CURSO:

ANALISIS Y SIMULACION DE PROCESOS METALURGICOS

Realizador por:
Mario Guevara Berros
Ingeniero Civil en Metalurgia

Septiembre 2011

INDICE:

1.
02

Objetivos y metodologa del anlisis y optimizacin de procesos

2.
06

Metodologa de Anlisis y Optimizacin de Procesos

3.
Caracterstica de la metodologa de Anlisis y Optimizacin de
Procesos. 09
4.
09

Metodologa particular de AOPI basada en modelos matemticos.

5.
10

Adquisicin de datos

6.
13

Diseos experimentales

7.
15

Fundamentos del muestreo.

8.
19

Tipos de experimentos

9.
20

Anlisis de datos

10.
21

Modelacin de Procesos

11.
26

Elementos de Anlisis de Procesos

12.

El modelamiento matemtico de la Conminucin

28

CURSO:
ANALISIS Y SIMULACION DE PROCESOS METALURGICOS

OBJETIVO GENERAL
Entregar a los participantes las herramientas de anlisis de procesos y la
forma de aplicarlas de manera que pueda enfrentar con xito los
problemas metalrgicos que se presentan en una planta de beneficio de
minerales, adems, estudiar la modelacin y simulacin de las
diferentes operaciones y procesos metalrgicos extractivos.

OBJETIVOS ESPECIFICOS
1. Definir y describir elementos de ingeniera de sistemas.
2. Describir metodologas de anlisis de proceso, anlisis de sistemas y
modelacin matemtica.
3. Adquisicin y anlisis de datos.
4. Describir y aplicar metodologas de validacin de informacin de
proceso.
5. Estudio de casos, modelacin en: Chancado, Molienda, Flotacin,
Lixiviacin y Extraccin por solventes

1. Objetivos y metodologa del anlisis y optimizacin de

procesos
1.1.

Objetivos de AOPI (alternativos y/o complementarios)

Comprender las interacciones fsico-qumicas y de otra

naturaleza de los procesos, sus implicaciones operacionales y
econmicas
Sintetizar racionalizaciones en condiciones de proceso,
operacionales y de planta.
Sintetizar mejoramientos en la calidad de los productos
Determinar la factibilidad de innovaciones tecnolgicas de
proceso, mecanizaciones y automatizaciones de ste.
1.2.

1.3.

Orgenes de una exigencia metodolgica

Limitacin de los recursos disponibles tanto en calidad como
en cantidad (recursos naturales y energticos, financieros,
mano de obra especializada). Esto exige que su uso sea
eficiente para garantizar que se obtiene en mximo provecho
posible por unidad de recurso invertida.
La imperfeccin de todo proceso artificial en el sentido de que
su eficiencia no es mxima (100%). Esto conduce a la
posibilidad de lograr mejores eficiencias a travs de
innovaciones tecnolgicas y metodolgicas.
La cada vez mayor complejidad y complicacin de los
procesos artificiales.
La existencia de tcnicas y procedimientos para lograr un uso
racional de los recursos limitados y mejorar la eficiencia de los
procesos artificiales. Esto ayudado por el desarrollo en
hardware y software.
Metodologa de ingeniera de sistemas

Etapas, en cuanto a la vida de un sistema.

a)

Planificacin de programas, que se refiere a la definicin y

seleccin de programas y polticas que se han de perseguir en
el contexto en que se aplicarn.

b)

c)

d)
e)
f)
g)

1.4.

Planificacin de proyectos, en la que se implementan los

proyectos que conforman el sistema y se establecen los
planes de su produccin.
Desarrollo del sistema, en que este se disea (sintetiza y
analiza) y se generan las especificaciones para su produccin
(ingeniera bsica y de proyecto)
Produccin, en la que los elementos del sistema son
producidos as como las bases tcnicas para su instalacin.
Instalacin, en la que se instalan los distintos elementos del
sistema y se completan los planes de operacin.
Operacin, que se refiere al manejo del sistema poara lograr
los objetivos que se perseguirn con su diseo.
Retiro, reemplazo o modificacin del sistema, dando lugar as
a una nueva iteracin en el ciclo.
Fases

1.4.1.Definicin del problema, en la que se formulan los

diferentes factores y sus caractersticas que condujeron al
problema en cuestin a transformarse en uno contingente. Se
detallan, por ejemplo, las necesidades, las restricciones, las
caractersticas y disponibilidad de datos, el medio, etc.
1.4.2.Diseo de sistema de valores, en la que se postulan y
clasifican los objetivos cuyo logro resolver los problemas
descritos en la fase anterior. Se definen los objetivos y los
criterios para su medida (ndices), eventualmente tambin se
definen metas parciales.
1.4.3.Sntesis de sistemas, en la que se conceptualizan
potenciales candidatos para polticas, actividades, controles y
sistemas completos que pueden permitir alcanzar los objetivos
comprometidos. En esta fase se generan las diversas
alternativas de solucin del problema.
1.4.4.Anlisis de sistemas, en la que se determina el
comportamiento del sistema y sus interrelaciones, y las
caractersticas de las polticas, actividades y controles
propuestos en trmino de logros de los objetivos, la resolucin
del problema y la satisfaccin de las necesidades, y todo esto
para distintas condiciones en el medio y las restricciones.
1.4.5.Toma de decisiones, en la que se elige una de las polticas
alternativas y eventualmente otras para su eventual
aplicacin. Se ha de considerar un procedimiento de
5

evaluacin y seleccin que permita comparar las diversas

alternativas.
1.4.6.Implementacin, en que se ejecuta fsicamente la decisin
tomada. Esto conduce a comenzar con la primera fase de la
etapa siguiente.

2. Metodologa de Anlisis y Optimizacin de Procesos

2.1.
Definicin de problemas, la industria de procesos est
inmersa y se mueve a travs de actividades cuyas formalidades
constituyen problemas los cuales pueden ser cotidianos,
peridicos o de emergencia.
Ejemplos de problemas cotidianos

Aumento del beneficio econmico

Mejoramiento de la calidad de los productos
Mejoramiento de la confiabilidad del proceso
Mejoramiento en el uso de la energa
Disminucin de la contaminacin ambiental
Disminucin de la dependencia de otras empresas
(ejemplo: abastecedoras de materias primas).

Ejemplos de problemas de emergencia

2.2.

Mantener la estabilidad frente a cambios en las

condiciones de mercado (costo de mano de obra y
materias primas, tasa de cambio, aranceles, nivel de
demanda, precio de productos, etc).
Mantener la estabilidad frente a cambios en el medio y en
las materias primas.
Diseo de sistemas de valores

Se traduce finalmente en la definicin de objetivos y los

criterios de medida. Casos tpicos son:

2.3.

Maximizar rentabilidad, medida por ejemplo a travs de la

tasa interna de rendimiento o valor actualizado neto de
las utilidades.
Aumentar la calidad de producto, medido a travs de
coeficientes ad hoc en las especificaciones tcnicas de
calidad.
Mejorar la confiabilidad, medido a travs del factor de
utilizacin por el concepto de falla.
Sntesis de sistemas

Para lograr los objetivos perseguidos se pueden formular

polticas alternativas tales como:

Construir una planta nueva (para productos nuevos)

Ampliar la planta (iguales productos)
Mejorar los mtodos operacionales y administrativos
Mecanizar procesos manuales
Automatizar procesos manuales o solo mecanizados
Innovar tecnologas

Para cada una de estas polticas alternativas existen a su vez

subalternativas caracterizadas por ejemplo por tecnologa,
ubicacin fsica, secuenciamiento temporal, escala.

2.4.

Anlisis de sistema

Se estudia el comportamiento tanto esttico como dinmico de

las alternativas sintetizadas anteriormente
En trminos generales, en las especificaciones tcnicas se definen
los modos de comportamiento que son aceptables desde el punto
de vista de los objetivos. En los respectivos extremos de la escala
de modos de comportamiento aceptables se encuentran:

Estabilidad, es lo mnimo exigible. En general se refiere,

para un proceso dado, que pequeas variaciones en la
entrada, las condiciones iniciales o los parmetros, no se
traduzcan en grandes variaciones de la salida.

Optimalidad, es lo mximo exigible. En general, se

refiere a determinar las condiciones y valores de variables
que optimizan un ndice de comportamiento ad hoc; la
optimizacin debe restringirse a la regin estable del
sistema.

