Machine Learning en lixiviación de minerales: optimización predictiva para máxima recuperación metálica

Machine Learning para optimizar la lixiviación de minerales: precisión predictiva en cada etapa del proceso

En un contexto donde la recuperación de metales debe maximizarse con el menor consumo de insumos y energía, el machine learning (ML) se ha convertido en una herramienta estratégica para la ingeniería de procesos metalúrgicos. En lixiviación —ya sea en pilas, tanques o autoclaves—, los modelos de ML permiten predecir comportamientos del mineral, optimizar condiciones operativas y corregir desviaciones antes de que comprometan la eficiencia.

El fundamento: datos metalúrgicos y modelado inteligente

El punto de partida es la recopilación sistemática de datos operacionales y mineralógicos: granulometría, mineralogía asociada, leyes de cabeza, pH, Eh, temperatura, caudal de riego, consumo de reactivos y concentraciones en solución. El ML utiliza algoritmos supervisados y no supervisados para correlacionar estos parámetros con la cinética de disolución y la recuperación final, generando modelos capaces de anticipar el rendimiento de un lote o pila antes de completar el ciclo de lixiviación.

Fase de pretratamiento: diseño óptimo de la lixiviación

En la etapa de preparación del mineral, el ML asiste en la identificación de la granulometría y el grado de aglomeración óptimos, considerando la heterogeneidad del material. Modelos predictivos, entrenados con datos históricos y en línea, permiten ajustar las condiciones de chancado, aglomeración y curado para asegurar una percolación homogénea y minimizar zonas muertas dentro de la pila.

Monitoreo y control durante la disolución

Durante la fase activa de lixiviación, el ML se integra a sistemas de control SCADA y redes de sensores IoT, recibiendo datos en tiempo real sobre variables críticas como pH, Eh, concentración de lixiviante y temperatura. A través de algoritmos de reinforcement learning, el sistema puede ajustar automáticamente la dosificación de ácido, el caudal de riego y la recirculación de soluciones, buscando mantener las condiciones óptimas para la reacción química y evitando la sobreutilización de reactivos.

Predicción de la recuperación y optimización de ciclos

El valor diferencial del ML radica en su capacidad de anticipar la recuperación metálica en diferentes horizontes temporales. Esto permite a los operadores decidir si prolongar o acortar un ciclo, reasignar pilas para re-lixiviación o modificar la estrategia de irrigación. Los modelos también alertan sobre la formación de colmataciones, canalizaciones preferenciales o zonas con baja reacción, habilitando acciones correctivas inmediatas.

Integración con modelos geo-metalúrgicos

El ML no actúa de manera aislada; al integrarse con modelos geo-metalúrgicos y simulaciones de flujo de soluciones, se obtiene una visión tridimensional de la pila o tanque. Esta integración permite predecir no solo el rendimiento global, sino la distribución espacial de la recuperación, mejorando la planificación de riego y la gestión del pad de lixiviación.

Beneficios cuantificables en la operación:

La aplicación de ML en lixiviación se traduce en:

Incrementos de hasta 3-7% en recuperación metálica promedio.

Reducción de consumo de reactivos en un 5-10% mediante control fino de dosificación.

Disminución del tiempo de lixiviación por optimización de curvas cinéticas.

Detección temprana de problemas estructurales en pilas o reactores.

La tendencia apunta a sistemas de lixiviación autónomos, donde la intervención humana se limita a la supervisión estratégica. El ML, combinado con digital twins de las pilas y tanques, permitirá ejecutar simulaciones virtuales de escenarios antes de implementarlos, asegurando la mejor relación costo-beneficio en cada campaña metalúrgica.