CURSO:

ANALISIS Y SIMULACION DE PROCESOS METALURGICOS

Septiembre 2011






1


INDICE:

1. Objetivos y metodologa del anlisis y optimizacin de procesos 02
2. Metodologa de Anlisis y Optimizacin de Procesos 06
3. Caracterstica de la metodologa de Anlisis y Optimizacin de Procesos. 09
4. Metodologa particular de AOPI basada en modelos matemticos. 09
5. Adquisicin de datos 10
6. Diseos experimentales 13
7. Fundamentos del muestreo. 15
8. Tipos de experimentos 19
9. Anlisis de datos 20
10. Modelacin de Procesos 21
11. Elementos de Anlisis de Procesos 26
12. El modelamiento matemtico de la Conminucin 28





2

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


3

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. 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.


1.3. 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) Planificacin de proyectos, en la que se implementan los proyectos que
conforman el sistema y se establecen los planes de su produccin.
c) Desarrollo del sistema, en que este se disea (sintetiza y analiza) y se
generan las especificaciones para su produccin (ingeniera bsica y de
proyecto)
d) Produccin, en la que los elementos del sistema son producidos as como
las bases tcnicas para su instalacin.
e) Instalacin, en la que se instalan los distintos elementos del sistema y se
completan los planes de operacin.
4

f) Operacin, que se refiere al manejo del sistema poara lograr los objetivos
que se perseguirn con su diseo.
g) Retiro, reemplazo o modificacin del sistema, dando lugar as a una nueva
iteracin en el ciclo.


1.4. 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 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
5

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
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.


2.2. Diseo de sistemas de valores

Se traduce finalmente en la definicin de objetivos y los criterios de medida.
Casos tpicos son:
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.


2.3. 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.

6

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 la optimizacin ha de
tomarse decisin respecto de la implementacin de las alternativas
consideradas y en particular de aquella que ha demostrado ser ms eficiente
en el cumplimiento de los objetivos.
7

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 pre-establecido y aceptado.
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. Iterativa y optimizante

3.2. Diferencia entre anlisis de sistemas y anlisis de procesos
i. 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 semi-industriales, modelos que preservan las
caractersticas fsicas, experimentos planificados en las plantas industriales.
ii. 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.

3.3. Aplicable a sntesis de procesos



4. Metodologa particular de AOPI basada en modelos matemticos.

4.1. Adquisicin de datos
8

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:

Obtencin del dato base: muestreo y anlisis de laboratorio o
alternativamente, medicin transduccin transmisin conversin
adecuacin.
9

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
Perturbaciones de entrada
Perturbaciones paramtricas


5.2. Informacin econmica

5.2.1. Costos
10


a) 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

b) Costos de mantencin y reparacin
Costos de insumos materiales
Costos de insumos energticos y de fluidos
Costos de recursos humanos

b) Costos de inversin (en todos: costos de insumos materiales,
energticos y fluidos y de recursos humanos)

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)

c) 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. Ingresos

a) Ingresos por mayores ventas mismo producto (aumento de
produccin)
b) Ingresos por mayor volumen de ventas por mejor precio (mejor
calidad de producto)
c) Ingresos por nuevos productos

5.3. Informacin de operacin (tcnica)

a) Cantidad y tipo de recursos humanos
b) Forma de operacin
Secuencia de actividades
11

Tiempos
Mtodos y procedimientos

5.4. Informacin de planta (tcnica)

a) Estructura de la planta (disposicin de equipos y su interconexin)
b) Especificaciones nominales de equipos e instrumentos

6. Diseos experimentales

6.1. Introduccin
La tcnica de los diseos experimentales est relacionada principalmente con los
siguientes factores:
a) Un ordenamiento o arreglo de tem individuales que componen un
experimento complejo, diseado para un propsito definido.
b) Cuantificacin de los efectos de las variables estudiadas, en la respuesta
medida o alguna caracterstica del sistema en estudio que interese.
c) 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 incrementar la exactitud de los experimentos, no la
precisin.
a) Exactitud: es la medida de cun ajustados son los valores medidos al valor
verdadero.
b) Precisin: Es una medida de cuan ajustado son los datos medidos con
respecto al valor promedio.

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) Informacin insuficiente acerca de las variables
12

b) Carencia de tcnicas adecuadas que permitan obtener la informacin
requerida. De este modo solo algunas manifestaciones son obtenidas.
c) 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) Un error aislado producido por descuido o torpeza del experimentador
b) 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.
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) La calidad de los productos
b) El rendimiento de un proceso
c) Comportamiento de un equipo o instrumento de medicin
d) 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.
13

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.
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) Muestreo manual y anlisis de laboratorio
b) Adquisicin de datos en lnea a travs de sistemas computarizados.