Como resultado de la fase de anlisis de sistemas se obtiene un

anlisis detallado de las diversas alternativas y su
correspondiente evaluacin tcnico-econmica bajo distintas
condiciones de riesgo.

2.5.

Optimizacin
La optimizacin ha de entenderse como continuacin lgica del
anlisis de sistemas. Puede efectuarse principalmente de dos
maneras

En forma emprica, esto es, usando informacin directa del

proceso y calculando nuevas condiciones de operacin en
base a estos datos.
Usando modelos matemticos, de modo que se puedan
determinar parmetros y condiciones que optimizan los
ndices de comportamiento.

Como resultado de la etapa de optimizacin se tiene el mejor

comportamiento
posible
de
las
diversas
alternativas
consideradas.

2.6.

Toma de decisin
En base a los resultados del anlisis de sistema y
optimizacin ha de tomarse decisin respecto de
implementacin de las alternativas consideradas y
particular de aquella que ha demostrado ser ms eficiente
el cumplimiento de los objetivos.

la
la
en
en

En esta fase deben ponderarse tanto los factores cuantitativos

(que ya han sido adecuadamente considerados en fases
previas) como cualitativos sobre la base de u criterio preestablecido y aceptado.
8

Tomas de decisiones tpicas son: rechazar, postergar (plazo),

reestudiar, aceptar alternativa ms conveniente)

2.7.

Implementacin

La alternativa elegida debe llevarse a la prctica. Dependiente de

la etapa de implementacin se puede referir a un programa, a un
proyecto, a la operacin de una planta, etc.

3. Caractersticas de la metodologa de Anlisis y Optimizacin

de Procesos.
3.1.
3.2.
i.

ii.

3.3.

Iterativa y optimizante
Diferencia entre anlisis de sistemas y anlisis de procesos
Se refiere al comportamiento del proceso y sus partes frente a
distintas condiciones pero sin perder las caractersticas y
propiedades fsicas. Medios tpicos para efectuar el anlisis de
proceso son las plantas piloto, laboratorios, plantas semiindustriales, modelos que preservan las caractersticas fsicas,
experimentos planificados en las plantas industriales.
Anlisis de sistemas, que est referido a la abstraccin del
proceso en base a un objetivo determinado y que puede
corresponder a una funcin global o especfica del proceso. El
medio normal para efectuar el anlisis de sistemas es el de la
simulacin mediante modelos matemticos.
Aplicable a sntesis de procesos

4. Metodologa particular
matemticos.
4.1.

de

Adquisicin de datos
9

AOPI

basada

en

modelos

Que se refiere a los procedimientos para obtener datos desde el

proceso, basados en experimentos (a posteriori) o inferencias (a
priori) estticos y dinmicos, de modo de cuantificar todas las
variables involucradas
4.2.

Modelacin

Que se refiere bsicamente a la determinacin de las estructuras

de los modelos; para esto se disponen de diversos procedimientos
tales como las ecuaciones de balance para modelos matemticos.
4.3.

Identificacin

Que se refiere ya sea a la estimacin de los parmetros de los

modelos cuya estructura ya ha sido obtenida en la etapa previa, o
la induccin de ecuaciones del modelo sin haber determinado
previamente su estructura (como es el caso de los comnmente
llamados modelacin de cajas negras).
4.4.

Simulacin

Que se refiere a los procedimientos para correr los modelos bajo

diversas condiciones de operacin; bsicamente la simulacin se
puede efectuar en computadores o plantas pilotos.

4.5.

Optimizacin

Se refiere a la bsqueda de las condiciones adecuadas que hacen

mximo o mnimo el ndice de mrito o comportamiento.

5. Adquisicin de datos
Corresponde al proceso de obtencin de datos para su posterior
anlisis. Puede desarrollarse desde muestreo manual con anlisis en
laboratorio hasta sistemas computarizados en lnea.
Las fases caractersticas corresponde a:

10

Obtencin del dato base: muestreo y anlisis de laboratorio o

alternativamente, medicin transduccin transmisin
conversin adecuacin.
Conversin
dato/informacin:
almacenamiento,
procesamiento, despliegue, reporte y recuperacin.

Los ndices operacionales corresponden a la particularizacin de

objetivos en que solo se consideran variables aquellas relativas a
la operacin del proceso, permaneciendo fijas aquellas relativas a
la planta, por ejemplo:

Productividad referida a los tiempos asociados a cada

actividad de operacin.
Eficiencias energticas
Consumos unitarios.

Clasificacin de informacin de AOPI

5.1.

Informacin de proceso (tcnica)

5.1.1.Variables Manipulables

Niveles de materias primas

Niveles de insumos materiales

Niveles de insumos energticos y de fluidos

5.1.2.Variables controlada

Niveles de Produccin (variables de salida)

Niveles de calidad de productos (variables de salida)

Condiciones de proceso (punto de trabajo)

5.1.3.Variables de estado
Temperaturas, flujos, presiones, flujos de calor, velocidades,
posiciones, aceleraciones, corrientes, voltajes elctricos,
concentraciones, etc.
5.1.4.Parmetros
Propiedades de medio o proceso
5.1.5.Perturbaciones
11

Perturbaciones de entrada
Perturbaciones paramtricas

5.2.

Informacin econmica

5.2.1.
a)

Costos
Costos de operacin

a)

Costos de operacin directa

Costos de materias primas
Costos de insumos materiales
Costos de insumos energticos y de fluidos
Costos de recursos humanos

Costos de mantencin y reparacin

Costos de insumos materiales
Costos de insumos energticos y de fluidos
Costos de recursos humanos

b)

b)

Costos de inversin (en todos: costos de insumos

materiales, energticos y fluidos y de recursos humanos)

c)

Costo de infraestructura bsica

Costo de equipamiento
Costo de ingeniera
Costo de instalaciones, montaje y obras
Costo de puesta en servicio y evaluacin (a
posteriori)

Otros costos

Depreciacin (amortizacin de instalaciones)

Pago de patentes y licencias

Impuestos especiales

Impuestos a las utilidades

Costos financieros (costos de capital)

Costos de arriendos

5.2.2.
a)

Ingresos
Ingresos por mayores
(aumento de produccin)

12

ventas

mismo

producto

b)
c)
5.3.

Ingresos por mayor volumen de ventas por mejor

precio (mejor calidad de producto)
Ingresos por nuevos productos

Informacin de operacin (tcnica)

a)
b)

5.4.

Cantidad y tipo de recursos humanos

Forma de operacin

Secuencia de actividades

Tiempos

Mtodos y procedimientos
Informacin de planta (tcnica)

a)
b)

Estructura de la planta (disposicin de equipos y su

interconexin)
Especificaciones nominales de equipos e instrumentos

6. Diseos experimentales
6.1.

Introduccin

La tcnica de los diseos experimentales

principalmente con los siguientes factores:
a)

b)

c)

b)

relacionada

Un ordenamiento o arreglo de tem individuales que componen

un experimento complejo, diseado para un propsito
definido.
Cuantificacin de los efectos de las variables estudiadas, en la
respuesta medida o alguna caracterstica del sistema en
estudio que interese.
Eleccin de una tcnica adecuada, para el anlisis estadstico
de los resultados obtenidos, con el el objetivo de inferir
conclusiones razonables.

La finalidad del diseo es

experimentos, no la precisin.
a)

est

incrementar

la

exactitud

de

los

Exactitud: es la medida de cun ajustados son los valores

medidos al valor verdadero.
Precisin: Es una medida de cuan ajustado son los datos
medidos con respecto al valor promedio.
13

6.2.

Mtodos para incrementar la exactitud

En la prctica, la mayora de las mediciones o experimentos dan

como resultado valores de las variables medidas que fluctan de
una repeticin a otra de las experiencias. Estos resultados se
denominan aleatorios, estocsticos o probabilsticos, dependiendo
del nfasis particular. De este modo, las variables asociadas a
estos fenmenos, se las denomina variables aleatorias o
estocsticas.
Existen muchas razones del porqu las observaciones o medidas
obtenidas por experimentos, resultan ser ms aleatorias que
determinsticas, algunas de stas son:
a)
b)

c)

Informacin insuficiente acerca de las variables

Carencia de tcnicas adecuadas que permitan obtener la
informacin requerida. De este modo solo algunas
manifestaciones son obtenidas.
Negligencia o falta de cuidado del observador o
experimentador en la realizacin de las experiencias.

