Aplicación de la Inteligencia Artificial en la industria minera
INTRODUCCIÓN
La minería desempeña un papel importante en la economía alrededor del mundo. En el 2022, los ingresos de las 40 principales empresas mineras fueron aproximadamente 943 mil millones de dólares estadounidenses (Statista, 2023). Esta cifra ha ido en aumento al pasar de los años. Según Hyder et al. (2019) un factor importante que podría hacerlo más lucrativo para los inversores es la aplicación de la Inteligencia Artificial junto a otras tecnologías vanguardistas que ayudan a reducir costos operativos y simplificar procesos.
La Inteligencia Artificial se puede aplicar desde los inicios de la vida de una mina, sin embargo, en la industria de la minería y los metales en comparación con otras industrias alcanza los niveles más bajos de la digitalización (Digital Transformation Initiative, s. f.).
Por lo tanto, comprender las deficiencias, las fronteras, analizar las tecnologías existentes y avanzar en la dirección correcta, se hacen cada vez más importantes. Siguiendo una senda de avance adecuada en implementación de tecnologías basadas en Inteligencia Artificial, se llegará a la mina del futuro, con máquinas capaces de operar sin ayuda humana y/o sistemas autónomos que optimice la eficiencia y la seguridad. Además, la capacidad de tomar decisiones en tiempo real basadas en análisis de datos avanzados permitirá a las empresas mineras adaptarse rápidamente a las condiciones cambiantes del mercado y maximizar la rentabilidad.
INTELIGENCIA ARTIFICIAL
Según Google, la inteligencia artificial (IA) se define como "la capacidad de las máquinas de imitar la inteligencia humana y realizar tareas que normalmente requieren de la inteligencia humana". La IA abarca una amplia gama de tecnologías y enfoques, como el aprendizaje automático, el procesamiento del lenguaje natural, la visión por computadora y la robótica (¿Qué es la inteligencia artificial o IA? | Google Cloud | Google Cloud, s. f.).
Estas tecnologías han experimentado avances significativos en los últimos años, lo que ha permitido su aplicación en diversos sectores, incluida la industria minera. Por lo tanto, la IA se está utilizando para analizar grandes volúmenes de datos generados en la minería y extraer conocimientos valiosos para mejorar la eficiencia, la seguridad y la toma de decisiones en tiempo real. Al aprovechar las capacidades de aprendizaje automático, los algoritmos de IA pueden detectar patrones, predecir resultados y optimizar los procesos mineros. Esto no solo conduce a una mayor eficiencia operativa, sino que también permite una gestión más segura y efectiva de los riesgos. Además, la IA facilita la automatización de tareas peligrosas y repetitivas, lo que reduce la exposición de los trabajadores a entornos riesgosos y mejora la seguridad laboral.
Conoce más acerca de la inteligencia artificial en el siguiente video:
MACHINE LEARNING Y DEEP LEARNING
Por algún lado habrás oído hablar acerca de Machine Learning o Deep Learning, no son lo mismo, esta última es un subconjunto de Machine Learning, la principal diferencia está en la complejidad y la capacidad de aprendizaje de los algoritmos utilizados. El Machine Learning se centra en entrenar a los modelos para que aprendan de los datos (pueden ser estructurados o etiquetados) y realicen tareas específicas, mientras que el Deep Learning utiliza redes neuronales artificiales más profundas y complejas para aprender y representar datos de manera jerárquica lo que permite realizar tareas más complejas como el reconocimiento de imágenes o procesamiento de lenguaje natural (NLP).
Figura 1. Inteligencia artificial y subáreas.
USOS DE INTELIGENCIA ARTIFICIAL EN MINERÍA
La IA ha demostrado su capacidad de optimizar los procesos de minería y aumentar la eficiencia. Con el Machine Learning, los algoritmos analizan grandes cantidades de datos recopilados de sensores en tiempo real y se utilizan para predecir patrones de producción, identificar ineficiencias y sugerir soluciones.
