Capítulo 13: Optimización de circuitos de Trituración

Caso de Estudio 4 – Maximizando el Valor de Producción de un Circuito de Producción

El circuito de molienda en los Casos de Estudio 2 y 3 (Sección 13.3) estaba preparando un

mineral de metal base finamente molido para flotación de zinc. La ley de la alimentación
era de 12%Zn. En el estudio del caso base, el circuito de molienda operaba a 240 t/h para
producir un P80 final de 64µm. El objetivo del presente estudio es explorar las opciones
para aumentar la producción de metal tomando en cuenta la respuesta de flotación tamaño
por tamaño de la planta. Para ello, se mapean las distribuciones de tamaño d producto final
de los Casos de Estudio Caso 2 y 3 sobre la respuesta de flotación (determinado a partir de
estudios de la planta de flotación) para predecir la tasa de producción de metal en
concentrados (t/h). En este sencillo ejemplo se asume que la respuesta de flotación
permanece constante para las tres condiciones de tonelaje examinadas; esto puede no ser
verdadero en la práctica.

La Figura 13.7 muestra la información relevante para el caso base. El objetivo es moer la
distribución de tamaño desde las áreas de baja recuperación, particularmente en el extremo
grueso, a áreas de mayor recuperación. Un problema común, evidente en este ejemplo, es la
resolución inadecuada en los tamaños muy finos donde mucha de la masa puede yacer y
donde la recuperación comienza a declinar significativamente.

Figura 13.7: Estudio de Caso 4 –Respuesta de flotación y tamaño de alimentación caso base para un
concentrador de zinc

La Tabla 13.6 muestra los resultados para el caso base y para dos situaciones modificadas:
Caso de Estudio 2 en el cual se logro un producto mucho más fino a un rendimiento
marginalmente ,más bajo y el Caso de Estudio 3 en el cual se obtuvo un producto un tanto
más fino con un rendimiento 20% mayor.

351
 Capítulo 13: Optimización de circuitos de Trituración

Tabla 13.6: Tamaño de alimentación de flotación y recuperación para los tres regímenes de
molienda

Recuperación Caso Base Caso de Estudio 2 Caso de Estudio 3

Rango de de Zn (%)
tamaño % en Dist. de rec. % en Dist. de rec. % en Dist. de rec.
Fig. 13.7 tamaño de Zn (%) tamaño de Zn (%) tamaño de Zn (%)
+150 18 3.5 0.63 0.3 0.05 2.6 0.47
-150+106 25 5.3 1.33 1.1 0.28 4.0 1.00
-106+75 41 7.5 3.08 3.0 1.23 6.1 2.50
-75+63 69 4.7 3.24 1.5 1.04 3.3 2.28
-63+44 77 9.2 7.08 7.0 5.39 8.0 6.16
-44+38 81 4.1 3.32 3.8 3.08 3.4 2.75
-38+24 84 16.0 13.44 8.2 6.89 15.1 12.68
-24+17 85 9.0 7.65 10.0 8.50 9.1 7.74
-17+11 85 9.5 8.08 8.2 6.97 9.2 7.82
-11+8 83 5. 4.57 7.8 6.47 4.4 3.65
-8 67 25.7 17.22 49.1 32.90 34.8 23.32
TOTALES 100 69.63 100 72.79 100 70.37
Tasa de Alimentación (t/h) 240 20.05 237 20.70 288 24.32
P80 (µm) 64 32 53

Es evidente que el Estudio de Caso 2 logra un pequeño pero significativo aumento (3.3%
relativito) en producción de metal con una pequeña disminución en el rendimiento. Esto se
logra removiendo material grueso (+75µm) y casi duplicando la cantidad de material de -
8µm. La recuperación global de zinc aumenta de 69.6 a 72.8%; el aumento relativo sería
mayor si la declinación en recuperación -8µm no hubiera sido tan fuerte.

En el Estudio de Caso 3, el 20% de aumento en el rendimiento se traduce en un 21.3% de

aumento en la recuperación de metal. Aunque hay un leve aumento en la recuperación total
respecto del caso base, la mayor parte del aumento en producción e metal es atribuible al
mayor rendimiento. La meta en este caso, sin embargo, ha sido evitar pagar un precio en
engruesamiento de la molienda y en consecuencia perder valor.

13.5 USANDO UN MODELO DE ENERGÍA/PRODUCCIÓN PARA OPTIMIZAR LA

MOLIENDA

Extender la optimización para combinar mina y concentrador, requiere de un método que

una entre si los rendimientos de mina y concentrador. Esto sería, de manera ideal, un
modelo económico que incorporara costos e ingresos realistas. Además, se requieren
métodos para predecir y optimizar la fragmentación en mina (ver Sección A.3.1). Estos
métodos aun no han alcanzado su madurez pero están bajo investigación (Scout et al 1993).
Una metodología útil para el caso de una operación de baja ley es minimizar la energía de

352
 Capítulo 13: Optimización de circuitos de Trituración

entrada requerida, ya que esta contribuye con una proporción importante de los costos
operativos.

En un circuito de molienda, el tamaño y rendimiento están relacionados para cada tipo de

mineral (Figura 13.6). La bien conocida ‘tercera ley’ de Bond (Capítulos 2 y 4) es una
expresión aproximada de esta relación. En consecuencia, es posible considerar que un
circuito de molienda posee un presupuesto de energía total (disponible en horas de
operación multiplicado por potencia del molino) que puede gastarse a varios rendimientos
para cada tipo de mineral. El efecto de variaciones en la entrada de energía sobre la
producción, dependerá de las características de liberación de cada tipo de mineral como
también, de la dureza del mineral y ley de la sobrecarga..