El valor verdadero de una variable, es aqul que debera ser

obtenido de las mediciones si es que no existiera un factor
estocstico asociado a la medicin. Por lo tanto, el valor verdadero
de una variable es, en cierto sentido, un valor hipottico, el cual es
postulado como existente.
Ligado al concepto de valor verdadero est el concepto de error,
puesto que el error representa la diferencia entre el valor
verdadero y el valor medido.
De este modo, un error aleatorio es aquel que representa la
diferencia entre el valor verdadero y el valor medido de una
variable aleatoria.
Este tipo de error debe ser diferenciado de:
a)
b)

Un error aislado producido por descuido o torpeza del

experimentador
Un error sistemtico, introducido continuamente, debido a
la falta de calibracin de un instrumento, por ejemplo.
Este tipo de error produce un sesgo en la medicin.
14

Cualquiera sea la fuente del error experimental una forma de

minimizar este error asociado a la medicin, es la repeticin del
experimento, siempre que se tomen ciertas precauciones, como
por ejemplo, la aleatorizacin.
En el campo de la metalurgia, los diseos factoriales han probado
ser un tipo de diseo experimental preliminar importante, de un
mnimo costo, que permite analizar un gran nmero de variables
variando todas al mismo tiempo y que permite determinar el
efecto de cada una de ellas por separado, adems del efecto
combinado de dos o ms variables (efecto de interaccin).
Ejemplos de anlisis aplicados son:
a)
b)
c)
d)

La calidad de los productos

El rendimiento de un proceso
Comportamiento de un equipo o instrumento de
medicin
Consumo de energa o combustible de un proceso,
etc.

Con los diseos factoriales podemos obtener:

a) Estimacin de los efectos principales de cada uno de los
factores en forma independiente
b) Estimacin del grado de dependencia con otro o
combinacin de otros, en forma independiente
(cuantificacin de los efectos de interacciones).
c) Estimacin de los efectos con la mxima precisin.
d) Suministrar un estimativo del error experimental con el
propsito de investigar el grado de significancia de los
efectos, adems, de determinar los intervalos de
confianza de los efectos.

7. Fundamentos del muestreo.

En el anlisis de procesos, debe necesariamente considerarse la
etapa de adquisicin de datos a travs de la cual se obtiene
informacin cualitativa y cuantitativa del proceso; esta informacin
junto con las relaciones del tipo fenomenolgicas servirn de base
para el anlisis.

15

La adquisicin de datos es tambin el procedimiento que se debe

emplear para verificar conclusiones que se obtienen del anlisis
Existen diversas tcnicas (alternativas y/o complementarias) para
realizar la adquisicin de datos y las cuales se encuentran en algn
punto intermedio entre:
a)
b)

Muestreo manual y anlisis de laboratorio

Adquisicin de datos en lnea a travs
computarizados.

de

sistemas

La aplicacin de alguna de estas tcnicas depende de la factibilidad

tcnica y econmica segn corresponda. En general, la ausencia de
instrumentos sensores eficaces en ciertos casos impide en uso de
sistemas en lnea. Esta es una razn por la cual se usan an en forma
comn los sistemas de adquisicin basados en muestreo directo. En
muchos casos, la adquisicin de datos est orientada hacia la
confeccin de balances de materia (por ejemplo, metalrgicos), por lo
que solo interesan valores globales promedios en periodos
determinados; para tal fin, muestreos representativos permiten
abordar dicho objetivo.
Por consiguiente, en la mayora de los casos la adquisicin de datos
implica procedimientos de muestreo en el que se obtiene informacin
parcial acerca de un objeto (proceso) y en el que es generalmente
imposible obtener todos los datos de todas las posibles condiciones;
por consiguiente, es necesario hacer consideraciones de tipo
estadstico sobre los datos obtenidos.

7.1.

Etapas principales en la preparacin de un muestreo

Las etapas involucradas en la planificacin y ejecucin de un

muestreo son las siguientes:
a)
b)
c)

Definicin de objetivos del muestreo

Determinacin de la poblacin a muestrear, definir claramente
el conjunto desde el cual se va a elegir la muestra
Determinacin del tipo de datos a colectar, clasificar los datos
relevantes a tomar para evitar trabajos y costos innecesarios
16

d)

e)
f)

g)

h)

i)
j)

k)

Definir grado de precisin deseado, los resultados de la

muestra estn sujetos siempre a errores experimentales, los
cuales pueden minimizarse tomando muestras ms grandes,
aumentando el nmero de mediciones, usando instrumentos
ms precisos, etc., pero esto usualmente lleva consigo un
mayor costo y mayor consumo de tiempo, lo que obliga a
llegar a un compromiso.
Definir mtodo de medicin, definir la forma de tomar la
muestra y con qu tipo de recursos.
Definir el marco de medida, dividir la poblacin en unidades
disjuntas y de ellas elegir la muestra. Ello debe ser realizado a
partir del grado de precisin deseado, costos relativos y
tiempo empleado para cada alternativa.
Realizacin de pre-test, simular la toma de muestra para
encontrar omisiones, redundancias, etc. y mejorar el
procedimiento a usarse.
Organizacin del trabajo, disear una tcnica para la toma de
datos (secuencia de experiencia) en funcin principalmente de
la disponibilidad de la planta y de recursos humanos.
Realizacin del muestreo
Resumen y anlisis de los datos, analizar los datos obtenidos
desde el punto de vista estadstico para concluir la relevancia
y aprovechamiento de ellos, sntesis de conclusiones
(informacin)
Almacenamiento de los datos y de la informacin obtenida del
anlisis para futuras experiencias.

7.2.

La medicin

El margen de error aceptable en las mediciones est determinado

por los objetivos del anlisis ya que si se especifica un error
aceptable
para
los
resultados,
inmediatamente
quedan
condicionadas las tolerancias en todas las etapas del anlisis
(propagacin de errores).
Este margen de error que se puede conseguir est determinado
por diferentes aspectos entre los que se destacan:
a)
b)
c)
d)
e)

Alteracin del proceso por efecto de la medicin

Representatividad de la muestra
Efecto del experimentador
Efecto del instrumento de medicin
El asincronismo
17

7.3.

Nmero de variables
a)
b)
c)
d)

7.4.

Tiempo y cantidad de muestreos

a)
b)
c)

7.5.

Factor tecnolgico
Factor econmico
Observabilidad
Redundancia

Discretizacin
Frecuencia de muestro
Tiempo de muestreo
Beneficios de la tcnica de muestreo

La tcnica de muestrear una poblacin de datos para estudiarlo,

tiene determinadas ventajas comparativas junto a la posibilidad de
estudiar la poblacin en su totalidad.

Reduccin de costos: si los datos son tomados a partir de una

fraccin pequea del universo, los gastos son ms bajos que si
se estudio todo el conjunto.
Mayor rapidez en obtener informacin: los datos pueden ser
recolectados y resumidos ms rpidamente con una muestra
que con el universo completo. Esto es de gran importancia
cuando la informacin se requiere con urgencia.
Mayores alcances (flexibilidad): puede usarse personal
entrenado o equipo especializado para obtener los datos a
partir de diferentes muestras, La eleccin radica en obtener la
informacin por muestreo o no obtenerla.
Mayor exactitud (precisin): Se logra gracias a personal
altamente calificado y entrenado, a una cuidadosa supervisin
de la toma de datos, casos que solo pueden lograrse cuando
el volumen de trabajo es reducido.

8. Tipos de experimentos
8.1.
a)

Caractersticas principales de la experimentacin

La experimentacin implica un conjunto de procedimientos
que permiten colocar en relieve determinadas caractersticas
18

b)

c)

de un proceso, a travs de la obtencin de informacin de

ste.
Un experimento se realiza normalmente en el marco de un
problema experimental y este, a su vez, se establece en los
requerimientos de informacin que impone un problema de
ingeniera o de investigacin y desarrollo
La experimentacin permite conformar la base de datos para
realizar el respectivo anlisis del proceso debiendo realizarse
en forma controlada, de modo que la informacin obtenida
puede asignrsele la validez requerida.

