Mineral Processing Data Analytics EL ROL DEL INGENIERO …

1

INTERNAL

Mineral Processing Data AnalyticsEL ROL DEL INGENIERO DE PROCESOS

Felipe Contreras Bravo

2

INTERNAL

Esta presentación tendrá como objetivo entregar a la audiencia una referencia sobre cual es el rol que debe jugar el Ingeniero Experto de Procesos en proyectos de Data Analytics en mineral processing.

Se mostrarán algunos ejemplos de definiciones criticas para el desarrollo de modelos estadísticos avanzados, con el fin de asegurar el éxito y sustentabilidad de la solución analítica, las cuales deber ser

desarrolladas por el Experto en Procesos.

Toda la información contenida en los ejemplos donde se consideran datos de procesos, corresponden a diferentes operaciones y han sido alterados por un factor, con el fin de velar por la confidencialidad de estos.

Las ideas y conceptos presentados en esta instancia, se basan en información y experiencia de relator obtenidas desde proyectos e iniciativas desarrolladas en diferentes operaciones mineras.

3

INTERNAL

CIENCIA DE DATOS Es un campo interdisciplinario

4

INTERNAL

ANTES DE EMPEZAR UN PROYECTO DE ANALYTICS : TOP 3 OBJETIVOSLA PARTICIPACION DEL EXPERTO DE PROCESOS ES CLAVE

DEFINIR EL IMPACTO EN EL NEGOCIO

CONECTE EL OBJETIVO CON LOS DATOS

CLARIFIQUE SU OBJETIVO

• Impacto en el flujo de trabajo y procesos de toma de decisiones• Iniciativas deben conducir a cambios significativos en las operaciones• Considerar que los diferentes grupos dentro de la organización requieren información

distinta de los modelos que se estén desarrollando

• Conectar los objetivos a los datos requiere tiempo y esfuerzo considerable• El equipo de científico de datos debe entrevistar a los Expertos de la Materia (SME) para

determinar objetivos, recursos y beneficio. • Muchos ejecutivos no comprenden por qué deben dedicar tanto tiempo para entender

el problema. Desde afuera se ve que es llegar, tomar los datos, tirarlos a una “caja mágica” y producir la “receta” deseada.

• Un Científico de datos que intenta construir un modelo sin consultar al Experto, es como un Abogado que intenta manejar un caso, sin consultar al Cliente.

• Tome el tiempo y cuidado necesario para aclarar el propósito. De lo contrario, todo elproyecto puede ser una perdida de tiempo y recurso.

5

INTERNAL

CUAL ES EL ROL DEL INGENIERO DE PROCESOS?Contar con el conocimiento del experto del proceso, es critico para asegurar el éxito

Business User: Alguien que entienda el área de dominio y que generalmente se beneficie de los resultados. Esta persona puede consultar y asesorar al equipo del proyecto en el contexto del proyecto, el valor de los resultados y cómo se pondrán en práctica los productos. Por lo general, un analista de negocios, un gerente de línea o un experto en la materia en el dominio del proyecto cumple esta función.

Business Intelligence Analyst: Proporciona experiencia en el dominio de procesos basada en una comprensión profunda de los datos, los indicadores clave de rendimiento (KPI), las métricas clave y la inteligencia empresarial desde una perspectiva de informes. Los analistas de inteligencia empresarial generalmente crean paneles e informes y conocen las fuentes y fuentes de datos.

6

INTERNAL

Subject matter experts (SME) son personas con un amplio conocimiento de cómo aplicar la analítica dentro de un contexto organizacional específico. Este rol es responsable de garantizar que los conocimientos deseados sean procesables.

Data/Business Analysts analizan una gran variedad de datos para extraer información sobre el desempeño del sistema, servicio u organización y presentarlos en forma utilizable / procesable. Es mejor dar forma a un problema para que lo explore el científico de datos.

