Ing. Alvaro Rendón

Ingeniero Electrónico del Tecnológico de Hermosillo, Sonora, México. También es graduado del Programa de Alta Dirección en Innovación y Tecnología del IPADE. De sus 21 años de experiencia laboral, los primeros 15 los dedicó al diseño e implementación de sistemas de control de procesos, desarrollando proyectos de automatización de plantas concentradoras completas, incluyendo los procesos de molienda SAG, molienda de Bolas, flotación y espesamiento.

Durante los últimos 6 años laborales, lo ha dedicado al desarrollo de sensores inteligentes y sistemas de optimización de procesos para la minería. Cuanta con dos patentes registradas, y otras dos en proceso.

Ha realizado publicaciones y ha participado en Congresos en México, Perú y Chile, presentando trabajos relacionados con la optimización de dosificación de reactivos y sobre implementación de impactómetros inteligentes en Molienda SAG.

Este año presentó en un Congreso en Lima su proyecto Optimization as a Service (OaaS) Platform, que implica el desarrollo de una plataforma de innovación abierta que de alojamiento a aplicaciones de Machine Learning que modelan u optimizan los procesos metalúrgicos. En el marco de este proyecto ha iniciado un programa de entrenamiento en torno al desarrollo de capacidades de Machine Learning para los profesionales de la minería.

Módulo 1.

1. Plataforma de Gemelo Digital Operativo de plantas concentradoras basado en Python.
2. Librerías principales de Python: Pandas, NumPy, SciPy y Scikit-Learn
3. Estadística descriptiva de los datos operativos de una planta de flotación.

 Módulo 2.

1. Graficas avanzadas con Matplotlib y Seaborn del performance de una planta de flotación.
2. Aprendizaje supervisado: Etiquetado de datos para entrenar algoritmos de clasificación
3. Clasificación de minerales en base a las leyes con el algoritmo de Máquinas de Soporte Vectorial (SVM)

Módulo 3.

1. Selección de Variables y los fundamentos del Diseño Experimental
2. Diseño Experimental en Flotación usando SciPy.
3. Diagramas de Pourbaix en línea para el adecuado control de pH y ORP  de la pulpa.
4. Modelos de recuperación de mineral, basado en leyes de entrada y tamaño de partícula

Módulo 4.

1. Graficas avanzadas con ScatterPlot Multiples del proceso de molienda.
2. Funciones de distribución granulométrica y su correcta selección.
3. Obtener ecuaciones de distribución granulométrica y aplicarla en modelos de Energía especifica.
4. Caracterización del modelo de desgaste de bola en molinos.

Módulo 5.

1. Aprendizaje no-supervisado: Clustering y PCA.
2. Algoritmos de Clasificación y Regresión con redes neuronales aplicado a clasificación de estados operativos de un Molino SAG.
3. Reconciliación Metalúrgica en base al ratio de concentración usando SOLVER en Python.
4. Ejecución de modelos de Machine Learning integrados al Control de procesos (DCS)

Módulo 6.

1. Usar MQTT, el protocolo del IoT (Internet de las cosas), de forma local para integrar variables de proceso a nuestros algoritmos de Machine Learning.
2. Integrando nuestros algoritmos de Machine Learning a la Plataforma de Gemelo Digital.
3. Integración de modelos de Machine Learning al PI System.

Modalidad en Tiempo Real - INTRANET

Informes (Inversión)

• contacto@ryb.pe
• Cel. +51 969 000 795