Los tipos de experimentos que es posible realizar son estticos y

dinmicos. A los primeros les concierne el efecto de la accin sobre el
proceso en los valores estacionarios (o de rgimen permanente) de
las variables y a los segundos, la evolucin temporal de las variables
sujetas a observacin
8.2.
a)

b)

c)

Conceptos bsicos de los experimentos estticos

En estos, no interesa la evolucin de las variables observadas,
que sigue a una determinada accin sobre el proceso, sino a
los valores finales que alcanzan.
Los experimentos estticos se conciben para la determinacin,
en general de relaciones de tipo algebraicas entre las
variables de proceso. En ciertos casos pueden ser
representados por ecuaciones diferenciales espaciales.
Los datos que se obtienen de experimentos estticos son
usados principalmente para analizar el proceso y su operacin
y poder determinar condiciones ms eficientes. En particular,
en el caso que se usen tcnicas de modelacin y simulacin
para tales fines, entonces los datos as obtenidos son usados
para proponer la estructura de modelos matemticos
empricos y para la identificacin de parmetros de modelos,
ya sean fenomenolgicos o empricos.

8.3.
Caractersticas
dinmicos

principales

de

los

experimentos

Este tipo de experimentos tiene normalmente por objetivo el

generar datos que permitan generar datos que permitan proponer
19

y determinar una descripcin matemtica que relaciona la(s)

variables(s) observada(s) con el estmulo aplicado no solo con su
valor en el instante en que este se produce sino con valores que
tena en instantes anteriores. La descripcin generalmente resulta
ser una ecuacin de tipo diferencial.
Los aspectos a analizar antes de realizar un experimento dinmico
son:
a)
b)
c)
d)
e)
f)
g)
h)

Eleccin de variable estmulo y de variables que sern

medidas.
Eleccin de las seales de entrada o estmulo del proceso
(amplitudes y frecuencias).
Tiempo total de observacin
Definicin del marco externo.
Determinacin del tiempo de muestreo adecuados a cada
una de las variables.
Definicin de las condiciones de proceso
Definir si el experimento se realizar bajo la accin de un
sistema de control o no.
Eleccin de la instrumentacin adecuada

9. Anlisis de datos
En la prctica, la mayora de los fenmenos se pueden representar
como aleatorios y el acto de realizar diferentes mediciones de una
variable de proceso, entrega diferentes valores de la misma, puesto
que la medicin est afecta a error experimental.
En este contexto, el ingeniero de procesos, o el investigador, en
general, debe analizar los datos obtenidos desde el punto de vista
estadstico, con los objetivos siguientes.
a)

b)
c)

Asignar un valor (a la variable de proceso) que se pueda

considerar verdadero, dado que las mediciones estn afectas
a un error experimental.
Asignar un margen de confianza a estos valores
Analizar los datos estadsticamente para obtener conclusiones
tiles.

20

Estos objetivos
mecanismos:
a)
b)
c)

10.

se

pueden

lograr

mediante

los

siguientes

Determinar el valor promedio estadstico de los valores

medidos
Definir un intervalo de confianza
Realizar un test de hiptesis.

Modelacin de Procesos

De entre las distintas representaciones posibles de un proceso, la

modelacin matemtica es la ms utilizada en la industria minera.
Cuando son posibles de obtener, stos son los ms flexibles y
verstiles, pudiendo ser utilizados en todas las fases del anlisis de
proceso, desde la investigacin y desarrollo de nuevos procesos,
hasta el anlisis de plantas, estudios tcnico econmicos, etc.
10.1.

Clasificacin de los modelos

El desarrollo de modelos matemticos de procesos requiere,

normalmente, efectuar suposiciones y plantear hiptesis
simplificadores. Ellas permiten obtener una respuesta simple para
un adecuado manejo del modelo, y lo suficientemente completa
como para que permita obtener informacin til a los propsitos
del estudio. La clasificacin puede realizarse dependiendo de los
objetivos planteados, de la tcnica utilizada y de la estructura de
los modelos.
10.1.1.

Clasificacin de acuerdo a los objetivos.

En el mbito de la Ingeniera de Procesos, los objetivos de

los modelos matemticos, los cuales no necesariamente son
excluyentes y pueden perseguirse uno o ms objetivos a la
vez, son los siguientes,
a)

Diseo de procesos, esto es, determinacin de las

interrelaciones entre diversas unidades y elementos
para satisfacer una necesidad vigente. Tambin en el
caso del diseo de un dispositivo fsico, donde las
dimensiones y formas se relacionan con las
caractersticas dinmicas del proceso.
21

b)

c)

Optimizacin del proceso y su operacin, este es el

caso tpico de procesos que fueron diseados con una
tecnologa que no posea las herramientas y/o equipos
actuales, o procesos cuya relacin de variables ha
sido modificada por envejecimiento o deterioro.
Tambin es el caso de procesos que fueron diseados
para satisfacer requerimientos menos estrictos que
los actuales. Actualmente, la racionalizacin del uso
de recursos es de vital importancia, en particular, la
optimizacin en el aprovechamiento de recursos
energticos.
Control de procesos, en el sentido de mantener las
relaciones entre las variables que garanticen un
comportamiento determinado de ste frente a la
presencia
de
perturbaciones,
evaluacin
de
configuraciones alternativas de control, simulacin
regular del sistema como tambin en situaciones de
emergencia y partida/paradas.

Las exigencias en cunto a precisin de los modelos es

distinta dependiendo de los objetivos. As, por ejemplo,
mientras los modelos de control deben tener el mnimo error
posible (2%), al igual que los modelos para optimizacin,
aunque en estos ltimos tambin depende de la magnitud
del proceso y se aceptan mayores errores (hasta 5%). En los
modelos para diseo, los errores pueden ser mayores, hasta
del orden de 15 a 20%.
10.1.2.
Clasificacin de acuerdo a la estructura de los
modelos
a)

Modelos de parmetros concentrados y distribuidos, este

tipo de modelos ignora las variaciones espaciales y
considera que las propiedades y el estado del sistema
puede ser considerado homogneo a travs del sistema
entero. En cambio el sistema distribuido considera
variaciones espaciales del comportamiento a travs del
sistema

b)

Modelos lineales y no lineales, los modelos lineales son

aquellos que cumplen la condicin de espacios vectoriales
22

lineales, todos los dems son modelos no lineales. . Estos

ltimos son los ms complicados de resolver y en general
hay que recurrir a suposiciones y restringir su rango de
validez. Los mtodos posibles de usar en el tratamiento de
estos modelos son:

c)

Modelos estticos y dinmicos

d)

Soluciones analticas en donde a un pequeo

conjunto de problemas simples se les puede
encontrar una solucin
Linealizacin de trminos no lineales
Soluciones grficas
Solucin por medio de computador usando
tcnicas de optimizacin o algoritmos
especiales.

Cuando es sistema presenta una evolucin a travs

del tiempo se dice que este sistema tiene un
comportamiento dinmico, en caso contrario, el
sistema presenta comportamiento esttico y el
modelo que lo representa contiene ecuaciones de
variables independientes del tiempo.
En el caso de modelos de diseo, ellos son con mayor
frecuencia del tipo estticos, lo mismo que los
modelos usados en la optimizacin de la operacin de
procesos. Los modelos dinmicos se utilizan
principalmente para determinar configuraciones de
control adecuadas.
En rigor, especialmente en los procesos industriales
no existen sistemas estticos, sin embargo, para fines
prcticos sueles ser considerados as.
Modelos invariantes y variantes

Un modelo invariante es aqul cuyos parmetros no

dependen explcitamente del tiempo, corresponde a
procesos invariantes a los cuales, si se aplica una misma
entrada en dos instantes la respuesta es la misma. En caso
contrario se denominan variantes. Para un proceso
invariante es irrelevante el momento en el cual se ejecutan
los experimentos, mientras que para una variante si lo es.
23

e)

Modelos determinsticos y probabilsticos.

En un modelo probabilstico las relaciones entre las variables
de inters aparecen en trminos de cantidades estadsticas.
Los modelos determinsticos, por otra parte, contienen
relaciones precisas entre las variables y a cada parmetro y
variable se le puede asignar un nmero claramente
especificado, en condiciones conocidas.

