Tesis Desarrollo de Sensores para Minera Gabriela Mistral

FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA
DESARROLLO DE SENSORES VIRTUALES DE

FLUJO Y TONELAJE HORA PARA EL ÁREA DE
ACIDIFICACIÓN, DIVISIÓN GABRIELA MISTRAL
Trabajo de titulación presentado en conformidad a los requisitos

para optar al título de
Ingeniero Civil Industrial en Electrónica
Profesor Guía: Jorge Kasaneva Reinoso
Germán Alfredo Terrazas Alarcón
Antofagasta, Noviembre 2014

ii
UNIVERSIDAD DE ANTOFAGASTA


Profesor Guía: Jorge Kasaneva Reinoso
Antofagasta, Noviembre 2014

iii
UNIVERSIDAD DE ANTOFAGASTA


_____________________________________
Sr. Jorge Kasaneva Reinoso
Profesor Guía
_____________________________________
Sr. Jorge Kasaneva R.
Director del Departamento de Ingeniería Eléctrica
COMISIÓN EXAMINADORA
_____________________________________
Sr. Jorge Gianotti Hidalgo
_____________________________________
Sr. Juan Carlos Valdebenito Samit
iv
“La vida es muy peligrosa. No por las personas que hacen el mal, sino por las que
se sientan a ver lo que pasa”
Albert Einstein
v
AGRADECIMIENTOS
Hoy se cierra una etapa muy importante en mi vida, la cual empezó hace
muchos años atrás, con una gran educación entregada con mucho esfuerzo de
parte de mis padres Raúl y Silvia. Mamá gracias por creer en mí, cuando a veces
ni yo mismo lo hacía.
Quisiera agradecer a mi hermano Raúl por todo su apoyo durante el

periodo universitario, bridándome su ayuda en todos los momentos cuando lo
necesité. A mis tíos Luis y Ely que estuvieron apoyándome durante todos mis
estudios secundarios. A mi profesor guía Jorge Kasaneva que tomó y apoyo mi
tema en un momento muy difícil de mi tesis. A mi tutor en minera Gabriela Mistral,
Rodrigo Sainz De La Peña, quien me guió de la mejor manera, con el fin de
realizar un buen proyecto. A mi gran amigo Rodrigo López, quién siempre me ha
impulsado a creer en mis capacidades, como también el saber pararse cuando
uno está caído y además el no dejar escapar las oportunidades que se nos
presentan.
A mi novia Vanessa, con quien he compartido gran parte de mi vida en

esta etapa y hemos sabido afrontar cada uno de nuestros obstáculos, siempre
apoyándonos en los momentos más difíciles el uno al otro.
En general gracias a cada una de las personas quienes aportaron con su

granito de arena, para que el cumplimiento de esta nueva etapa fuera posible.
vi
Resumen del trabajo de título presentado a la Universidad de Antofagasta como parte de los
requisitos necesarios para la obtención del Título de Ingeniero Civil Industrial en Electrónica
DESARROLLO DE SENSORES VIRTUALES DE FLUJO Y

TONELAJE HORA PARA EL ÁREA DE ACIDIFICACIÓN, EN
DIVISIÓN GABRIELA MISTRAL

Noviembre/2014
Profesor Guía: Jorge Kasaneva Reinoso.

Palabras Clave: implementación, sensores virtuales, acidificación, modelos, mantención.
Número de páginas: 105
Resumen: En el presente trabajo se aborda el desarrollo e implementación de instrumentación

virtual, perteneciente al proceso de acidificación de División Gabriela Mistral. Esta instrumentación
se basa en implementar nueve sensores virtuales, de tonelaje dinámico y de flujos de agua y ácido,
que se conforman de acuerdo a modelos matemáticos estocásticos, elaborados por análisis de
regresión lineal múltiple, ya que éstos ofrecen grandes ventajas para la selección de componentes.
Además se incorpora un décimo sensor virtual, el cual está encargado de medir el tonelaje de
recepción de mineral húmedo destinado al posterior apilamiento.
Luego el trabajo continúa con un análisis de pruebas de terreno, esto se realiza en

salidas de plantas posterior a mantenciones programadas. Posteriormente se realiza un estudio de
costos para demostrar la vialidad económica de estos sensores virtuales.
Una vez desarrollados los sensores virtuales, se implementa una marcha blanca
autorizada por la empresa, la cual es monitoreada por instrumentista del área, encontrando
resultados bastante óptimos acorde a la medición real. Además incorporando instrumentación
virtual en donde no existía una real, la cual servirá para analizar directamente la producción de
mineral apilado, información relevante para la producción. Por lo anterior descrito, se deduce la
importancia de esta instrumentación, permitiendo así la disminución en detenciones debido a fallas
de pesómetros y flujómetros del área de acidificación.
vii
ÍNDICE
LISTA DE FIGURAS .............................................................................................. xii

LISTA DE TABLAS ............................................................................................... xvi
CAPÍTULO 1: ASPECTOS GENERALES EN DIVISIÓN GABRIELA MISTRAL .... 1
1.1 INTRODUCCIÓN 1
1.1.1 Objetivo general ..................................................................................... 4
1.1.2 Objetivos específicos ............................................................................. 4
1.2 DESCRIPCIÓN DE LA EMPRESA 5
1.2.1 Características de la empresa. .............................................................. 6
1.2.2 Procesos de producción ......................................................................... 8
1.3 PROCESO DE ACIDIFICACIÓN 9
1.3.1 Aglomeración ......................................................................................... 9
1.3.2 Descripción del proceso ....................................................................... 11
1.3.3 Descripción de equipos e instalaciones principales ............................. 13
CAPÍTULO 2: INSTRUMENTACIÓN VIRTUAL .................................................... 15

2.1 SENSORES VIRTUALES 15
2.2 SELECCIÓN DE COMPONENTES 16
2.2.1 Componentes candidatas .................................................................... 17
2.2.2 Elección de componentes candidatas .................................................. 20
2.2.3 Elección de modelos para sensor virtual .............................................. 21
2.3 DISEÑO DE SENSOR VIRTUAL DE TONELAJE DE MINERAL SECO

