Modelo geometalúrgico de la caracterización de arcillas para la eficiencia de la flotación usando la metodología de machine learning

El modelo geometalúrgico es el resultado de la integración de las disciplinas de geología, minería y metalurgia con la finalidad de agregar valor y disminuiría el riesgo en un proceso como por ejemplo la eficiencia de flotación de calcopirita. El objetivo de este estudio fue calibrar modelos para cuantificar el contenido de arcillas y gangas de un yacimiento hidrotermal del tipo pórfido cobre-oro por espectroscopía NIR. La metodología seleccionada fue diseñar un modelo quimiométrico basado en 173 compositos de taladros diamantinos a los que se le realizó ensayos de difracción de rayos x y espectroscopia de infrarrojo cercano, validándose los resultados con una validación cruzada a través de una metodología machine learning. La creación de los modelos se realizó mediante una regresión no lineal regularizada por el método de Ridge. Se obtuvo modelos con baja linealidad para minerales de calcita y plagioclasa, con valores de R2 (0.51 y 0.78, respectivamente). El modelo de regresión presenta una linealidad para minerales de esmectita, cuarzo, ortoclasa y muscovita mostró un alto R2 (0.95, 0.93, 0.64 y 0.59, respectivamente). Los resultados encontrados para el contenido de arcillas y gangas indican que los análisis de difracción de rayos x se pueden sustituir, en gran parte, por los modelos espectrales. En el caso de la calcita y plagioclasa, sería conveniente realizar una campaña de caracterización, con la finalidad de mejorar el modelo y poder sustituir los análisis de difracción de rayos x para estas especies, lo que permitirá generar un modelo geometalúrgico de una forma rápida y eficiente con un método semi cuantitativo.