UNIVERSIDAD NACIONAL DE

INGENIERÍA
FACULTAD DE INGENIERÍA GEOLÓGICA, MINERA Y METALÚRGICA
ESCUELA DE INGENIERÍA METALURGICA

METODOS NUMERICOS ME 328-R

CUARTA PRACTICA: MODELAMIENTO MATEMATICO

DOCENTE: ING. AYALA MINA, JORGE GERARDO

ALUMNO: SANABRIA ANTONIO, ALI

CÓDIGO: 20161329I

LIMA – PERÚ
2019
 MODELAMIENTO MATEMATICO EN PROCESO
METALURGICO (POLIMETALICO)
INTRODUCCION:
En estos últimos años se vienen intensificando el uso de modelos
fenomenológicos en la interpretación y diseño de software de los procesos
metalúrgicos. En el presente trabajo se muestra una serie de pasos para la
formulación de un modelo matemático a partir de un ejemplo (problema)
para minerales polimetálicos, claro estos datos del problema han sido
tomados después de haber sido sometidos a pruebas en laboratorio y a los
procesos de Flotación, Filtración, Lixiviación y Sedimentación. Se muestra
la modelización matemática de dichos procesos, el procesamiento y
simulación de la data experimental mediante los modelos respectivos. Se
trata de contrastar con datos de plantas metalúrgicas para sus validaciones
respectivas. Todos estos resultados servirán para un mejor planeamiento y
control de las variables industriales en planta concentradora.
Palabras clave: Procesos metalúrgicos, modelos matemáticos, metalúrgica,
simulación de procesos.

MODELACION MATEMATICA
Los modelos se usan para estudiar, planificar, diseñar o controlar el
prototipo. En la mayor parte de los casos, la modelación reduce costos,
riesgos, y tiempo de ejecución de tareas. En un modelo matemático, la
representación del prototipo es simbólica, en términos matemáticos,
incluyendo variables, parámetros y relaciones como ecuaciones o
desigualdades.
Los usos comunes de modelación incluyen observación y explicación,
planificación, diseño de ingeniería, optimización y diseño, análisis, control
operacional e investigación científica.
CLASIFICACION DE LOS MODELOS MATEMATICOS
Dentro de los modelos matemáticos determinísticos se consideran los
siguientes tipos:
Modelos de fenómenos de transporte.
Estos modelos provienen de principios físico-químicos y constituyen la
mayoría de los modelos utilizados por los ingenieros.
Modelos de balance poblacional.
Estos modelos usan un tipo especial de balance para el número de entidades
contables, denominado balance de población, y son particularmente
apropiados para describir sistemas particulados.
Modelos empíricos.
Son modelos que utilizan ajuste empírico de datos.

Para nuestro problema utilizaremos el primer modelo, específicamente el

modelo matemático de la SERIE DE TAYLOR.

SERIE DE TAYLOR

𝒌 𝒌 𝒌

𝒀 = 𝒃𝟎 + ∑ 𝒃𝒋 𝒃𝒋 + ∑ 𝒃𝒖𝒋 𝑿𝒖 𝑿𝒋 + ∑ 𝒃𝒋𝒋 𝑿𝟐𝑱 … … … … ..

𝒊=𝟏 𝒖,𝒋=𝟏 𝒋=𝟏
𝒋≠𝒖

SERIE DE TAYLOR PARA 2 VARIABLES

𝟐 𝟐
𝒀 = 𝒃𝟎 + 𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐 + 𝒃𝟏𝟏 𝑿𝟏 + 𝒃𝟐𝟐 𝑿𝟐 + 𝒃𝟏𝟐 𝑿𝟏 𝑿𝟐
 PROBLEMA DE MODELAMIENTO MATEMÁTICO Y
OPTIMIZACIÓN
En el mejoramiento de un sistema de flotación de marmatita (𝐶𝑢, 𝐹𝑒)𝑆 se
ha identificado dos variables que pudieran mejorar la recuperación de la
marmatita, esta variables son:
Reactivos (-) (+)
Colector (Z11) 0.2 0.4
Ph 10 12