La relación entre producción y tonelaje pude considerase análoga a la relación entre entrada
de energía por tonelada de mineral y material valioso producido por tonelada de mineral.

La Figura 13.8 muestra una forma general de esta relación (conocida habitualmente para un
depósito específico a partir de datos de laboratorio o producción). El modelo está
restringido en ambos extremos, en el sentido que existe una tasa de producción por tonelada
que no puede ser excedida (contenido de sobrecarga), y existe cierta cantidad de energía de
entrada requerida para lograr cualquier producción (lo último es más por conveniencia que
debido a alguna propiedad real del mineral.

Figura 13.8: Modelo de producción de energía

Un modelo adecuado para la relación en la Figura 13.8 es (Morrison 1993):

b
E =a+ (13.1)
(ch − V )

353
 Capítulo 13: Optimización de circuitos de Trituración

donde E = entrada de energía (kWh/t)

h = ley de la sobrecarga (kg/t)
V = material valioso producido
y a, b, c = parámetros que definen el tipo de mineral

El parámetro a puede eliminarse definiendo el intercepto Eo:

b
a = Eo + (13.2)
ch

donde Eo es una energía mínima requerida

Entonces

1 1 
E = Eo + b  + (13.3)
 ch ch-V 

Eo está lejos de las condiciones operativas de una planta normal y si se define

arbitrariamente puede ser utilizado para estimar valores para b y c. El parámetro b está
fuertemente relacionado con la dureza del mineral y débilmente con la liberación; b
aumenta con la dificultad para liberar el material valioso en la trituración (i.e. con la
dureza). El parámetro c es una medida inherente de la fracción de material valioso
‘recuperable’. Por ejemplo, un mineral de sulfuro de cobre con una alteración de 10% de su
proporción cobre a no sulfuros no recuperable por flotación tendría c=0.9.

Este modelo proporciona una descripción conveniente de una relación energía- tonelaje-
producción, porque

• No predice recuperaciones mayores de 100% para cualquier finura de molienda (c ≤ 1),

• Puede ajustarse directamente a los datos operativos del concentrador (como en la Figura
13.8) usando dos conjuntos de valores energía-tonelaje-recuperación, o a un conjunto
de datos más grande por medio de técnicas de mínimos cuadrados no lineales,

• También puede ajustarse a datos de prueba de laboratorio de dureza más tamaño de

molienda/recuperación.

La variable h y los parámetros b y c ofrecen una descripción de tipo de mineral compacta.

Debe ser posible graficar las curvas de b y c para ayudar a caracterizar regiones de un
depósito. Estos parámetros también tendrán fuertes implicancias para la estrategia de ley de
corte.

El modelo de energía / producción se presta para la descripción de dos estrategias de

optimización. Estas se designan como filosofías de energía mínima y máxima
recuperación.

354
 Capítulo 13: Optimización de circuitos de Trituración

La primera está restringida por una meta de recuperación promedio de largo plazo y una
serie de bloques de mineral. Su objetivo es minimizar el tiempo total requerido para
procesar estos bloque de mineral, a la vez que se logra la meta de recuperación promedio.
En consecuencia, también se minimiza la entrada de energía por tonelada procesada.

La filosofía de recuperación máxima está restringida por una serie definida de bloques de
mineral y el tiempo de tratamiento total disponible. Su objetivo es maximizar la producción
desde este mineral.

Filosofía de Energía Mínima

Considere un número, I, de bloques definidos de mineral, cada uno conteniendo mi

toneladas de mineral de ley hi, i=1,I, entonces la cantidad total de material valioso
contenido es

∑m h
I
i i (13.4)

Se puede especificar una meta de recuperación promedio para lograr una meta de
producción, C (kg de valiosos producido). Entonces, si Vi es la meta de material valioso a
recuperar de cada bloque,

Ci = ∑ mV
i i (13.5)
I

La energía total requerida, E, de la ecuación (13.1), es

 bm 
E = ∑ mi Ei = ∑  mi ai + i i  (13.6)
I I  ci hi − Vi 

La ecuación (13.6) puede minimizarse sujeta a la restricción (13.5), para lograr la meta de
producción de valiosos requeridos de cada bloque (Morrison, 1993):

bi
Vi = ci hi − (13.7)
λ

donde
1
=
∑mc h −C
i i i
(13.8)
λ ∑ (m b ) i i

λ es un multiplicador de Lagrange usado para simplificar el cálculo y puede ser estimado

de la ecuación 13.8 conociendo h, b y c, i.e. las características del mineral a ser explotado y
la meta de producción.

355
 Capítulo 13: Optimización de circuitos de Trituración

Una vez que se conoce Vi, la meta de producción para el bloque i, se pude calcular la
recuperación requerida (Vi/h) y la tasa de tratamiento (potencia del molino + Ei de la
ecuación13.1). Se puede calcular un programa de producción para una ruta de explotación
estimada y usarla semana tras semana para control (por ejemplo); es posible actualizar el
multiplicador si ocurren grandes desviaciones.

Filosofía de Recuperación Máxima

Si la tasa la tasa de producción de mineral esta restringida en el tiempo, entonces un

objetivo posible es maximizar la producción dentro de esa restricción. Cuando N es el
número de horas de tratamiento disponibles, para una potencia de molino P, esta restricción
puede expresarse como

∑m h
I
i i = NP (13.9)

La ecuación (13.5) puede entonces maximizarse para obtener

bi
Ei = ai + (13.10)
λ
1 NP − ∑ ai mi
donde = (13.11)
λ ∑mb i i

La implementación continúa como antes.