25
2.3.1 Elección de modelos para pesómetro virtual ....................................... 27

viii
2.4 DISEÑO DE SENSOR VIRTUAL DE FLUJO DE AGUA 34
2.4.1 Elección de modelos para flujómetro de agua virtual ........................... 37
2.5 DISEÑO DE SENSOR VIRTUAL DE FLUJO DE ÁCIDO SULFÚRICO 43
2.5.1 Elección de modelos para flujómetro de ácido sulfúrico virtual ............ 46
CAPÍTULO 3: VALIDACIÓN Y CERTIFICACIÓN DE SENSORES VIRTUALES . 53

3.1 COMPROBACIÓN PRÁCTICA DE RESULTADOS TEÓRICOS. 53
3.1.1 COMPROBACIÓN DE MODELOS DE PESÓMETRO VIRTUAL......... 54
3.1.2 COMPROBACIÓN DE MODELOS DE FLUJÓMETRO VIRTUAL

AGUA. 59
3.1.3 COMPROBACIÓN DE MODELOS DE FLUJÓMETRO VIRTUAL

ÁCIDO. 63
3.2 NORMALIZACIÓN Y CERTIFICACIÓN DE INSTRUMENTACIÓN REAL

67
3.2.1 Pesómetros .......................................................................................... 68
3.2.2 Flujómetros .......................................................................................... 68
3.3 VALIDACIÓN DE SENSORES VIRTUALES 68
3.3.1 Nuevos modelos matemáticos para flujómetro virtual ácido ................ 69
3.3.2 Nuevos modelos matemáticos para flujómetro virtual agua ................. 70
3.3.3 Nuevos modelos matemáticos para pesómetro virtual ......................... 70
3.4 PRUEBAS DE TERRENO 71
3.4.1 Comparación gráfica de modelos de pesómetro virtual, Línea 1 ......... 72
3.4.2 Comparación gráfica de modelos del flujómetro virtual agua, Línea 1 . 74
3.4.3 Comparación gráfica del modelo de flujómetro virtual ácido, Línea 1 .. 75
3.4.4 Modelos finales de sensores virtuales ................................................. 77

ix
3.5 PROGRAMACIÓN DE LOS MODELOS MATEMÁTICOS 79
3.5.1 Programación por tonelaje (escalera) .................................................. 79
3.5.2 Programación por falla de variable....................................................... 80
3.6 PRECISIÓN Y EXACTITUD DE LOS MODELOS 85
3.6.1 Precisión y exactitud para pesómetro virtual ........................................ 85
3.6.2 Precisión y exactitud para flujómetro virtual agua ................................ 86
3.6.3 Precisión y exactitud para flujómetro virtual ácido sulfúrico ................. 86
3.7 DISEÑO DE PESÓMETRO VIRTUAL CORREA 17 87
3.8 ESQUEMA GENERAL DE SENSORES VIRTUALES

IMPLEMENTADOS 94
CAPÍTULO 4: VALIDACIÓN ECONÓMICA DEL PROYECTO ............................. 95

4.1 COSTO DE OPORTUNIDAD POR NO APILAMIENTO 95
4.1.1 Libras de Cobre fino ............................................................................. 96
4.1.2 Ley de cobre ........................................................................................ 96
4.1.3 Recuperación ....................................................................................... 97
4.1.4 Precio del Cobre .................................................................................. 97
CAPÍTULO 5: CONCLUSIONES ........................................................................ 100

5.1 DESARROLLO TEÓRICO 100
5.2 DESARROLLO PRÁCTICO 101
5.3 DÉCIMO SENSOR VIRTUAL 103
5.4 ANÁLISIS ECONÓMICO DE LA IMPLEMENTACIÓN 104
REFERENCIAS BIBLIOGRÁFICAS…….……………………………………………105
APÉNDICE A DEFINICIÓN DE PROCESOS DE PLANTA EN ÁREA SECA…...106
A.1 CHANCADO SECUNDARIO Y TERCIARIO 106

x
A.1.1 LÍMITES DEL ÁREA 110
A.1.2 CRITERIOS DE DISEÑO Y PARÁMETROS PRINCIPALES 111
A.2 ACIDIFICACIÓN 111
A.2.1 DESCRIPCIÓN DE LA ACIDIFICACIÓN ................................................... 111
A.2.2 LÍMITES DEL ÁREA 114
A.2.3 CRITERIOS DE DISEÑO Y PARÁMETROS 115
A.2.4 DESCRIPCION DE LAS INSTALACIONES Y EQUIPOS PRINCIPALES 117
A.3 APILAMIENTO 122
A.3.1 DESCRIPCIÓN DEL ÁREA Y DEL PROCESO ........................................ 122
A.3.2 LÍMITES DEL ÁREA .................................................................................. 126
A.3.3 CRITERIOS DE DISEÑO Y PARÁMETROS PRINCIPALES .................... 126
A.3.4 DESCRIPCIÓN DE LAS INSTALACIONES Y EQUIPOS PRINCIPALES . 126
APÉNDICE B CONCEPTOS ESTADÍSTICOS EN APLICACIÓN…………...……130
B.1 SISTEMA 130
B.2 MODELO DE UN SISTEMA 130
B.3 IDENTIFICACIÓN DE SISTEMAS 131
B.4 TÉCNICAS DE IDENTIFICACIÓN PARAMÉTRICA 133
B.5 DETERMINACION DE LA ESTRUCURA DEL MODELO 133
B.5.1 MODELO ARMA 133
B.6 MÉTODO PARA EL AJUSTE DE PARÁMETROS 134
B.6.1 MÉTODO DE MÍNIMOS CUADRADOS 134
B.7 VALIDACIÓN DE MODELOS 135
B.7.1 ANÁLISIS DE ERROR 135

