Desarrollo de un modelo predictivo basado en aprendizaje automático para la optimización del consumo de xantato en la flotación de minerales con presencia de pirrotita, en una planta de beneficio ubicada en Marcona – Ica, Perú

Abstract

La presente investigación desarrolla un modelo predictivo basado en regresión lineal para estimar el consumo específico de xantato (kg/día) en función del contenido de pirrotita (%) en la alimentación de la planta Shougang Hierro Perú. La pirrotita, sulfuro de hierro altamente reactivo, presenta una afinidad elevada por el xantato, generando flotabilidad no deseada y obligando a sobredosificaciones empíricas que elevan costos y cargas químicas en efluentes. Utilizando datos históricos de operación y análisis mineralógicos, se caracterizó la variabilidad del contenido de pirrotita y del consumo de reactivo, identificando una correlación positiva significativa. La regresión lineal fue seleccionada por su simplicidad, interpretabilidad y facilidad de implementación en sistemas operativos de planta. El modelo final explicó aproximadamente el 56 % de la variabilidad del consumo de xantato, con errores absolutos moderados, demostrando su aplicabilidad para soportar decisiones operativas basadas en datos. La adopción de esta herramienta permitirá optimizar la dosificación del colector, reducir costos operativos y contribuir a la sostenibilidad ambiental del proceso de flotación, alineándose con los objetivos estratégicos de minería responsable y eficiente en la operación minera de Marcona.