Caso de Estudio 5 – Optimizando Tasas de Producción a Mínima Energía

Una mina de cobre porfídico extraerá partes iguales desde tres bloques de producción
durante un periodo específico. El consumo de energía está dominado por la línea de
molienda primaria compuesta por molinos de bola de 4MW. La meta de producción para el
periodo es de 900.000 toneladas a una ley de recuperación de 0.605% de Cu, o 5445 t de
cobre en concentrados (C en ecuación 13.5). Se necesita determinar una meta de ley de
recuperación, Vi, y un rendimiento promedio para cada bloque i, para cumplir con la meta
de producción global con un mínimo consumo de energía. El problema se resuelve
aplicando la ecuación 13.7 para determinar la meta de tasa de producción de metal por
molino (conociendo la energía disponible de 4mw). Esto requiere un conocimiento de b, c y
h para cada bloque y valores para λ y Eo.

La Tabla 13.7 muestra algunos datos de producción anteriores para los tres bloques de la
forma mostrada en la Figura 13.8 – energía específica consumida por cada molino, E, y el
grado de recuperación correspondiente, V (También hubiera sido posible obtener datos
equivalentes a partir de pruebas de laboratorio y ejercicio de simulación). También se
incluyen valores de ensayos geológicos para h, la ley global, y c, la proporción de sulfuro
de cobre (recuperable).

356
 Capítulo 13: Optimización de circuitos de Trituración

Tabla 13.7: Datos para bloques de producción 1, 2 y 3

Bloque i Ley, hi (kg/t Cu) Cu Recuperable, Energía específica del Ley recuperada, Vi
ci (prop.) molino, Ei, (kWh/t) (kg/t Cu)
1 3.5 0.92 17.5 2.70
12.5 2.51
10.0 2.29
2 6.2 0.96 10.2 5.46
8.2 5.25
6.6 4.98
3 11.0 0.98 8.2 10.42
7.5 10.40
6.5 10.32

Reordenando la ecuación 13.3 es posible estimar, para cada conjunto de datos, el parámetro
bi que refleja las características de dureza y liberación del bloque:

Ei − Eo
bi = (13.12)
1 1
+
ci hi ci hi − Vi

La elección de Eo es arbitraria, pero una metodología es considerar el molino sin medios de

molienda, obteniendo ninguna liberación y por lo cual, en consecuencia, V es cero.
Suponiendo un consumo de energía sin medios de alrededor de 10-15% del normal, para
tonelaje normal, Eo, es usualmente alrededor de 1-2 kWh/t. Aquí suponemos que Eo=1.
(También podría estimarse ajustando la ecuación 13.3 a los datos de producción pero dicha
estimación está sujeta a un gran error debido a que los datos están disponibles solo sobre
una pequeña región de la curva operativa).

Es posible calcular un valor de bi para cada conjunto de datos en la Tabla 13.7 y

promediarlo para cada bloque. Los resultados son:

B1 = 6.56 b2 = 4.62 b3 = 2.43.

El multiplicador de Lagrange, λ, puede estimarse de la ecuación 13.8, como alrededor de

ocho.

Ahora es posible calcular la meta de producción de cada bloque, Vi, a partir de la ecuación
13.7, y calcular la recuperación correspondiente como vi/hi. A continuación con la formula
13.3 se calcula la energía especifica consumida Ei y el correspondiente tonelaje por molino
determinado como 4MW/Ei.

Estos resultados se resumen en la tabla 13.8:

357
 Capítulo 13: Optimización de circuitos de Trituración

Tabla 13.8: Resultados para Estudio de Caso 5

Bloque Producción meta Recuperación de Energía específica Tonelaje por

(kg/t alim.), Vi Cu (%) (kWh/t), Ei molino (t/h)
1 2.48 70.9 11.90 336
2 5.33 86.0 9.22 434
3 10.33 93.9 6.63 604

Operando bajo estas condiciones se logrará la meta de producción de cobre con un mínimo
de consumo de energía.

Comentarios sobre Procedimientos Matemáticos de Optimización

Para aquellos de nosotros sin inclinaciones matemáticas, estas metodologías pueden parecer
como obtener ‘algo por nada’. Sin embargo, pueden ser pensadas más fácilmente en
términos de producir un sello de ‘dificultad constante’. Un material blando de alta ley es
procesado para alta recuperación. Esto significa, en términos de la Figura 13.8, hacía el
extremo derecho del rango operativo. El mineral duro, marginal es procesado al mayor
tonelaje posible. En resumen, las diferencias en el tipo de mineral se utilizan
ventajosamente.

Por el contrario, una filosofía de recuperación constante, que adoptan algunas operaciones
(normalmente por razones históricas), conduce a grandes variaciones en las condiciones del
circuito. Para cumplir con dicho requerimiento, el mineral blando de alta ley requiere de
tasas de tratamiento altas mientras que el mineral duro de baja ley requiere tasas de
tratamiento extremadamente bajas. En términos de eficiencia energética, esta es casi la peor
estrategia operativa posible.

Los criterios utilizados arriba son metas de optimización relativamente simples las cuales
ayudan a centrarse en los objetivos de un programa de optimización o estrategia global. Por
supuesto son posibles estrategias más complejas, involucrando más criterios y restricciones;
La programación lineal es una metodología general que puede ser utilizada en tales casos.
Duckworth (1978) desarrolló una metodología de optimización general para Boungainville
Copper Limited.

