Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INGENIERÍA
FACULTAD DE INGENIERÍA GEOLÓGICA, MINERA Y METALÚRGICA
ESCUELA DE INGENIERÍA METALURGICA
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.
SERIE DE TAYLOR
𝒌 𝒌 𝒌
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
(0,1) 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
𝒛𝟐𝟏 = 𝟎. 𝟑𝟕𝟎𝟕
Lo mismo hacemos para 𝒙𝟐
1 − (−1) 12 − 10
=
0.707 − (−1) z2 − 10
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
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
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.