CUAL ES EL ROL DEL INGENIERO DE PROCESOS?Contar con el conocimiento del experto del proceso, es critico para asegurar el éxito

7

INTERNAL

CRISP-DM PROCESS FRAMEWORKMarco eficaz para proyectos de ciencia de datos

Las iniciativas de ciencia de datos están orientadas a proyectos, por lo que tienen un comienzo y un final definidos. El procesoestándar entre industrias para la minería de datos (CRISP-DM) es un proceso extensible de alto nivel que constituye un marco eficaz para proyectos de ciencia de datos.

Los cuadros en rojo, indican en que etapas del proceso de definición, development y deployment es crítica la participación del Experto en Procesos.

8

INTERNAL

LA COMUNICACION Y RETROALIMENTACION SON CLAVES!EQUIPO DE DESARROLLO SIEMPRE DEBE CORROBORAR SUS DEFINICIONES CON EL EXPERTO DE PROCESOS Y CLIENTES

9

INTERNAL

PROCESOS DE VALIDACION EN CADA ETAPADEFINIR REGLAS PARA LA DEFINICION DE OBJETIVOS, LEVANTAR REQUERIMIENTOS Y VER SU FACTIBILIDAD DE DESARROLLO

10

INTERNAL

Complejidad

Valo

r

DESARROLLO DE HERRAMIENTAS ANALITICASSecuencia apropiada de preguntas a responder en cada nivel, para definir una estrategia de desarrollo eficaz y sustentable

11

INTERNAL

SANTA TRINIDAD: MINERAL PROCESSING MODELLINGMANDATORIO!!!!

Propiedades del Mineral

Variables Operacionales

Cuellos de Botella

Dureza: SPI, Axb, Wi, Ci, Ai

Tamaño: P80, P50, %-1.25in

Mineralogía

Tipo de Roca

Estrategia de Control (Límites)

Condiciones de Desgaste

Modo operacional (Cambio Flowsheet)

Nivel de Bolas, Dosificación reactivos, etc

Calibración de Sensores

Restricciones “Duras” por diseño (Ej: máximo TPH, P80, Hidráulicos, etc)

Cuellos de botella dinámicos: Interacción mineral – equipo

MAXIMIZAR BENEFICIO

(NO PRODUCCION!!)

12

INTERNAL

SANTA TRINIDAD: MINERAL PROCESSING MODELLINGMANDATORIO!!!!



Cuellos de Botella


Tamaño: P80, P50, %-1.25in

Mineralogía

Tipo de Roca








MAXIMIZAR BENEFICIO

(NO PRODUCCION!!)

13

INTERNAL

AXB ERROR ESTIMATION : SAMPLING SQUEME 3.0 MT/SAMPLE

Level

North

East

14

INTERNAL

Level

North

East


15

INTERNAL

Level

North

East


16

INTERNAL

Level

North

East


17

INTERNAL

Level

North

East


18

INTERNAL

ESTIMACION ERROR MENSUAL Y ANUAL : AXBPropiedades del mineral : Dureza

SamplingSqueme

Axb Error, %Annual Monthtly

0.5 Mt/s 1.09 2.46

1.0 Mt/s 1.55 3.42

1.5 Mt/s 1.93 4.15

2.0 Mt/s 2.32 4.70

3.0 Mt/s 2.85 5.27

19

INTERNAL

TRADE OFF : DEFINCION DE ESCALA DE TIEMPOError de estimación de propiedades del mineral (modelo Geomet) vs Captura de variabilidad de data operacional

VARIABLES OPERACIONALES

ERR

OR

ESCALA DE TIEMPO

Alta

aut

ocor

rela

cion

de v

aria

bles

Min Hour Shift Day 3 Days Week

Variables “sobrevivientes”Modelo considera INEFICIENCIA PROMEDIO del proceso

No considera impacto del tipo de mineral

Data proveniente del Modelo Geometalurgicopara representar las propiedades del mineral