13.6 CONCLUSIONES

El término optimización tiene poco sentido a menos que se defina respecto de alguna
cantidad medible y sujeto a restricciones operativas y de otro tipo. Las cantidades más
comunes, en ejercicios limitados de optimización de circuitos de trituración, son el
rendimiento y el tamaño del producto. Sin embargo, es posible agregar otros criterios.

Por medio de un rango de modelos de circuito y operación de concentrador (matemático u

operacional) podemos en principio optimizar la operación de:

358
 Capítulo 13: Optimización de circuitos de Trituración

• un circuito de trituración respecto del tamaño de producto, rendimiento o uso de la

energía.

• un circuito de trituración respecto de la recuperación aguas abajo.

• una operación mina-concentrador completa respecto de un criterio de productividad

específico.

Cada una de estas estrategias de optimización ofrece un alto retorno de información sobre
la operación del proceso, restricciones del proceso y ambiente operativo.

A medida que aumenta la exactitud de las técnicas de modelado debe hacerse factible el
lograr un grado razonable de optimización de un proyecto tempranamente en la fase de
diseño. La filosofía operativa puede incluso impactar sobre lo que se considera mineral o
estéril con un efecto dramático sobre los costos de la planta. El desafío para los ingenieros
de disciplinas afines es reunir los modelos para implementar la optimización a través de
operaciones completas y, por cierto, a través de una empresa desde mineral a producto. Este
es un campo de investigación actual.

359
 APÉNDICE 1
FUNCIONES SPLINE CÚBICAS

A1.1

L As funciones spline se usan fundamentalmente para interpolar datos para los cuales
no se encuentra rápidamente o no existe una ecuación matemática apropiada. Es una
herramienta poderosa ya que proporciona un método para interpolar que permite a
JKSimMet cambiar fácilmente una distribución de tamaño en varias series de tamiz,
representar una distribución de un proceso de rotura o encontrar la tasa de rotura AG/SAG
para cualquier tamaño de partícula en el molino. Este apéndice describe los principios
básicos detrás del uso de las funciones spline y presenta un ejemplo resuelto de su
aplicación a interpolación de tamaño, una característica de rutina incorporada en
JKSimMet.

En esencia, las funciones spline unen una serie de puntos en el plano x-y. Se utiliza alguna
función para interpolar entre cada par de puntos y estas funciones son ‘splined’ entre si para
proporcional la función spline completa. La función spline más sencilla es el spline de
primer orden que es solo una serie de pedazos de líneas rectas. Estas, por supuesto, no
parecen suavizadas a menos que los puntos estén sobre una línea recta o muy cercanas entre
si. El spline cúbico es un método APRA dibujar una curva muy suave sobre varios puntos
de datos. Está muy relacionada con el spline del dibujante y en la mayoría de los capos
debería proporcionar una curva muy parecida a la dibujada por un ‘flexicurve’.

Como introducción al método considere tres puntos (x1,y1), (x2,y2), y (x3,y3) como se
muestra en al figura A1.1

Figura A1.1: Tres puntos unidos por dos secciones cúbicas

360
 Apéndice 1: Funciones Spline Cúbicas

Par unir los tres puntos por medio de dos secciones cúbicas, se debe observar la
continuidad, derivada y segunda derivada de la función a través del límite. Se requieren
ocho coeficientes para describir los dos cúbicos como sigue:

y = ax3 + bx 2 + cx + d para x entre x1 y x 2

y
y = ax3 + bx 2 + cx + d para x entre x 2 y x 3

Para determinar estos coeficientes la función debe pasar a través de los tres puntos con
continuidad de las primera y segunda derivada a través de (x2,y2).

Pasar a través de cada punto requiere que:

y1 = ax13 + bx12 + cx1 + d (A1.1)

3 2
y2 = ax + bx + cx2 + d
2 2 (A1.2)
3 2
y2 = ex + fx + gx2 + h
2 2 (A1.3)
y
y3 = ex33 + fx32 + gx3 + h (A1.4)

La continuidad de la primera derivada demanda que

3ax22 + 2bx2 + c = 3ex22 +2fx 2 +g (A1.5)

mientras que la continuidad de la segunda derivada demanda

6ax2 + 2b = 6ex2 + 2 f (A1.6)

Como puede verse, hay 8 coeficientes conocidos pero solo 6 ecuaciones. Esto obliga a que
dos coeficientes (grados de libertad) deban ser determinadas de alguna otra manera. Esto se
efectúa generalmente por hedido e las condicione de borde 1.e. especificando aguan
propiedad del cúbico en los dos extremos. La condición más simple es que la derivada sea
cero en ambos extremos, dando:

6ax1 + 2b = 0 (A1.7)
y
6ax3 + 2 f = 0 (A1.8)

Esto proporciona dos ecuaciones para tener 8 ecuaciones y 8 incógnitas que hay que
resolver para los coeficientes a-h y, en consecuencia, determinar las dos secciones cúbicas
de la función spline.

En teoría, este proceso puede extenderse para cualquier número de puntos (siempre con dos
grados de libertad que deben determinarse por otros medios), para encontrar el spline

361
 Apéndice 1: Funciones Spline Cúbicas

cúbico a través de dichos puntos. En la práctica, un procedimiento menos engorroso y más

elegante se describe a continuación.

A1.2 Determinación de las Ecuaciones Básicas

El método utilizado sigue a Ahlberg et al (1967).

Considere una malla de N+1 puntos, a = x0, x1,…xN = b, definido en el intervalo [a,b]. Sean
los valores y correspondientes y0,y1,…yN.

