AVANCES EN LA OPTIMIZACION DE CIRCUITOS DE MOLIENDA Y

CLASIFICACION POR MODELACIÓN MATEMÁTICA

Ingº Manuel CARHUAZ ROMAN.

RESUMEN
La técnica de modelamiento matemático, busca desarrollar ecuaciones capaces de predecir la
granulometría y grado de liberación en función de las condiciones operacionales que influyen en la
performance del circuito de molienda. El modelo de cada unidad operacional (Molino, clasificador,
cajón de agua, etc.), tiene como tarea cuantificar los efectos de las variables operacionales. Así
usando los modelos se puede alcanzar el punto máximo del circuito.
En este trabajo se presentan las bases teóricas, ecuaciones para describir los procesos de quiebra
que amarrados a la reología de la pulpa y la clasificación posibilitan la preparación de un simulador,
además se presentan ejemplos de casos prácticos, en el primer caso la estimación de parámetros
cinéticos y simulación a escala de laboratorio (Batch), para determinar el ajuste del modelo, y
finalmente un caso de simulación a escala industrial.

OBJETIVOS:
El principal objetivo es mostrar que usando las técnicas de la modelación matemática es posible
aprovechar los resultados de los mismos con la finalidad de optimizar para un trabajo a escala
industrial, ya que el modelo amarra muchas variables a la vez y nos da como resultados la
combinación optima y puntos críticos.

INTRODUCCIÓN.
El circuito de molienda determina la capacidad de la planta entera, de manera que si se quiere
aumentar la capacidad de la planta se debe de aumentar en los circuitos de molienda.
El objetivo de las plantas de procesamiento de minerales es conseguir niveles óptimos
operacionales, principalmente en circuitos de molienda y clasificación. Para hallar estos niveles se
tienen dos alternativas; la primera consiste en realizar una campaña experimental en la misma
planta. Eventualmente, este método producirá una mejor performance, sin embargo durante la
campaña (que dura un periodo corto o largo de tiempo), la producción de la planta sufrirá perdidas
cuando la combinación de las condiciones sean malas. La segunda alternativa esta basado en la
simulación con modelos matemáticos que reflejan en gran medida los efectos de las condiciones
operacionales. De manera que podríamos denominar a la simulación como una combinación
optima. Este método se basa en el punto critico en que los modelos matemáticos usados
representan los efectos de condiciones operacionales con una precisión aceptable.
Por estas razones, la simulación es el método más efectivo de optimización en los circuitos de
molienda y clasificación en el procesamiento de minerales.
La eficiencia aumentada de molienda lograda mediante la optimización puede ser usado en :
  Aumentar la capacidad de la planta para una granulometría dada.
 Reducir el tamaño de partículas para una capacidad determinada.
 Reducir el consumo de energía en el molino.

TEORIAS CLÁSICAS DE CONMINUCIÓN.

La primeras investigaciones encaminadas a la mejor comprensión en el proceso de Conminución
eran los concernientes a la relación Energía Consumida por el molino y la Reducción de Tamaño
que el consumo de energía traía consigo, la reducción dimensional era estudiado como una función
de :
 Área de la nueva superficie de las partículas producidas
 El volumen de material fracturado.
 El diámetro de las partículas del producto.

1. POSTULADO DE RITTINGER (1867)

E R  K R  S 2  S1 
Donde: ER = Energía entregada por unidad de volumen.
KR = Constante.
S2 = Superficie especifica Final.
S1 = Superficie especifica inicial.
2. POSTULADO DE KICK (1885)

V 
E K  K K .Log  1 
 V2 
Donde: EK = Energía entregada por unidad de volumen.
KK = Constante.
V2 = Volumen final de la partícula.
V1 = Volumen inicial de la partícula.
3. POSTULADO DE BOND (1952)
 10 10 
W  WI . 
 P F80 
 80

Donde: W = Consumo de energía especifica (Kwh/ton).

KK = Constante.
P80 = Tamaño 80% pasante del Producto.
F80 = Tamaño 80% pasante del Alimento.

