Investigadores crean un modelo de IA para predecir el consumo de agua en plantas de cobre del desierto chileno

Un estudio con datos reales de dos plantas concentradoras de cobre en la región de Antofagasta probó cuatro modelos de machine learning para anticipar la demanda hídrica en una de las regiones más secas del mundo.

Investigadores publicaron, en la revista científica Water (MDPI), un estudio que usa datos reales de dos plantas concentradoras de cobre en la región de Antofagasta, en el norte de Chile — una de las regiones más áridas del mundo, con menos de 50 mm de lluvia al año — para construir modelos de predicción de consumo de agua.

El estudio comparó cuatro algoritmos de machine learning distintos — Support Vector Regressor (SVR), Extreme Gradient Boost (XGBoost), red neuronal artificial (ANN) y Random Forest — todos entrenados con un año completo de datos operativos reales de las dos plantas. En vez de probar solo un modelo y asumir que funciona, los investigadores usaron validación cruzada para comparar el desempeño de cada enfoque e identificar qué variables operativas influyen más en el consumo de agua — el tipo de rigor metodológico que separa un modelo confiable de uno que solo se ve bien en los datos de entrenamiento.

En una región donde la lluvia apenas llega a 50 mm al año, errar la previsión de consumo de agua no es un detalle técnico — es un riesgo de continuidad operativa. Tener un modelo que anticipa la demanda hídrica a partir de datos que la planta ya produce, en vez de depender solo de promedios históricos, le da al equipo de proceso un margen de decisión que antes no existía.