TRABAJO DE INVESTIGACIÓN: Framework de Machine Learning para Optimización Geometalúrgica y Reducción del Consumo de Agua en Proyectos de Cobre

INSTITUCIÓN: Pontificia Universidad Católica del Perú

INVESTIGADOR: Daniel Jabes Gómez Mejía

DOCENTE: Humberto Sánchez Berrospi

 

RESUMEN:

En las operaciones mineras de cobre en Perú, la variabilidad geometalúrgica genera pérdidas significativas: reduce la recuperación metálica, eleva el consumo de agua en plantas concentradoras (hasta 0.8-1.2 m3/tonelada de mineral) y afecta directamente el VAN y TIR de los proyectos, muchas veces en decenas de millones de dólares por operación. Este problema se agudiza en zonas donde el recurso hídrico ya es crítico.

Esta investigación propone un framework de Machine Learning basado enXGBoost y Random Forest que, a partir de datos geoquímicos estándar de exploración, predice tempranamente la recuperación del cobre, Work Index, consumo de energía, reactivos y comportamiento de relaves. Estos modelos se integran directamente con herramientas de planeamiento minero (Deswik y MinePlan) y evaluación económica, permitiendo en la etapa de prefactibilidad tomar decisiones correctas sobre secuencias de minado, blending, gestión hídrica y rentabilidad general.

A diferencia de iniciativas presentadas como AntapAI & APC (foco operativo en planta), la Alianza para la Gestión Inteligente del Agua de Anglo American (gestión de redes) o la Reactivación de la PTAP de Quiruvilca (acceso comunitario), esta propuesta actúa en etapa temprana, donde las decisiones tienen mayor impacto económico. Su implementación se realizará mediante una alianza universidad-empresa que garantiza validación con datos reales y transferencia de conocimiento al sector.

Palabras clave: Machine Learning, geometalurgia, planeamiento minero, gestión del agua, alianzas universidad-empresa, evaluación económica, minería sostenible.