Echeverry Vargas, Luver De JesúsValenzuela Alarcón, José David2026-09-042026-09-042026https://repositorio.udec.cl/handle/11594/14489Tesis presentada para optar al título de Ingeniero/a Civil Metalúrgico.La División Chuquicamata procesa mineral por distintas vías de conminución, siendo molienda convencional (plantas “A0” y “A1”) y SAG (planta “A2”). El control operativo de la molienda convencional se apoya en el sistema experto PROFIT; sin embargo, la necesidad de contar con herramientas complementarias de diagnóstico y predicción motivó el desarrollo y evaluación de un modelo predictivo del rendimiento (tph) aplicado a la planta A1 (secciones 13, 14 y 15). El objetivo principal fue evaluar la factibilidad de un modelo predictivo útil para la toma de decisiones y cuantificar la influencia de las principales señales operacionales sobre el tonelaje procesado. Para caracterizar la alimentación se realizó un análisis detallado del blending mineral (fuentes de alimentación: rajo, subterráneo y RT), la granulometría respecto al estándar de 12.700 micrones (P80) y el Work Index (WI) horario. Se observó una clara relación entre mayor participación del rajo y aumentos en WI; el WI promedio del período analizado fue de 13,3 kWh/t y el 81 % de los registros se concentró en rangos de 12.6 a 14.0 kWh/t. La base de datos utilizada para el modelo está compuesta por variables operacionales registradas por minuto del año 2024 (527040 registros). El preprocesado incluyó: filtro IQR inicial, filtrado manual y un modo “estable”. Además, se estudiaron desfases temporales (lags) para identificar las variables adelantadas o rezagadas respecto al rendimiento. Tras la limpieza, las filas válidas por sección fueron 49.61%, 62.64% y 69.27% del total de datos para las secciones 13, 14 y 15 respectivamente. Se implementó una estrategia comparativa entre un modelo lineal (OLS) y no lineal (Random Forest). Las métricas usadas para la evaluación fueron R2, MAE, RMSE y MAPE; por requerimiento operacional se estableció R2 ≥ 0.70 como umbral mínimo de utilidad práctica. El modelo Random Forest demostró una superioridad estadística significativa, alcanzando valores de R2 cercanos al 90% en la etapa de prueba para las tres secciones, superando ampliamente al modelo OLS, el cual presento un sobreajuste severo. A pesar del alto del alto desempeño del modelo Random Forest, el análisis global revelo que solo la sección 15 posee una representatividad operativa integral. En esta sección, el modelo logro integrar coherentemente variables de conminución como el Work Index y la potencia del molino de bolas, otorgando al sistema una capacidad predictiva de corto plazo. Por el contrario, las otras dos secciones se descartaron, debido a predicciones casi exclusivamente de variables mecánicas y reactivas como la velocidad de bombas y flujos de agua. Finalmente, se estable que el modelo desarrollado para la sección 15 cumple una función explicativa y de diagnóstico predictivo, actuando como un complemente estratégico al sistema de control PROFIT.he Chuquicamata Division processes ore through various comminution routes, including conventional grinding (plants “A0” and “A1”) and SAG milling (plant “A2”). Operational control of conventional grinding is supported by the PROFIT expert system; however, the need for complementary diagnostic and predictive tools motivated the development and evaluation of a predictive throughput (tph) model applied to Plant A1 (sections 13, 14, and 15). The main objective was to evaluate the feasibility of a predictive model useful for decision-making and to quantify the influence of key operational signals on processed tonnage. To characterize the feed, a detailed analysis of mineral blending (feed sources: open pit, underground, and RT), granulometry relative to the 12,700-micron standard (P80), and hourly Work Index (WI) was conducted. A clear relationship was observed between higher open-pit participation and increases in WI; the average WI for the analyzed period was 13.3 kWh/t, with 81% of records concentrated in the 12.6 to 14.0 kWh/t range. The database used for the model consisted of operational variables recorded per minute during 2024 (527,040 records). Preprocessing included an initial IQR filter, manual filtering, and a stable mode. Additionally, time lags were studied to identify leading or lagging variables relative to throughput. After cleaning, the valid rows per section were 49.61%, 62.64%, and 69.27% of the total data for sections 13, 14, and 15, respectively. A comparative strategy between a linear model (OLS) and a non-linear model (Random Forest) was implemented. The metrics used for evaluation were R2, MAE, RMSE, and MAPE; an operational threshold of R2 ≥ 0.70 was established as the minimum for practical utility. The Random Forest model demonstrated significant statistical superiority, reaching R2 values near 90% in the testing phase for all three sections, significantly outperforming the OLS model, which exhibited severe overfitting. Despite the high performance of the Random Forest model, global analysis revealed that only section 15 possesses comprehensive operational representativeness. In this section, the model successfully integrated comminution variables such as the Work Index and ball mill power, providing the system with short-term predictive capacity. Conversely, the other two sections were discarded due to predictions based almost exclusively on mechanical and reactive variables, such as pump speed and water flows. Finally, it is established that the model developed for section 15 fulfills an explanatory and predictive diagnostic function, acting as a strategic complement to the PROFIT control system.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalMineros Chile ChuquicamataMoliendaTonelajeLitologíaThesis