Ponencia presentada en el XV Congreso Internacional de Energía y Recursos Minerales. La industria minera, tal vez más que muchas otras, se ve obligada a considerar una visión a largo plazo debido al tiempo y los períodos de recuperación asociados a sus inversiones. La industria necesita tener la certeza de que las nuevas tecnologías implementadas garantizarán el retorno de la inversión.

Paulo Romero Martínez, Lorena Viladés Santos y César Luaces Frades
Asociación Nacional de Empresarios Fabricantes de Áridos (ANEFA)
Dirección: Plaza de las Cortes nº 5 – 7º - Madrid
Teléfono: 34 915 021 417
E-mail: Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.

Resumen – La industria minera, tal vez más que muchas otras, se ve obligada a considerar una visión a largo plazo debido al tiempo y los períodos de recuperación asociados a sus inversiones. La industria necesita tener la certeza de que las nuevas tecnologías implementadas garantizarán el retorno de la inversión. Desde el punto de vista tecnológico, el sector minero siempre ha optado por desarrollos lineales e innovaciones continuas, pero estos ya no son suficientes en el entorno económico actual.

Existen tecnologías maduras y transversales que permiten los avances más radicales desde el punto de vista de la explotación minera (inteligencia artificial, modelos predictivos, machine learning, gemelo digital, diseño de experimentos...). Se recomienda que las organizaciones se planteen la implantación de estas tecnologías utilizando un mapa tecnológico integral e indicadores de eficiencia (Jacobs 2017) con el fin de aglutinar toda la información sobre la cadena de valor y las particularidades del proyecto.

Enfoques como el usado en DigiEcoQuarry (DEQ) (funding from the European Union's H2020 grant agreement Nº 101003750) desarrollando modelos predictivos, facilitando la implantación de la cultura de dato (data lakes, big data, GIS...) que permitirían predecir y simular escenarios. DEQ integra varios modelos de IioT (Industrial internet of Things) y el desarrollo de pipelines de datos alimentados por sensores. DEQ facilita la comunicación entre los sistemas involucrados en organización.

La digitalización en las explotaciones de áridos permite explorar sinergias. Lo que implica que las mejoras pueden superar ampliamente los beneficios individuales de la aplicación de una sola tecnología.

1. INTRODUCCIÓN.

El desarrollo de explotaciones mineras (y más genéricamente el negocio minero) se encuentra bajo una creciente presión que afecta a los proyectos de forma integral desde diversos frentes (económico, medioambiental, social y tecnológico). La volatilidad de la economía y el desarrollo de nueva legislación ocasiona la necesidad de procesos eficientes y la necesidad de poder adaptarse a los cambios rápidamente. Esta situación lleva aparejada grandes inversiones de capital y muchas horas de dedicación. La creciente presión social y administrativa para desarrollar e implementar las mejores prácticas disponibles hace que las explotaciones mineras hayan aumentado su complejidad considerablemente en las últimas décadas. Provocando una pérdida de hasta un 28% de productividad con respecto a la década pasada (How digital innovation can improve mining productivity2015) .Esta presión tiene como resultado que el tiempo necesario para el desarrollo de nuevos proyectos mineros (o la ampliación de los mismos) se esté incrementado de una forma notable.

La industria minera, quizás en mayor grado que muchas otras, se ve obligada a considerar una visión estratégica a muy largo plazo debido al tiempo que se tarda en desarrollar una explotación y, sobre todo, a los períodos de recuperación asociados con las principales inversiones que se realizan. Esa es la razón principal por lo que las empresas mineras necesitan asegurarse de que las nuevas tecnologías implementadas en el negocio recibirán soporte durante el tiempo suficiente que garantice el retorno de la inversión necesaria. Por ejemplo: reconfigurar las plantas de procesamiento para mejorar su eficiencia, añadir sensores para la captación de datos de la maquinaria móvil, desplegar una red de comunicaciones para solucionar problemas de cobertura en el hueco minero, adquisición de una perforadora con mejoras tecnológicas… Sin embargo, el aumento de la eficiencia y eficacia mediante la optimización de los recursos geológicos (y no geológicos) puede verse obstaculizada por la falta de una política gubernamental clara.