10.1.3.
a)
b)

c)

d)

e)

Clasificacin segn tcnica usada

La tcnica usada en el proceso de modelacin divide los
modelos matemticos en dos grandes grupos:
Modelos fenomenolgicos, los que se basan en relaciones
matemticas que representan leyes fsicas aplicables al
proceso en estudio. Modelos fenomenolgicos son, por
ejemplo, los que se obtienen de aplicar las leyes de
conservacin de masa, energa y cantidad de movimiento.
Modelos empricos, los que se basan en excitar el proceso
con entradas conocidas, luego medir las salidas (y
aquellas variables internas accesibles) y finalmente
correlacionar tales entradas y las respuestas del proceso a
ellas.
El tipo de modelo que se puede obtener de un proceso
depende del conocimiento que se tenga de ste, de la
informacin disponible y del acceso a las variables
internas.
En un modelo matemtico se distinguen dos componentes
bsicas, estructura y parmetros. Usando tcnicas
fenomenolgicas se determinan en general la estructura
del modelo, los parmetros se estiman luego en base a
datos. En el caso de usar tcnicas empricas, se obtienen
en forma simultnea tanto la estructura como los
parmetros del modelo; en ciertos casos, no obstante se
puede disponer de un modelo emprico con parmetros
por estimar.

24

10.2.

Metodologa bsica de modelacin matemtica

Debido a las peculiaridades de la modelacin en el sentido de que

un modelo matemtico est ligado al proceso en cuestin, no es
posible contar con un procedimiento general y exhaustivo para
obtenerlo. La naturaleza y caractersticas que tenga un modelo
matemtico por desarrollar depender de los objetivos que se
hayan planteado.
Como norma general, se puede decir que si el proceso en cuestin
tiene muchas unidades es recomendable dividir el sistema en
subsistemas, obtenindose modelos parciales los que luego se
interconectan convenientemente de modo de representar el
proceso
La confeccin de un modelo de naturaleza adaptativa. Esto
permite generar un modelo que presente un compromiso entre
una adecuada descripcin del proceso en cuestin y que posea
una estructura que sea manejable con las tcnicas actualmente
conocidas y con los medios que se dispongan. Un paso importante
en la modelacin lo constituyen las hiptesis simplificadoras, estas
se hacen en virtud de los objetivos que se persiguen y teniendo en
cuenta las caractersticas del proceso; es importante, entonces,
justificar estas hiptesis y evaluar adecuadamente los modelos
que se obtienen.
En relacin a la formulacin del problema, corresponde establecer
los objetivos del estudio y, por lo tanto, del modelo, determinar los
requerimientos que debe cumplir y definir mediante los cuales se
evaluar su calidad.
La etapa de obtencin de antecedentes del proceso tiene por
objeto imponerse de la naturaleza de l. De las caractersticas de
variables y perturbaciones, conocer las unidades que lo
componen, determinar caractersticas de operacin, de modo que
sea posible establecer los distintos subsistemas que podrn
distinguirse en el proceso.
Las variables y parmetros relevantes que deben considerarse,
depende de los objetivos que se hayan planteado para el modelo y
de la forma como se haya concebido los subsistemas, ya que la
25

informacin a
requerimientos.

travs

de

sus

interfaces

impone

nuevos

La proposicin del modelo matemtico (su estructura) puede

producirse, ya sea del conocimiento de la fenomenologa que rige
las relaciones entre las variables relevantes o de la obtencin de
un modelo de tipo emprico determinado en base a
experimentacin.

11.

Elementos de Anlisis de Procesos

11.1.

Objetivos y estrategia general.

Para ejecutar el anlisis de proceso se han de considerar tanto los

factores tcnicos como econmicos que tienen incidencia
relevante en la eficiencia del proceso y su operacin, y de modo
de optimizar el proceso en el sentido de maximizacin de
utilidades a nivel de la planta involucrada, en el caso de un
objetivo
econmico;
otro
tipo
de
maximizaciones
(o
minimizaciones) deben considerarse en caso de objetivos
distintos. El concepto de optimizacin a que se hace referencia
aqu es el derivado de planteamiento formal del problema segn
se indica ms adelante.
El conjunto de actividades contempladas en la ejecucin de un
plan de optimizacin/racionalizacin es:

11.2.

Anlisis del proceso, la planta y la operacin.

Determinacin de las condiciones ptimas
Determinacin de mecanismos que permitan mantener el
comportamiento ptimo.
Alternativas de aplicacin de anlisis

Las distintas alternativas plausibles de aplicar en un estudio de

esta naturaleza pueden clasificarse en alguna de las siguientes
categoras, considerando las etapas por las que han de pasar
antes de una eventual implementacin.

26

Investigacin y desarrollo (I & D), cuando se requiere la

determinacin y comprobacin emprica de resultados
cuantificables.
Ingeniera Bsica, cuando precisan slo de la
determinacin de estructuras y funciones de sistema y
especificaciones de equipos principales, siendo todos ellos
ya tcnicamente conocidos.
Evaluacin, cuando se precisa un anlisis de factibilidad
tcnico econmico de la investigacin involucrada.
Ingeniera
de
proyecto,
cuando
siendo
factible
tcnicamente, se precisa de ingeniera de detalle y
especificaciones tcnicas para ejecutar las obras e
instalaciones correspondientes.

Los niveles de profundidad del anlisis a que se pueden someter

cada alternativa son los que se indican a continuacin:
11.2.1.

11.2.2.

11.2.3.

Investigacin y desarrollo
Planteamiento conceptual y terico, modelos matemticos
de proceso.
Experimentacin en laboratorio
Experimentacin en planta piloto
Experimentacin en planta semi-industrial
Experimentacin en planta industrial
Modelos matemticos de procesos y econmicos para
optimizacin y proyecciones
Ingeniera bsica
Preingeniera (balances generales)
Determinacin de innovaciones (generacin de proyectos
de inversin)
Determinacin de funciones y estructuras
Especificaciones de equipos y unidades principales
Especificaciones generales de ingeniera de procesos
Evaluacin
Anlisis de factibilidad tcnica
Anlisis de factibilidad econmica
Recomendaciones sobre inversin
27

11.3.

Modelos para anlisis de proceso

a)

Modelo conceptual
Que relaciona en forma cualitativa las distintas variables del
proceso y slo con el propsito de establecer dependencias
funcionales. Con ello se facilita el anlisis mismo. Dicho
modelo est basado en una explicacin de las variables
asociadas a los componentes del sistema.

b)

Modelos de proceso
Que relaciona en forma cuantitativa las variables relevantes
asociadas a una alternativa en estudio con el propsito de
determinar los valores de aquellas variables que permiten
lograr en mejor forma el objetivo especfico perseguido. Este
modelo se usa en la etapa de I & D.

c)

Modelo tcnico- econmico (o modelo integrado)

Que relaciona las variables relevantes del proceso (tanto
tcnico como econmico), los objetivos especficos, los
ndices operacionales, todos aquellos representados a travs
de los respectivos factores de mrito. Esta categora de
modelos se usa en el modo siguiente:

I & D: para optimizacin del proceso y su operacin

Ingeniera bsica: para balances y cuantificacin de
influencia de estructuras.
Evaluacin: para determinar los beneficios que
reportan las alternativas respectivas.

11.3.2.
En los modelos de proceso y tcnico econmicos se ha
de considerar la siguiente secuencia de fases para su
confeccin:

Determinacin de estructura de modelo

Planificacin (validacin en relacin al proceso)
Simulacin

28

29

12.