Necesitamos una manera de evaluar la función spline S(x) que está compuesta por trozos
cúbicos en cada intervalo, pasa a través de cada punto y es continua en su primera y
segunda derivadas. El método se facilita considerablemente si comenzamos con la primera
o la segunda derivada. Elegimos comenzar con la segunda derivada; Ahlberg repite la
derivación con la primera.

Sea Mj (j=0,1,…,N) el valor de la segunda derivada en xj. Ya que la segunda derivada del
spline en el intervalo [xj-1,xj] es lineal, puede escribirse como:

S "( x) = a j x + b j
para j=1,2,...N, donde a j y b j son independientes de x. En x = x j -1 y x = x j tenemos
M j −1 = a j x j −1 + b y M j = ajxj + b
de manera que
M j − M j −1 M j − M j −1 x j
aj = y bj = M j −
x j − x j −1 x j − x j −1
haciendo
h j = x j − x j −1 (A1.9)
y reordenando obtenemos
xj − x x − x j −1
S "( x) = M j −1 +Mj (A1.10)
hj hj

Integrando al ecuación (A1.10) do veces proporciona dos constantes de integración en la

ecuación S(x); estas aparecen en la forma Cx+D. Las condiciones

S ( x j −1 ) = y j −1 S (x j ) = y j (A1.11)

permiten la integración de estas constantes. Esto conduce a las siguientes ecuaciones para el
spline y su derivada:

362
 Apéndice 1: Funciones Spline Cúbicas

( x j − x )3 ( x − x j −1 )3  M j −1h 2j   x j − x   M j −1h 2j   x − x j −1 
S ( x) = M j −1 +Mj +  y j −1 −   +  yj −  
6h j 6h j  6   h j   6   h j 

...(A1.12)
( x j − x)2 ( x − x j −1 ) 2  y j − y j −1   M j − M j −1 
S '( x) = − M j −1 +Mj +  −   hj
2h j 2h j  h  6 
 j 
...(A1.13)

Las ecuaciones (A1.10 y (A1.12) garantizan la continuidad de la función S(x) y su segunda

derivada en el intervalo [a,b]. Falta verificar que la primera derivada es continua lo que
proporciona un método para resolver para los valores Mj. La derivación completa escapa al
alcance de este libro y solo se presentan aquí los pasos clave de la solución del sistema de
ecuaciones tri-diagonales resultantes.

A1.3 Solución de las Ecuaciones Básicas

1. El ‘spline natural’ se obtiene estableciendo M0=0 y Mn=0. Además, las condiciones de

borde son:

W0 = X0 = λ0 = µ 0 = d0 = 0 y WN = XN =λN = µ N = dN = 0

2. Calcular todos los valores Wj y Xj comenzando desde j=1, donde:

λj
Wj = (A1.14)
2 − µ jW j −1
y
d j − µ j X j −1
Xj = (A1.15)
2 − µ jW j −1
dado que
h j +1
λj = (A1.16)
h j +1 + h j
µ j = 1− λj (A1.17)
 ( y − y j ) ( y j − y j −1 ) 
6  j +1 + 
 h j −1 hj 
dj = (A1.18)
h j + h j −1

3. Calcular todos los valores Mj de la segunda derivada comenzando en J=N-1, donde

Mj+WjMj+1+Xj = 0 (A1.19)

363
 Apéndice 1: Funciones Spline Cúbicas

4. Extrapolar linealmente más allá del intervalo [a,b] usando la primera derivada S’(a) y
S’(b) calculada usando la ecuación A1.13, donde

y0 = S’ (x0)x0+C0 A1.20)
y
yN = S’ (xN)xN+CN (A1.21)

Donde S’(x0) y C0 y S’(xn) y Cn son la pendiente y el intercepto de las ecuaciones lineales

en los bordes izquierdo y derecho del intervalo.

5. Calcular el valor de la función S(x) y de la derivada S’(x) en cualquier punto x usando

la ecuación (A1.12) y (A1.13) respectivamente

A1.4 Ejercicio Resuelto

Se midió la siguiente distribución de tamaño en una muestra de overflow del hidrociclón:

Tamaño % que pasa

150 99.3
106 95.6
75 89.3
53 82.5

Se desea recalcular la distribución de overflow en un una serie 2 estándar comenzando

en 45 micrones, es decir, 45, 63, 90, 125 y 180 micrones. Los datos originales y la
información meta se muestran en la Figura A.1.2.

Figura A1.2: Gráfico de los datos de ejemplo para ser interpolada usando splines cúbicos

364
 Apéndice 1: Funciones Spline Cúbicas

El método recomendado de solución es el siguiente:

a) Transforme los datos de % de overflow que pasa en la variable Rosin-Rammler,

  P 
y j = Ln  − Ln 1 − j   donde Pj es el % pasando a tamaño j.
  100  

b) Establezca las ecuación spline para estos datos usando una escala logarítmica para el
tamaño de partícula, xj=Ln(tamaño) y resuelva estas ecuaciones tri-diagonales para
la segunda derivada Mj como se describió anteriormente. La tabla A1.1 muestra un
resumen de la solución.

Tabla A1.1: Resumen de solución a ecuaciones tri-diagonales para problema de ejemplo

Comenzar
Tamaño Punto Comenzar cálculos en j=1
en j=N-1
(µm) j xj yj hj ij mj Wj dj Xj Mj
5 0 3.970 0.556 0 0 0 0 0 0 0
75 1 4.317 0.804 0.347 0.499 0.501 0.250 2.178 -1.089 0.740
106 2 4.663 1.139 0.346 0.501 0.499 0.267 3.162 -1.396 1.396
150 3 5.011 1.602 0.347 0 0 0 0 0 0

c) Evaluar la función spline en el punto deseado y reconvertir de la variable R-R a %

que pasa.