Históricamente, desde el punto de vista técnico, el sector minero siempre ha optado por desarrollos e innovaciones lineales (, Modelo lineal de innovación) pero estos ya no son suficientes. En el modelo lineal se comienza con la investigación básica (a la que se le da prioridad) pasando posteriormente a la investigación aplicada. Lo que causa que la aplicación se realice de una forma local y se ignoren las retroalimentaciones y bucles que ocurren en todo el proceso.

El uso y adopción de las nuevas tecnologías disruptivas que actualmente se encuentran a nuestro alcance (en lugar de seguir una tendencia lineal asociada con un aumento constante) tiene como consecuencia que inicialmente las mejoras apenas se noten, pero posteriormente se aceleren sus resultados exponencialmente. El desarrollo e implementación de estas tecnologías tiene que ser visto como una cuestión estratégica de supervivencia por parte de la organización. Aunque normalmente suelen ser observadas exclusivamente bajo el prisma de la mejora en la competitividad.

Los retos que deberían ser abordados por cualquier empresa minera, tienen que ser el resultado de las siguientes preguntas:

A. ¿Cómo se van a conectar o intercambiar la información? La falta de conexiones es una constante debido a la extensión de las explotaciones, a lo que se añade su situación en áreas remotas. Para solucionar este problema, se puede recurrir al desarrollo y despliegue de nuevas redes de comunicación (ej. sixfog, LoRaWAN...) o ser necesario acercar la computación y el almacenamiento de datos a la explotación (ej. edge computing...).

B. ¿Disponemos de la formación y capacitación necesaria entre nuestros trabajadores? La falta de adopción por parte de los usuarios de los últimos avances tecnológicos supone realizar un esfuerzo extra en la integración de las tecnologías para facilitar su uso mediante la experiencia de usuario (UX, User Experience).

C. ¿Disponemos del tiempo necesario? Obtener los resultados esperados involucra un desarrollo y despliegue tecnológico que necesita largos periodos de tiempo. La inversión que se necesita (en términos de tiempo y dinero) junto con la compleja puesta en marcha provoca que la digitalización de las explotaciones mineras necesite mucho esfuerzo para desarrollarse e implementarse exitosamente. La utilización de modelos predictivos de ML (Machine Learning) y mejorar la cultura del dato en la organización (uso de Data Lakes, tecnologías BIG Data, GIS...) requerirá mucho trabajo de implementación e investigación.

D. ¿Son conscientes los proveedores de las condiciones de trabajo en una cantera? Las explotaciones mineras cuentan con diversos ambientes de trabajo, algunos muy hostiles para los sensores. Las condiciones de trabajo cambiantes y muy exigentes causan dificultades en la instalación y en el mantenimiento de los sensores. En ocasiones será necesario utilizar sensores remotos (ej. captura de imágenes mediante cámaras…), crear metodologías de mediciones indirectas (el valor de la magnitud a medir generado a partir del valor de otras mediciones) que requieren un esfuerzo extra.

E. ¿Qué datos están disponibles? ¿Contamos con datos históricos? ¿Con qué calidad? La dificultad y el alto coste para obtener los datos (información) origina que necesitemos recurrir a la integración de diversos modelos Iiot (Industrial internet of things), desarrollo de data pipelines, data feeds y la creación de una arquitectura de micro-servicios para facilitar la comunicación entre todos los sistemas implicados en la operación minera.

F. ¿Tenemos en cuenta los nuevos productos? ¿El cambio en las especificaciones? ¿Los cambios en el macizo rocoso? La volatilidad en los mercados, el desarrollo de nuevos productos y nuevas especificaciones implica: el desarrollo de plantas de tratamiento más versátiles, modelos que permitan optimizar los costes, la implantación de metodologías de mejora continua, estudio de la elasticidad de los productos, etc.