EL MODELAMIENTO MATEMTICO EN LA CONMINUCIN

12.1 Introduccin
El proceso de la conminucin ha sido observado y estudiado a travs de los
aos. Se han usado correlaciones estadsticas entre las variables para
desarrollar los modelos matemticos para describir las unidades y las
operaciones integradas. El acercamiento ha sido necesariamente mecnico.
La hiptesis bsica en la modelacin de los sistemas de conminucin es
reconocer el hecho que todos los procesos de trituracin aceptan mineral
grueso y suministran energa, destruyendo las fuerzas de unin entre
partculas que constituyen el mineral. Dependiendo del proceso usado, del tipo
de impacto, ya se sencillo o mltiples, la energa se aplica hasta lograr la
desintegracin y la reduccin de tamao.
La trituracin es un proceso repetitivo. Es continuo hasta que todas las
partculas en cierta fraccin de tamao hayan sido trituradas hasta un tamao
aceptable. As el diseo del equipo que debe quebrar las partculas y el tiempo
que el material est en la zona de ruptura controla el tamao del producto.
En modelacin de sistemas de trituracin, la idea bsica es obtener una
relacin matemtica entre la alimentacin y tamao de producto. Es necesario
tomar en cuenta todas las variables involucradas en la operacin incluyendo
las caractersticas del equipo.
El proceso de conminucin considera y es representado por dos procesos:
Una partcula es seleccionada para la fractura,
Una partcula que al fracturarse produce una distribucin dada de los
tamaos de fragmento.
La distribucin de tamaos producida de un paso de fractura sencillo es
conocida como la fractura o funcin de apariencia. Ello denota la distribucin
relativa de cada tamao fraccionado despus de la fractura.
La funcin de fractura es a menudo independiente del tamao inicial, aunque
en la prctica no es necesariamente as. En forma matricial, esto es escrito
como una matriz triangular inferior.
La probabilidad de fractura de ciertos tamaos de partcula ser mayor que
otros que tambin pasan por la etapa de fractura. As, la accin de fractura
selectiva que ocurre en una proporcin de partculas fracturadas de un
intervalo de tamao, es conocida como la funcin de seleccin o probabilidad
de fractura.
30

Usando estos conceptos, se han desarrollado las relaciones matemticas entre

tamao de alimentacin y tamao de producto, despus de la trituracin.

12.2 Bases para modelar sistemas de conminucin

Todos los procesos de trituracin aplican fuerzas para fracturar y reducir el
tamao de mineral. Si se cumple la condicin de que la energa total impartida
para la fractura sea mayor que la energa de vinculacin entre partculas
individuales, las partculas se desintegran produciendo una distribucin de
tamaos ms pequeos. La fractura por lo general comienza de un punto (o
rea) de concentracin de tensin y se propaga dentro de la partcula a lo largo
de los planos de debilidad. La fractura de desintegracin podra estar a lo largo
de los planos de clivaje o intergranular. Las fuerzas responsables de la abrasin
tambin juegan una parte importante.
La figura 12.1 ilustra el mecanismo de la fractura de una partcula donde la
distribucin de tamao de un evento de fractura sencillo se incluye en columna
3 (esta es la funcin de fractura). Para las partculas sencillas presentes en
cada fraccin de tamao 1, 2, 3, N, la aplicacin de la fuerza es mostrada por
las flechas slidas y las lneas conceptuales de tensin son indicadas por las
lneas de puntos. El movimiento de fragmentos del mismo o tamaos inferiores
es indicado por las flechas punteadas. La columna 1 tambin muestra la
distribucin de tamao de la alimentacin, con las partculas de ms pequeos
tamaos representados en gris. La columna 4 muestra el producto de la
fractura despus del nmero n de las reducciones de tamao. Las filas 1, 2, , N
muestran la fraccin sencilla de tamao de tamao 1. Se puede ver que la
masa de tamao 1, cuando se rompe, se distribuye en otras fracciones de
tamao. La distribucin se vuelve ms complicada si fragmentos de la fractura
de otros tamaos en la alimentacin son incluidos. A cierta fase la fraccin de
tamao 1 desaparecer, como las partculas tamaos son distribuidas a los
tamaos ms pequeos. El proceso contina hasta ocurrir n de fractura.
Para identificar los productos en las fracciones de tamao diferente se han
adoptado dos convenciones. Primero, la fraccin msica de las partculas
restante en tamao 1, despus de la fractura de partculas de tamao 1 es
designada como b1,1. Similarmente para material fracturado de tamao 1 en
tamao 2, la fraccin msica es b2,1 y as sucesivamente. As b3,1, b4,1 etc. a bN,1,
representando esas partculas presentes en el 3 er, 4to... , N intervalos de
tamao de tamices obtenidos de la fractura de partculas de tamao 1.
Similarmente, la fractura del tamao 2 de la alimentacin se reconocer como
b2,2, b3,2 bN,2 y as sucesivamente. En el caso general, cuando una partcula en

31

el tamao j de la alimentacin es fracturada en la fraccin de tamao i del

producto, esto es designado como el bi,j.
La segunda convencin utilizada por Austin es registrar el acumulativo pasante
de cada tamiz en lugar del retenido. Esto se representa como B i,j donde i y j
tiene la misma convencin.
La forma de la funcin de fractura es mostrada en la figura 12.2 por dos tipos
de materiales.

Figura 12.1: Representacin de la distribucin de partculas despus de la

fractura. Las flechas slidas representan la fuerza aplicada para la fractura y
flechas punteadas indican la distribucin de fragmentos de fractura del mismo
tamao o inferiores. Los fragmentos mostrados representan la fractura de una
partcula de tamao original.

32

Figura 12.2: Funcin distribucin de fractura de mineral duro y mineral

blando.
12.2.1. La funcin fractura
Varios investigadores han propuesto frmulas matemticas para describir la
funcin de fractura. Klimpel y la frmula de Austin resumen la mayor parte y
est dada por:

di

B(d i ) 1 1

d j

n1

d
1 i
d

n2

d
1 i
d

n3

(12.1)

Donde:
dJ = es el tamao original siendo fracturado.
di = tamao del fragmento proveniente de la fractura,
n1 n3 = constantes dependientes de la forma y densidad de la partcula
B(di) = Fraccin de masa acumulada ms fina que el d i donde el dJ > di > 0.

La expresin utilizada por Broadbent y Callcott es mucho fcil de usar para

determinar la distribucin de partculas despus de la fractura. En este caso, si
el dJ es el tamao de la partcula original, que estuvo sujeto a reduccin de
tamao y B(di) es la fraccin de las partculas de menor tamao que d i ,
entonces la distribucin de tamao de los productos de fractura esta dada por
la matriz de fractura que permite la determinacin de los elementos
individuales:
di
dj

di

1 e
d
B(d i )
1,58 1 e j
1

1 e

(12.2)

Esta expresin es independiente del material y por lo tanto puede ser slo una
aproximacin. Por lo general, una funcin de fractura estndar de este tipo es
utilizada para entregar resultados razonables para molinos de barra y bolas
33

donde la fractura es primordialmente debido al impacto y ruptura pero no es

adecuado donde la friccin es importante tal como en los molinos autgenos.
Al definir la matriz una suposicin implcita es que las partculas de los
tamaos diferentes son fracturadas en una manera similar (fractura
normalizada) y esto no provoca ninguna aglomeracin. B es una matriz de N x
N donde los elementos de B denotan la proporcin del material que est en ese
rango de tamao en particular despus de la fractura. Como ninguna
aglomeracin es supuesta, es obvio que los elementos sobre la diagonal sern
cero. As B puede ser escrita como una matriz triangular inferior:

B1
B
2
B3

BN

0
B1
B2
B N 1

0
0
B1
B N 2

0
0
0

B1
(12.3)

12.2.2. Estimacin de la funcin seleccin:

Cuando un mineral o muestra de roca son sometidos a un sistema de fractura,
contiene partculas en varios rangos de tamao. Durante la fractura, la
probabilidad de ruptura de los tamaos ms grandes dentro de una fraccin de
tamao es considerablemente mayor comparada con los tamaos ms
pequeos. Es decir, cierta proporcin de partculas dentro de cada rango de
tamao tiene cierta preferencia en la reduccin de tamao. As la fractura
selectiva ocurre dentro de un rango de tamao. La proporcin de partculas
dentro de cada rango de tamao que es fracturada es representada por S. As
S1, S2, S3... SN ser la fraccin del material en cada fraccin de tamao que
podra ser seleccionada para la reduccin de tamao con las partculas
restantes que pasan completamente sin ningn cambio en su tamao. Esto es
conocido como la funcin de seleccin (o el ndice especfico de fractura) que
pueda expresarse matemticamente como una matriz diagonal donde cada
elemento de la matriz representa la proporcin de partculas que tiene la
probabilidad de fractura.
En un proceso batch de molienda, si la masa total cargada en el molino es
designada como M, la fraccin de masa del tamao i en el molino es m, y el
ndice especfico de la fractura (o el ndice fraccionario de fractura o la masa
fracturada del tamao i por unidad de tiempo por unidad de masa de tamao i
presente) es Si, entonces para un primer orden en el proceso de fractura:

34

Velocidad de fractura del tamao i masa del tamao i = m i (t)M

(12.4)

d mi t M
S i mi t M
dt

(12.5)

Donde:
Si = Constante de proporcionalidad
mi (t) = Fraccin masiva del tamao i despus de un tiempo de molienda, t.