Se utiliza un diseño octogonal:

(0,1) 76%

(-0.707,0.707) 72% (0.707,0.707) 75%

(-1,0) 68% (1,0) 65%

9(76%)

10(82%)

11(79%)

12(80%)
(-0.707,-0.707) 75% (0.707,-0.707) 67%

(0,-1) 76%

Calcular:

a) El modelo matemático
b) Los valores de X1 y X2 y la recuperación máxima.
SOLUCION:
Ordenamos los datos del octógono en una tabla:
Nº 𝒙𝟏 𝒙𝟐 𝒛𝟏 𝒛𝟐 Recuperación(%)
1 1 0 0.4 11 65
2 0.707 0.707 0.3707 11.707 75
3 0 1 0.3 12 76
4 -0.707 0.707 0.1293 11.707 72
5 -1 0 0.2 11 68
6 -0.707 -0.707 0.1293 10.293 76
7 0 -1 0.3 10 78
8 0.707 -0.707 0.3707 10.293 67
9 0 0 0.3 11 78
10 0 0 0.3 11 82
11 0 0 0.3 11 79
12 0 0 0.3 11 80

Para obtener los valores de 𝒛𝟏 𝑦 𝒛𝟐 lo hallamos por extrapolación

de los valores de 𝒙𝟏 𝑦 𝒙𝟐 .

Por ejemplo para la iteración 2 de 𝒙𝟏

1 − (−1) 0.4 − 0.2
=
0.707 − (−1) z1 − 0.2

𝒛𝟐𝟏 = 𝟎. 𝟑𝟕𝟎𝟕
Lo mismo hacemos para 𝒙𝟐
1 − (−1) 12 − 10
=
0.707 − (−1) z2 − 10

𝒛𝟐𝟐 = 𝟏𝟏. 𝟕𝟎𝟕

Y así calculamos par todas las iteraciones vale decir hasta la iteración
número 12 y obtenemos todos los valores de 𝒛𝟏 𝑦 𝒛𝟐 .
Una vez obtenido todos los valores de la tabla, mediante la ayuda
del Excel (análisis de datos) obtenemos los coeficientes de la
función (serie de Taylor para dos variables).
V%
1 0 1 0 0 65
0.707 0.707 0.499849 0.499849 0.499849 75
0 1 0 1 0 76
-0.707 0.707 0.499849 0.499849 -0.499849 72
-1 0 1 0 0 68
-0.707 -0.707 0.499849 0.499849 0.499849 76
0 -1 0 1 0 78
0.707 -0.707 0.499849 0.499849 -0.499849 67
0 0 0 0 0 78
0 0 0 0 0 82
0 0 0 0 0 79
0 0 0 0 0 80

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.975377732
Coeficiente de determinación R^2 0.951361719
R^2 ajustado 0.910829818
Error típico 1.637226221
Observaciones 12

ANÁLISIS DE VARIANZA
Grados Promedio de
de Suma de los Valor crítico
libertad cuadrados cuadrados F de F
Regresión 5 314.5836085 62.91672169 23.47192465 0.000714186
Residuos 6 16.0830582 2.6805097
Total 11 330.6666667

