INTRODUCCIÓN

Las principales discrepancias entre los cálculos de mina y los cálculos de la contabilidad metalúrgica de la planta son problemas que suelen ocurrir con frecuencia en diversas operaciones mineras de cobre. Incluso, las diferencias entre los cálculos de las plantas mineras y las fundidoras también pueden ser graves. Múltiples prácticas disponibles están basadas en protocolos prácticos que, a menudo, no cumplen con los requerimientos estadísticos básicos. Generalmente, las estaciones y herramientas de muestreo suelen presentar fallas en el diseño, por lo tanto, no proporcionan la confiabilidad necesaria para conseguir un control exacto de ley de mineral, reservas de mineral, ni una contabilidad metalúrgica realista. Estos problemas se incrementan cuando, de forma ingenua, aplican los factores correctivos.

En este curso presentaremos una estrategia clasificada en 18 puntos con el objetivo de reducir estos problemas de reconciliación. La estrategia consiste en llevar a cabo un muestreo exacto que tenga la capacidad de proporcionar información confiable, basada en evaluaciones estadísticas rigurosas que identifiquen las causas de variabilidad, ya sea aleatoria o no aleatoria, y conforme la filosofía de Gestión de Calidad Total, donde ofrezca una plataforma para la toma de decisiones proactivas.

Tales estrategias respaldadas por el directivo que fueron integralmente establecidas bajo el Muestreo, Control de Proceso Estadístico, Geoestadística y la Gestión de Calidad Total y la disciplina para hacerlas cumplir, son una guía indiscutible para ingenieros y operadores. En general, esta actitud progresiva y conocedora del equipo directivo nos proporciona el liderazgo que dará a conocer todos los problemas que fueron previamente ocultos y que crearon pérdidas económicas devastadoras e inclusive invisibles, todo a lo largo del proceso desde la roca hasta el cátodo.

TEMARIO

Día 1

Punto #1: Desarrolle un plan para sacar el máximo provecho de la información existente. La información cronológica disponible es gratuita y hay una mina de oro de información. Sin embargo, más que seguro, nadie le presta la debida atención de las posibilidades que ofrece a la alta gerencia.

Sesión 1: Introducción al variograma (una herramienta útil para metalurgistas).

Punto #2: Utilice los estándares ISO como un marco estructural para implementar el mantenimiento preventivo. Sin embargo, los estándares ISO no son estándares para un muestreo correcto adecuado, un control de procesos estadístico, una geoestadística y una gestión de calidad total. Los estándares ISO son solo lineamientos organizacionales lógicos.

Sesión 2: Introducción a los 9 tipos de errores de muestreo.

Punto #3: Evite abusar los estándares ISO. A continuación, una de sus características:

• Statu quo es indispensable.
• Los trabajadores pierden creatividad.
• La agencia de certificación dirige la empresa.
• Los trabajadores se acogen de los estándares ISO para proteger y justificar sus acciones o bien la falta de ellos.
• La gerencia solamente busca la certificación ISO.
• El mayor logro de los estándares ISO consiste en dar mucha importancia a la contabilidad metalúrgica.

Sesión 3: Haciendo un nuevo artículo.

Punto #4: Integre un muestreo, control de proceso estadístico, geoestadística y gestión de calidad total de forma adecuada en un solo programa bajo la responsabilidad de un gerente de procesos mineros estándar.

Punto #5: Implemente una filosofía de Muestreo Equiprobabilístico. Cuando esta filosofía no es respaldada por la alta gerencia, por lo general, se generan muchos sesgos de muestreo, y consigo, efectos negativos serios provocando confusión, pérdida de tiempo y graves pérdidas económicas. En esta sesión presentaremos cuatro casos reales en donde las pérdidas financieras, a causa de un muestreo deficiente, fueron contabilizadas.

DÍA 2

Punto #6: No confunda la cantidad de trabajo con la productividad real. A lo que el muestreo correcto corresponde, los geólogos, metalurgistas y químicos deben aprender cómo realizar el trabajo de forma correcta en el primer intento.

Punto #7: Establezca Objetivos de Calidad de Datos realista para cada parámetro de control de proceso. Los Objetivos de Calidad de Datos Lógicos no pueden ser improvisados, estos son el resultado de un análisis minucioso de variabilidad. Se presentarán lineamientos de apoyo en la práctica real.