xi
B.7.2 ÍNDICES DE BONDAD 136
B.7.2.1 COEFICIENTE DE CORRELACION MÚLTIPLE 136
B.7.2.2 COEFICIENTE DE CORRELACION MÚLTIPLE AJUSTADO 137
B.7.2.3 ERROR ESTANDAR DE ESTIMACIÓN 137
APÉNDICE C SENSORES VIRTUALES……………… …………………...…..138
C.1 INTRODUCCIÓN 138
C.2 MODELOS 139
C.2.1 COMPONENETES DE LA ESTRUCTURA 141
C.2.2 COMPONENETES DE LA ESTRUCTURA 142
C.3 REGIÓN DE VALIDEZ DEL MODELO 143
C.4 ASPECTOS INDUSTRIALES 144
APÉNDICE D PROGRAMA DE LOS SENSORES VIRTUALES………………....145
D.1 PROGRAMA PESÓMETRO VIRTUAL LÍNEA 1 145
D.2 PROGRAMA FLJÓMETRO VIRTUAL AGUA LÍNEA 1 146
D.3 PROGRAMA FLJÓMETRO VIRTUAL ÁCIDO LÍNEA 1 147
D.4 PROGRAMA PESÓMETRO VIRTUAL CORREA 17 149

xii
LISTA DE FIGURAS
Fig.1.1:Compromisos de División Gabriela Mistral. (Modelo de negocio de DGM). 7

Fig.1.2: Diagrama de los procesos de producción en DGM. (Manual de
Operaciones). .......................................................................................................... 8
Fig. 1.3: Diagrama General del área seca en DGM. (Pi System)............................. 9
Fig. 1.4: Diagrama de proceso de Aglomeracion y Curado (Manual de
Operaciones). ........................................................................................................ 10
Fig. 1.5: Descarga de mineral desde chancado terciario a silos de finos. ............. 11
Fig. 1.6: Descarga de alimentadores en dirección a tambores acidificadores. ...... 12
Fig.1.7: Diagrama de proceso de Acidificación (Manual de Operaciones). ........... 13
Fig. 2.1: Comportamiento del pesómetro Y(k), respecto del modelo ABF 1I1,
desarrollado por software Statgraphics. ................................................................. 30
Fig. 2.2: Comportamiento del pesómetro Y(k), respecto del modelo ABI 1Y1,
Fig. 2.3: Comportamiento del pesómetro Y(k), respecto del modelo
ABI1,desarrollado por software Statgraphics.......................................................... 32
Fig. 2.4: Comportamiento del pesómetro Y(k), respecto del modelo ABF1
Fig. 2.5: Comportamiento del flujómetro Y(k), respecto del modelo
CEI1Y1,desarrollado por software Statgraphics. ..................................................... 39
Fig. 2.6: Comportamiento del flujómetro Y(k), respecto del modelo AFI 1Y1,
Fig. 2.7: Comportamiento del flujómetro Y(k), respecto del modelo ACI 1Y1,
Fig. 2.8: Comportamiento del flujómetro Y(k), respecto del modelo ACI 1,
xiii
Fig. 2.9: Comportamiento del flujómetro Y(k), respecto del modelo BEI 1Y1,
Fig. 2.10: Comportamiento del flujómetro Y(k), respecto del modelo EF 1I1Y1,
Fig. 2.11: Comportamiento del flujómetro Y(k), respecto del modelo ABI 1Y1,
Fig. 2.12: Comportamiento del flujómetro Y(k), respecto del modelo AF1I1Y1,
Fig. 3.1: Modelo BEI1Y1, flujo virtual de ácido, formato aritmético. Elaboración
propia. .................................................................................................................... 53
Fig. 3.2: Modelo BEI1Y1 de flujo virtual de ácido, formato tags. ............................ 54
Fig. 3.3: Modelo ABF1I1 del pesómetro virtual v/s señal de pesómetro real.
Analizador Grafico de PI System. .......................................................................... 56
Fig. 3.4: Modelo ABI1Y1 del pesómetro virtual v/s señal de pesómetro real.
Fig. 3.5: Modelo ABI1 del pesómetro virtual v/s señal de pesómetro real.
Fig. 3.6: Modelo ABF1 del pesómetro virtual v/s señal de pesómetro real.
Fig. 3.7: Modelo ABF1I1Y1 del pesómetro virtual v/s señal de pesómetro real.
Fig. 3.8: Modelo CEI1Y1 del flujómetro virtual agua v/s señal de flujómetro real
Fig. 3.9: Modelo AFI1Y1 del flujómetro virtual agua v/s señal de flujómetro real
Fig. 3.10: Modelo ACI1Y1 del flujómetro virtual agua v/s señal de flujómetro real
Fig. 3.11: Modelo ACI1 del flujómetro virtual agua v/s señal de flujómetro real
xiv
Fig. 3.12: Modelo ACY1 del flujómetro virtual agua v/s señal de flujómetro real
Fig. 3.13: Modelo BEI1Y1 del flujómetro virtual ácido v/s señal de flujómetro real
Fig. 3.14: Modelo EF1I1Y1 del flujómetro virtual ácido v/s señal de flujómetro real
Fig. 3.15: Modelo ABI1Y1 del flujómetro virtual ácido v/s señal de flujómetro real
Fig. 3.16: Modelo AF1I1Y1 del flujómetro virtual ácido v/s señal de flujómetro real
Fig. 3.17: Modelo ABI1 del flujómetro virtual ácido v/s señal de flujómetro real
Fig. 3.18: Comparación gráfica del modelo ABF1I1 pesómetro virtual, con ambos
métodos. ................................................................................................................ 72
Fig. 3.19: Comparación gráfica del modelo ABI1Y1 pesómetro virtual, con ambos
métodos. ................................................................................................................ 73
Fig. 3.20: Comparación gráfica del modelo ABI 1 pesómetro virtual, con ambos
métodos. ................................................................................................................ 73
Fig. 3.21: Comparación gráfica del modelo ACI1 flujómetro virtual agua, ambos
métodos. ................................................................................................................ 74
Fig. 3.22: Comparación gráfica del modelo ACY1 flujómetro virtual agua, ambos
métodos. ................................................................................................................ 74
Fig. 3.23: Comparación gráfica del modelo AFI1 flujómetro virtual agua, ambos
métodos. ................................................................................................................ 75
Fig. 3.24: Comparación gráfica del modelo AF1I1 flujómetro virtual ácido, ambos
métodos. ................................................................................................................ 75
Fig. 3.25: Comparación gráfica del modelo AF1Y1 flujómetro virtual ácido, ambos
métodos. ................................................................................................................ 76
xv
Fig. 3.26: Comparación gráfica del modelo AI1Y1 flujómetro virtual ácido, ambos
métodos. ................................................................................................................ 76
Fig. 3.27: Funcionamiento de pesómetro virtual en software PI System. .............. 82
Fig. 3.28: Funcionamiento de flujómetro virtual agua en software PI System. ....... 83
Fig. 3.29: Funcionamiento de flujómetro virtual ácido sulfúrico en software PI
System. .................................................................................................................. 84
Fig. 3.30: Funcionamiento de pesómetro virtual, correa 17 en software PI System.
............................................................................................................................... 90
Fig. 3.31: Calculo de precisión y exactitud de pesómetro virtual L1. ..................... 91
Fig. 3.32: Calculo de precisión y exactitud de flujómetro virtual agua L1. .............. 92
Fig. 3.33: Calculo de precisión y exactitud de flujómetro virtual ácido L1. ............. 93
Fig. 4.1: Proceso de recuperación del cobre. ........................................................ 97
Fig. A.5.1: Características y parámetros principales de chancado. ..................... 111
Fig. A.5.2: Parámetros principales de acidificación. ............................................. 115
Fig. A.5.3: Parámetros de aglomeración. ............................................................. 116
Fig. A.5.4: Descripción resumida de equipos principales del área. ...................... 118
Fig. A.5.5: Diagrama de flujo del proceso de apilamiento. ................................... 123
Fig. A.5.6: Parámetros principales en apilamiento. .............................................. 126
xvi
LISTA DE TABLAS
Tabla 1.1: Descripción resumida de instalaciones en área de acidificación. ......... 14