. Pj = 100 [1-exp (-exp (yj))]

donde los resultados para el problema de ejemplo se muestran en la Tabla A1.12.

Tabla A1.2: Resumen de datos y resultados del ejemplo para interpolación spline

Información Dada Información Requerida

Punto Tam. Ln(tam.) % que Rosin Pendiente Intercepto Tam. Ln(tam.) Rosin % que
(µm) pasa Rammler en xj en xj (µm) Rammler pasa
j xj S(xj) S’(xj)
45 3.81 0.45 79
0 53 3.97 82.5 0.56 0.67 -2.12
63 4.14 0.67 85.9
1 75 4.32 89.3 0.80
90 4.50 0.96 92.8
2 106 4.66 95.6 1.14
125 4.83 1.35 97.9
3 150 5.01 99.3 1.60 1.41 5.48
180 5.19 1.86 99.8

365
APÉNDICE 2
EL EFECTO DE LA VISCOSIDAD DEL SLURRY
SOBRE LA MOLIENDA

Habitualmente los efectos de la viscosidad se consideran, teóricamente, en términos de

transporte a través del molino y el movimiento de la carga del molino. Moys (1989), por
ejemplo, ha demostrado que la viscosidad es un factor importante en el control del hold-up
del molino y de la descarga a través de la parrilla (ver también la Sección 7.4.3), y
Fuerstenau et al (1990) demostró como afecta la viscosidad al movimiento de la carga de
bolas y por ende al consumo de energía.

Sin embargo, fue Klimpel quien por primera vez proporcionó una explicación racional de
los efectos del tipo reológico del slurry, sobe el rendimiento de los molinos de bola y los
dispositivos de reducción de tamaño, basado en investigación de escala industrial y de
laboratorio efectuada en los 1970s y 1980s (e.g. Klimpel 1982, 1983). Estudios recientes de
escala industrial efectuados por JKRMC (Shi 1994), han confirmado algunas de estas
observaciones y ampliado nuestro entendimiento de los efectos.

La reología es el estudio de la deformación y flujo. Para apreciar porqué la reología del

slurry es importante para el rendimiento del molino es necesario entender dos cosas:

1. La viscosidad (o resistencia al flujo) tiene una dependencia no lineal respecto de los

sólidos de concentración o densidad del slurry. La Figura A2.1 ilustra este efecto.

2. Los slurries exhiben muchas características reológicas diferentes, dependiendo de la

concentración de sólidos predominante, distribución de tamaño de partícula, forma de
partícula y condiciones físico-químicas. La Figura A.2.2 muestra los principales tipos
reológicos ideales encontrados, representados por una tasa de corte – curva de esfuerzo
de corte o curva de flujo (determinado por un viscómetro adecuado); la viscosidad es el
radio local del esfuerzo de corte a tasa de corte y varía con la tasa de corte para todos
los slurries, con excepción de los Newtonianos

366
 Apéndice 2: El Efecto de la Viscosidad del Slurry Sobre la Molienda

Figura A2.1: Relación entre viscosidad aparente y densidad de slurry (concentración de sólidos)
para un metal base típico después de molienda

Figura A2.2: Curvas de flujo para tipos reológicos ideales

367
 Apéndice 2: El Efecto de la Viscosidad del Slurry Sobre la Molienda

La Figura A2.3 (Shi 1994) muestra como la característica reológica de un slurry en

particular (originándose en un tipo de mineral en un concentrador individual de metal base),
puede variar sobre un amplio rango de reologías, de dilatante a seudo plástico, con y sin
una tensión de fluencia, como función solamente de la concentración de sólidos y tamaño
de partícula. Dicho rango de slurries puede encontrarse fácilmente en distintas secciones de
un concentrador individual incorporando, por ejemplo, molienda primaria, secundaria y
terciaria, además de remolienda en una planta de flotación aguas abajo.

Figura A2.3 Curvas de flujo típicas para un mineral de metal base después de molienda, como una
función de tamaño de partícula y concentración de sólidos, mostrando el amplio rango de tipos
reológicos que se encuentran bajo distintas condiciones

368
 Apéndice 2: El Efecto de la Viscosidad del Slurry Sobre la Molienda

En la Figura A2.4 se ilustran las tendencias observadas por Klimpel.

Estas pueden resumirse como sigue:

• En la región normal de baja densidad, baja viscosidad (Región A en la Figura A2.4), no

hay variación en la producción del molino con la viscosidad del slurry,

• A una mayor viscosidad (Región B), inducida por medio de aumentar la densidad del
slurry y/o contenido de finos, mejora la molienda.

• Una viscosidad excesiva (Región C) disminuye la producción.

Figura A2.4: Producción neta y viscosidad, como función del porcentaje de sólidos, en pruebas de
molienda por lote ejecutadas bajo tiempo de molienda y condiciones de alimentación constantes

Como explicación para estas tendencias, Klimpel propuso que a bajas densidades la
mayoría de los slurries de carbón y minerales (menos de 40-45% v/v para distribución de
tamaño normal) son dilatantes en carácter y que bajo estas condiciones la rotura es de
primer orden (Región A en al Figura a2.4), lo que representa el comportamiento normal de
la industria. Aumentar la concentración de sólidos induce un comportamiento seudo
plástico, el cual, en ausencia de esfuerzo de fluencia, produce una rotura de primer orden
con mayores tasas de rotura que con slurries dilatantes (Regiones B y B’); esto representa la
práctica de molienda más eficiente. A medida que la concentración de sólidos aumenta aun

369
 Apéndice 2: El Efecto de la Viscosidad del Slurry Sobre la Molienda

más (o presumiblemente la finura de las partículas), el esfuerzo de fluencia resultante

conduce a rotura indeseable no de primer orden, con la consiguiente reducción en las tasa
de rotura (Regiones C y C’).