2. ¿POR QUÉ HABLAMOS DE INTELIGENCIA ARTIFICIAL CUANDO SE TRATA DE TRANSFORMACIÓN DIGITAL?.

En las canteras resulta muy complicado disponer de grandes cantidades de datos (en especial debido a la dificultad de recopilarlos), a lo que hay que añadir la dificultad de darles sentido aplicándolos en el contexto adecuado. La consecuencia es que no se logren aprovechar al máximo todos los recursos disponibles a la hora de digitalizar la cantera en su conjunto.

Cuando se habla de digitalización, se suele equipar con la inteligencia artificial (IA) o el machine learning (ML), por ello se hace hincapié en los algoritmos sofisticados que las empresas pueden utilizar para analizar comportamientos históricos, sacar conclusiones, optimizar el negocio y predecir el futuro de la organización o el mercado. Pero se suele pasar por alto la importancia que tiene la consolidación e integración de los datos y los sistemas que actualmente se están usando (sistema legacy). La recopilación y consolidación de los datos suele ser un desafío técnico y organizativo muy importante para casi la totalidad de las explotaciones mineras. Diseñar las canalizaciones de datos, y seleccionar los sistemas expertos necesarios para obtener todos los datos necesarios en la modelización de una explotación minera creando el mapa de situación, es uno de los puntos básicos en la digitalización. Para lo que se utilizan herramientas ETL (Extract, Transform and Load), extraer, transformar y cargar, es el proceso que permite a las organizaciones mover datos desde múltiples fuentes, reformatearlos y limpiarlos, y cargarlos en otra base de datos o en otro sistema para analizarlos) (Extract, transform and load ).

Pero el trabajo no termina ahí, una vez tengamos el almacén central de datos (en forma de Data Lake, Data Warehouse o base de datos) ya podremos consultarlos, filtrarlos y analizarlos para convertir los datos en información y conocimiento (que siempre debe ser el objetivo final de toda digitalización). Una vez completado este paso, mediante el uso de algoritmos que se adapten a los procesos reales de la explotación y a los casos de uso definidos mediante el desarrollo de su equipo interno, uso de soluciones preconstruidas o mediante la contratación de expertos externos, podremos, finalmente, apoyar a los procesos de negocio.

3. LA INTELIGENCIA ARTIFICIAL EN LAS CANTERAS.

El análisis impulsado por la IA ayuda en todo tipo de explotaciones, desde las más pequeñas a los grupos empresariales internacionales con varias canteras. Podemos tomar mejores decisiones para la optimización de la explotación mediante el control de los tres pilares fundamentales: aumentar ingresos, controlar los costes y garantizar una alta calidad (por supuesto que hay casos de uso más específicos como pueden ser los relacionados con la seguridad y salud, el medioambiente o las relaciones con la comunidad). Para entender el desarrollo de este proceso hay que tener en cuenta que no todas las soluciones impulsadas por la IA tienen el mismo aspecto (análisis descriptivo, análisis en tiempo real, análisis de correlación, series temporales, agregación de datos…)

Por otro lado, las explotaciones que no utilicen los análisis basados en la IA se van a enfrentar a grandes desafíos en los próximos años: si no desarrollan una cultura corporativa basada en los datos pueden terminar gastando mucho dinero en grandes cantidades de datos que no serán analizados con la perspectiva necesaria que permita que se adapten a la realidad de su cantera. No es descabellado afirmar que hoy en día los competidores están usando IA o lo harán pronto. Crear una cultura empresarial basada en los datos e impulsada por la IA permite que las organizaciones se equipen con una caja de herramientas fundamental para competir en el futuro.

Figura 2 Esquema de la complejidad del desarrollo de modelos de ML

4. MODELOS VS DATOS.

Podemos dividir los componentes fundamentales de los sistemas de IA en dos grandes pilares: el modelo y los datos. Ambos componentes son básicos e indivisibles a la hora de desarrollar una estrategia digital. Pero debido a la limitación de los recursos disponibles en las empresas, hay que realizar una aproximación a la digitalización completa centrándose en uno de ellos (por supuesto, sin descuidar el otro).

