IA en plantas concentradoras: lecciones de Tonkolili

El 22/12/2025 se confirmó un movimiento que dice mucho más que “llegó equipo nuevo”: un gran proveedor global entregará ingeniería, fabricación, instalación y soporte de equipos de procesamiento de minerales para una concentradora de magnetita de 30 Mt/año en Tonkolili (Sierra Leona). En la lista aparecen piezas críticas: chancado primario con giratoria, seis chancadoras cónicas, molinos verticales de remolienda (5,6 MW instalados) y un espesador de alta tasa.

El dato relevante para Bolivia no es solo la escala. Es el patrón: cuando una operación crece, la complejidad crece más rápido que la tonelada. Y ahí, la inteligencia artificial en minería deja de ser “innovación bonita” y se vuelve una herramienta práctica para mantener estabilidad metalúrgica, controlar energía, y evitar paradas no planificadas.

Esta nota forma parte de nuestra serie “Cómo la IA Está Transformando la Minería y los Servicios Mineros en Bolivia”. Tomo el caso Tonkolili como espejo para responder una pregunta que veo cada vez más en plantas bolivianas (grandes y medianas): ¿en qué puntos concretos la IA mejora el procesamiento de minerales y el desempeño de equipos?

Qué nos enseña Tonkolili sobre operar una concentradora a escala

Una concentradora de 30 Mt/año no se “maneja” con intuición. Se gobierna con disciplina operativa, datos confiables y decisiones rápidas. En ese contexto, el tipo de equipamiento descrito (chancado, molienda fina/remolienda y espesamiento) marca tres cuellos de botella típicos.

1) Chancado: la variabilidad manda

La chancadora giratoria primaria y las cónicas trabajan bien cuando el mineral alimentado se parece al mineral diseñado. El problema es que el mineral casi nunca coopera: humedad, dureza, distribución granulométrica, presencia de finos, cambios de frente.

La IA aporta aquí con control predictivo: modelos que anticipan atascos, sobrecargas y desviaciones de tamaño de producto, y ajustan setpoints (apertura, velocidad, alimentación) antes de que el circuito “se caiga”. En operaciones con instrumentación básica, incluso modelos más sencillos (regresiones o árboles) ya logran algo valioso: reducir la oscilación de potencia y estabilizar la producción horaria.

2) Remolienda: donde se gana (o se pierde) la recuperación

La remolienda con molinos verticales de alta potencia es típica cuando el objetivo es mejorar liberación para producir concentrados más limpios. En magnetita, el control del tamaño de partícula y la densidad en circuito es determinante.

Aquí, la IA funciona como “copiloto” del metalurgista:

• Predice el P80 con señales indirectas (potencia, presión, densidad, caudal) cuando no hay medición en línea confiable.
• Recomienda ajustes para mantener el punto óptimo entre energía específica y liberación.
• Detecta deriva de desempeño (revestimientos, condición de medios, cambios en mineral).

Lo he visto repetirse: cuando la variabilidad baja, la planta deja de “perseguir” el tonelaje y empieza a controlar la recuperación. Eso es rentabilidad real.

3) Espesamiento de alta tasa: agua, estabilidad y permisos

Los espesadores de alta tasa se han vuelto estratégicos por dos razones: recuperación de agua y manejo estable de relaves. En 2025, la presión por eficiencia hídrica y cumplimiento ambiental ya no es un tema “de reporte”; impacta producción.

La IA ayuda a sostener operación estable del espesador con:

• Predicción de torque y riesgo de “bogging” (asentamiento excesivo).
• Optimización de dosificación de floculante (menos costo, mismo overflow claro).
• Alertas tempranas cuando la reología cambia por mineral o química.

Una frase útil para gerencias: “Cada % de variabilidad que eliminas en espesamiento se convierte en horas de planta que no pierdes más adelante.”

De “entrega de equipos” a “operación inteligente”: el salto que Bolivia puede hacer

Cuando un proyecto internacional moviliza equipos, repuestos y soporte, aparecen problemas que en Bolivia también conocemos: logística, coordinación de contratistas, disponibilidad de partes, y comunicación entre áreas (mina–planta–mantenimiento–compras).

La diferencia es que hoy se puede diseñar el arranque y la operación con una capa digital desde el día 1. Y no hablo de “digitalización” como eslogan; hablo de decisiones concretas.

IA para comisionamiento y ramp-up (los primeros 90 días)

Los primeros meses son donde más dinero se quema por inestabilidad. Una estrategia efectiva es crear un gemelo de datos (no necesariamente un gemelo físico completo): un repositorio ordenado con tags, historian, calidad de datos y reglas de validación.

Con eso, se puede:

1. Detectar sensores “mentirosos” (drift, ruido, congelamiento de señal).
2. Entrenar modelos para predecir eventos que paran planta: sobrecarga, baja presión, variación de densidad.
3. Montar tableros de “causas probables” para que operaciones y mantenimiento hablen el mismo idioma.

En Bolivia, esto encaja especialmente bien en operaciones que están ampliando capacidad o migrando de control manual a control avanzado.

IA para logística y repuestos: menos urgencias, más planificación

La noticia menciona provisión de repuestos y una red global de servicio. En la práctica, el reto es evitar que el repuesto crítico llegue tarde.

