Tonkolili muestra cómo equipos de gran escala se potencian con IA. Ideas prácticas para optimizar procesamiento, energía y agua en minería boliviana.
IA en plantas de mineral: lecciones de Tonkolili
Un concentrador de 30 millones de toneladas (Mt) por año no se gana “a pulso” solo con equipos grandes. Se gana con decisiones pequeñas, repetibles y bien tomadas: ajustes de setpoints, control de densidades, administración de energía, y mantenimiento antes de que algo falle. Por eso la noticia de que Metso suministrará equipos de procesamiento para la Fase III del proyecto Tonkolili (Sierra Leona) es más que un anuncio de compras: es una postal de hacia dónde va la industria minera mundial.
La entrega incluye un chancador giratorio primario Superior™ MKIII 50-65, seis chancadores de cono Nordberg® HP900™, dos molinos verticales de remolienda (5,6 MW instalados) y un espesador de alta tasa (HRT), además de ingeniería, instalación, puesta en marcha y repuestos. La planta apunta a procesar 30 Mt/año de mineral y producir 10 Mt/año de concentrado de hierro. Es escala real. Y en esa escala, la inteligencia artificial (IA) deja de ser “bonita” y pasa a ser una necesidad.
En esta entrega de la serie “Cómo la IA Está Transformando la Minería y los Servicios Mineros en Bolivia”, uso Tonkolili como espejo: lo que se está instalando allá es exactamente el tipo de infraestructura donde la IA aporta resultados medibles… y donde las empresas bolivianas de minería y servicios mineros pueden capturar ventaja si actúan con orden.
Tonkolili y el mensaje oculto: el equipo ya no basta
La idea central es simple: comprar buen equipo es el punto de partida, no la meta. Cuando una operación incorpora chancado primario, conminución secundaria (conos), remolienda y espesamiento, aparecen tres “batallas” diarias:
- Variabilidad del mineral (dureza, granulometría, magnetita vs ganga, humedad, etc.).
- Consumo energético (molienda y bombeo mandan la factura).
- Estabilidad del proceso (densidades, niveles, atascos, torque, y la eterna tensión entre throughput y recuperación).
Tonkolili, además, carga una presión adicional: se menciona que ciertos equipos (molinos verticales y espesador de alta tasa) pertenecen a un portafolio orientado a eficiencia energética y reducción de emisiones. Traducido a operación: cada kWh y cada tonelada de agua recuperada se vuelven KPI duros.
En Bolivia, donde muchas operaciones conviven con límites de energía, agua y logística (y donde el costo del paro no perdona), el mensaje es claro: la siguiente ventaja competitiva está en el control inteligente del proceso, no en “meter más fierro”.
Dónde la IA genera valor en chancado, molienda y espesamiento
La respuesta corta: la IA funciona cuando tiene sensores confiables, datos históricos y una rutina operativa que acepta recomendaciones. En plantas tipo Tonkolili, hay cuatro frentes donde la IA suele pagar primero.
IA para chancadores: throughput sin romper revestimientos
En chancado, el margen se pierde por dos lados: o te quedas corto de producción por miedo a atorar, o empujas y terminas con paradas, sobrecarga y desgaste acelerado.
Casos típicos de uso de IA (o modelos predictivos + control avanzado):
- Predicción de atascos y eventos de sobrecarga usando corriente del motor, presión hidráulica, vibración, y patrón de alimentación.
- Optimización del CSS y la cámara (cuando el equipo lo permite) para mantener granulometría objetivo con variabilidad del mineral.
- Mantenimiento predictivo: estimación de vida de liners y detección temprana de desbalance/daño.
Frase que vale en planta: “El chancador no se ‘maneja’, se estabiliza.” La IA ayuda a estabilizar con señales que un operador humano no puede correlacionar en tiempo real.
IA en remolienda (molinos verticales): energía por tonelada, no por intuición
La molienda es el corazón del costo operativo. En remolienda, además, el objetivo no es “moler más”, sino moler lo justo para liberar mineral valioso sin generar lamas de más.
Aplicaciones concretas:
- Modelos que recomiendan velocidad, carga, adición de agua y distribución de alimentación para sostener tamaño objetivo.
- Predicción de esfuerzo específico (kWh/t) según dureza y granulometría entrante.
- Control de estabilidad para evitar “cazar” setpoints (subir/bajar sin parar) que castigan el equipo.
En mi experiencia, el cambio cultural más grande es este: pasar de “¿cómo se siente el molino hoy?” a “¿qué dice el modelo con los datos de la última hora?”
IA en espesamiento de alta tasa: agua recuperada y densidad estable
Un espesador HRT es un gran aliado, pero también puede convertirse en un cuello de botella si:
- la floculación no está bien dosificada,
- la alimentación cambia,
- o la instrumentación no es consistente.
La IA aporta especialmente en:
- Dosificación inteligente de floculante (menos química, misma claridad).
- Predicción de densidad de underflow y riesgo de arrastre.
- Detección de anomalías (torque del rastrillo, cambios en interfaz, tendencias de nivel).
Para Bolivia, esto se traduce directo a licencia social y costo: más recirculación de agua = menos presión sobre fuentes locales.
