Procesamiento de Datos en Aplicaciones Geometalúrgicas – Caso de Estudio: Clustering Jerárquico en Análisis de Resultados de Flotación

La caracterización metalúrgica es una etapa fundamental en la evaluación geometalúrgica de un plan minero. En particular, esta captura la variabilidad de los atributos clave que impacta sobre los parámetros que convencionalmente definen el desempeño metalúrgico (i.e., recuperación, ley de concentrado, separabilidad, selectividad, etc.).

Generalmente, el proceso de caracterización es llevado a cabo mediante la ejecución de diferentes pruebas de laboratorio. El objetivo principal es definir y predecir el desempeño metalúrgico de diferentes ensamblajes mineralógicos.

Para este propósito, la prueba de flotación batch de laboratorio es una herramienta convencional y práctica que permite describir y predecir el comportamiento del mineral en términos de su respuesta metalúrgica. Sin embargo, la definición de las unidades geometalúrgicas requiere de una gran cantidad de datos relacionados con los resultados de flotación y la caracterización del mineral. 

Por ello, la integración entre las propiedades del mineral (atributos) y los resultados de flotación (respuestas) debe ser abordado a través de métodos robustos de procesamiento de datos. Esto último permite vincular las características mineralógicas y metalúrgicas para diferentes yacimientos.

Procesamiento de Datos en Aplicaciones Geometalúrgicas

Actualmente, procesadores avanzados, fuentes de datos y almacenamientos de alto volumen permiten gestionar eficientemente y de manera rápida una gran cantidad de datos. Adicionalmente, el desarrollo de softwares estadísticos ha hecho posible realizar análisis estadísticos multivariables de gran complejidad basados en fundamentos teóricos.

La gestión eficiente y análisis apropiado de los datos ha conducido a mejorar la determinación de las relaciones entre variables, la visualización de los datos, el desarrollo de modelos y la toma oportuna de decisiones.

Lo anterior ha resultado en el desarrollo de metodologías para aplicaciones de procesamiento de datos focalizadas en diferentes negocios e industrias. A pesar de esto, existen rutas comunes para tratar información no procesada con el objetivo de crear valor a partir de bases de datos. Un flujo de trabajo bien estructurado (i.e, fases de trabajo) es necesario para procesar los datos y extraer información valiosa por medio de análisis multivariable.

El procesamiento de datos puede ser utilizado en aplicaciones mineras. Por ejemplo, estudios geometalúrgicos involucran grandes recursos y procesos para generar la suficiente información en la caracterización y definición de los bloques del yacimiento.

Como parte de esos procesos, hay una etapa crítica para estudiar las propiedades del mineral que considera un análisis holístico de la información extraída del mapeo geológico, análisis mineralógico, caracterización energética y comportamiento metalúrgico. 

Debido a la gran cantidad de datos generada por estas caracterizaciones, los estudios geometalúrgicos requieren de procesamiento de datos aplicado en conjunto a un entendimiento robusto de los aspectos económicos, técnicos y fenomenológicos del proceso minero.

En este contexto, los dominios geometalúrgicos pueden ser definidos a través de análisis multivariable donde las respuestas metalúrgicas son vinculadas con los atributos de la mena, usando criterios minero-metalúrgicos. No obstante, es imperativo llevar a cabo un procesamiento de los datos previo basado en un flujo de trabajo bien definido.

Te puede interesar: La Geometalurgia y cómo está transformando la minería

Flujo de Trabajo de Procesamiento de Datos Adaptado para Análisis Geometalúrgico – Caso de Estudio de SGS

En el año 2022, SGS realizó un análisis geometalúrgico para una empresa minera como parte de sus Servicios de Consultoría. El proyecto estuvo basado en el procesamiento y análisis de bases datos generadas a partir de pruebas de flotación batch que capturaron los desempeños metalúrgicos de un blending (i.e., mezcla de bloques) de minerales determinados.

El objetivo de este estudio fue el análisis holístico de la información disponible, por medio de una vinculación integral entre la caracterización mineralógica y el desempeño metalúrgico de muestras de mineral en función de la separabilidad de Cu.

La Figura 1 describe un diagrama de análisis geometalúrgico que indica diferentes etapas del tamaño de mineral y procesos. Notar que la evaluación completa empieza con el mapeo geológico el cual entrega información a una macroescala (sobre los 10 m). 

Estos datos son utilizados para definir los bloques del yacimiento, y dependiendo de la caracterización del yacimiento (i.e., malla de los pozos de perforación), se define el nivel de resolución. Eventualmente, el material de estos bloques es procesado mediante esquemas de blending de minerales. 

La definición de los bloques del yacimiento y el blending de diferentes secciones de la mena pueden considerarse como procesos a mesoescala (i.e., entre 10 mm y 10 m). Posteriormente, los minerales son tratados a través de etapas de beneficiación en procesos a microescala (menos de 1000 µm).

Es importante mencionar que a medida que el material es procesado a diferentes escalas, las etapas son diseñadas con el fin de disminuir la heterogeneidad del material (i.e., apuntar a la homogeneidad). No obstante, factores contribuyentes como la variabilidad aleatoria, cíclica y de procesos comúnmente están presentes, lo cuales impactan las respuestas asociadas al desempeño metalúrgico.

Con el fin de capturar esta variabilidad, la información generada en las etapas previas debe ser evaluada por medio de una métrica robusta proporcionada por un flujo de trabajo de procesamiento de datos.