El enfoque centrado en el modelo (también lo podemos definir como código, se entiende todo texto legible por un ser humano y redactado en un lenguaje de programación determinado (Nouri 2021) implica una fuerte carga de trabajo en investigación experimental para desarrollar y/o mejorar el rendimiento de los modelos (o algoritmos) de IA. En este enfoque los datos se mantienen invariantes. Centramos los recursos en mejorar el código o la arquitectura de los modelos (o aplicaciones). Fundamentalmente se trabaja en optimizar el código y sus resultados (ya sea mejorando el tiempo de respuesta y/o la precisión y exactitud). Este es el enfoque seguido por la mayoría de las aplicaciones que se encuentran en el mercado y las grandes tecnológicas. Actualmente, se presta mucha atención a la investigación académica sobre nuevos modelos y mejoras de rendimiento lo que genera una cantidad de noticias desbordantes sobre la IA.

En el enfoque centrado en los datos, los esfuerzos se centran en la información generada en la explotación minera y todas sus interacciones. El objetivo principal en este enfoque es mejorar sistemáticamente los conjuntos de datos y especialmente su exactitud (ISO 5725-1 Accuracy (trueness and precision) of measurement methods and results). Esto tiene una incidencia directa muy notable a la hora de aumentar las aplicaciones de ML que se podrán utilizar.

Figura 3 Enfoque centrado en el modelo vs enfoque centrado en los datos

En la práctica muchas veces no es fácil distinguir ambos enfoques. Diremos que un enfoque basado en el modelo parte de una metodología centrada en recopilar, analizar y extraer información de los datos existentes de la cantera. En el enfoque centrado en los datos se centra en el uso y recopilación de los datos para definir los pasos a realizar en primer lugar. Actualmente, en la digitalización de una cantera los datos son cruciales, pero a menudo se pasa por alto la importancia de los datos mientras nos enfocamos en el modelo.

El flujo de trabajo centrado en el modelo requiere de trabajadores de alto nivel. Cada producto o subtarea necesita un modelo diferente lo que requiere trabajar y entrenar varias soluciones de ML diferentes, lo que no es factible en términos de recursos y plantilla para la media de las canteras europeas. A esto hay que añadir que para que funcione es necesario contar con grandes cantidades de datos, lo que no suele ser habitual en las canteras. A menudo, las organizaciones no disponen de datos o los que existen son escasos y en pequeños conjuntos.Uno de los objetivos fundamentales a la hora de diseñar un plan estratégico de digitalización será centrarse en la obtención de datos de alta calidad.

Hay que tener en cuenta que los datos son el activo fundamental y deben durar más que las aplicaciones y los algoritmos. Por ello, es fundamental centrarse en simplificar el intercambio y movimiento del flujo de datos, para lo que hay que tener en cuenta los siguientes aspectos:

A. Data label quality: Uno de los procesos más críticos a la hora de almacenar los datos es su etiquetado. Cuando se etiquetan incorrectamente los datos, los resultados son peores que cuando se utilizan menos datos, pero precisos.

B. Data augmentation: Aumentar la cantidad de datos disponible. Actualmente, debido al abaratamiento de las opciones disponibles para almacenar datos, hay una tendencia a guardarlo todo sin prestar atención al etiquetado y la calidad. Esto provoca que en multitud de casos la base de datos se termine convirtiendo en un estercolero. En estos casos se cumple la premisa de que más datos no equivalen automáticamente a mejores datos.

C. Feature engineering: La ingeniería de características es el proceso de agregar valor a los datos utilizando el conocimiento experto de la empresa para extraer características de los datos en bruto. Se utiliza en la IA para mejorar la calidad de los resultados obtenidos.

D. Data versioning: Administrar el acceso al conjunto de datos, así como las muchas versiones de cada conjunto de datos a lo largo del tiempo, es difícil y propenso a errores.