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) Definicin de objetivos del muestreo
14

b) Determinacin de la poblacin a muestrear, definir claramente el conjunto
desde el cual se va a elegir la muestra
c) Determinacin del tipo de datos a colectar, clasificar los datos relevantes a
tomar para evitar trabajos y costos innecesarios
d) 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.
e) Definir mtodo de medicin, definir la forma de tomar la muestra y con
qu tipo de recursos.
f) 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.
g) Realizacin de pre-test, simular la toma de muestra para encontrar
omisiones, redundancias, etc. y mejorar el procedimiento a usarse.
h) 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.
i) Realizacin del muestreo
j) 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)
k) 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) Alteracin del proceso por efecto de la medicin
b) Representatividad de la muestra
c) Efecto del experimentador
d) Efecto del instrumento de medicin
e) El asincronismo

7.3. Nmero de variables
15


a) Factor tecnolgico
b) Factor econmico
c) Observabilidad
d) Redundancia

7.4. Tiempo y cantidad de muestreos

a) Discretizacin
b) Frecuencia de muestro
c) Tiempo de muestreo

7.5. 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. Caractersticas principales de la experimentacin

a) La experimentacin implica un conjunto de procedimientos que permiten
colocar en relieve determinadas caractersticas de un proceso, a travs de la
obtencin de informacin de ste.
b) Un experimento se realiza normalmente en el marco de un problema
experimental y este, a su vez, se establece en los requerimientos de
16

informacin que impone un problema de ingeniera o de investigacin y
desarrollo
c) 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. Conceptos bsicos de los experimentos estticos

a) 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.
b) 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.
c) 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 principales de los experimentos dinmicos

Este tipo de experimentos tiene normalmente por objetivo el generar datos que
permitan generar datos que permitan proponer 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) Eleccin de variable estmulo y de variables que sern medidas.
b) Eleccin de las seales de entrada o estmulo del proceso (amplitudes
y frecuencias).
c) Tiempo total de observacin
d) Definicin del marco externo.
17

e) Determinacin del tiempo de muestreo adecuados a cada una de las
variables.
f) Definicin de las condiciones de proceso
g) Definir si el experimento se realizar bajo la accin de un sistema de
control o no.
h) 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) Asignar un valor (a la variable de proceso) que se pueda considerar
verdadero, dado que las mediciones estn afectas a un error experimental.
b) Asignar un margen de confianza a estos valores
c) Analizar los datos estadsticamente para obtener conclusiones tiles.

Estos objetivos se pueden lograr mediante los siguientes mecanismos:
a) Determinar el valor promedio estadstico de los valores medidos
b) Definir un intervalo de confianza
c) Realizar un test de hiptesis.

10. 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
18

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.
b) 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.
c) 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
19

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 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:

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.

c) Modelos estticos y dinmicos

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.

d) 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.
20




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. Clasificacin segn tcnica usada

a) La tcnica usada en el proceso de modelacin divide los modelos
matemticos en dos grandes grupos:
b) 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.
c) 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.
d) 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.
e) 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.


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.
21

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 informacin a travs de sus interfaces
impone nuevos requerimientos.
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
22

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:
Anlisis del proceso, la planta y la operacin.
Determinacin de las condiciones ptimas
Determinacin de mecanismos que permitan mantener el comportamiento
ptimo.

11.2. 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.
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. 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

11.2.2. Ingeniera bsica

Preingeniera (balances generales)
23

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

11.2.3. Evaluacin

Anlisis de factibilidad tcnica
Anlisis de factibilidad econmica
Recomendaciones sobre inversin

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)
24

Simulacin



25

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.

26

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 b
1,1
. Similarmente
para material fracturado de tamao 1 en tamao 2, la fraccin msica es b
2,1
y as
sucesivamente. As b
3,1
, b
4,1
etc. a b
N,1
, representando esas partculas presentes en el 3
er
,
4
to
... , 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
b
2,2
, b
3,2
b
N,2
y as sucesivamente. En el caso general, cuando una partcula en el
tamao j de la alimentacin es fracturada en la fraccin de tamao i del producto, esto
es designado como el b
i,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.
27

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.

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:
28

3 2
1 3 2
1 1 1 1 ) (
n
j
i
n
j
i
n
j
i
i
d
d
d
d
d
d
d B
(
(

|
|
.
|

\
|

(
(

|
|
.
|

\
|

(
(

|
|
.
|

\
|
=
(12.1)

Donde:
d
J
= es el tamao original siendo fracturado.
d
i
= tamao del fragmento proveniente de la fractura,
n
1
n
3
= constantes dependientes de la forma y densidad de la partcula
B(d
i
) = Fraccin de masa acumulada ms fina que el d
i
donde el d
J
> d
i
> 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 d
J
es el tamao de
la partcula original, que estuvo sujeto a reduccin de tamao y B(d
i
) 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:
|
|
.
|

\
|
=

=

j
i
j
i
d
d
d
d
i
e
e
e
d B 1 58 , 1
1
1
) (
1
(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 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:
29