Tabla 2.1: Variables de entrada candidatas Línea 1 de Acidificación. ................... 19
Tabla 2.2: Coeficiente de correlación lineal entre la la salida Y(k) y cada
componente. .......................................................................................................... 26
Tabla 2.3: Matriz de correlación entre las variables predictivas. ............................ 27
Tabla 2.4: Posibles modelos de 5, 4 y 3 variables de pesómetro virtual. ............... 28
Tabla 2.5: Cálculo de test de razón e indice de bondad para modelo ABF1I1. ....... 29
Tabla 2.6: Cálculo de test de razón e índice de bondad para modelo ABI1Y1. ....... 30
Tabla 2.7: Cálculo de test de razón e índice de bondad para modelo ABI 1. .......... 31
Tabla 2.8: Cálculo de test de razón e índice de bondad para modelo ABF 1. ......... 33
Tabla 2.9: Cálculo de test de razón e índice de bondad para modelo AF 1I1. ......... 34
componente. .......................................................................................................... 36
Tabla 2.11: Matriz de correlación entre las variables predictivas. .......................... 36
Tabla 2.12: Posibles modelos de 5, 4 y 3 variables de flujómetro virtual de agua. 37
Tabla 2.13: Cálculo de test de razón e índice de bondad para modelo CEI 1Y1. .... 39
Tabla 2.14: Cálculo de test de razón e indice de bondad para modelo AFI 1Y1. ..... 40
Tabla 2.15: Cálculo de test de razón e índice de bondad para modelo ACI 1Y1. .... 41
Tabla 2.16: Cálculo de test de razón e índice de bondad para modelo ACI 1. ........ 42
componente. .......................................................................................................... 44
Tabla 2.18: Matriz de correlación entre las variables predictivas. .......................... 45
Tabla 2.19: Posibles modelos de 5, 4 y 3 variables de flujómetro virtual de ácido
sulfúrico. ................................................................................................................ 46
Tabla 2.20: Cálculo de test de razón e índice de bondad para modelo BEI1Y1. ..... 48
Tabla 2.21: Cálculo de test de razón e índice de bondad para modelo EF 1I1Y1..... 49
xvii
Tabla 2.22: Cálculo de test de razón e índice de bondad para modelo ABI 1Y1. ..... 50
Tabla 2.23: Cálculo de test de razón e índice de bondad para modelo AF1I1Y1..... 51
Tabla 3.1: Variables involucradas en modelos de pesómetro virtual. .................... 55
Tabla 3.2: Variables involucradas en modelos de flujómetro virtual de agua. ....... 59
Tabla 3.3: Variables involucradas en modelos de flujómetro virtual de ácido. ....... 63
Tabla 3.4: Modelos matemáticos del flujómetro virtual de ácido, línea1. ............... 69
Tabla 3.5: Modelos matemáticos del flujómetro virtual de agua, línea1. ................ 70
Tabla 3.6: Modelos matemáticos del pesómetro virtual, línea1. ............................ 71
Tabla 3.7: Modelos definitivos del pesómetro virtual, línea1. ................................. 77
Tabla 3.8: Modelos definitivos del flujómetro virtual de agua, línea1. .................... 78
Tabla 3.9: Modelos definitivos del flujómetro virtual de ácido, línea1. ................... 78
Tabla 3.10: Orden de estado estacionario de cada sensor virtual. ........................ 79
Tabla 3.11: Orden de estado transitorio de cada sensor virtual. ............................ 80
Tabla 3.12: Orden de modelos por falla de variable, estado estacionario. ............ 81
Tabla 3.13: Orden de modelos por falla de variable, estado transitorio. ................ 81
Tabla 4.1: Indicadores importantes. ....................................................................... 98
Tabla 4.2: Costo de oportunidad por no apilamiento aproximado, por día y hora. . 99
1
CAPÍTULO 1
ASPECTOS GENERALES EN DIVISIÓN GABRIELA MISTRAL
1.1 INTRODUCCIÓN
Como bien se sabe hoy en día, la minería en Chile es el gran ingreso