Un ejemplo de uso de IA es la mejora en la eficiencia energética, tomando como ejemplo los camiones mineros para transportar el mineral, se puede predecir y reducir el consumo de combustible aplicando tecnologías de IA para desarrollar un modelo de red neuronal basándose en el consumo de combustible para transportar 1 tonelada de material extraído en 1 hora.
Figura 2. Esquema de aplicación de modelos de ML en camiones mineros.
1. EXPLORACIÓN MINERA
Es posible crear y entrenar algoritmos que automáticamente detecten superficies rocosas, áreas ricas en minerales u otras características importantes. Posteriormente, se pueden combinar diferentes tipos de datos estructurados y no estructurados para obtener una visión más completa de lo que sucede en la superficie o en el subsuelo. Este enfoque facilita la delimitación de áreas de exploración, el análisis de la prospectividad de los recursos minerales y, en última instancia, la identificación precisa de la ubicación de minerales de alto valor.
Por lo general, un ciclo de perforación consiste en mover el equipo de perforación a la ubicación deseada, instalación del equipo de perforación en ese lugar, nivelar y comenzar a perforar, perforar con la carga o potencia adecuada según las propiedades de la roca, la retirada de la perforadora después de completar el taladro hasta una profundidad predeterminada y el traslado de la perforadora al siguiente lugar. Actualmente, estos procesos se realizan de forma manual, pero se pueden automatizar y la inteligencia artificial puede controlar el proceso. BHP Billiton está trabajando en uno de esos intentos, en el que las plataformas de perforación autónomas están equipadas con sensores, inclinómetros y otros instrumentos para realizar tareas de perforación de forma autónoma y alimentar los datos en un paquete de análisis de datos para mejorar la plataforma (BHP Billiton hits go on autonomous drills, s. f.).
2. PLANEAMIENTO DE MINA
La aplicación de la inteligencia artificial también es viable en el campo de la planificación. Mediante el uso de capacidades avanzadas de gestión de datos, gestión de flujos de trabajo y análisis predictivo, es posible analizar diversos tipos de datos en tiempo real y optimizar la planificación a corto plazo, la programación y el transporte. Entre los beneficios que pueden ofrecer la aplicación de la inteligencia artificial en el planeamiento de minas están:
- Optimización de producción.
- Reducción de costos.
- Mejorar la seguridad.
- Realizar modelos predictivos.
- Uso de Realidad Virtual y Realidad Aumentada basadas en IA, entre otros.
Palomino y Tessa (2021) aplicaron con éxito técnicas de análisis de regresión y Machine Learning para mejorar la estimación de sobre dilución en tajos explotados mediante el método de Sub Level Stoping (SLS) de la Compañía Minera Condestable. Support Vector Machine y Random Forest fueron las técnicas que condujeron a una reducción en la diferencia de costos estimados relacionados con el carguío y transporte de carga rota de dilución en comparación con la metodología existente de O'Hara.
3. PERFORACIÓN Y VOLADURA
La capacidad de modelar la eficiencia de cualquier proceso de perforación y voladura, el interés de mejorar los resultados después de una buena o mala voladura, la búsqueda de formas de automatizar la operación, son oportunidades que cada empresa minera busca alcanzar entre los tantos que hay para evaluar la eficiencia de una voladura, son indicadores clave la fragmentación de la roca, las vibraciones, los fly rocks, el ruido, entre otros.
Muchas redes neuronales se utilizan ampliamente para evaluar la eficiencia de un determinado proceso de voladura, también están los modelos de redes neuronales basados en una función de base radial para predecir el rendimiento de la perforación y el desgaste de la broca.
Strayos, una empresa minera apuesta por la aplicación de IA en procesos de perforación y voladura empleando modelos en 2D y 3D altamente detallados, el análisis y la predicción de la fragmentación con el objetivo de mejorar los resultados de las voladuras y reducir los costos (Strayos, 2021).
Figura 3. Implicancia de P&V en minería.
