Machine Learning in Geometallurgy: A Review of Advances and Case Studies from Peru's Mining Sector
Notice bibliographique
Résumé
The integration of artificial intelligence (AI), particularly machine learning (ML), into geometallurgy provides an important opportunity to optimize mineral processing and mine planning.This study synthesizes recent research on ML-based geometallurgical applications and examines advances and challenges within the Peruvian mining sector.A non-experimental, descriptive methodology was employed through a systematic literature review in Scopus, ScienceDirect, and Web of Science (2013-2023).The search identified 312 records, reduced to 238 after removing duplicates.Following title and abstract screening, 170 studies were excluded, and 33 publications met the inclusion criteria, all reporting ML models incorporated into geometallurgical workflows.The selected studies were classified into six application categories, and two Peruvian case studies were examined: Sociedad Minera Cerro Verde, focused on copper concentration improvement, and the Minsur-Pucamarca Unit, centered on gold leaching optimization.Internationally, research is dominated by supervised classification algorithms for mineralogical prediction, while in Peru successful implementations are mainly associated with computer-assisted decision-making in operational contexts.At Cerro Verde, the use of Random Forest and Gradient Boosting models led to a 6.5% increase in copper production and a 0.8% rise in recovery.At Minsur, the Optimus Leach system improved gold recovery prediction accuracy (R = 0.81) and generated USD 1.4 million in economic benefits during its first year.Overall, the findings indicate that ML-enabled geometallurgy can enhance efficiency, profitability, and sustainability when supported by high-quality data, adequate instrumentation, and multidisciplinary teams, contributing to the digital transformation of Peruvian mining.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».