económico que percibe el país, siendo Codelco su principal empresa que aporta la
mayor cantidad. Por otro lado la ley de cobre en la minería en general es cada vez
más baja. Por estas y otras razones los procesos asociados a la extracción de
cobre en las empresas mineras, deben poseer la tecnología necesaria para
cumplir con metas de producción esperadas y obtener las menores perdidas como
fallas posibles, para de esta manera poder cumplir con niveles de producción.
División Gabriela Mistral (DGM) o minera Gaby, es una minera que se

encarga extraer óxidos de cobre y se caracteriza por tener una baja ley media, la
que bordea aproximadamente el 0,3%, es por ello que se intenta innovar
constantemente en tecnología eficiente de manera de abaratar en costos de
producción y mantención.
Esta división posee básicamente 3 etapas de producción, las cuales son

área mina, área seca y área húmeda.
El área seca además de ser la etapa media entre las áreas mina y
húmeda, abarca el mayor territorio de la minera, ya que contempla las etapas de
Chancado, Acidificación, Apilamiento y Ripio. Esto genera la gran importancia que
2
Capítulo 1 - Aspectos Generales en División Gabriela Mistral
posee esta área, ya que allí se encuentran la mayor cantidad de equipos,

maquinarias, elementos de medición, entre otros.
Uno de los procesos más importantes en el área seca corresponde a

acidificación, que es donde llega el mineral seco proveniente desde Chancado
Terciario para obtener un mineral húmedo y aglomerado. Esto se genera mediante
tres líneas de producción similares que empiezan en un único silo de mineral fino
que alimentan correas transportadoras y éstas a su vez depositan el mineral a
tambores acidificadores para la posterior sulfatación que se lleva a cabo por medio
de una dosificación entre ácido sulfúrico y agua, para ser depositados a una única
correa transportadora que llevara el mineral húmedo a la etapa posterior
correspondiente a apilamiento.
Acidificación es considerada un área crítica en la división, ya que ocurren

recurrentemente fallas en sus equipos y principalmente en sus elementos de
medición o sensores, y deben ocupar gran cantidad de recursos y horas hombres
para solucionarlas, ya que adquirir sensores de manera inmediata resulta difícil
debido a su alto costo que estos poseen. Por otro lado la información entregada
por estos sensores se utiliza a nivel gerencial, de ahí también su importancia en
caso de fallar.
De acuerdo a lo anterior, nace la necesidad de optimizar el sistema de

medición perteneciente al área de acidificación, permitiendo eliminar
mantenciones no programadas y retrasos en la producción, ya que al fallar algún
sensor importante se debe parar la línea de producción que pertenezca a éste.
Para solucionar los temas planteados anteriormente, se propone una

solución efectiva, que consiste en la implementación de instrumentación virtual en
el sector, específicamente sensores virtuales (soft-sensors) que permita conocer
3
valores en tiempo real y a su vez reemplazar temporalmente en caso de falla a

sensores reales y reducir así perdidas en la división respecto a tiempos muertos
de operación por realizar cambios, entre otros. Además este tipo de sensores son
de muy bajo costo debido a que su operación se basa básicamente en un
software.
Un sensor virtual está basado en otras señales, denominadas variables de

entrada, lo que implica que no se puede hacer un cambio en su totalidad por
sensores reales. Es por esto que su utilización se basa en mayor parte a apoyar a
los sensores reales, o en caso que resultara económicamente inconveniente la
instalación de un sensor real. Por esta razón el tipo dela modelación debe poseer
bastantes ventajas y la mayor simplicidad posible (principio de parsimonia) para el
momento de operar.
De acuerdo a lo planteado anteriormente, los modelos estadísticos

(estocásticos) presentan muy buenas características para su elección, ya que
permite el uso de técnicas de regresión lineal simple y múltiple y así aprovechar
sus ventajas en el desarrollo de estos sensores.
El objetivo del desarrollo de estos sensores virtuales, es estimar y predecir

el flujo de agua y de ácido sulfúrico, como también el tonelaje hora, todo esto para
las tres líneas de producción perteneciente al área de acidificación, por tanto será
necesario diseñar nueve sensores virtuales. Esta instrumentación virtual servirá
de apoyo en caso de falla de la instrumentación real existente.
También será necesario el diseño de un décimo sensor virtual, que sea

capaz de estimar y predecir el tonelaje hora húmedo, que converge desde las tres
líneas de producción, hacia una única correa transportadora.
4
Para el diseño de esta instrumentación virtual, se debe tener en claro

cuáles son las variables de entrada y salida que posee la planta. Por otro lado
también se debe establecer una estructura de diseño y selección de los modelos
matemáticos de los sensores virtuales. También establecer las condiciones de
funcionamiento, para posteriores calibraciones en caso de cambio de algún punto
de operación del sistema.
1.1.1 Objetivo general
Diseñar, desarrollar e implementar sensores virtuales de tonelaje hora, y

flujos de agua y ácido en el Proceso de Acidificación, para optimizar el sistema de
medición actual en el área.
1.1.2 Objetivos específicos
1. Describir el proceso de acidificación, identificando características y

variables importantes a considerar.
2. Aplicar la teoría de diseño y funcionamiento de sensores virtuales,

identificando sus ventajas y desventajas.
3. Utilizar programas computacionales para el diseño de modelos y

validaciones.
4. Comprobar sensores virtuales mediante pruebas en terreno.
5. Validar económicamente la implementación de esta instrumentación

virtual.
5
1.2 DESCRIPCIÓN DE LA EMPRESA
Primero se describe en forma general la institución minera donde se