Muchas han sido las publicaciones sobre estudios de relación Energía –Reducción Dimensional; y la
validez de varios métodos para estas relaciones han sido comparados y revisados. En general, las
relaciones propuestas son solamente validas sobre gamas limitadas de tamaño de variables en
casos específicos,

Consumo de energía Vs. Tamaño de Partícula

1,E+05
Potencia Consumida (Kwh/ton)

1,E+04
GAMA CONVENCIONAL
DE MOLIENDA
1,E+03
KICK GAMA CONVENCIONAL
Pendiente = - 1
DE TRITURACION
1,E+02
GAMA POCO CONOCIDA

1,E+01
BOND RITTINGER
Pendiente = -0,50 Pendiente = 0
1,E+00

1,E-01
1,E-04 1,E-03 1,E-02 1,E-01 1,E+00 1,E+01 1,E+02 1,E+03 1,E+04 1,E+05 1,E+06 1,E+07

Tamaño de Particula (Micrones)

Sin embargo el método general de representar las distribuciones granulométricas por medio del
tamaño del tamiz en que el 80% en peso del material pasa y el 20% queda retenido, por este
ultimo método, es posible representar diferentes análisis granulométricos por un valor, como
muestra la Figura 2 esto es inadecuado.

Un P80 Representando varias Granulometrias

100

Gama Ancha

de Tamaño

Tamaño 80%
% Pasante

Pasante
10

Gama Estrecha

de Tamaño

1
10 100 1000 10000

Tamaño en Micrones
LIMITACIONES DEL METODO DE BOND.
El método de Bond tiene dos ventajas indiscutibles para la Ingeniería
 Es muy simple.
 Por la experiencia se ha probado que es una aproximación razonable para muchas
circunstancias.
Pero, aparte de empirismo y posibles errores en la determinación del Work Index (humanos o de
muestra), presenta las siguientes limitaciones principales.
 No considera las variables tan importantes como:
 Carga circulante.
 Eficiencia de clasificador.
 Nivel de bolas y collar de bolas
 Características de la pulpa.(Viscosidad y reología de la pulpa
 No considera que tanto el producto como el alimento son distribuciones de
tamaño y usa solamente el P80 Y F80 respectivamente para representarlos.
Es por ello que Bond a debido de incluir una serie de factores de correctores dentro de su formula
básica, a fin de tomar en cuenta el efecto de las diversas variables de operación sobre el consumo
energético de la molienda, existen correcciones para:
 Molienda seca.
 Circuito abierto.
 Fineza exagerada del producto.
 Tamaño de alimentación demasiado grueso.
 Efecto del diámetro del molino.
El objetivo principal de estos factores de corrección es disminuir las diferencias observados en la
planta, tanto en capacidad como consumo de potencia.

MODELO MATEMÁTICO DE MOLIENDA Y CLASIFICACION.

Un modelo matemático es un conjunto de ecuaciones que calcula los valores de las variables de
salida del proceso en función de las condiciones de operación y las características del material.
Para que un modelo sea efectivo debe tener la capacidad de predecir con una precisión aceptable,
la granulometría y tonelaje de sólidos, como para cada flujo del circuito y el consumo de energía
específica (Kwh/ton) teniendo como variables operacionales al:

 Molino
 Potencia, Tamaño de bolas de recarga, % de Sólidos
 Hidrociclon.
 Caudal, % Sólidos, Dimención de los orificios.
La potencia, el nivel de bolas, y velocidad de rotación depende de las dimensiones del molino; el %
de sólidos en el molino y en la alimentación al nido de ciclones dependen del caudal de adición de
agua para el molino y el cajon.

MAYORES Tamaño de Partículas MENORES

Distribución de Fragmentos

Mayores

TASA DE
1 QUIEBRA

-S 1Hm 1

TASA DE ACUMULACION (SUMAR EN LINEA)

2
dHm 3
= -S 3Hm 3 + b 31S 1Hm 1 + b 31S 1Hm 1
b 21S 1Hm 1 -S 2Hm 2 dt

b 31S 1Hm 1 b 32S 2Hm 2 -S 3Hm 3

b 42S 2Hm 2 b 43S 3Hm 3 -S 4Hm 4

b 41S 1Hm 1

Menores

i
b i4S 4Hm 4 -S iHm i
b i1S 1Hm 1 b i2S 2Hm 2 b i3S 3Hm 3

b n1S 1Hm 1

Figura 3, Representación de la distribución de Fragmentos

MODELO LINEAL DE LA CINÉTICA DE QUIEBRA DE LAS PARTICULAS.

Para formular un modelo de Conminución que puede ser usado en la práctica necesitamos
identificar la característica de la quiebra del material, estas son: La Función Selección S y la función
Fractura B, la primera referida también como Moliendabilidad guarda relación con la cinética o
velocidad de fractura de cada partícula independiente y la segunda también referida como
distribución de fragmentos primarios, caracteriza la distribución granulométrica de los fragmentos
producidos como consecuencia de un evento dado de fractura, la Figura 3 ayuda a definir con mas
claridad ambos conceptos.

