Universidad Nacional Andrés Bello

Facultad de ingeniería
Campus Concepción

Análisis granulométrico: Curvas de distribución,

GGS y RR.

Docente

Francisco García Vega

Integrantes

David Altamirano Arévalo

Angela Burgos Gutiérrez
Catherine Espinoza Campos
Luis Tapia Arroyo

“Muestreo de minerales”

Concepción, 15 de junio de 2020

 ÍNDICE

DISTRIBUCIONES DE GAUDIN SCHUMANN Y DE ROSIN RAMMLER ............................ 3

GAUDIN SCHUMANN (GS ó GGS) ...................................................................................... 3
ROSIN RAMMLER (RR) ........................................................................................................ 4
EJERCICIOS PROPUESTOS ................................................................................................... 5
Ejercicio 1: .............................................................................................................................. 5
Ejercicio 2 ............................................................................................................................... 8
Ejercicio 3: .............................................................................................................................. 9
INTERPRETACIONES ............................................................................................................. 10
REFERENCIAS ......................................................................................................................... 12
DISTRIBUCIONES DE GAUDIN SCHUMANN Y DE ROSIN RAMMLER

GAUDIN SCHUMANN (GS ó GGS)

La función de Gaudin-Schumann es la distribución más usada en América y se

define como:

𝑥 𝑛
𝑭(𝒙) = ( )
𝐾𝑠𝑐ℎ

𝒏: 𝑃𝑎𝑟á𝑚𝑒𝑡𝑟𝑜 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛
𝑲𝑺𝒄𝒉 : 𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑆𝑐ℎ𝑢ℎ𝑚𝑎𝑛𝑛 ( 𝑃𝑎𝑟á𝑚𝑒𝑡𝑟𝑜 𝑑𝑒 𝑇𝑎𝑚𝑎ñ𝑜, 𝑡𝑎𝑚𝑎ñ𝑜 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑜)
𝒙: 𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑝𝑎𝑟𝑡í𝑐𝑢𝑙𝑎

Aplicando Log a ambos lados de la ecuación que define el modelo obtendremos la

siguiente expresión:

𝑳𝒐𝒈(𝑭(𝒙)) = 𝑛 𝐿𝑜𝑔(𝑥) − 𝑛 𝐿𝑜𝑔(𝐾𝑠𝑐ℎ )

Como n y k son constantes, es natural que la gráfica de 𝑳𝒐𝒈(𝑭(𝒙)) en función de

𝐿𝑜𝑔(𝑥 ) sea una línea recta de pendiente n e intercepto 𝑛 𝐿𝑜𝑔(𝐾𝑠𝑐ℎ ). Además,
cuando F(X)=100%, x=k. Estos dos parámetros caracterizan el tamaño de la
muestra (Quijano, 2018).

Para utilizar el modelo de Schumann se grafican las funciones frecuencia inversa

(F(X)) versus el tamaño promedio de partículas (X). Con la salvedad de que deben
estar en escala logarítmica, vale decir, Log(F(x)) y Log(x) (Sánchez, Toro & Vélez,
2016).
ROSIN RAMMLER (RR)

La función de distribución en este modelo está dada por:

𝑥 𝑚
−( )
𝑭(𝒙) = 1 − 𝑒 𝐾𝑅𝑅

𝑴: 𝑃𝑎𝑟á𝑚𝑒𝑡𝑟𝑜 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛
𝑲𝑹𝑹 : 𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑅𝑜𝑠𝑖𝑛 − 𝑅𝑎𝑚𝑚𝑙𝑒𝑟 ( 𝑃𝑎𝑟á𝑚𝑒𝑡𝑟𝑜 𝑑𝑒 𝑇𝑎𝑚𝑎ñ𝑜, 𝑡𝑎𝑚𝑎ñ𝑜 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑜)
𝒙: 𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎
Aplicando Ln a ambos lados de la ecuación que define el modelo obtendremos la
siguiente expresión:

𝟏
𝑳𝒏 (𝑳𝒏 ( )) = 𝑚𝐿𝑛(𝑥) − 𝑚𝐿𝑛(𝐾𝑅𝑅 )
𝟏 − 𝑭(𝒙)

Los parámetros m y K se obtienen de la pendiente de la línea recta y de la

intersección de esta con el eje horizontal correspondiente a F(X)= 63.2%,
𝟏
respectivamente, al representar el 𝑳𝒏 (𝑳𝒏 (𝟏−𝑭(𝒙)))en función del Ln(x). Ambas

constantes completan la descripción de la distribución de tamaños de la muestra

(Quijano, 2018).

Para utilizar el modelo de Rosin- Rammler se gráfica Ln (Ln(1/(1-F(x))) vs Ln(x).