(
(
(
(

1 2 1
1 2 3
1 2
1
0
0 0
0 0 0
B B B B
B B B
B B
B
N N N
(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 S
1
, S
2
, S
3
...
S
N
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 S
i
, entonces para un
primer orden en el proceso de fractura:

Velocidad de fractura del tamao i masa del tamao i = m
i
(t)M (12.4)


( ) | |
( )M t m S
dt
M t m d
i i
i
= (12.5)


Donde:
S
i
= Constante de proporcionalidad
m
i
(t) = Fraccin masiva del tamao i despus de un tiempo de molienda, t.
30


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:
m
i
(t) = m
i
(0) x exp (-S
i
t) (12.6)
Donde
Log m
i
(t) = log m
i
(0) -
303 , 2
t S
i
(12.7)

Un grfico de log m
i
(t) versus tiempo de molienda, t, muestra una lnea recta de
inclinacin (-S
i
/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,
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)

31


Figura 12.3: Grfico de primer orden para determinar la tasa de fractura de la ecuacin
12.7

El balance de energa es:
(

+
(
(
(

=
(

sonido y calor en
da transf orma Energa
f ractura
la para partculas las a
trasmitida Energa
f ractura por
entrada Energa
) (
(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.
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 S
i
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
, F
2
, F
3
...F
N
son las
masas del material en cada fraccin de tamao y S
1
, S
2
, S
3
...S
N
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:
32


Tamao Alimentacin Funcin seleccin Masa de
partculas
fracturadas

1
2
3
4
.
.
N
(
(
(
(
(
(
(
(

N
F
F
F
F
F
.
4
3
2
1
*
(
(
(
(
(
(
(
(

N
S
S
S
S
S
... 0 0 0 0
. ... 0 0 0 .
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
4
3
2
1

=
(
(
(
(
(
(
(
(

N N
S F
S F
S F
S F
S F
.
4 4
3 3
2 2
1 1




(12.10)

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 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
33

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:
F
2
= F
1
+ Cq (12.14)

Donde F
2
es la distribucin de tamao de la alimentacin ms los sobretamao del
clasificador.
Despus del producto:

P = (I - C) * q (12.15)



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





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

34

q = (B * S + I - S)* F
2
(12.16)

Substituyendo los valores F
2
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
*F
1
(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
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:

35

Velocidad de la desaparicin de tamao J = S
J
m
i
(t)M (12.18)
Velocidad de aparicin del tamao i = b
iJ
S
J
m
i
(t)M (12.19)
Velocidad de desaparicin del tamao i = S
i
m
i
(t)M (12.20)

Para una masa constante, M, el balance tamao masa podra ser:
| | 1 ) ( ) ( ) (
1
1
1
> > > =

)
=
j i N para t m S t m S b t m
dt
d
i i
I
I
J
J J iJ i
(12.21)
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 x
i
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:

1
,
1
1
( , )
( ) 1
( , )
0 = 1
i
i
i J J J
j
i
i
dP x t
B S m t N i j
dt
dP x t
i
dt

=
)
= > > >
=

(12.22)
Donde

=
=
i
N k
k i
t m t x P ) ( ) , (

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:
1 ) (
1
> > =

=

i N para e a t m
i
J
t S
iJ i
J
(12.23)
36

Donde
1
1
1
1
0
(0)
1
i
iJ i ik
k
i
i
k ik kj
k j
i J
para i j
a m a parai j
S b a para i j
S S

=
)

=



(


= =
`



)

(12.24)

Para i = 1 esto da:
t S
e m t m
1
) 0 ( ) (
1 1

= (12.25)
Para i = 2
t S t S t S
e m
S S
b S
e m e m
S S
b S
t m
2 2 1
) 0 ( ) 0 ( ) 0 ( ) (
1
1 2
21 1
2 1
1 2
21 1
2

=

(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:
1
1
1
1
> > > + =

)
=
j i N para m S m S b P P
i
i
j
i i j j ij i i
t t (12.27)
Donde t = significa tiempo de residencia.

Para estimar P
i
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
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
37

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.




Figura 12.5: Clasificacin dentro de chancador de mandbula.

38

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 K
2
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, C
i
, en un chancador.

Segn Whiten esta funcin de clasificacin C
i
, representa la probabilidad de una
partcula de tamao d
i
entrando a la fase de fractura del chancador, se puede expresar
como:

1
2
2
1 2
1 2
2
0
1
1
i i
i
i i
i i
C para d K
d K
C para K d K
K K
C para d K
= (
(
= ( (
(

= )
(12.28)

Donde los tamaos superiores y bajo del tamiz para el intervalo i-simo de tamao es
conocida, C
i
puede obtenerse desde:
39

dd
d d
C
C
i
i
d
d i i
i
i
}
+

=
+
1
1
(12.29)

d
i
y d
i+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 k
2
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
K
1
. El producto grueso del clasificador entra a la zona de chancado. As slo el material
de tamao ms grande entra a 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:
40


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 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 = X
V
* 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.