La tasa de acumulación del mineral en el i-esimo intervalo, esta representado por la suma de la i-
esima línea.
i 1
dHmi
  S i Hmi   bij S j Hm
dt J 1

Donde H : Peso de un conjunto de partículas.

.mi : Distribución granulométrica discreta.
Hmi : Fracción en peso contenido en el i-esimo intervalo granulométrico
que se modifica durante la quiebra.
Entonces, la tasa de acumulación en el en el intervalo granulométrico i es:
dHmi
 BD
dt
i 1
Donde B : b
j 1
ij .S j .Hm j = Función distribución de partículas.

D :  S i Hmi = Función Selección o tasa de quiebra.

La relación anterior puede representarse como:

i 1
dHmi
  S i Hmi   bij S j Hm j ; i = 1, 2, 3 ... n.
dt j 1

El cual constituye el modelo general de la molienda en su forma diferencial.

La solución analítica de este complejo sistema de ecuaciones diferenciales es ampliamente
conocida, considerando que la función selección S y la función distribución B son constantes con el
tiempo de molienda, la ecuación tiene la solución particular del sistema general denominada
“Modelo Lineal”, que en su forma matricial se expresa como:

m(t )  T .J t .T 1 .m(0)
Donde m(t) : Granulometría del mineral en el tiempo t.
m(0) : Granulometría inicial del mineral.
T : Matriz triangular inferior de valores Tij. (n x n)
Jt : Matriz triangular de valores (n x n)

 0 i j

Tij   1 i j
 i 1 bik .S k
 Tkj i j
 j 1 S i  S j

 0 i j
J ij   Molienda Batch.
exp( S i t ) i j
  0
 N i j
J ij   S i .  Molienda Continua (función del tiempo)
1  N  i j

 0
 N i j
J ij   S i .E 
E
Molienda Continua.(Función de la energía)
1  N  i j
 
Donde  = Tiempo de residencia.
N = Parámetros característicos de la DTR de la pulpa mineral en el .
molino, representada matemáticamente.
N 1
t
NN 
   t 
E (t )  . exp  N  
 .( N )   
Expresión ampliamente conocida como el modelo de N mezcladores en serie y donde el parámetro
N es normalmente aproximado a (L/D) del molino.
El rol critico de la energía especifica (KWh / Ton), destacado tempranamente por Bond y sus
antecesores, se hace explicito en las formulaciones anteriores a través de un simple cambio de
variable, al introducir el parámetro de la función Selección Especifica.

H
Si E  Si   ; i= 1, 2, ... n
P
Sabiendo que:

H H
E  t  Molienda Batch. E   Molienda continua
P P
Se concluye que:

S i E  S i
E
; i = 1, 2, ...n

Por tanto basta reemplazar (S i) por (SiEE) para obtener las ecuaciones del modelo lineal de
molienda en términos de la función selección especifica S iE que esta expresado en Ton/Kwh.
Los elementos de la matriz función fractura B, prácticamente no dependen de las condiciones
operacionales del molino, la función selección depende de las condiciones operacionales y también
es sensible a la distribución granulométrica en el molino.
Si = S (m, DB, % Sm, Dm, Lv, Nv, %Vc, H, d )
Donde:
m = Granulometría del material.
DB = Diámetro de la recarga de bolas.
% Sm = % de sólidos en el molino.
Dm , L m = Diámetro y largo interno del molino.
Nv = % de carga de bolas o nivel de bolas.
%Vc = % de velocidad crítica.
 H = Peso total del mineral contenido en el molino.
d = Densidad el mineral.

ESTIMACIÓN DE PARÁMETROS CINÉTICOS.