Para el proyecto mencionado previamente, SGS diseñó un flujo de trabajo de procesamiento de datos para procesar los datos disponibles considerando el diagrama de análisis geometalúrgico descrito en la Figura 1. Como se puede ver en la figura referenciada, el flujo de trabajo tiene en cuenta etapas en serie relacionadas con diversas áreas del conocimiento: procesamiento de datos, estadística, metalurgia y análisis de clusters. 

Puede observarse que el flujo de trabajo comienza con los datos no procesados generados por los resultados de pruebas de laboratorio (i.e., de un blending de diferentes secciones de la mena previamente definidas). Esta información se procesa mediante métodos de ordenamiento y clasificación (viz., utilizando un criterio metalúrgico) para crear una base datos principal que incluye caracterización mineralógica-química y resultados de flotaciones batch.

Luego, los errores experimentales y la propagación del error se determinan para los resultados de flotación. Después, se calculan los balances de masa junto al proceso de reconciliación de los datos. A continuación, se realiza la conversión elemento-a-mineral usando los resultados de los análisis mineralógicos y químicos. 

El siguiente paso es estimar los desempeños metalúrgicos en términos de la recuperación metalúrgica, ley acumulada de concentrado, razón de enriquecimiento, cinética de flotación, trade-off y separabilidad. Con esos parámetros, es posible llevar a cabo un análisis de clusters jerárquico definiendo las características del mineral como atributos. Finalmente, se realiza un análisis holístico de los atributos y respuestas (i.e., desempeños metalúrgicos) de cada cluster. 

Análisis de Clusters Jerárquico para Resultados de Flotación

El análisis de clusters (i.e., conglomerados) es un método multivariable que agrupa observaciones con base en sus niveles de similitud. El principal objetivo es agrupar objetos en clusters con atributos homogéneos. En este caso, un dominio geometalúrgico constituye un cluster de minerales con propiedades y características que considera todos los aspectos mencionados previamente.

Por lo tanto, un análisis de clusters bien estructurado se convierte en una herramienta útil para estudios geometalúrgicos. El método elegido para el caso de estudio fue el clustering jerárquico. Este algoritmo consiste básicamente en la formación de clusters mediante la separación y combinación de otros clusters en función de distancias mínimas entre objetos y máximas distancias entre clusters. La Figura 2 muestra el dendrograma resultante del análisis de clusters jerárquico realizado por SGS para el análisis de los resultados de flotación.

Como resultado del clustering jerárquico, fue posible identificar tres clusters con diferentes minerales de Cu. Adicionalmente, se observó una evidente relación entre el desempeño metalúrgico y las especies mineralógicas de Cu.

Específicamente, las muestras que contienen sulfuros primarios (i.e. calcopirita) y secundarios (i.e., calcosina) de cobre presentaron desempeños metalúrgicos limitados por las condiciones operacionales de molienda y flotación, mostrando respuestas metalúrgicas similares.

Por otro lado, para muestras que contienen minerales no sulfurados y altas leyes de CuOx, los resultados sugirieron que los desempeños metalúrgicos estuvieron limitados por la composición mineralógica debido a sus bajos niveles de flotabilidad y separabilidad.

Notoriamente, estas observaciones mostraron comportamientos esperados para sulfuros de Cu. Notar que este nivel de conocimiento se alcanzó a través de un análisis contextual de 230 muestras de mineral. Este aprendizaje fue propiciado por un análisis multivariable apropiado como el clustering jerárquico.

Observaciones Finales

Con el fin de aprovechar al máximo un programa geometalúrgico, es esencial utilizar los datos generados en su total extensión. Actualmente, los desarrollos en algoritmos de procesamiento de datos y el mejoramiento del desempeño en computadores permite conseguir cálculos avanzados en cortos periodos de tiempo. 

Por ello, la ciencia de datos se ha convertido en una realidad y ha ayudado a desarrollar capacidades relacionadas con el machine learning (i.e, aprendizaje automático), las cuales son necesarias para obtener los beneficios contenidos en grandes volúmenes de información. A raíz de esto, SGS también ha adoptado estos enfoques para prestar servicios actualizados a sus clientes.

Para concluir, es importante destacar que un flujo de trabajo bien estructurado en combinación con un análisis multivariable contextual constituye una herramienta útil para la caracterización geometalúrgica y el análisis de big data (i.e., grandes cantidades de datos). 

Su integración en un programa de evaluación geometalúrgica proporciona un análisis focalizado y holístico que transforma los datos recolectados en conocimiento aplicable. Esto mejora la definición de las estrategias geometalúrgicas en comparación a metodologías tradicionales. 

Referencias

• Claassen, J. O. 2016. “Testing for heterogeneity in complex mining environments”.
• Eszergár-Kiss, D., Caesar, B. 2017. “Definition of user groups applying Ward’s method”.
• Plugatyr, A. 2021. “Exploiting orebody heterogeneity”, PowerPoint presentation. NRC Canada.
• Rajabinasab, B., Asghari, O. 2018. “Geometallurgical Domaining by Cluster Analysis: Iron Ore Deposit Case Study”.
• Ross, V. 2019. “Key aspects of bench flotation as a geometallurgical characterization tool”.

¿Estás buscando soluciones integrales para llevar a tu compañía por el camino de la sostenibilidad? ¡Contáctanos para más información!