Donde al igual que en el caso anterior F(X) corresponde a la función de distribución
inversa y (X) corresponde al tamaño promedio de partículas. Hacemos esto, con el
propósito de linealizar la ecuación en el segmento más recto y encontrar los
parámetros de tamaño y distribución de la función de tamaño de partícula (Sánchez,
Toro & Vélez, 2016).

La función de Rosin–Rammler, suele ajustarse mejor en un intervalo de tamaño de

partículas gruesas, siendo su principal desventaja, apoyarse en una forma compleja
de la función de distribución y por consiguiente la necesidad de coordenadas
especiales para su representación gráfica (Kelly & Spottiswood, 1982; Fuerstenau
& Han, 2003 citado por Quijano, 2018). La función de Rosin–Rammler, es la mejor
para describir las distribuciones de tamaño en el procesamiento de minerales
(Harris, 1971 citado por Quijano, 2018).

EJERCICIOS PROPUESTOS

Generar las curvas según las distribuciones GS y RR de los ejemplos ya propuestos

anteriormente y entregar las interpretaciones necesarias para entender la
representación de los modelos respectivos.

Ejercicio 1: Completar la tabla que a continuación se presenta, además de generar

sus curvas de frecuencia y distribución en ambas escalas, tanto lineales como lineal
log. Además de generar curvas GS y RR como parte de la tarea anteriormente
expuesta.

Tabla 1

Rango Tamaño en Tamaño Masa Función Función Función

de micrones promedio retenida frecuencia distribución distribución
malla directa inversa

8-10 2360 2003 2181.5 0 0.0% 0.0% 100.0%

10-14 2003 1410 1706.5 3.5 2.9% 2.9% 97.1%
14-20 1410 841 1125.5 6.9 5.8% 8.7% 91.3%
20-28 841 595 718 4.5 3.8% 12.5% 87.5%
28-35 595 500 547.5 13.6 11.4% 23.9% 76.1%
35-48 500 297 398.5 23.6 19.8% 43.6% 56.4%
48-65 297 210 253.5 18.4 15.4% 59.0% 41.0%
65-100 210 149 179.5 15.8 13.2% 72.3% 27.7%
100-150 149 105 127 10.2 8.5% 80.8% 19.2%
150-200 105 75 90 8.6 7.2% 88.0% 12.0%
200-270 75 53 64 6.4 5.4% 93.4% 6.6%
270-325 53 38 45.5 5.2 4.4% 97.7% 2.3%
325-400 38 10 24 2.7 2.3% 100.0% 0.0%
-400 10 0 5 0 0.0% 100.0% 0.0%
 Curva de distribución lineal-lineal
100%
90%

Función frecuencia en masa

80%
70%
60%
50%
40%
30%
20%
10%
0%
0 500 1000 1500 2000 2500
Tamaño de partícula en micrones

Función distribución directa Función distribución inversa

Curva de distribución lineal-log

100%
90%
Función frecuencia en masa

80%
70%
60%
50%
40%
30%
20%
10%
0%
1 10 100 1000 10000
Tamaño de partícula en micrones

Función distribución directa Función distribución inversa

 GGS
0.50

y = 2.2177ln(x) - 2.4694
0.00 R² = 0.9263
0.00 0.50 1.00 1.50 2.00 2.50 3.00

-0.50
Log(F(x))

-1.00

-1.50

-2.00
Log(x)

RR
2
y = 7.2984ln(x) - 13.189
1 R² = 0.9885

0
Ln(Ln(1/1-f(X)))

0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00
-1

-2

-3

-4

-5
Ln(x)
Ejercicio 2: Generar las curvas según las distribuciones GS y RR de los ejemplos
dados en clase.

Número
Tamaño de
Rango de de Porcentaje Porcentaje
partícula (mm) Promedio frecuencia
milímetros partículas retenido pasante
xi xi+1 N
1.4-2.0 1.4 1.7 1.55 0 0.0% 0.0% 100.0%
2.0-2.8 2.0 2.4 2.20 5 0.5% 0.5% 99.5%
2.8-4.0 2.8 3.3 3.05 22 2.2% 2.7% 97.3%
4.0-5.6 4.0 4.7 4.35 69 6.9% 9.6% 90.4%
5.6-8.0 5.6 6.7 6.15 134 13.4% 23.0% 77.0%
8.0-11.2 8.0 9.5 8.75 249 24.9% 47.9% 52.1%
11.2-16.0 11.2 13.4 12.30 259 25.9% 73.8% 26.2%
16.0-22.4 16.0 18.9 17.45 160 16.0% 89.8% 10.2%
22.4-32.0 22.4 26.8 24.60 73 7.3% 97.1% 2.9%
32.0-44.8 32.0 37.9 34.95 23 2.3% 99.4% 0.6%
44.8-64.0 44.8 53.3 49.05 5 0.5% 99.9% 0.1%
64.0-89.6 64.0 75.7 69.85 1 0.1% 100.0% 0.0%

GGS
1.5
1
0.5
0
-0.5 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Log(F(X))

-1
-1.5
y = -1.133ln(x) - 1.0677
-2 R² = 0.5638
-2.5
-3
-3.5
Log(X)
 RR
4

2
Ln(Ln(1/1-f(X)))
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
-2

-4
y = -3.055ln(x) + 0.452
R² = 0.5664
-6

-8
Ln(x)

Ejercicio 3: Generar las curvas según las distribuciones GS y RR de los ejemplos

dados en clase.

