PROGRAMA INTEGRAL EN MACHINE LEARNING APLICADO A LA MINERÍA

OBJETIVOS

Aprender las herramientas del futuro de Machine Learning en el análisis de datos para la minería del futuro.

PERFIL DEL PARTICIPANTE

Ingenieros de Procesos y Mecánicos, Operadores y Mantenedores de Plantas, Superintendente de Operaciones, Estudiantes de últimos años de Ingeniería.

CONTENIDO DEL CURSO

Aprender las herramientas del futuro de Machine Learning en el análisis de datos para la minería del futuro.

MÓDULO 1- Nivel Básico (12 horas)

• Introducción a la programación
• Big data en la minería
• Introducción al lenguaje de programación en Python
• Sentencias en Python
• Estructura de programación en Python
• Librerías de Python para sus distintas aplicaciones
• Como llamar datos de Excel en Python
• Ciclos iterativos
• Funciones
• Análisis estadístico de datos
• Análisis de datos en planillas de Python Data Frame
• En cada tema se realizaran ejercicios prácticos para el desarrollo de estudiantes que será parte de la nota final del curso. (10 % nota final)

Ejercicios para alumnos:

• Explicar como realizar la estructura de un programa
• Como llamar datos en Excel en Python
• Realizar un programa con un ciclo iterativo en una aplicación minera
• Realizar un programa para análisis estadístico de datos metalúrgicos (media, percentil, etc.)
• Realizar un programa con calculo de balance masa en un circuito de molienda
• Realizar un programa para realizar un balance de masa y granulometría en un ciclon
• Realizar un programa para calcular un molino de bolas
• Realizar un programa para calcular un molino SAG
• Realizar un programa para calculo de trommel

MÓDULO 2- Nivel Básico avanzado (12 horas)

• Introducción a la visualización grafica de datos
• Lenguaje de programación para graficar datos
• Grafico de puntos
• Grafico de líneas
• Grafico de barras
• Grafico de tortas
• Grafico de función normal
• Como realizar gráficos para visualizar ajustes de datos
• Gráficos con datos metalúrgicos
• Lenguaje de programación para realizar gráficos dinámicos
• Ejemplos de gráficos dinámicos
• En cada tema se realizaran ejercicios prácticos para el desarrollo de estudiantes que será parte de la nota final del curso. (10 % nota final)

Ejercicios para alumnos:

• Explicar como realizar la estructura de un programa para graficar
• Explicar como cambiar los títulos y colores de un grafico
• Realizar un grafico de puntos con datos metalúrgicos
• Realizar un grafico de líneas con datos metalúrgicos
• Realizar un grafico de barras con datos metalúrgicos
• Realizar un grafico de tortas con datos metalúrgicos
• Realizar un grafico de ajuste de datos metalúrgicos
• Realizar un grafico dinámico de la evolución del Bond work Index tiempo
• Realizar un grafico dinámico de la evolución del CEE del molino SAG

MÓDULO 3- Nivel intermedio (12 horas)

• Introducción al ajuste de datos
• Algoritmos de ajuste de datos lineal en Python
• Algoritmos de ajuste multilineal en Python
• Algoritmo de ajuste de cualquier ecuación en Python
• Algoritmo de ajuste multivariable con Python
• Ajustes de correlaciones predictivas de un procesos minero
• Ajuste de curvas granulométricas
• Ajustes de recuperación metalúrgica
• En cada tema se realizaran ejercicios prácticos para el desarrollo de estudiantes que será parte de la nota final del curso (10 % nota final)

Ejercicios para alumnos:

• Explicar como realizar la estructura de un programa para ajustar datos
• Explicar como se entrenan los datos para ajustar con modelos matemáticos
• Realizar un programa con ajuste lineal con datos metalúrgicos
• Realizar un programa con ajuste multilineal con datos metalúrgicos
• Realizar un programa con de ajuste de granulometría
• Realizar un programa con ajuste de recuperación metalúrgica
• Realizar un programa con ajuste multivariable a partir de la geometalurgía
• Realizar un programa con ajuste multivariable para el molino SAG
• Realizar un programa con ajuste multivariable para el molino Bolas

MÓDULO 4- Nivel avanzado y Trabajo Final (12 horas)

• Introducción a las redes neuronales
• Algoritmos de redes neuronales
• Aplicaciones de datos metalúrgicos con redes neuronales

Trabajo final (este trabajo será explicado en la clase y será la aplicación de todos los temas tratados en los módulos) (70 % nota final)

NOTAS DEL CURSO

Trabajo durante módulos I,II y III = 30%

Trabajo final se realizará en el módulo IV = 70%

ING. CRISTIAN RIQUELME

Ingeniero Civil Metalúrgico de la Universidad de Santiago de Chile, Magister en innovación tecnológica y emprendimiento, con post-especialización en innovación en la Universidad de San Francisco USA y MBA en la Universidad Técnica Federico Santa María.

17 años de experiencia laboral; Consultor Especialista Senior en procesos de chancado y molienda de minerales, ha trabajado en empresas de ingeniería nacionales e internacionales. Basta experiencia en diagnósticos de plantas de chancado y molienda en operaciones, diseño y revisión de plantas de chancado y molienda para ingeniería de proyectos, en supervisión de pruebas laboratorio-piloto para escalamiento industrial de plantas de chancado y molienda. Cuenta con presentaciones en congresos nacionales e internacionales, y publicaciones técnicas de conminución de minerales. Ha dictado cursos de capacitación en chancado y molienda en Chile y el extranjero.

Es especialista en el diseño de plantas concentradoras de cobre con énfasis en chancado primario y secundario, molienda SAG, bolas y HPGR, diagnóstico y optimización de plantas, OPEX, proyectos y más de 15 años en los que ha intervenido en los diseños de: Angloamerican Quellaveco, Expansión Toromocho, Minera Zaldívar, CODELCO, SQM, Pelambres, Collahuasi, Frutos del Norte, Quebrada Blanca, El Abra, Sierra Gorda, Antucoya, Lagunas Norte, Galeno, entre muchos otros. Ha trabajado en Ausenco, Fluor y es consultor de InterMet.