Existen 3 métodos de estimación, los cuales son:
 Estimación de parámetros con ensayes de laboratorio con mono-tamaños.
 Estimación de parámetros por regresión no-lineal.
 Estimación de parámetros por el método simplificado.
De los métodos descritos arriba, el método de regresión no lineal es el de más fácil manejo y a la
vez prevé resultados con una precisión aceptable y es facilitada por la incorporación de las
siguientes ecuaciones, entre estos parámetros y su correspondiente tamaño de partícula asociada:
 Para la función selección:
1
E  0 .d i
Si  2
 d 
1   i 
 d crit 
 Para la función Fractura.
1 2
d   
Bij   0  i   1   0   d i 
dj  dj 
   
Dichas ecuaciones reducen considerablemente el numero de parámetros a estimar a un numero
máximo de 7 parámetros. (0, 1, 2, Dcrit, 0, 1, 2.).
Con el método de regresión no-lineal se puede estimar estos parámetros minimizando la función
objetivo.
n
   wi  mi  mˆ i 
2

i 1

Donde:
 = Función Objetivo.
wi = Factor de ponderación.
mi = Granulometría experimental de descarga del molino
m̂ i = Granulometría simulado de la descarga del molino.
Existen muchos algoritmos utilizables para la solución del problema de minimización, y el más
adecuado es el método de GAUSS-NEWTON y/o el método MONTECARLO, ambas herramientas de
iteración están incorporados en los complementos del Excel.
A grandes rasgos la figura 5 ilustra la estructura lógica de la rutina de estimación requerida.

Estimación Inicial
Parámetros

Modelo

Define
nuevos
Parámetros

Función
Objetivo

No Mínima ? Si Respuesta

Figura 5: Estructura Lógica de la rutina de estimación de Parámetros por Regresión no-Lineal

MODELO DE CLASIFICACION EN HIDROCICLONES.

La modelación de los hidrociclones se apoya en las formulaciones empíricas, y la usada en este
trabajo fue el modelo de Plitt.

EFECTO DE LAS VARIABLES OPERATIVAS.

En la Figura 6 se identifican las variables operativas que dependen de los niveles de las variables
operacionales, en la molienda tenemos dos grupos de variables:
 Variables que afectan la eficiencia de fractura o Variables Intensivas, y
 Variables que no afectan la eficiencia o Variables Extensivas.
Las variables intensivas pueden aumentar la eficiencia y son capaces de conseguir con el mismo
consumo de energía, de otro modo las variables extensivas consiguen mas capacidad solo cuando
se añade mas potencia.
Variables Intensivas. Variables Extensivas.
 Distribución de tamaño de bolas.  Nivel de Bolas.
 % de Sólidos en el molino.  % De Velocidad Crítica.
(Afectan la eficiencia de fractura) (Determina la potencia del molino no afecta
. la eficiencia de fractura)
Sabemos que:
1. Una distribución gruesa de bolas muele bien partículas gruesa y una distribución fina de
bolas muele bien partículas finas

EFECTO DEL TAMAÑO DE BOLAS EN LA TASA DE QUIEBRA

10,000

1,000
Función Selección, t/Kwh

0,100

Bolas de
Diámetro
0,010 Menor

0,001
10 100 1000 10000 100000
Tamaño de Partícula, Micrometros

2. Un porcentaje bajo de sólidos favorece a una molienda de partículas gruesas y un alto

porcentaje de sólidos favorece a una molienda de partículas finas.
 LA TASA DE QUIEBRA EN FUNCION DEL PORCENTAJE DE
SOLIDOS
1,000

70 %
Función Selección Especifica, t/Kwh

74 %

78 %
0,100

0,010

0,001
10 100 1000 10000 100000
Tamaño de Partícula, Micrometros

3. El caudal, el porcentaje de sólidos en la alimentación del Hidrociclon y las dimensiones de

sus orificios principalmente afectan el tamaño de corte con un efecto menor en la
pendiente de la curva de eficiencia con todo el efecto de estas variables es complicado y
difícil predecir sin la ayuda de una correlación matemática.

CURVA DE CLASIFICACION Y SEPARACION DEL HIDROCICLON

100

90

EFICIENCIA REAL
80

EFICIENCIA CORREGIDA
Eficiencia de Clasificación (%)

70

60

50

40

30

20
TAMAÑO DE CORTE
10

0
10 100 1000 10000
Tamaño de Particulas, Micrometros
 Para conocer los efectos cuantitativos de las variables operacionales en el circuito de
molienda, es necesario usar los modelos matemáticos avanzados que contiene estos mismo
efectos.

CONCLUSIONES:
1. Los modelos desarrollados son capaces de predecir, con una precisión aceptable los
efectos de las condiciones operacionales en circuitos de molienda, con lo cual es posible
aprovechar los resultados con el fin de optimizar a escala industrial.
2. El dominio de esta técnica es una poderosa herramienta para el metalurgista de hoy, los
recursos necesarios son: un molino de Laboratorio, el modelo matemático en forma de
SOFTWARE DE SIMULACIÓN que contiene una manera de predecir el efecto de las
condiciones operacionales críticas.