Tamaño en
Rango de Tamaño Masa Función Función Función
micrones
malla promedio retenida frecuencia distribución distribución
xi Xi+1 directa inversa
8-10 2360 2003 2181.5 2 1.8% 1.8% 98.2%
10-14 1700 1416.3 1558.15 2.2 2.0% 3.8% 96.2%
14-20 1180 1001.5 1090.75 4.6 4.2% 8.0% 92.0%
20-28 850 714.1 782.05 8.2 7.4% 15.4% 84.6%
28-35 600 505 552.5 13.2 12.0% 27.4% 72.6%
35-48 425 357.1 391.05 22.6 20.5% 47.8% 52.2%
48-65 300 252.2 276.1 17.1 15.5% 63.3% 36.7%
65-100 212 178.3 195.15 14.8 13.4% 76.7% 23.3%
100-150 150 126.1 138.05 8.5 7.7% 84.4% 15.6%
150-200 106 89.2 97.6 7.4 6.7% 91.1% 8.9%
200-270 75 63 69 1.7 1.5% 92.7% 7.3%
270-400 53 44.9 48.95 1 0.9% 93.6% 6.4%
-400 38 19.5 28.75 7.1 6.4% 100.0% 0.0%
110.4
 GGS
0.4
0.2 y = 2.0432ln(x) - 2.3238
R² = 0.9629
0
0 0.5 1 1.5 2 2.5 3 3.5 4
-0.2
Log(F(X))

-0.4
-0.6
-0.8
-1
-1.2
-1.4
Log(x)

RR
2
y = 6.761ln(x) - 12.349
1 R² = 0.9811
Ln(Ln(1/1-f(X)))

0
0 1 2 3 4 5 6 7 8 9
-1

-2

-3

-4
Ln(x)

INTERPRETACIONES

En cuanto a las curvas de distribución lineal lineal y lineal log generadas para el
ejercicio 1 se puede observar una diferencia en relación con el orden y visualización
de los datos. Con esto hacemos referencia a que en el primer gráfico por ejemplo
suele verse menos ajuste de los datos, con esto se logra una dispersión más
uniforme de los elementos.
El ajuste a escala semi logarítmica permite una mejor visualización de los datos
correspondientes a tamaños más finos. En el primer gráfico suelen verse más juntos
en la gráfica los puntos, No obstantes, al aplicar la escala semilogarítmica se logra
tener una mayor apreciación de estos datos en el gráfico.

Estas gráficas son de gran utilidad para determinar porcentaje de partículas se

encuentra en que rangos de tamaño.

En relación con las gráficas GS y RR del ejercicio 1 Se observa un mayor ajuste de

los datos en la función RR ya que el coeficiente de correlación es más cercano a 1
que el de los datos presentados con el método GS.

Para el ejercicio 2 se observa un bajo ajuste de ambas curvas, sin embargo, el

modelo de Rosin Rammler es el que mejor se ajusta, podría deberse al tamaño de
partículas que se presenta ya que en los ejercicios 1 y 3 se observa un mejor ajuste,
considerando que los tamaños en estos son del orden de micrones y similares entre
sí.

Para el ejercicio 3 se observa un ajuste mejor nuevamente con el modelo de Rosin

Rammler otra cosa que cabe mencionar en este gráfico es que en la curva RR se
presenta una mayor linealidad de los datos más gruesos. Si bien el modelo corrige
a nivel general la tendencia de los datos son los de tamaño mayor los que presentan
los cambios más significativos.

De acuerdo con lo obtenido en ambos modelos, es apreciable que el que presenta

una mejor aproximación es el modelo de Rosin-Rammler ya que al momento de
graficar la línea de tendencia, esta evidencia una mayor exactitud con respecto al
modelo de Schuhmann (𝑅2 𝑆𝑐ℎ𝑢ℎ𝑚𝑎𝑛𝑛 < 𝑅2 𝑅𝑜𝑠𝑖𝑛−𝑅𝑎𝑚𝑚𝑙𝑒𝑟 ).
REFERENCIAS

Quijano Arteaga, V. A. (2018). Modelación de la distribución de tamaño de los productos de la

molienda del mineral laterítico (Doctoral dissertation, Departamento Metalurgia-Química).

Sánchez, C. Toro, D. & Veléz, D. (2016). PRÁCTICA N°1: ANÁLISIS GRANULOMÉTRICO DE

MINERALES. Universidad Nacional de Colombia