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
2

12. El modelamiento matemtico de la Conminucin
28





3

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


4

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.
5

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.
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
6

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
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
7

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.
8


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.
9

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.
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.


10

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
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
11

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:

12

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.
13

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

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)

14

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
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:
15

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
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.
16

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
17

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.
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
18

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
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.
19

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

20

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

21

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 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
22

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.
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

23

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
24

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.
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
25

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 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
26

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.



27

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;
28

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.
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
29

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 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.
30


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
31


11.2.2. 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

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
32

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



33

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
34

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.

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
35

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.
La forma de la funcin de fractura es mostrada en la figura 12.2 por
dos tipos de materiales.

36



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:
37

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.
38

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:
(
(
(
(

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
39

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.

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.

40

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)


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

El balance de energa es:
41

(

+
(
(
(

=
(

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:

Tama
o
Alimentaci
n
Funcin seleccin Masa de
partculas
fracturada
s

42

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
43

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:
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)


44


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)* 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,
45

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 = 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:
46

| | 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)
Donde
47

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
48

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.

49




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 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.

50


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:
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.

51

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
52

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 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)


53

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.