Punto #8: Trabaje con inteligencia, no arduamente. Un buen entendimiento de los diversos tipos de heterogeneidad y de la variabilidad que generan en el proceso ayuda a implementar un programa exitoso de Control de Proceso Estadístico.

Punto #9: Tenga en consideración las unidades económicas en la misma empresa. La gerencia comprendió que las unidades económicas independientes se desempeñan mejor a medida que se vuelven más responsables de un rendimiento rentable. Sin embargo, ello no se logra sin un riesgo, ya que todas estas unidades trabajan bajo una cronología inevitable y lógica donde el desempeño de uno afecta de gran manera el desempeño de la siguiente unidad. Es posible que algunas unidades económicas aprendan a tener un mejor desempeño al enviar sus problemas a la siguiente unidad.

Punto #10: Establezca un sistema de retroalimentación continuo con los clientes. La retroalimentación de los clientes y el proceso (por ejemplo, retroalimentación entre los mineros y los metalurgistas) debe ser el objeto de un conjunto de análisis estadístico minucioso, donde se utilicen gráficos de información cronológica, se pueda desplazar los promedios, los variogramas y sus funciones derivadas, y también los cuadros de control de variograma. Se presentarán casos reales.

DÍA 3

Punto #11: Realice un comparativo entre una fluctuación de proceso no aleatoria y una fluctuación de medida/muestreo aleatoria.

Punto #12: Minimice el costo invisible de forma regular.

Punto #13: Tenga en consideración los factores correctores. El problema es que no existe como tal un sesgo de muestreo constante. Los factores correctores solo proporcionan una falsa sensación de seguridad a la gerencia.

Punto #14: Implemente un proceso de pensamiento creativo.

Punto #15: Un problema de reconciliación mina/planta casi siempre tiene múltiples causas:

• Causas de modelo geológico.
• Causas mineras.
• Causad de control de ley de mineral: Se explicará por qué únicamente la precisión puede conllevar a pérdidas económicas serias.
• Causas de planta de flotación y molienda: Se presentarán casos reales donde se instalaron sistemas de muestro no probabilístico.
• Causas de laboratorio: Se presentará un caso real donde análisis de XRF de cobre llegaron a provocar un serio juicio.

DÍA 4

Punto #16: Un buen entendimiento de variabilidad debe mejorar la recuperación de metal. Cada mina que tuvo una gerencia bajo una política de mezcla de mineral observó una gran mejora en la planta de flotación y molienda en un año.

Punto #17: Utilice herramientas de mejoramiento estadístico pragmático bajo una observación gráfica. Por lo general, los análisis estadísticos complejos tienen deficiencias al querer transmitir un mensaje claro a los usuarios en la mina y en la planta.

Punto #18: Utilice herramientas de gráfico concretas para calcular el costo invisible. Muchas personas todavía creen que un problema de reconciliación entre la mina y la planta se debe a un problema de exactitud que originó un sesgo. Sin embargo, están equivocados, solamente la precisión puede generar un grave problema de reconciliación, por lo tanto, grandes pérdidas financieras.

Conclusión: Todos estos puntos críticos serán abordados con sesiones apropiadas y proporcionarán a los participantes del curso un conocimiento valioso.

Dr. FRANCIS PITARD

Es un consultor experto en Muestreo, Control de Proceso Estadístico y en Gerenciamiento de Calidad. Es presidente de la Consultora Francis Pitard Sampling Consultants (www.fpscsampling.com) y Director Técnico de Mineral Stats Inc. (www.mineralstats.com) en Broomfield, Colorado USA. Brinda servicios de consultoría en diversos países. Dr. Pitard cuenta con seis años de experiencia en la Comisión Francesa de Energía Atómica y quince años en Amax Extractive R&D. Ha enseñado la Teoría de Muestreo, Control Estadístico de Procesos y Administración de la Calidad Total en las instalaciones de Educación Continua de la Escuela de Minas de Colorado, la Fundación de Minas Australiana, para la Facultad de Minas de la Universidad de Chile y la Universidad de Witwatersrand en Sudáfrica. Cuenta con un Doctorado en Tecnología de la Universidad de Aalborg en Dinamarca. Obtuvo la prestigiosa Medalla de Oro Pierre Gy a la excelencia por promover y educar sobre la Teoría de Muestreo (Cape Town, Sudáfrica, 2009). Es consultor e instructor de InterMet.