Desde la masa total es constante en un molino batch y si S i es independiente

del tiempo, entonces la integracin, ecuacin (10.7) ser:
mi(t) = mi(0) x exp (-Sit)

(12.6)

Donde

Sit
2,303
Log mi (t) = log mi (0) -

(12.7)

Un grfico de log mi(t) versus tiempo de molienda, t, muestra una lnea recta
de inclinacin (-Si/2,303 ) como se muestra en el figura 12.3.

12.3 Modelos matemticos de procesos de conminucin

Los modelos ms comnmente utilizados para el modelamiento de procesos de

trituracin son:
1. El modelo de matriz,
2. El modelo cintico,

35

3. El modelo de energa

La tcnica adopt que para desarrollar un modelo se debe establecer un

balance de masa de componentes y un balance de energa del sistema de
trituracin. El balance de masa de un sistema de trituracin en funcionamiento
puede ser como:

Alimentacin + Fractura = Producto

(12.8)

Figura 12.3: Grfico de primer orden para determinar la tasa de fractura de la

ecuacin 12.7

El balance de energa es:

Energa trasmitida

Energa entrada

Energa transformada
( por fractura) a las partculas para la en calor y sonido

fractura

(12.9)

La transformacin de energa en calor y sonido son a menudo muy pequeas y

por lo tanto siempre se desprecian en la ecuacin de balance de energa.

36

El balance de masa y los balances de energa entregan resultados similares.

12.3.1 Modelo matricial

Lynch expres la relacin entre la funcin de seleccin S y anlisis de
alimentacin usando un modelo de matriz representante de la alimentacin y
distribuciones de tamao de producto como N rangos de tamao. La matriz ha
sido desarrollada asumiendo Si para la proporcin de partculas que estn
dentro de una fraccin tamizada, i, que podra ser fracturada
preferencialmente (los otros son demasiado pequeo). Representando la
distribucin de tamao de alimentacin la matriz F, la fraccin que podra
seleccionarse para la fractura es S*F. As si F 1, F2, F3...FN son las masas del
material en cada fraccin de tamao y S 1, S2, S3...SN son la proporcin de
partculas que tiene la probabilidad de fracturarse en los intervalos de tamao
correspondientes, entonces segn Lynch, el proceso de fractura puede ser
descrito en la forma matricial como:

Tamao

1
2
3
4
.
.
N

Alimentacin

F1
F
2

Funcin seleccin

0
S2
0

0
0
S3

0
0
0

0
0
0

0
.
0

0
0
0

0
0
0

S4
0
0

0 0
... .

... S N

F3

S1
0

F4
.
FN

Masa de
partculas
fracturadas

F1 S1
FS
2 2
F3 S 3

0
0
0

(12.10)

F4 S 4
.

FN S N

As vemos que la masa del producto de la fractura de las partculas escogidas

ser:
Masa del producto = S * F

(12.11)

y la masa de las partculas sin fracturar ser ( I S * F ) donde I represento la

matriz identidad.
El producto total de fractura ser la suma de las partculas fracturadas y las
partculas intactas. Las partculas fracturadas tendrn una distribucin, B, la
funcin de fractura. La funcin de fractura B es para todas las partculas en
realidad fracturadas, y por lo tanto el producto fragmentado de la fractura se
37

pueda representar por B*S*F. La operacin completa de fractura es una suma

de partculas fracturadas e intactas que puede expresarse ahora por la
ecuacin general:
P = B * S *F + (I S) * F

(12.13)

La ecuacin anterior es la relacin matemtica entre la alimentacin, fractura y

producto. Sirve de base de los modelos matemticos que describe el proceso
de la trituracin de una partcula. Esta ecuacin da una relacin entre la
alimentacin y el producto desde la matriz de fractura conocida y la funcin
seleccin. En las operaciones de fractura reales sin embargo, el producto est
sujeto a cierta clasificacin (interna a la unidad de fractura o partes externas) y
el sobretamao del clasificador esta combinado con la alimentacin original
para formar una nueva alimentacin para la fase prxima de fractura. Las
caractersticas y composicin de la alimentacin cambian as como los valores
de B y S. La situacin es fcilmente entendida examinando la figura 12.4 donde
la contribucin de la fraccin de sobretamao del clasificador al proceso de
alimentacin se ilustra claramente.

La fraccin de sobretamao es reciclada para una trituracin adicional y el

bajotamao del producto es sacado de la unidad de fractura. Si usramos los
smbolos convencionales de F y P para alimentacin y distribuciones de tamao
de producto, q para la distribucin de tamao al clasificador, B, S y C para la
fractura, seleccin y funciones de clasificacin respectivamente y todos los
trminos son considerados como vectores, entonces para el proceso de
fractura el balance de masa puede ser escrito como:
Despus de la alimentacin:
F2 = F1 + Cq

(12.14)

Donde F2 es la distribucin de tamao de la alimentacin ms los sobretamao

del clasificador.
Despus del producto:

P = (I - C) * q

(12.15)

38

Figura 12.4: La representacin esquemtica de una sucesin de fractura y

clasificacin.

Segn la ecuacin (12.13) la fractura est dada por:

q = (B * S + I - S)* F2

(12.16)

Substituyendo los valores F2 y q en la ecuacin (10.16) y simplificando, Lynch

(1) deriv el modelo de matriz para la trituracin como:

P = (I - C)*(B*S+I-S)*[I C (B * S + I S)] -1 *F1

(12.17)

Este modelo es una relacin cuantitativa entre distribucin de tamao de

alimentacin y distribucin de tamao de producto en los sistemas de
trituracin. Esto ha sido ampliamente aceptado.

12.3.2 Modelo cintico

39

El modelo de matriz considera la reduccin de tamao, especialmente en

procesos de molienda, como varios pasos discretos, que consiste en un ciclo
repetitivo de clasificacin, fractura y clasificacin. Investigadores como Kelsall
y Reid, Whiten, Lynch y Austn, han tratado la reduccin de tamao como un
proceso continuo y Gault elabor en tiempos dependientes procesos
caractersticos.
Loveday y Austin encontraron experimentalmente que en el caso de molienda
batch el ndice de fractura obedece a la ley de primer orden como en una
reaccin qumica, sin embargo no existe ninguna razn vlida para ello. El
ndice constante de fractura era una funcin del tamao de partcula. La
suposicin bsica era que la carga entera estaba mezclada completamente y
era por lo tanto uniforme durante el proceso de molienda. Siguiendo su trabajo,
la cintica del proceso de fractura se puede describir como:
La velocidad de desaparicin de partculas en el rango de tamao J por la
fractura a cualquier rango de tamao ms pequeo, i.
La velocidad de aparicin del tamao i de la fractura de partculas de tamao J.
LA velocidad de la desaparicin del tamao i por el fractura a los tamaos ms
pequeos.

Referirse a la ecuacin (12.4) y usando los mismos smbolos podemos escribir:

Velocidad de la desaparicin de tamao J = SJmi(t)M

(12.18)
Velocidad de aparicin del tamao i
(12.19)

= b iJSJmi(t)M

Velocidad de desaparicin del tamao i

(12.20)

= S imi(t)M

Para una masa constante, M, el balance tamao masa podra ser:

I 1
d
mi (t ) biJ S J m J (t ) S i mi (t )
dt
J 1

para N i j 1

I 1

(12.21)
40

La ecuacin (12.21) es el modelo de balance de velocidades de fracturas

bsico de masas para la molienda de rocas y menas. El ndice de produccin
del material de tamao menor xi es la suma de los ndices de la produccin de
material de tamao menor x i por la fractura de todos los tamaos ms grandes
y esta dado por:

dP ( xi , t ) i 1
Bi , J S J mJ (t )
dt
j 1

N i j 1

i 1

dP ( xi , t )
0
dt

i=1
(12.22)

Donde

P ( xi , t )

k N

(t )

Para el modelamiento de molinos continuos estables, la ecuacin de fractura

esta combinada con la distribucin de tiempo de residencia del material. Los
dos extremos de la distribucin de tiempo de residencia son el flujo de entrada
y totalmente mezclados. Para el flujo de entrada, todo el material tiene el
mismo tiempo de residencia y de ah la ecuacin de molienda batch es
aplicable cuando se integra desde cero al tiempo de residencia. La solucin de
esta integral fue originalmente propuesta por Reid y es conocida como Solucin
de Reid.