(Klimpel sugirió también, que era posible mejorar la molienda controlando la reología con
aditivos químicos (ver las curvas ‘con químicos’ en la Figura A2.4). Aunque el y sus
colegas y muchos otros investigadores han demostrado efectos muy beneficiosos en
aplicaciones específicas, especialmente a escala de laboratorio, estos efectos rara vez han
sido sustentados en la molienda húmeda industrial de mineral.

La cuestión sobre si la molienda normal es realmente de primer orden es un punto

discutible ya que, las observaciones experimentales son una amalgama de muchos efectos
complejos incluyendo, cambios aparentes en la ‘dureza’ con el tamaño y el transporte de
partículas dentro y fuera de las zonas de rotura, lo que probablemente está relacionado con
al viscosidad.

No obstante, investigaciones recientes en JKMRC (Shi 1994), basadas en extensos estudios

de planta en varios sitios, en los cuales se midió la reología del slurry con un viscómetro en
línea, han confirmado y extendido el conocimiento cualitativo de Klimpel de estos efectos
reológicos. También se desarrolló un modelo que permite predecir la reología de slurries
específicos como función de la concentración de sólidos, distribución de tamaño de
partícula y temperatura (Shi y Napier-Munn 1966). Shi demostró, utilizando sencillos
modelos de simulación basados en los estudios de planta, que para la molienda de los tipos
de slurry cuyas propiedades reológicas se muestran en la Figura A.2.2, el rendimiento de
molienda depende de una manera compleja de la reología del slurry de descarga.

Las flechas en al Figura A2.1 muestran la dirección y magnitud relativa del efecto de
aumentar la viscosidad, densidad, alimentación de finos y tonelaje de alimentación sobre el
‘índice de molienda’ como una función del tipo reológico (el índice de molienda se definió
como la producción relativa de alimentación nueva). El análisis está simplificado en el
sentido que viscosidad, densidad y finos, estando fuertemente correlacionados, se
consideran aquí como independientes, pero la conclusión es clara: la magnitud, e incluso en
ocasiones la dirección de los efectos, son fuertemente dependientes de la reología. Por
ejemplo, un aumento en el tonelaje de alimentación siempre reducirá el índice de molienda
pero el efecto es menor para slurries seudo plásticos y de baja tensión de fluencia;
normalmente, un aumento de la viscosidad mejorará el índice de molienda, excepto en el
caso de slurries de alta tensión de fluencia y dilatantes; aumentar los finos aumenta la
molienda para seudo plásticos pero la disminuye para slurries dilatantes.

Estas tendencias se ajustan marcadamente a las observaciones de Klimpel pero se

extienden, en términos de los cuatro tipos reológicos identificados y las distintas variables
disponibles para influenciar la molienda. Se debe tener cuidado en la interpretación de los
efectos de las tres variables de slurry en la Tabla A2.1. Por ejemplo, ‘aumentar la
viscosidad’ significa que se aumentará la viscosidad independientemente de otros factores.
En consecuencia, si se esta tratando con un slurry seudo plástico de alta tensión de fluencia,
aumentar la viscosidad parece conducir a un pequeño mejora en el rendimiento, pero las

370
 Apéndice 2: El Efecto de la Viscosidad del Slurry Sobre la Molienda

flechas en al columna final de la Tabla A2.1 sugieren que esto debiera efectuarse reciclando
finos del clasificador en vez de aumentando la densidad del slurry.

Tabla A2.1: Los efectos relativos sobre el índice de molienda del aumento de la viscosidad,
densidad, finos de alimentación y tonelaje de alimentación como función del tipo reológico: las
flechas indican dirección y magnitud o efecto relativo (a lo largo de la hilera) (según Shi, 1994)

Quizás la conclusión más importante de este trabajo es que las tendencias son complejas y
si se hacen intentos para optimizar el rendimiento del molino, por medio de manipular estas
variables, ayuda el entender primero la reología predominante. También parece probable
que algunos de los fenómenos inesperados y contrarios a la intuición, que se encuentran
ocasionalmente en la práctica de la molienda, pueden atribuirse a las vaguedades de la
reología del slurry.

371
APÉNDICE 3
MEDICIÓN Y REPRESENTACIÓN DE LAS
DISTRIBUCIONES DE TAMAÑO

A1.5 Medición del Tamaño de Partícula en Minas y Plantas

Aunque el objetivo último de un circuito de trituración específico puede ser liberar los
constituyentes de un mineral o promover la manejabilidad, su rendimiento será expresado
normalmente en términos de reducción de tamaño. Es necesario, en consecuencia, medir las
distribuciones de tamaño de la alimentación hacía el circuito y del producto desde el
circuito y, en ocasiones, de las corrientes intermedias en el circuito, para evaluar el
rendimiento. En el Capítulo 5 se discuten los procedimientos en el estudio de un circuito
para obtener muestras para análisis de tamaño. En esta sección, consideramos los métodos
disponibles para determinar la distribución de tamaño de las muestras, tanto en línea como
fuera de línea.

