Pesquisadores criam modelo de IA para prever o consumo de água em plantas de cobre no deserto chileno

Um estudo com dados reais de duas plantas concentradoras de cobre na região de Antofagasta testou quatro modelos de machine learning para antecipar a demanda hídrica em uma das regiões mais secas do mundo.

Pesquisadores publicaram, na revista científica Water (MDPI), um estudo que usa dados reais de duas plantas concentradoras de cobre na região de Antofagasta, no norte do Chile — uma das regiões mais áridas do mundo, com menos de 50 mm de chuva por ano — para construir modelos de previsão de consumo de água.

O estudo comparou quatro algoritmos de machine learning diferentes — Support Vector Regressor (SVR), Extreme Gradient Boost (XGBoost), rede neural artificial (ANN) e Random Forest — todos treinados com um ano completo de dados operacionais reais das duas plantas. Em vez de testar só um modelo e assumir que funciona, os pesquisadores usaram validação cruzada para comparar o desempenho de cada abordagem e identificar quais variáveis operacionais mais influenciam o consumo de água — o tipo de rigor metodológico que separa um modelo confiável de um modelo que só parece bom nos dados de treino.

Em uma região onde a chuva mal chega a 50 mm por ano, errar a previsão de consumo de água não é um detalhe técnico — é um risco de continuidade operacional. Ter um modelo que antecipa a demanda hídrica a partir de dados que a planta já produz, em vez de depender só de médias históricas, dá à equipe de processo uma margem de decisão que antes não existia.