Coeficientes Error típico Estadístico t Probabilidad

Intercepción 79.75011292 0.818613092 97.42100841 7.88257E-11
Variable X 1 -1.810773427 0.818674923 -2.211834485 0.068968859
Variable X 2 0.207031262 0.818674923 0.252885799 0.808797578
Variable X 3 -12.87632095 1.294458238 -9.947266413 5.96923E-05
Variable X 4 -2.376320953 1.294458238 -1.835764866 0.116057309
Variable X 5 6.001812547 1.637720813 3.664734856 0.010519963
De esta forma obtenemos los coeficiente del modelo matemático
procedemos a calcular el modelo matemático.
𝒀 = 𝒃𝟎 + 𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐 + 𝒃𝟏𝟏 𝑿𝟐𝟏 + 𝒃𝟐𝟐 𝑿𝟐𝟐 + 𝒃𝟏𝟐 𝑿𝟏 𝑿𝟐
Remplazando obtenemos el modelo matemático para este problema.
𝒀 = 𝟕𝟗. 𝟕𝟓 − 𝟏. 𝟖𝟏𝑿𝟏 + 𝟎. 𝟐𝟎𝑿𝟐 − 𝟏𝟐. 𝟖𝟕𝑿𝟐𝟏 − 𝟐. 𝟑𝟕𝑿𝟐𝟐 + 𝟔𝑿𝟏 𝑿𝟐
Procedemos a obtener los valores óptimos de 𝒙𝟏 𝑦 𝒙𝟐 derivando la
ecuación encontrada
𝜕𝑦
= −1.81 − 25.68𝑥1 + 6𝑥2 = 0
𝜕𝑥1
𝜕𝑦
= 0.20 − 4.74𝑥2 + 6𝑥1 = 0
𝜕𝑥2
Resolviendo las Ecuaciones obtenemos obtenemos los nuevos valores
𝒙𝟏,𝒐𝒑𝒕𝒊𝒎𝒐 = 𝟎. 𝟎𝟖𝟔
𝒙𝟐,𝒐𝒑𝒕𝒊𝒎𝒐 = −𝟎. 𝟔𝟔𝟕
Con estos valores y la tabla inicial obtenemos los valores óptimos de
𝒛𝟏 𝑦 𝒛𝟐
Reactivos (-) (+)
Colector (Z11) 0.2 0.4
Ph 10 12

Obteniendo los valores óptimos de 𝒛𝟏,𝒐𝒑𝒕𝒊𝒎𝒐 𝑦 𝒛𝟐,𝒐𝒑𝒕𝒊𝒎𝒐

𝒙𝟏,𝒐𝒑𝒕𝒊𝒎𝒐 𝒙𝟐,𝒐𝒑𝒕𝒊𝒎𝒐 𝒛𝟏,𝒐𝒑𝒕𝒊𝒎𝒐 𝒛𝟐,𝒐𝒑𝒕𝒊𝒎𝒐

0.086 -0.667 0.3086 10.33

𝒑𝒂𝒓𝒂 𝒛𝟏,𝒐𝒑𝒕𝒊𝒎𝒐
1 − (−1) 0.4 − 0.2
=
0.086 − (−1) z1 − 0.2

𝒛𝟏,𝒐𝒑𝒕𝒊𝒎𝒐 = 𝟎. 𝟑𝟎𝟖𝟔

𝒑𝒂𝒓𝒂 𝒛𝟏,𝒐𝒑𝒕𝒊𝒎𝒐
1 − (−1) 12 − 10
=
−0.667 − (−1) z2 − 10

𝒛𝟐,𝒐𝒑𝒕𝒊𝒎𝒐 = 𝟏𝟎. 𝟑𝟑𝟑

la recuperación máxima lo obtenemos remplazando los valores de 𝒙𝟏 𝑦 𝒙𝟐
en la ecuación.
𝒀 = 𝟕𝟗. 𝟕𝟓 − 𝟏. 𝟖𝟏𝑿𝟏 + 𝟎. 𝟐𝟎𝑿𝟐 − 𝟏𝟐. 𝟖𝟕𝑿𝟐𝟏 − 𝟐. 𝟑𝟕𝑿𝟐𝟐 + 𝟔𝑿𝟏 𝑿𝟐
𝑻𝒏
𝒀𝒎𝒂𝒙𝒊𝒎𝒐 = 𝟕𝟕. 𝟗𝟔𝟕𝟏
𝒅𝒊𝒂

CONCLUSION
Como hemos podemos observar la recuperación máxima se va dar para los
valores óptimo de 𝒙𝟏 𝑦 𝒙𝟐 y esta recuperación se cuándo los reactivos en
este caso el colector Z11 y Ph tengan un valor óptimo de 0.3086 lb/tn y
10.333 respectivamente.
También podemos observar que el modelo matemático obtenido es bastante
bueno ya que tiene un 𝑅2 = 0.95 lo cual nos indica que no esta tan mal el
modelo matemático encontrado.