados y más de 1.000 activos conectados, que generan más de 700 casos de acción concreta al año a través de la telemetría de NEXT y sus aplicaciones de servicio en terreno.
¿Cuándo veremos optimización en tiempo real en las plantas mineras?
Para Ulrich, la optimización en tiempo real es técnicamente posible hoy, pero su adopción no depende solo de la tecnología. Insiste en que no es una elección binaria entre humano y máquina: los operadores conocen detalles del sitio que no se pueden inferir solo con datos de sensores, y seguirán siendo parte central de cualquier proyecto de optimización.
También hay un desafío cultural: los sistemas no solo deben entregar buenas recomendaciones, sino explicarlas de forma comprensible cuando un operador pregunta el porqué. Sin esa capacidad de explicación (explainability), advierte Ulrich, no hay forma de ganar la confianza del cliente.
¿Cómo se resuelve la tensión entre el «hype» de la IA y una industria conservadora?
Ulrich reconoce que la minería es percibida como una industria conservadora frente a nuevas tecnologías, y que la adopción de la IA no ocurrirá de la noche a la mañana. Según explica, suele partir por la observabilidad —por ejemplo, con soluciones de soft sensing— antes de que los operadores empiecen a trabajar con las recomendaciones del sistema. Los clientes de Weir, dice, normalmente no piden implementar una solución digital de inmediato: primero hacen un análisis offline con sus propios datos históricos para identificar oportunidades de mejora y cuantificar su valor potencial, antes de dar el siguiente paso.