realiza este trabajo de título.
División Gabriela Mistral (DGM) fue fundada en mayo del año 2008, el
entonces Proyecto Gaby, era una filial 100% de Codelco. En ese periodo se inició
la explotación de la mina Gabriela Mistral, ubicada en la Región de Antofagasta,
en la comuna de Sierra Gorda, aproximadamente a 120 kilómetros al suroeste de
Calama y a 2.660 metros de altitud. Se trata de la segunda faena minera
desarrollada íntegramente por la Corporación, desde su descubrimiento, ingeniería
y construcción, hasta la puesta en marcha.
La explotación se efectúa a rajo abierto. El yacimiento tiene una vida útil

de 15 años y contiene 620 millones de toneladas de mineral oxidado, con una ley
media de 0,41% de cobre total.
El proceso productivo contempla las etapas de chancado primario,

secundario y terciario; curado en tambores acidificadores, lixiviación en pilas
dinámicas, disposición de ripios, extracción por solventes (SX), electro-obtención
(EW) y su producción de cátodos de cobre es transportada al puerto de Mejillones.
DGM explota un yacimiento de baja ley, por lo que permanentemente está

innovando con la aplicación de modernos estilos y prácticas de gestión, una
estructura organizacional dinámica-eficiente y procesos para asegurar el control
de calidad. Utiliza las mejores prácticas mundiales de la minería con un fuerte
liderazgo en gestión operativa y visión de negocios, con una vocación marcada
por la seguridad y el cuidado de sus trabajadores y del medio ambiente. También
mantiene relaciones de mucho respeto con sus empresas colaboradoras, las
6
comunidades aledañas y autoridades regionales, sobre la base de la política de

desarrollo sustentable que lleva adelante Codelco.
El primero de enero del año 2013, Minera Gaby pasó a ser operada
directamente por Codelco, convirtiéndose en una nueva División.
1.2.1 Características de la empresa.
División Gabriela Mistral promueve ciertos valores, que Codelco considera

necesario. Estos valores se definen en una carta de siete valores, los cuales son:
1. Respeto a la vida y dignidad de las personas

2. La responsabilidad y el compromiso
3. La competencia de las personas
4. El trabajo en equipo
5. Excelencia en el trabajo
6. La innovación
7. El desarrollo sustentable
En la definición del modelo de negocio de esta división, se incorporan

cuatro compromisos.
Entre los ámbitos que más enorgullecen a Gabriela Mistral, está el que es
la empresa minera en Chile que posee el mayor porcentaje de dotación femenina,
con un total promedio de 25% en áreas productivas y administrativas. Ello se
compara con el promedio de 6% de dotación de mujeres en la industria minera en
Chile. Además incorporándolo como normativa, que al menos un 20% de la
dotación actual sean mujeres.
7
Fig.1.1:Compromisos de División Gabriela Mistral. (Modelo de negocio de DGM).
En el ámbito de la innovación y tecnología DGM es la primera operación

minera del mundo que utiliza el 100% de camiones de extracción autónomos, es
decir, sin operador, siendo la mayor flota autónoma de estos camiones en el
mundo con 17 camiones. Por otro lado DGM se encuentra regularmente
evaluando la incorporación de tecnologías no contaminantes, como por ejemplo
las energías renovables no convencionales. En 2013 se puso en marcha la Planta
Pampa Elvira Solar, la mayor planta en su tipo en Chile, que utiliza energía solar
para el calentamiento de soluciones del proceso productivo. El aporte de la planta
se traduce en 54.000 MWh/año calóricos promedio, desplazando sobre el 85% del
combustible fósil actualmente utilizado para el funcionamiento de las naves de
electrowinning (electro-obtención). Con ello DGM deja de emitir al año 15 mil
toneladas al año de C02, casi 250 viajes de camión para trasladar el combustible,
entregando al proceso alrededor de 52 GW/año (térmicos). Los futuros proyectos
que se vienen son: perforadora autónoma y visión artificial (para calidad catódica,
monitores de palas y correas).
Con respecto a las comunidades originarias, DGM presenta un 10% de

trabajadores pertenecientes a éstas. También se entregan capacitaciones y becas,
8
junto con asistencia y apoyo permanente. Existen proyectos asociativos a la

comunidad, de apoyo a la identidad y patrimonio local.
Finalmente, para el Medio Ambiente, DGM presenta los siguientes

alcances:
 Certificación ISO 14.001 – 2004 (Sistema de Gestión Integral)

 Certificación A+ en Reporte de Sustentabilidad (GRI)
 Compromiso con Protección de la Biodiversidad, Ave – Fauna.
 Control y monitoreo del material particulado
 Eficiencia del recurso hídrico (monitoreo permanente de pozos, planta
de tratamiento de RILES y el agua tratada es reutilizada en procesos)
1.2.2 Procesos de producción
En la División los procesos de producción se dividen principalmente en 3

áreas para la administración y el mantenimiento, las cuales son: Área Mina
(verde), Área Seca (rojo) y Área Húmeda (azul). En la figura 1.2 se pueden
observar estas áreas de producción en DGM.
Fig.1.2: Diagrama de los procesos de producción en DGM. (Manual de Operaciones).

9
El trabajo de titulación, se realizará en el proceso de acidificación, (área

seca). Por tanto es importante conocer los procesos previos pertenecientes a la
misma área. A continuación se ilustra de manera general las etapas del área seca
en la figura 1.3, esto se visualiza en tiempo real a través del software PI System.
Fig. 1.3: Diagrama General del área seca en DGM. (Pi System).
1.3 PROCESO DE ACIDIFICACIÓN
El proceso de minera Gaby, sigue por la vía chancado, acidificación

apilamiento de mineral, descarga de ripios, lixiviación en pilas, extracción por
solventes y electro-obtención. La acidificación, cuya operación es en línea, es un
eslabón muy importante en la cadena del proceso.
1.3.1 Aglomeración
El proceso de aglomeración es el pre tratamiento al proceso de lixiviación

en pilas dinámicas, es aquí donde se mezcla el mineral, agua y aditivos que son
sometidos a un movimiento de rodadura que producen la agregación de fracciones
finas, generando partículas de mayor tamaño.
10
El curado consiste en agregar ácido concentrado durante el proceso de

aglomeración. Es un pre tratamiento químico en el que se mejora la respuesta
cinética de disolución de cobre, además inhibe la disolución de sílice y actúa como
elemento ligante entre las partículas. Por otro lado una mayor tasa de curado
indica una menor adición de agua en el tambor.
Los objetivos de la aglomeración son los siguientes:
 Conseguir una mayor permeabilidad en el lecho de la pila.