REFERENCIAS:
1. M. Carhuaz R. “Modelación Matemática en circuitos de molienda y Clasificación” ; Tesis
para optar el Grado de Ingeniero Metalurgista. 2002
2. J. E. Sepúlveda “ Los 10 mandamientos, VIII Simposio Moly-Cop Sobre procesamiento
de minerales, Chile 1997.
3. A. E. Oblad, “Curso: Los Modelos Matemáticos de las Operaciones de Conminución”
Universidad Mayor de San Marcos, Lima – Perú 1994.
4. L. Gutierrez y J. E. Sepúlveda, “Dimensionamiento y optimización de Plantas
Concentradoras Mediante Técnicas de Modelación Matemática”, Publicación CIMM-Chile
1986.
 Prueba N° 12

ESTIMACION DE PARAMETROS DE MOLIENDA

Comentarios Mineral con alto oxido,

Zn = 14%, Pb = 0,8%, Fe = 2%, ZnO = 6%

CALCULO Y CONDICIONES OPERATIVAS

Nivel Experimental (BATCH)

Mineral, kg 1,0 Diámetro, ft 0,67

Agua, lt 0,5 Longitud 0,67
Pulpa, kg 1,5 Nivel de bolas, % 40,0
Pulpa, lt 0,5 % Velocidad Critica 89,7
Dens. De pulpa, kg/lt 2,985 Dens.Aparente, ton/m3 4,650
% Solidos (En Peso) 67,0 Potencia, KW 0,045

Distribucion de Tamaño de Partículas ( Acumulativo. % Pasante )

i Malla Abertura Tiempo en Min.

0 1 3 5 7 10
1 1,05 25400 100,00 100,00 100,00 100,00 100,00
2 0,742 16933 100,00 100,00 100,00 100,00 100,00
3 0,525 12700 100,00 100,00 100,00 100,00 100,00
4 0,371 9525 100,00 100,00 100,00 100,00 100,00
5 4 4760 100,00 100,00 100,00 100,00 100,00
6 6 3360 100,00 100,00 100,00 100,00 100,00
7 8 2380 99,71 100,00 100,00 100,00 100,00
8 10 1680 91,84 99,42 99,95 100,00 100,00
9 14 1190 70,37 96,81 99,73 100,00 100,00
10 20 841 56,66 94,50 99,50 99,93 100,00
11 28 595 43,94 89,20 98,82 99,86 100,00
12 35 420 36,19 81,67 96,60 99,60 99,86
13 48 297 30,16 69,53 89,09 97,39 99,46
14 65 210 25,25 57,22 79,46 91,33 97,68
15 100 149 20,54 45,09 63,45 76,13 88,26
16 150 105 16,77 34,36 47,85 56,92 70,71
17 200 74 13,88 27,99 39,22 46,99 57,98
18 270 63 11,12 21,14 30,06 34,93 43,50
19 325 44 10,00 19,00 28,00 32,00 38,00
20 400 37 9,26 18,48 26,15 30,26 35,34

D80, micrones 1405 0 402 214 164 128

Energía KW-hr / Ton 0,000 0,750 2,250 3,750 5,250 7,500

Frac. Retenida+#14 0,296 1,000 0,032 0,003 0,000 0,000

PARAMETROS DEL MODELO

Función Selección Promedio
Alfa 01 0,001614 0,001547 0,001637 0,001637 0,001635
Alfa 02 0,0 0,0 0,0 0,0 0,0
Alfa 11 1,04291 0,93998 1,07451 1,08107 1,07609
Alfa 12 1,0 1,0 1,0 1,0 1,0
Alfa 2 3,9344 3,8073 3,8417 4,0444 4,0443
Diámetro Crítico 1447,8 1404,4 1458,7 1464,0 1464,1
Función Fractura
Beta 00 0,056919 0,049961 0,059209 0,059260 0,059247
Beta 01 0,0 0,0 0,0 0,0 0,0
Beta 1 0,045736 0,044993 0,045988 0,045981 0,045981
Beta 2 3,833571 3,512343 3,799249 4,010320 4,012373

Función Objetivo 3,21 3,56 3,24 2,61 3,44

 Simulado VS Experimental
BATCH

100,00
% P as ante A cu m ulad o

3 MIN 5 MIN
Simulado Simulad
o

10,00 7 MIN 10 MIN

Simulado Simulad
o

1,00
10 100 1000 10000
Tamaño de Partículas en Micrones