Caracterización geoquímica de las unidades geometalúrgicas de la división El Teniente y obtención de un modelo predictivo de recuperación rougher de cobre a partir de datos geoquímicos.
| dc.contributor.advisor | Rabbia Dalmasso, Osvaldo Miguel | es |
| dc.contributor.advisor | Becerra Almarza, Carolina Loreto | es |
| dc.contributor.author | Cuadra Amaro, Francisco Elieser | es |
| dc.date.accessioned | 2025-04-25T13:32:30Z | |
| dc.date.available | 2025-04-25T13:32:30Z | |
| dc.date.issued | 2021 | |
| dc.description | Tesis presentada para optar al título de Geólogo | es |
| dc.description.abstract | El yacimiento El Teniente es un mega depósito de cobre, el cual tradicionalmente se reconoce cómo un sistema típico de pórfido de Cu-Mo, con la única diferencia y particularidad que las rocas máficas, características del depósito, proporcionaron eficientes trampas físicas y químicas para la precipitación de sulfuros. Atestigua múltiples eventos intrusivos e hidrotermales que, junto a controles estructurales, han favorecido y concentrado la mineralización. En la actualidad el complejo está integrado por mina, planta y fundición, y consta de explotación subterránea y rajo abierto, siendo la mina subterránea más grande del mundo. En 2020 su producción total fue de 443.220 toneladas de cobre fino. Con la disminución de la ley de cobre del país, ha sido necesario llevar a cabo estudios cada vez más meticulosos con el objetivo de hacer más eficiente la línea de producción y así maximizar la recuperación de material de interés. Es por esta razón que se definen zonas y unidades geometalúrgicas que agrupan rocas con similares propiedades mineralógicas, geometalúrgicas o geoquímicas. A partir del año 2014, la División El Teniente, comenzó a implementar con finalidades de planificación, la caracterización del mineral que alimenta la Línea SAG y, en el año 2018, aquel que alimenta la Línea Convencional, definiendo zonas geometalúrgicas. En el año 2020, en base a zonas de mena geotécnica, mineralogía de mena y ganga, y litología, se definieron 5 unidades geometalúrgicas (UGM) en función de la recuperación rougher de Cu; adicionalmente, estas unidades presentaron una buena correspondencia con la recuperación por especies, conminución, recuperación de molibdeno, recuperación por peso y sedimentación, por lo que demostraron ser útiles para establecer zonas con características definidas. Una de las aristas de este trabajo consiste en caracterizar geoquímicamente estas UGM, identificando las distintas variables que logren diferenciarlas entre sí. A través del estudio de bases de datos con información mineralógica, geoquímica y geometalúrgica, y el empleo de técnicas estadísticas y análisis de distribuciones espaciales de distintos elementos y minerales, se logró determinar que las siguientes variables resultaron ser eficaces para lograr diferenciar las UGM, dado que, sin importar el factor litológico, permiten establecer distinciones: Cu, CaO, Sr, Zn, Ag, Bi, Mo, Na2O, Co, Fe, Se, S, Ga, CuNS, LOI y C. Las diferencias están asociadas principalmente a los eventos de mineralización y alteración, incluyendo los procesos supérgenos. La segunda parte de esta memoria se centra en la confección de un modelo predictivo de la recuperación rougher de Cu. El machine learning, hoy en día, se presenta como una gran herramienta para esta tarea, dado los constantes avances tecnológicos que permiten trabajar con poderosos algoritmos de alto coste computacional, con un gran potencial para analizar y encontrar patrones que, muchas veces, no somos capaces de interpretar. Se utilizó XGBoost, un algoritmo mejorado de boosting tree, dada su simpleza a la hora de optimizar sus hiperparámetros, además de su comprobada destreza para clasificar o predecir variables categóricas o continuas, respectivamente. Luego de una debida preparación y depuración de las bases de datos disponibles, a partir de las concentraciones de Cu, Mo, CuNS, Fe, Ni y Zn, variables presentes tanto en la batería estándar de la División El Teniente como en los conjuntos de datos para entrenar y testear el algoritmo, se logró crear un modelo predictivo satisfactorio con un RMSE de 4,273 (%). Esto permitió su utilización en una base con datos geoquímicos analizados entre los años 2010 y 2020, cuyo resultado fue modelado en volúmenes 3D mediante el uso de Leapfrog Geo, dando información similar a la entregada por las UGM, lo cual avala su funcionamiento. Posteriormente, con la finalidad de observar si el desempeño de la predicción variaba, se incorporaron más variables para entrenar el algoritmo, presentando una leve mejoría en los resultados. Por último, para interpretar el peso o importancia de las variables para el desempeño del modelo, se utilizaron los SHAP values que permitieron determinar, luego de analizar tanto el modelo de 6 variables como el de 18, que las más relevantes para la predicción son el CuNS, Zn, CaO, S, Sr y Cu. Las 2 primeras recién mencionadas, son aquellas, cuyas concentraciones elevadas, se asocian a bajas recuperaciones, donde el impacto negativo del CuNS en la recuperación ha sido confirmado en estudios anteriores, mientras que, para el Zn, su relación espacial con las arcillas, permite explicar esta asociación. | es |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ciencias de la Tierra | es |
| dc.description.facultad | Facultad de Ciencias Químicas | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/12588 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Geoquímica | es |
| dc.subject | Cobre | es |
| dc.subject | Modelos matemáticos | es |
| dc.subject | Mina El Teniente (Chile) | es |
| dc.title | Caracterización geoquímica de las unidades geometalúrgicas de la división El Teniente y obtención de un modelo predictivo de recuperación rougher de cobre a partir de datos geoquímicos. | es |
| dc.type | Thesis | en |