E. Domain knowledge: uno de los puntos fundamentales que a menudo se olvidan. El conocimiento del negocio de los áridos es extremadamente valioso en el enfoque centrado en los datos. Los sistemas de IA necesitan de la participación de los expertos en el dominio. Las soluciones desarrolladas funcionan mucho mejor con los conocimientos adicionales que solo estos trabajadores pueden añadir. En especial detectando pequeñas discrepancias que los sistemas de ML no pueden detectar.

En resumen, si se decide adoptar un enfoque centrado en los datos hay que tener en cuenta las siguientes indicaciones (Patel 2022):

A. Centrarse en garantizar la consistencia de datos de alta calidad en todo el ciclo de vida.

B. Crear las etiquetas de forma consistente y representativas de la cantera.

C. Utilizar los datos de producción junto con los comentarios oportunos de los trabajadores expertos.

D. Analizar los errores para centrarse en un subconjunto de datos.

E. Eliminar las muestras ruidosas e inconsistentes; más datos no siempre es mejor.

5.MAPA TECNOLÓGICO PARA FACILITAR EL PROCESO DE MODERNIZACIÓN DE LAS CANTERAS A LO LARGO DEL CICLO MINERO.

Para determinar la hoja de ruta a la hora de digitalizar una cantera es necesario tener en cuenta las tecnologías en las que se basan, tanto físicas como digitales. Las tecnologías las agrupamos en su capacidad de (Jacobs 2017):

A. Incrementar la producción como una medida de eficacia de la cantera, ej. toneladas extraídas, nuevas zonas a explotar…

B. Incrementar la productividad como una medida de eficiencia, ej. reducir el tiempo y dinero utilizados para extraer una cantidad específica de tonelajes, disminuir el número de horas que los equipos están parados…

C. Incrementar la eficiencia como una medida distinta para productividad, ej. un aumento en la eficiencia que puede que no tenga un impacto directo en la producción, pero aún así agrega valor a la organización, como una rehabilitación más eficiente.

D. Mejorar la seguridad como una medida para reducir la probabilidad y gravedad de las posibles causas de daño a las personas.

E. Reducir el riesgo de error humano como una medida de disminuir la probabilidad de errores o contratiempos.

Hay que tener en cuenta que la creación de valor en las canteras no solo depende de las tecnologías físicas. Sobre todo, si queremos mejorar los temas directamente relacionados con la planificación y las que involucren previsiones a largo plazo. En estos casos, el uso de las tecnologías de la información tiene un papel clave y fundamental como aglutinador del conocimiento y de la información que se está generando continuamente en la explotación minera.

En la actualidad se disponen de tecnologías lo suficiente maduras y transversales como para ser implementadas en la industria minera. De esta combinación, entre la experiencia y la tecnología digital, se realizarán los avances más radicales desde el punto de vista de la organización (modelos predictivos, uso del ML para la optimización de los recursos mineros, gemelo digital para el desarrollo y diseño de experimentos...). Se recomienda que las organizaciones consideren la implementación de estas tecnologías mediante el uso de un mapa tecnológico integral (Jacobs 2017). La finalidad de utilizar este mapa es reunir toda la información de cadena de valor y tener en cuenta todas las particularidades de cada explotación. Explorar las posibles sinergias dentro del proceso minero ocasiona que las mejoras puedan superar con creces los beneficios individuales de aplicar una sola tecnología de forma aislada.

6. EL PROYECTO DIGIECOQUARRY.

El proyecto DigiEcoQuarry (DEQ) (DigiEcoQuarry web2022) aborda la digitalización de la cantera en su conjunto (desde las pequeñas canteras hasta empresas con varias canteras en distintos sitios). Para este proyecto se han agrupado 25 empresas (23 europeas y 2 extracomunitarias).