4. PROCESAMIENTO DE MINERALES
Los sistemas basados en IA pueden diseñarse para clasificar los minerales valiosos y el material de desecho de la producción minera, en estos casos el uso de los sensores y la IA van estrechamente unidos con el objetivo de optimizar el rendimiento en la etapa de conminución. Se pueden utilizar sensores de clasificación por colores, transmisión de rayos X o infrarrojos cercanos para separar los residuos de los minerales valiosos. Pueden diseñarse para explotar las diferencias en las propiedades físicas (gravedad específica, densidad, brillo y peso), las composiciones mineralógicas y las propiedades químicas. La aplicación de estos sistemas antes de las máquinas de trituración y molienda puede aumentar en gran medida la eficiencia del proceso de trituración y reducir el coste energético, ya que la trituración y la molienda son las partes del ciclo de procesamiento de minerales que más energía consumen y las menos eficientes desde el punto de vista energético.
En la etapa de concentración, se aumenta aún más el grado de porcentaje de un mineral determinado. Para ello se suelen utilizar las propiedades físicas y químicas de los minerales y las partículas. Entre los métodos habituales en esta etapa se encuentran la flotación, la concentración por gravedad y la separación electromagnética basada en las propiedades del mineral. Al igual que en la trituración y la clasificación por tamaños, la metodología implica el uso de sensores (a veces existentes y a veces nuevos) para generar datos sobre el proceso, que luego son utilizados por el algoritmo ML para optimizar el proceso y diagnosticar el proceso (para fallos existentes o posibles futuros fallos).
El campo del procesamiento de minerales abarca una amplia gama de áreas. Existen una serie de buenas investigaciones que tratan de aplicar el Machine Learning en todos los subdominios del procesamiento de minerales. Consolidarlas es todo un reto, el Machine Learning y la IA son áreas en las que se llevan a cabo intensas iniciativas de investigación y en las que cada cierto tiempo aparece un número creciente de soluciones. De ahí que, en lugar de hablar de algoritmos concretos, los expertos se han centrado principalmente en el debate de las tendencias y metodologías que van apareciendo.
5. MONITOREO EN TIEMPO REAL
La toma de decisiones informada y oportuna es fundamental para el éxito de cualquier operación minera. La IA facilita la generación de información en tiempo real, lo que facilita tener datos precisos y actualizados sobre el estado de las operaciones mineras.
Al analizar los datos en tiempo real, la IA puede proporcionar información valiosa sobre la calidad del mineral, la planificación de la producción, la logística y la gestión de inventario. Esto permite a los gerentes y supervisores tomar decisiones basadas en datos confiables, optimizando procesos y mejorando la rentabilidad en general.
Otra importancia radica en la detección en tiempo real de personas no autorizadas en áreas restringidas, obstáculos en el área de trabajo, lo cual contribuye significativamente a mejorar la seguridad y la protección en áreas de trabajo.
Figura 4. Detección de material en la pala.
6. SEGURIDAD MINERA
Durante el año 2022, en Perú se registraron un total de 34 accidentes mortales, lo cual representa un aumento de 11 casos en comparación con el año anterior (Ministerio de Energía y Minas - ESTADÍSTICA DE ACCIDENTES MORTALES EN EL SECTOR MINERO - Minería, s. f.). Estos accidentes fueron ocasionados por una variedad de factores que incluyen condiciones laborales precarias, falta de cumplimiento de normas de seguridad, negligencia en el manejo de equipos y otros aspectos relacionados con la gestión de riesgos.
Es posible emplear técnicas de análisis y representación visual de datos para examinar las causas y los factores que desencadenan los accidentes, lo cual facilita la adopción de medidas preventivas más efectivas orientadas a abordar directamente las causas subyacentes de los accidentes. Mediante el desarrollo de sistemas inteligentes diseñados para eliminar situaciones potencialmente peligrosas, se puede reducir o incluso eliminar por completo la exposición humana en labores peligrosas, como el transporte, la carga y descarga de materiales, la manipulación de explosivos, la instalación de estructuras en alturas y la mitigación de gases y polvo tóxicos. También están los sistemas basados en visión artificial que detectará si los trabajadores están usando el equipo de seguridad adecuado en logares de trabajo. Estas soluciones contribuyen a la disminución de accidentes y fallecimientos en el entorno laboral.