ALTA VARIABILIDAD DE LAS VARIABLES DEL PROCESO- El mejor escenario para estimar la "contribución de las características del proceso" en el proceso de modelado

ALTO ERROR DE LAS VARIABLES ESTIMADAS GEOMET- Peor escenario para estimar la "contribución de características de FMS" en el proceso de modelado

BAJA VARIABILIDAD DE LAS VARIABLES DEL PROCESOefecto de agrupación (cancelación de variabilidad de error)Solo es posible identificar a los "sobrevivientes" que tuvieron cambios significativos en escalas de tiempo más largas.

ERROR BAJO DE LAS VARIABLES GEOMET La densidad de muestreo de los "valores originales" para estimar los valores Geomet, se define para errores de estimación a escalas de tiempo más altas (mes, año)

VARIABLES MODELO GEOMET

20

INTERNAL

VARIABLES OPERACIONALESCALIBRACION DE SENSORES



Cuellos de Botella


Tamaño: P80, P50, %-1.25in

Mineralogía

Tipo de Roca








MAXIMIZAR BENEFICIO

(NO PRODUCCION!!)

21

INTERNAL

Cámara(Wipfrag)

Segregación por tamaño

Mineral grueso queda en lasuperficie y mineral fino, porvibración de correa, se muevehacia la parte inferior del lecho

Campo visual - Wipfrag

Por las características delsistema de medición y delsistema de transporte demineral, cámara sólo registrala fracción gruesa de ladistribución.El sistema no indicado paramedición de finos !!

FRACCION FINA INFERIDA DESDE FRACCIONGRUESA MEDIDA.> Se corrige distribución medida en base a larelación finos/gruesos obtenida desde el análisis de

MEDICIÓN GRANULOMETRÍA EN CORREAS POR CÁMARASMODELO CORRIGE SESGO POR NO MEDICION DE PARTICULAS FINAS

22

INTERNAL

MEDICIÓN GRANULOMETRÍA EN CORREAS POR CÁMARASMODELO CORRIGE SESGO POR NO MEDICION DE PARTICULAS FINAS

Buena estimaciónFraccion fina

Mala estimacionFraccion fina

23

INTERNAL

EJEMPLOS DE CAMBIOS EN CRITERIOS DE CALIBRACIÓN AJUSTE MODELO DE DISTRIBUCION DE TAMAÑO DE PARTICULAS EN CAMARAS DE CORREAS ALIMENTACION DE UN MOLINO SAG

24

INTERNAL


25

INTERNAL


26

INTERNAL

IDENTIFICACIÓN DE MODOS OPERACIONALESINTERACCION ENTRE MUNDOS



Cuellos de Botella


Tamaño: P80, P50, %-1.25in

Mineralogía

Tipo de Roca







Cuellos de botella dinámicos: Interacción Mineral – Capacidad equipo

MAXIMIZAR BENEFICIO

(NO PRODUCCION!!)

27

INTERNAL

CRITERIO DE DETECCIÓN DE MODOS OPERACIONALES Analisis de datos – no supervisado

PC1 vs PC2

X vs Y

PC1 vs PC3

X vs Z

PC2 vs PC3

Y vs Z

28

INTERNAL

CRITERIO DE DETECCIÓN DE MODOS OPERACIONALES

PC1 vs PC2 PC1 vs PC3 PC2 vs PC3

Data real de variable respuesta : Modo operacionales

Input 2

Input 1

Input 3

Input 4

Input 5 - granulometria

Input 6 - granulometria

29

INTERNAL

SOFT SENSOR : RESULTADOSREAL VS MODELO

30

INTERNAL

SOFT SENSOR : RESULTADOSREAL VS MODELO

31

INTERNAL

VARIABLES OPERACIONALES Y CUELLOS DE BOTELLASESTRATEGIAS DE CONTROL



Cuellos de Botella


Tamaño: P80, P50, %-1.25in

Mineralogía

Tipo de Roca







Cuellos de botella dinámicos: Interacción Mineral – Capacidad equipo

MAXIMIZAR BENEFICIO

(NO PRODUCCION!!)