Con analítica e IA aplicada a supply chain se puede:

• Clasificar repuestos por criticidad real (no por costumbre).
• Predecir consumo por condición (horas, vibración, temperaturas, carga).
• Optimizar inventarios para reducir capital inmovilizado sin aumentar riesgo.

Para proveedores de servicios mineros en Bolivia, este es un espacio claro para generar valor: contratos basados en disponibilidad apoyados por modelos predictivos.

Casos de uso de IA que sí pagan en procesamiento de minerales

Si tuviera que priorizar, empezaría por donde hay impacto directo en tonelaje, recuperación y energía. Estos casos de uso son habituales en plantas con chancado–molienda–espesamiento.

1) Mantenimiento predictivo en chancadoras y molinos

La regla práctica: si un equipo tiene alta potencia, alto desgaste y es cuello de botella, es candidato.

Se usan señales como vibración, temperatura de rodamientos, presión hidráulica, potencia y eventos del PLC para:

• Anticipar fallas de rodamientos y desalineaciones.
• Detectar condiciones de operación que aceleran desgaste.
• Programar paradas cortas antes de una parada larga.

Resultado esperado (cuando se implementa bien): menos paradas no planificadas y mantenimiento más “por condición” que “por calendario”.

2) Control avanzado (APC) con modelos de IA

En molienda y remolienda, un buen APC con modelos (incluyendo ML) mantiene variables cerca del óptimo:

• Densidad en ciclones
• Presión
• Potencia
• % sólidos

El beneficio no es solo producción; es estabilidad. Y la estabilidad reduce consumo específico de energía.

3) Optimización de floculante en espesamiento

Este caso suele ser rápido porque el ahorro es visible en una línea del presupuesto.

Un modelo bien entrenado recomienda dosificación según caudal, granulometría, química y claridad requerida del overflow. En plantas donde el operador “sobredosifica para no arriesgar”, la IA ayuda a operar con confianza.

4) Visión computacional para fajas, chutes y seguridad

Cámaras + modelos de visión permiten:

• Detectar derrames, desalineación de fajas, acumulación en chutes.
• Contar material o estimar granulometría en puntos clave.
• Mejorar seguridad con detección de personas en zonas restringidas.

En Bolivia, donde muchas plantas ya tienen CCTV, este es un “upgrade” relativamente accesible.

Cómo empezar en Bolivia sin comprar humo (plan de 6 semanas)

La IA en minería se cae cuando se intenta “comprar un software” sin preparar datos, personas y proceso. Hay una forma más sobria de empezar.

Semana 1-2: elegir un problema medible

Escoge un caso con estas tres condiciones:

• Dolor operativo frecuente (paradas, variabilidad, consumo).
• Variable objetivo clara (t/h, kWh/t, % sólidos, NTU, torque).
• Datos disponibles (aunque imperfectos) en historian/SCADA.

Ejemplos rápidos:

• Predicción de sobrecarga en chancadora cónica.
• Optimización de floculante por claridad de overflow.
• Alertas de condición en molino (vibración/potencia).

Semana 3-4: ordenar datos y hacer un piloto

Aquí se gana o se pierde todo. Lo mínimo viable:

• Diccionario de tags y unidades.
• Reglas de calidad (rangos, outliers, pérdida de señal).
• Dataset con eventos etiquetados (paradas, alarmas, cambios de mineral).

Un piloto serio no necesita “años de datos”; necesita datos limpios y una hipótesis clara.

Semana 5-6: desplegar en operación con gobernanza

El modelo debe llegar al operador de forma utilizable:

• Alertas con acción recomendada (no solo “riesgo alto”).
• Registro de decisiones para aprender (qué se hizo y qué pasó).
• Revisión semanal: operaciones + metalurgia + mantenimiento.

Si la IA no cambia una decisión diaria, se vuelve un dashboard bonito y nada más.

Preguntas típicas (y respuestas directas)

¿La IA reemplaza al metalurgista o al operador?

No. La IA reduce el tiempo en “apagar incendios” y mejora la consistencia. La experiencia sigue siendo la que valida, ajusta y decide.

¿Se puede aplicar IA con instrumentación limitada?

Sí, pero con foco. Empieza por un caso con señales confiables (potencia, presiones, caudales) y mejora instrumentación en paralelo.

¿Qué área ve el retorno más rápido?

Usualmente: mantenimiento predictivo en equipos críticos y optimización de reactivos/insumos (floculante, cal, etc.), porque el impacto se mide rápido.

Próximo paso: pasar de “datos” a decisiones

El caso Tonkolili muestra una realidad: el procesamiento de minerales moderno combina equipos robustos con operación asistida por datos. Para Bolivia, la oportunidad no es copiar la escala, sino copiar la lógica: estabilidad, eficiencia energética, agua y mantenimiento por condición.

Si estás en una minera o en un proveedor de servicios mineros, mi recomendación es simple: elige un cuello de botella (chancado, remolienda o espesamiento), define una métrica y construye un piloto que termine en una decisión operacional diaria. Ahí empieza el cambio real.

¿Tu planta hoy pierde más valor por paradas, por variabilidad metalúrgica o por consumo de energía? Esa respuesta te dice dónde aplicar IA primero.