Los principales procesos que se desarrollan en el proyecto son:

A. Preparación del emplazamiento: Información general y caracterización del macizo rocoso.

B. Extracción: soluciones limpias y seguras para la extracción de áridos mediante perforación y voladura.

C. Carga y transporte interno: procesos de carga y transporte seguros dentro de la cantera.

D. Planta de tratamiento: metodologías eficientes, automáticas y flexibles para la recuperación de áridos, aumentando la gama y los rendimientos de los materiales recuperados, a la vez que se reduce la huella ambiental.

E. Almacenamiento: tanto entre la cantera y la planta de tratamiento como después del proceso de tratamiento.

F. Transporte externo: rutas de transporte optimizadas fuera de la cantera.

G. Rehabilitación: minimización de los impactos ambientales en la restauración de la cantera en términos de gestión eficiente del transporte interno desde el lugar de extracción y la planta de tratamiento hasta la zona de restauración.

H. Gestión empresarial: búsqueda de un control optimizado del proceso integrando grandes cantidades de datos.

La FIGURA 5 muestra un esquema acerca de cómo se siguen estos procesos en la cantera.

Figura 5 Infografía DigiEcoQuarry

Esta figura muestra la lógica general de colaboración y el funcionamiento de la recogida de datos a lo largo de la cantera. La red de sensores IoT recopila datos sobre las máquinas, los materiales, el entorno y otros parámetros importantes sobre el terreno. Los datos de los sensores se recogen mediante subplataformas sobre el terreno y una plataforma principal basada en la nube. Esta plataforma de interoperabilidad proporciona las interfaces necesarias para dar cabida a datos de sensores heterogéneos y ofrece capacidad de almacenamiento de datos para cada cantera. La plataforma permite intercambios estandarizados de todos los datos relevantes con la tecnología BIM (Building Information Modeling) y las subplataformas (que incluye los procesos y algoritmos de IA). Los sensores, las subplataformas, la plataforma minera inteligente, el IoT (Internet of things), los componentes BIM e IA y los servicios forman el Sistema Inteligente de Canteras (IQS, Intelligent Quarrying System). El IQS garantizará la optimización de toda la gestión de la cantera desde una perspectiva global y holística en tiempo casi real, definiendo prioridades entre la interacción de los procesos y de apoyo a la toma de decisiones. Esto asegura su potencial y una ventaja competitiva a las explotaciones.

REFERENCIAS

DigiEcoQuarry web2022-last update. Available: https://digiecoquarry.eu/.

How digital innovation can improve mining productivity2015-last update. Available: https://www.mckinsey.com/industries/metals-and-mining/our-insights/how-digital-innovation-canimprove- mining-productivity.

Etiqueta (metadato). Available: https://es.wikipedia.org/wiki/Etiqueta_(metadato)#:~:text=Una%20etiqueta%20o%20tag%20es,y%20qu e%20facilita%20su%20recuperaci%C3%B3n.

Extract, transform and load . Available: https://es.wikipedia.org/wiki/Extract,_transform_and_load.

ISO 5725-1 Accuracy (trueness and precision) of measurement methods and results.

Modelo lineal de innovación. Available: https://es.wikipedia.org/wiki/Modelo_lineal_de_innovaci%C3%B3n.

JACOBS, J., 2017. A technology map to facilitate the process of mine modernization throughout the mining cycle. Journal of the Southern African Institute of Mining and Metallurgy, 117(7), pp. 636-648.

KIM, S., 2019. Review of Internet of Things and Open-source Hardware Technologies Use in the Mining Industry. Journal of the Korean Society of Mineral and Energy Resources Engineers, 56, pp. 447-456.

NOURI, S., 30 de septiembre de, 2021-last update, Data-centric approach vs model-centric approach. Available: • https://www.linkedin.com/pulse/data-centric-approach-vs-model-centric-stevenouri/? trk=public_post.

PATEL, H., March 21st, 2022-last update, Data-Centric Approach vs Model-Centric Approach in Machine Learning. Available: https://neptune.ai/blog/data-centric-vs-model-centric-machine-learning.