Figura 5. Detección de EPP.
CONCLUSIONES
Las empresas mineras que ya tienen integradas tecnologías están de acuerdo que la tecnología por sí sola no es suficiente. La implementación de la IA en la industria minera requiere una comprensión profunda de las deficiencias existentes y las fronteras que aún deben superarse. Uno de los mayores retos a la hora de implementar la tecnología es la resistencia de los trabajadores, los supervisores e incluso los investigadores de IA, existe una incertidumbre sobre las repercusiones reales que esta tecnología traerá en términos de empleo, economía, sistema social, relaciones laborales y la estructura de la sociedad en general.
La inteligencia artificial y el Machine Learning son actualmente los principales pilares de la tecnología de automatización en la actualidad. Estos dos campos han tenido un impacto en casi todas las industrias y se han dedicado importantes recursos financieros para promoverlos. La industria minera, aunque tarda en reconocer su relevancia, ha comenzado a acelerar la investigación centrada en el desarrollo de tecnología mediante el uso de Machine Learning e inteligencia artificial.
En términos de automatización de maquinaria, la automatización de camiones de transporte aún se encuentra en una etapa temprana, lo cual destaca la necesidad de centrarse en el desarrollo y aplicación de tecnología basada en visión para permitir la toma de decisiones por parte de los camiones en diversos entornos.
La industria minera, al fin y al cabo, se verá favorecida por los avances en investigación y desarrollo tecnológico provenientes de otras iniciativas y/o sectores. A medida que se sigan aprovechando estos avances, la industria minera se posicionará de manera más sólida y sostenible, beneficiándose de las sinergias con otros sectores y asegurando un futuro prometedor en términos de eficiencia, seguridad y rentabilidad.
REFERENCIAS
1. BHP Billiton hits go on autonomous drills. (s. f.). iTnews. https://www.itnews.com.au/news/bhp-billiton-hits-go-on-autonomous-drills-421008#:~:text=A%20two-year%20trial%20of,ore%20mines%20in%20Western%20Australia.
2. Digital Transformation Initiative. (s. f.). Digital Transformation. https://report.weforum.org/digital-transformation/
3. Hyder, Z., Siau, K., & Nah, F. F. (2019). Artificial Intelligence, Machine Learning, and Autonomous Technologies in Mining Industry. Journal of Database Management, 30(2), 67-79. https://doi.org/10.4018/jdm.2019040104
4. Ministerio de Energía y Minas - ESTADÍSTICA DE ACCIDENTES MORTALES EN EL SECTOR MINERO - Minería. (s. f.). https://www.minem.gob.pe/_estadistica.php?idSector=1&idEstadistica=12464
5. Palomino, P., & Tessa, C. (2021). Aplicación de técnicas de análisis de regresión y aprendizaje automático para la estimación de sobre dilución en el método de Sub Level Stoping - Compañía Minera Condestable. En Universidad Peruana de Ciencias Aplicadas (UPC) eBooks. https://repositorioacademico.upc.edu.pe/handle/10757/655994
6. ¿Qué es la inteligencia artificial o IA? | Google Cloud | Google Cloud. (s. f.). Google Cloud. https://cloud.google.com/learn/what-is-artificial-intelligence?hl=es-419
7. Soofastaei, A., & Fouladgar, M. (2022). Improve Energy Efficiency in Surface Mines Using Artificial Intelligence. En IntechOpen eBooks. https://doi.org/10.5772/intechopen.101493
8. Statista. (2023, 8 junio). Combined revenue of the top mining companies 2005-2022. https://www.statista.com/statistics/208715/total-revenue-of-the-top-mining-companies/#:~:text=In%202022%2C%20the%20mining%20industry%27s,mining%20company%20based%20on%20revenue
9. Strayos. (2021). Cost Saving in Drill and Blasting with Machine Learning. blog.strayos.com. https://blog.strayos.com/cost-saving-in-drill-and-blasting-with-machine-learning/
Comentarios
Registrate o Inicia Sesión para comentar y obtener Cursos de pago gratis