 Distribución homogénea de solución lixiviante en lecho de la pila.
 Proporcionar una estructura física de la pila estable.
 Aumentar la cinética de extracción de la especie útil.
Las variables que condicionan la calidad del glomero son las siguientes:
 Humedad de aglomeración.
 Características del material que se aglomera.
 Características del tambor (diseño).
 Condiciones de operación del tambor.
 Aplicación de aditivos ligantes.
Fig. 1.4: Diagrama de proceso de Aglomeracion y Curado (Manual de Operaciones).

11
1.3.2 Descripción del proceso
La acidificación se realiza en tres tambores rotatorios de 3,7 m de

diámetro y 11 m de largo, con una capacidad por tambor de 2.612 t/h (secas), la
alimentación a éstos es el producto final de la planta de chancado, constituido por
un 80% bajo 12,7 mm y 99% bajo 20 mm. Como elementos acidificadores y de
curado se adiciona ácido sulfúrico concentrado y agua.
Los silos de 1.150 toneladas de capacidad viva cada uno, son el elemento
articulador entre las plantas de chancado y acidificación, participando en ambos
procesos este permite seguir operando la aglomeración durante detenciones
menores y medianas de la planta de chancado.
Fig. 1.5: Descarga de mineral desde chancado terciario a silos de finos.
La descarga del silo se realiza mediante dos alimentadores de cinta de 84”

de ancho y 8 m de largo y velocidad variable 0,3 m/s. El mineral se transfiere al
tambor acidificador mediante una correa transportadora de 54” de ancho y 67 m
de longitud horizontal, en la cual se ubica el pesómetro que sirve para controlar la
carga y la dosificación de ácido y refino al tambor.
12
Fig. 1.6: Descarga de alimentadores en dirección a tambores acidificadores.
En el tambor se agrega ácido sulfúrico concentrado y agua (Caudal

instantáneo por tambor: Ácido sulfúrico: 14 m³/h y Agua: 84,7 m³/h), para iniciar la
sulfatación del cobre y lograr un mineral acidificado homogéneo con un tiempo de
residencia de 38 segundos, de baja adherencia a los medios de transporte y que
no se destruya fácilmente. Una vez que el mineral es aglomerado, este es
descargado en correas transportadoras para dirigir el mineral al área de
apilamiento.
El ácido sulfúrico proviene del estanque diario de ácido sulfúrico y es

dosificado mediante válvulas reguladoras de flujo.
El caudal de ácido y de agua es medido mediante medidores magnéticos y

dosificado en forma proporcional al tonelaje de mineral alimentado al tambor
aglomerador, con valores ingresados por el operador, según instrucciones
recibidas. El control del peso de mineral se realiza mediante un pesómetro
ubicado en la correa transportadora de alimentación al tambor acidificador. En la
figura 1.7se observa la etapa de acidificación.
13
Fig.1.7: Diagrama de proceso de Acidificación (Manual de Operaciones).
1.3.3 Descripción de equipos e instalaciones principales
La planta de acidificación para su óptimo funcionamiento, posee

instalaciones y equipos principales que se dividen en grupos, de la siguiente
forma.
 Equipos de proceso: Son los que modifican las características físicas y/o
químicas del mineral, en este caso específico, el aglomerador.
 Instalaciones de almacenamiento y transporte: El silo, compartido con la
planta de chancado, amortigua las variaciones en el suministro de mineral y
permite regular la alimentación al aglomerador, los alimentadores y la correa
que dosifican, transfieren y/o transportan los productos.
 Sistemas de control de emisiones de polvo: Solo por supresión.
 Elementos de protección y control: Normalmente asociados a equipos o
instalaciones.
14
De acuerdo a estos grupos, se presenta el listado de equipos

pertenecientes a acidificación, los cuales se adjuntan en la tabla a continuación.
Tabla 1.1: Descripción resumida de instalaciones en área de acidificación.
TAG EQUIPOS DE PROCESO

147-FE-018/19/20 Alimentadores de correa con velocidad variable y descarga con tolva de finos
147-CV-013/14/15 Correas de alimentación al tambor aglomerador
150-AD-001/02/03 Tambores Acidificadores
150-CV-017 Correa colectora de mineral acidificado
150-CV-018 Correa de traspaso al sistema de carguío de pilas
TAG EQUIPOS AUXILIARES
150-AB-001 Sistema lavador de Gases
147-DN-063/64/65 Sistema de abatimiento de polvo (neblina seca), sobre correas de
alimentación al tambor acidificador
147-WE-008/09/10 Pesómetros en correas de alimentación a tambores acidificadores
147-PP-001 Sistema de colección de derrames en zona de silos finos
150-PP-001 Sistema de colección de derrames en zona de acidificación
147-CN-019/20 Tecles monorriel para mantenimiento de poleas de cabeza y sistemas
motrices de alimentadores
147-CN-028 Tecles monorriel para mantenimiento de poleas de cola de los alimentadores
147-CN-021 Tecles monorriel para mantenimiento de poleas de cola de las correas de
alimentación a acidificadores
147-CN-027 Tecles monorriel para mantenimiento de los sistemas motrices de las correas
de alimentación a acidificadores
Como se aprecia, en la columna izquierda aparecen unos códigos

llamados Tags, los cuales sirven para ver el funcionamiento en tiempo real e
histórico de cada equipo, instalación, medidor, etc. Todo esto en el software Pi
System, este programa será de gran ayuda para la recopilación de mediciones en
el tiempo que se estime conveniente para las modelaciones y validaciones de la
instrumentación virtual que se presentara en el siguiente capítulo.
15
CAPÍTULO 2
INSTRUMENTACION VIRTUAL
2.1 SENSORES VIRTUALES
Los sensores virtuales no son más que una transformación de la