Fragmentación- Midiendo y Controlando la Distribución de Tamaño ROM

La reducción de tamaño comienza en la mina con la fragmentación del mineral o carbón

por medio de voladura o corte y degradación en el manejo. Una creciente conciencia de los
beneficios de controlar la fragmentación en la mina, de manera de optimizar las
operaciones aguas abajo (como la trituración), a popularizado un poco la medición,
predicción y control de fragmentación. Kojovic et al (1995), por ejemplo, demostró
experimentalmente en una cantera que era posible obtener importantes beneficios
económicos en el manejo y chancado, modificando la práctica de voladura a un bajo costo
marginal. McKee et al (1995) demostró, por medio de simulación, que era posible obtener
grandes aumentos en la capacidad de molienda SAG modificando la fragmentación de la
alimentación. Sin embargo, la práctica del control de fragmentación en un sentido holístico
está aún en su infancia, aunque la investigación sobre el desarrollo de técnicas apropiadas
lleva ya algunos años. Parte de este trabajo se analiza en el volumen que acompaña a esta
monografía (Scout ed. 1996)

La fragmentación o distribución de tamaño de un producto de voladura de roca puede

evaluarse de dos maneras:

1. Como un muckpile antes de la excavación y chancado primario: esto se efectúa a partir

de imágenes de la superficie del muckpile, obtenidas fotográfica o electrónicamente y
analizando la imagen apropiadamente.

372
 Apéndice 3: Medición y Representación de las Distribuciones de Tamaño

2. En una correa que alimenta a un chancador primario o secundario: esto puede lograrse
usando uno o varios dispositivos de escáner óptico/láser, en correa, diseñados en años
recientes.

Sin embargo, ninguna de estas técnicas es de uso común debido tanto a la dificultad para
obtener una medición confiable y con sentido y, porque aun no se han adoptado
metodologías para utilizar la medición en la practica industrial de rutina. En la Sección
5.4.2 se analiza un útil procedimiento para evaluar la distribución de tamaño de una
alimentación de chancador o molino AG/SAG ( que puede confinarse a ROM).

El análisis de la imagen de un muckpile es difícil, debido a problemas en la segmentación

de la imagen (saber donde están los límites entre partículas adyacentes) y al hecho que las
partículas visibles en la superficie del muckpile no son necesariamente representativas del
lote completo. Un problema similar se evidencia con las partículas visibles en una correa
transportadora – mucho del material yace bajo al superficie y no es accesible al equipo de
imágenes.

Los métodos ópticos, para medir en línea el tamaño de partícula en las correas, existen hace
alrededor de 20 años (Gallagher 1976), pero pocos han sido desarrollados comercialmente
y aun menos utilizados en al industria. Un sistema actualmente en prueba, SIROSIZE
(Cheung and Ord 1990) mide el tamaño de las partículas observando la distorsión de un
plano de luz láser a medida que intersecta las partículas superficiales en la correa. Para
estimar la distribución de tamaño se analizan estadísticamente las cuerdas resultantes. Se ha
desarrollado una derivación de este sistema, SIROFRAG (Poniewierski et al 1995) para
medición de tamaño de muckpile.

El análisis de imágenes de partículas segmentadas es una tarea compleja y sofisticada,

dificultada por los problemas estadísticos evidentes en el muestreo de corriente de
partículas gruesas o lotes, especialmente cuando la mayor parte del material es inaccesible.
Sin embargo, existen pocas dudas de que se desarrollarán sistema robustos, los que podrán
jugar un rol en la optimización de circuitos de trituración por medio de la evaluación
confiable de la distribución de tamaño de alimentación directa de mina (ROM), producto de
chancado primario y, ciertamente, chancado aguas abajo y corrientes de circuitos de molino
AG/SAG.

Analizadores en Línea del Tamaño de Partícula de Slurry

Se han aplicado muchos principios a la medición continua en línea del tamaño de partícula
en slurries con distinto éxito. En particular, dos instrumentos han encontrado amplio uso
comercial en años recientes.

El sistema Multipoint PSM-400 fabricado por Svedala (Figura A3.1) es la última versión de
un instrumento introducido en 1971. La medición se basa en la atenuación de ultrasonido
en el slurry. Una muestra desaireada de slurry se presenta a dos pares de sensores, cada uno
constituido por un transmisor y un receptor ultrasónico. Mientras más grueso sea el tamaño
de partícula y mayor la concentración de sólidos, mayor será la atenuación. Los dos pares
de sensores permiten que estos dos efectos sean desacoplados y el instrumento proporciona

373
 Apéndice 3: Medición y Representación de las Distribuciones de Tamaño

una lectura tanto del tamaño de partícula como del porcentaje de sólidos; los primeros
modelos proporcionaban una sola indicación de tamaño (%-75µm2 era un selección
habitual), pero las últimas versiones proporcionan hasta 5 salidas de tamaño. El instrumento
requiere de calibración respecto de un slurry de distribución de tamaño conocido.

El Outokumpu PSI-200 (Figura A3.2) también requiere de calibración usando análisis de

harnero estándar, pero el principio de medición es completamente distinto. A medida que
fluye el slurry a través del instrumento, se miden las partículas individuales por medio de
un sensor de calibración recíproco que convierte cada medición en una señal electrónica. Se
entregan dos tamaños de partícula.

Figura A3.1: El analizador de tamaño de partícula Figura A3.2: El analizador de tamaño de partícula
en línea Svedala PSM-400 en línea Outokumpu PSM-400

2
En la Tabla A3.1 se proporciona una tabla de conversión para micrones y tamaños de malla.

374