Sostenibilidad operativa: la IA no “reduce emisiones”, reduce desperdicios
Cuando un proveedor habla de eficiencia energética y carbono, conviene aterrizarlo: en una planta de procesamiento, la mayor parte de la huella se va en electricidad (molienda, bombeo, ventilación) y en consumos indirectos (repuestos, lubricantes, reactivos, transporte).
La IA reduce emisiones por una vía muy concreta: reduce desperdicios operativos.
- Menos energía por tonelada (controlando mejor la molienda).
- Menos paradas no planificadas (mantenimiento predictivo).
- Menos reproceso y recirculaciones (control de granulometría y densidades).
- Menos reactivos por mala dosificación (espesamiento y flotación cuando aplica).
Una planta eficiente no es la que corre “al límite” todos los días. Es la que corre estable, con pocas sorpresas.
En diciembre (cierre de gestión), esto importa todavía más: las operaciones buscan cerrar KPIs y presupuestos; cualquier herramienta que reduzca variabilidad ayuda a defender resultados sin “quemar” activos.
Qué puede aprender Bolivia de un proyecto internacional como Tonkolili
La lección no es copiar equipos. Es copiar el enfoque: integrar tecnología, servicios y ejecución, y luego preparar la planta para operar con datos.
1) Diseñar para datos desde el inicio (o re-diseñar para datos)
Una implementación de IA fracasa cuando no hay:
- instrumentación mínima confiable (densímetros, analizadores, vibración, potencia),
- sincronización de tags y tiempos,
- historiador bien mantenido,
- y “dueño” del dato en operaciones.
Acción práctica para una planta boliviana: hacer un inventario de “tags críticos” (20–40 señales) que expliquen el 80% de la estabilidad del circuito.
2) Empezar donde el retorno es rápido
Si el objetivo es generar tracción interna, yo priorizaría:
- Mantenimiento predictivo en activos críticos (chancadores, correas principales, bombas, molinos).
- Control avanzado en molienda/remolienda (kWh/t y tamaño objetivo).
- Optimización de espesamiento (agua, floculante, densidad underflow).
Son frentes donde el impacto se ve en semanas, no en años.
3) Convertir a los servicios mineros en “empresas de datos”
En Bolivia, muchas empresas de servicios mineros compiten por disponibilidad mecánica o por horas-hombre. Hay una oportunidad más rentable: vender resultados con respaldo de analítica.
Ejemplos de ofertas que el mercado empieza a pedir:
- Contratos con KPI de energía por tonelada, no solo mantenimiento.
- Monitoreo remoto con alertas de riesgo de falla.
- Optimización de dosificación (reactivos, floculantes) con “control por desempeño”.
El proveedor que domine datos se sienta a negociar distinto.
Preguntas que surgen siempre (y respuestas directas)
¿Necesito “IA avanzada” o basta con analítica y control?
Para la mayoría de plantas, basta con modelos predictivos + control avanzado + buenas reglas operativas. La “IA” que paga es la que se integra al turno y reduce variabilidad.
¿Qué datos mínimos necesito para empezar?
- Potencia/corriente de equipos críticos
- Presiones y caudales
- Densidades en puntos clave
- Granulometría (idealmente online o con muestreo disciplinado)
- Eventos de mantenimiento y paradas con causa codificada
Sin disciplina de datos, no hay modelo que aguante.
¿Cuánto tarda ver beneficios?
En casos bien acotados (anomalías en equipos o dosificación), 4–8 semanas suelen ser suficientes para ver mejoras operativas. En control integrado de circuito, 3–6 meses es un horizonte realista.
Un plan de 90 días para minería y servicios mineros en Bolivia
Si estás pensando en IA para procesamiento de minerales en Bolivia, aquí va un plan simple (y ejecutable) inspirado en lo que exige una operación a escala Tonkolili:
-
Días 1–15: diagnóstico de datos
- Lista de activos críticos
- Auditoría de tags, calidad y frecuencia
- Definir KPI de negocio (energía, throughput, recuperación, disponibilidad)
-
Días 16–45: caso de uso “piloto”
- Elegir un solo circuito (chancado o espesamiento suele ser ideal)
- Crear modelo de predicción/anomalías
- Definir acción operativa ante alerta
-
Días 46–90: industrialización
- Integración con sala de control
- Entrenamiento de operadores (en serio, no solo una charla)
- Tablero simple: 5 KPI y 10 alertas máximas
La regla que no negocio: si el piloto no cambia una decisión en turno, no es piloto; es reporte.
Cierre: Tonkolili muestra el “qué”; Bolivia debe enfocarse en el “cómo”
Tonkolili está apostando por capacidad y eficiencia con equipos de alto tonelaje: chancado robusto, remolienda potente y espesamiento de alta tasa. El siguiente salto lógico es operar esa planta con un enfoque digital: IA para optimizar procesamiento de minerales, estabilizar la operación y sostener metas de energía, agua y producción.
En Bolivia, el terreno está listo para lo mismo. La minería local no necesita esperar a tener megaproyectos para beneficiarse: la IA en minería funciona igual de bien en circuitos medianos si se implementa con foco, datos confiables y un equipo operativo involucrado.
Si 2026 te encuentra defendiendo presupuestos, energía y continuidad operacional, vale la pena hacerse una pregunta incómoda: ¿tu planta toma decisiones con datos… o todavía depende de “cómo amaneció el circuito”?