32

INTERNAL

OPERACION SAG – LIMITADO POR CELDA DE CARGA (LLENADO)Relación TPH vs 1.5 in

29003100330035003700390041004300

11:5

512

:00

12:0

512

:10

12:1

512

:20

12:2

512

:30

12:3

512

:40

12:4

512

:50

12:5

513

:00

13:0

513

:10

13:1

513

:20

13:2

513

:30

13:3

513

:40

13:4

513

:50

13:5

5

SAG Throughput, TPH

PV C. Limit

880

900

920

940

960

980

11:5

512

:00

12:0

512

:10

12:1

512

:20

12:2

512

:30

12:3

512

:40

12:4

512

:50

12:5

513

:00

13:0

513

:10

13:1

513

:20

13:2

513

:30

13:3

513

:40

13:4

513

:50

13:5

5

SAG Nivel de llenado , Ton

PV C. Limit

35

36

37

38

39

40

41

42

2000

2500

3000

3500

4000

4500

11:5

512

:00

12:0

512

:10

12:1

512

:20

12:2

512

:30

12:3

512

:40

12:4

512

:50

12:5

513

:00

13:0

513

:10

13:1

513

:20

13:2

513

:30

13:3

513

:40

13:4

513

:50

13:5

5

TPH vs % -1.5 in Feed

TPH % -1.5 in

33

INTERNAL

OPERACION SAG – LIMITADO POR TPHRelación TPH vs 1.5 in

4200

4250

4300

4350

440005

:10

05:2

005

:30

05:4

005

:50

06:0

006

:10

06:2

006

:30

06:4

006

:50

07:0

007

:10

07:2

007

:30

07:4

007

:50

08:0

008

:10

08:2

008

:30

08:4

008

:50

09:0

009

:10

09:2

009

:30

SAG Throughput, TPH

PV C. Limit

840860880900920940960

05:1

005

:20

05:3

005

:40

05:5

006

:00

06:1

006

:20

06:3

006

:40

06:5

007

:00

07:1

007

:20

07:3

007

:40

07:5

008

:00

08:1

008

:20

08:3

008

:40

08:5

009

:00

09:1

009

:20

09:3

0

SAG Nivel de Llenado , Ton

PV C. Limit

R² = 0,07

4100

4200

4300

4400

4500

35 45 55 65

SAG

TPH

% -1.5 in SAG Feed

R² = 0,59

800

840

880

920

960

35 45 55 65

SAG

Niv

el d

e Ll

enad

o, T

on

% -1.5 in SAG Feed

En una operación de SAG limitada por TPH, no hay relación entre TPH y PSD.Las fluctuaciones de PSD son absorbidas por las fluctuaciones de carga SAG, dentro del rango de control de carga (rpm y% de sólidos constante).

34

INTERNAL

EJEMPLO: ANALISIS DE DATOS PERFORMANCE MOLINO SAGEVALUACION DE PERFORMANCE Y MODELACION

Relación directa entre TPH y tamaño de alimentación (%-1.5 in)

35

INTERNAL

EJEMPLO: ANALISIS DE DATOS PERFORMANCE MOLINO SAGPERFORMANCE Y RESTRICCIONES

Relación TPH y %-1.5 in, considerando dos escenarios:

1. Restringido por el limite alto de TPH definido en el sistema de control

Objetivo: Ajustar variables de operación para mantener TPH en un valor dado.