La forma general de la solucin es:

i

mi (t ) a iJ e S J t

para N i 1

J 1

(12.23)
Donde

41

para i j

i 1

aiJ mi (0) aik

para i j
k 1

i 1

1 i 1

S S S k bik akj para i j

J k j
i

(12.24)

Para i = 1 esto da:

m1 (t ) m1 (0)e S1t
(12.25)
Para i = 2

m2 (t )

S1b21
Sb
m1 (0)e S1t m2 (0)e S 2t 1 21 m1 (0)e S 2t
S 2 S1
S 2 S1
(12.26)

Para i > 2 el nmero de trminos en la expresin se expanden rpidamente.

Para una mezcla total dentro del molino la ecuacin llega a ser:
i 1

Pi Pi bij S j m j S i mi

para N i j 1

j 1
i 1

(12.27)
Donde = significa tiempo de residencia.

Para estimar Pi usar la ecuacin (12.27), para esto es necesario determinar S j,,
el ndice constante de fractura. Esto se determina experimentalmente por un
grfico log-log de la fraccin de tamao de partcula J retenida despus de
diferentes tiempos de molienda. De la pendiente del grfico, se puede obtener
el valor de S.
12.4 Modelamiento de sistemas de chancado y molienda

42

Los principios y tcnicas generales descritos para el modelado matemtico de

los sistemas de trituracin son directamente aplicables al chancado
convencional y a los molinos usados en las operaciones mineras y
metalrgicas. Un trabajo pequeo ha sido hecho en su aplicacin a otras
formas de moler como los molinos de cilindros, molinos de energa fluida,
molinos vibratorios o friccin. Estos molinos son esencialmente pulverizadores.
En la industria minera, la pulverizacin es raramente requerida para liberar un
mineral de su ganga.

12.4.1 Modelamiento de chancadores giratorios y de mandbula

Cuando una partcula sencilla, como lo muestra la figura 12.5, se presiona
entre las mandbulas del chancador las partculas se fracturan produciendo
fragmentos, indicado en 2 y 3 en la figura 12.5B. Las partculas marcadas 2 son
ms grandes que la descarga del chancador y son retenidas para chancarse en
el prximo ciclo. Partculas de tamao 3, ms pequeo que la descarga del
chancador, pueden bajar rpidamente y ocupar o pasar por la porcin inferior
del chancador mientras que las mandbulas se balancean lejos. En el prximo
ciclo la probabilidad de las partculas ms grandes (tamao 2) de fracturarse es
mayor que la partcula ms pequea 3. En el ciclo siguiente por lo tanto, la
partcula de tamao 2 es probable que desaparezca de referencialmente y se
una al resto de las partculas de tamao ms pequeas indicadas como 3 en la
figura 12.5C.
En la figura, las partculas chancadas no existen despus de la trituracin (esto
es sombreado en blanco solo para indicar las posiciones que ocupaba antes de
la trituracin). Las partculas que han sido trituradas y viajan hacia abajo se
muestran en gris. La figura claramente ilustra el mecanismo de trituracin y la
clasificacin que tiene lugar dentro de la zona de ruptura durante el proceso,
como se ilustra tambin la figura 12.4. Este tipo de proceso de fractura ocurre
dentro del chancador de mandbula, chancador giratorio, chancador de rodillo y
molino de barras. La ecuacin (12.17) entonces es una descripcin del modelo
de chancado.

43

Figura 12.5: Clasificacin dentro de chancador de mandbula.

En la prctica, sin embargo, en lugar de una partcula sencilla, la alimentacin

consiste de una combinacin de las partculas presente en varias fracciones de
tamao. La probabilidad de la fractura de ciertas partculas relativamente ms
grandes en preferencia a las partculas ms pequeas ya se ha mencionado.
Para completar, la curva de la probabilidad de la fractura de los tamaos de
partcula diferentes se muestra de nuevo en la figura 12.6. Esto se puede ver
para los rangos de tamaos de partcula entre 0 - K 1, la probabilidad de la
fractura es cero para las partculas muy pequeas. Los tamaos entre K 1 y K2
son supuestos para que la fractura ocurra conforme a una curva parablica.
Los tamaos de partcula mayores que K 2 deberan fracturarse siempre.

Figura 10.6: Funcin de clasificacin, Ci, en un chancador.

44

Segn Whiten esta funcin de clasificacin Ci, representa la probabilidad de

una partcula de tamao di entrando a la fase de fractura del chancador, se
puede expresar como:

Ci 0

para di K1

d K 2
Ci 1 i

K1 K 2

Ci 1

para K1 di K 2
para di K 2
(12.28)

Donde los tamaos superiores y bajo del tamiz para el intervalo i-simo de
tamao es conocida, Ci puede obtenerse desde:

Ci

d i 1

di

Ci
dd
d i 1 d i
(12.29)

di y di+1 son los sobre y bajos tamaos del tamiz de la i-sima fraccin de
tamao.

Para chancadores de mandbula, giratorios de cono, k 1 es el valor del conjunto

y k2 el tamao sobre todas las partculas que se rompern. El valor
recomendado del exponente en la ecuacin (12.28) es 2,3.
La funcin de clasificacin puede expresarse como matriz triangular donde los
elementos representan la proporcin de partculas en cada intervalo de tamao
que pueda romperse. Para construir un modelo matemtico para describir los
tamaos de producto y alimentacin donde la alimentacin del chancador
contiene una proporcin de partculas que es ms pequea que el conjunto
cerrado y por lo tanto pase por el chancador con mnima o ninguna fractura,
Whiten promovi un modelo de chancado como el mostrado por la figura 12.7.
Las consideraciones en la figura 12.7 son similares al modelo general para la
reduccin de tamao ilustrada en la figura 12.4 excepto en el caso cuando la
alimentacin es inicialmente orientada a un clasificador, que elimina los
tamaos de partcula menores a K1. El producto grueso del clasificador entra a
la zona de chancado. As slo el material de tamao ms grande entra a
45

triturarse a la zona de chancado. El producto de chancado es combinado con la

parte principal de la alimentacin y proceso se repite. Los bajotamao
clasificados son el producto.

Figura 12.7: Modelo de chancado.

A fin de describir la operacin matemticamente, Whiten y Lynch consideraron

los balances msicos a la alimentacin y producto final y derivaron la relacin
entre alimentacin de chancado y producto como:

P = (I - C) * (I B * C )-1 * F

(12.30)

Donde
P = vector para la distribucin de tamao del producto (masa),
I = matriz diagonal unitaria teniendo todos los elementos = 1,
C = funcin de clasificacin escrito como una matriz diagonal,
F = distribucin de tamao de la alimentacin (masa).

La ecuacin (12.30) es el modelo de chancado ampliamente aceptado que se

usa para predecir la distribucin de tamao de productos en los diversos tipos
de chancadores.
Considerando los aspectos anteriores de un modelo de chancadores, es
importante recordar que el proceso de reduccin de tamao en las operaciones
comerciales es continuo en grandes perodos de tiempo. En la prctica, por lo
tanto, la misma operacin es repetida por largos periodos as la expresin
general para el tamao de producto debe tomar este factor en cuenta. Por lo
46

tanto un parmetro v es introducido para representar el nmero de ciclos de

la operacin. Como todos los ciclos son asumidos idnticos el modelo general
de la ecuacin (12.30) muestra la siguiente modificacin:

P = XV * F

(12.31)

Donde:

x = (I - C) * (I - B C)-1

(12.31)

La probabilidad de la fractura de ciertos tamaos de partcula ser mayor que

otros a medida que la operacin de chancado. As la accin de fractura
selectiva tiene lugar y la proporcin resultante de las partculas rotas de un
intervalo de tamao es conocida como la funcin de seleccin o probabilidad
de la fractura.

47