No alcanzar un TPH óptimo

1. Operación NO restringida por el limitealto de TPH

36

INTERNAL



1. Restringido por el limite alto de “llenado” definido en el sistema de

control

Objetivo: Ajustar variables de operación para mantener y no sobrepasar el nivel

de llenado máximo

Condición típica de optimización de TPH

1. Operación NO restringida por el limitealto de “llenado” (celda de carga)

37

INTERNAL



1. Restringido por el limite alto de nivel de llenado y TPH

2. Restringido por limite de TPH, pero no por nivel de llenado

3. Restringido por limite de llenado, pero no por TPH

4. Restringido por otra variable, que no corresponde a TPH ni al nivel de llenado

38

INTERNAL

y = 1,00xR² = 0,65

0

1.000

2.000

3.000

4.000

5.000

0 1.000 2.000 3.000 4.000 5.000

TPH

, REA

LTPH, MODELO Geo + Op

y = 0,99xR² = 0,32

0

1.000

2.000

3.000

4.000

5.000

0 1.000 2.000 3.000 4.000 5.000

TPH

, REA

L

TPH, MODELO Geo

22%

10%

18%

10%6%

R2 = 32%

R2 = 65%

0%

20%

40%

60%

80%

100%

0%

5%

10%

15%

20%

25%

30%

F80 Axb RPM Sólidos, % C.Carga

Cum

mulative

R2

Effe

cton

Thro

ughp

ut

Efecto R2 Acum.

+ 15%

- 15%

+ 15%

- 15%

Ore characteristics

Geo-statistical estimation criteria

Drilling & Blasting

Crushing effect

Stockpile (Segregation)

Operational Conditions

Ramp-up process

Dynamics Bottle-necks

Up/Downstream Constrains

Pebble Crushing (Disturbance)

RENDIMIENTO SAG: ANALISIS DE VARIANZADatos promedio día

39

INTERNAL

QUE ES CRITICO CONSIDERAR???DATA ANALYTICS : MODELOS PARA OPTIMIZACION DE PROCESOS

SPLI

T TO

OVE

R -

SCR

EEN

SCREEN NUMBER : “ON / OFF” (1 or 2) 1134

92183

9

9273 5210

4320 3291

SPLIT TO OVER - GRIZZLY

High

Medium

Low

TPH

Al momento de desarrollar y ajustar un modelo, considerar toda la data operacional directamente, es acción incorrecta.

Aplicar filtros sin un criterio robusto, para aislar datos correspondiente a una performance “normal”, tampoco lo es.

Si no, se relacionarán datos que en su contexto de origen, se controlaron, manipularon y relacionaron entre si para alcanzar diferentes objetivos y con distintas restricciones.

ES IMPORTANTE QUE EL INGENIERO DE PROCESOS QUE PARTICIPE EN LA ETAPA DE MODELAMIENTO, PARA ASEGURAR QUE LASOLUCION GENERE RECOMENDACIONES FACTIBLES Y CORRECTAS.

DE LO CONTRARIO, SE PUEDEN GENERAR PERDIDAS DE PRODUCCION Y DE CONFIANZA EN EL USO DE HERRAMIENTASANALITICAS EN LA TOMA DE DECISIONES, DIFICULTANDO EL PROCESO DE IMPLEMENTACION DE HERRAMIENTAS FUTURAS

40

INTERNAL

Heatmap basado en data historicaDATA ANALYTICS : OPTIMIZACION DE PROCESOS

https://www.mining-journal.com/innovation/news/1309102/collahuasi-magnifies-machine-learning-value?source=miningjournal

41

INTERNAL

EL ROL DEL INGENIERO DE PROCESO ES NECESARIO Y CRÍTICO

EN LA DEFINICION Y DESARROLLO DE INICIATIVAS DE DATA

ANALYTICS EN EL AREA DE PROCESAMIENTO DE MINERALES,

PARA ASEGURAR EL ÉXITO Y SUSTENTABILIDAD DE LAS

SOLUCIONES OBTENIDAS

42

INTERNAL

Mineral Processing Data Analytics EL ROL DEL INGENIERO …

Documents