información de varios sensores físicos o de una fusión de sensores en una
variable de la cual no se pueda obtener un valor directo. Las razones que sugieren
la implementación de sensores virtuales son muy variadas y van desde dificultad
para medir la variable en cuestión, costos elevados del sensor, tiempos de
respuesta muy lentos o simplemente por inexactitud inaceptable, en otras
ocasiones pueden estar muy alejados del proceso; esto ha hecho que su
popularidad crezca.
Un sensor virtual estima propiedades de un producto o estados de

proceso por medio de la utilización de modelos matemáticos y/o con ayuda de
sensores físicos en vez de obtener directamente el valor de la variable.
Los sensores virtuales son especialmente útiles cuando se desea

mantener continuamente una medición de una variable, ya sea porque el sensor
real se descompuso o averió, de tal manera que no se pierda información durante
un tiempo prolongado. Otra característica importante del uso de éstos, es el
estado del proceso que no permite la instalación de un sensor físico real.
16
Capítulo 2 – Instrumentación Virtual
Las técnicas de modelación e implementación con sensores virtuales son

relativamente simples si se cuenta con los programas e información necesaria,
pero se debe cumplir con estándares de calibración, certificación y validación.
Considerando que en el proceso de acidificación, se conocen solamente

los datos de entrada y salida, y que el proceso es no lineal, es necesario ocupar
modelos que presenten grandes ventajas en la identificación, tales como la
correlación existente entre la salida deseada y todas las componentes del sistema,
como lo ostentan los modelos de regresión lineal múltiple en la selección de
componentes de estructuras.
2.2 SELECCIÓN DE COMPONENTES
Como se explicó en el capítulo anterior, el objetivo es implementar diez

sensores virtuales en el área de acidificación para la medición de tonelaje de
mineral seco y húmedo, como también para medir los caudales de agua y ácido
sulfúrico que producen el proceso de aglomeración y curado respectivamente.
Para llevar a cabo este trabajo, primero se deben identificar las

componentes involucradas en el área, para poder discernir y seleccionar cuáles de
éstas se pueden considerar variables de entrada para cada modelo de un sensor
virtual.
Para establecer el tiempo de muestreo es necesario conocer la planta a

modelar. La instrumentación perteneciente al área seca posee un tiempo de
muestreo mínimo y preciso de entre 10 y 15 segundos, ya que es posible
visualizar de gran manera todos los procesos productivos en la planta. Este tiempo
es designado por personal de operaciones de la división. Esto se puede reflejar a
17
través del software PI System, que muestra en tiempo real toda información
necesaria de producción.
2.2.1 Componentes candidatas
Teniendo el tiempo de muestreo establecido, el siguiente paso es

determinar todas las componentes candidatas que puedan formar parte de los
modelos matemáticos.
Para obtener las componentes de la estructura de los modelos de cada

sensor virtual, se postulan las componentes o variables candidatas, las cuales son
retardadas hasta tres muestras (o cuatro para verificación), lo que corresponde a
un tiempo de 45 segundos. Esto debido a que se ha observado en la aplicación
del método de regresión lineal múltiple, que las componentes con un retardo
superior a tres muestras no hace un aporte estadísticamente apreciable a las
estructuras.
Se empleará el término (k) para señalar que se trabajarán con muestras,

por ende (k-n), quiere decir “n” muestras atrasadas. En este caso se trabajará con
hasta (k-3) muestras.
Los sensores virtuales que se implementarán en las tres líneas de

acidificación, y en la correa 17, (en la cual se descarga el mineral acidificado
proveniente de los 3 tambores acidificadores) se detallan de la siguiente manera:
 Sensor Virtual de tonelaje dinámico en correa, línea 1

18
 Sensor Virtual de flujo de ácido sulfúrico en tambor línea 1

 Sensor Virtual de flujo de agua en tambor línea 1
 Sensor Virtual de tonelaje dinámico en correa 17 ( sin línea)
La metodología establecida para el diseño de los primeros nueve sensores

virtuales es básicamente la misma para cada línea, es decir, el diseño del sensor
virtual de tonelaje dinámico en la línea 1 se calcula de igual manera para el
tonelaje dinámico de la línea 2 y 3, la misma analogía para los sensores de flujo
de agua y ácido sulfúrico. Por este motivo, si bien es cierto, el diseño, análisis e
implementación se realizará a las tres líneas de acidificación, para efectos de
redacción solo se enseña y explica una línea.
Por otro lado, las variables candidatas que podrían formar parte de los
modelos matemáticos, serán un grupo seleccionado perteneciente al área de
acidificación, esto implica que las mismas variables utilizadas para obtener un
sensor de flujo de agua serán las mismas para un sensor de tonelaje o flujo de
ácido sulfúrico
Se presentan todas las componentes candidatas que pueden formar parte

de los modelos, pertenecientes a una línea de acidificación (Línea 1), estas son
de tonelaje, flujos de ácido sulfúrico y de agua, a continuación se detallan en la
siguiente tabla.
19
Tabla 2.1: Variables de entrada candidatas Línea 1 de Acidificación.

Pesómetro Virtual Tonelaje Flujómetro Virtual Ácido Sulfúrico 3
3
Flujómetro Virtual Agua [m /h]
Dinámico Mineral Seco [ton/h] [m /h]
3 3 3
Flujo Ácido Sulf. Tambor [m /h] Flujo Ácido Sulf. Tambor [m /h] RET Flujo Ácido Sulf. Tambor [m /h]
3 3 3
Flujo Agua Tambor [m /h] Flujo Agua Tambor [m /h] Flujo Agua Tambor [m /h] RET
Abertura Válvula Ácido Sulf. [%] Abertura Válvula Ácido Sulf. [%] Abertura Válvula Ácido Sulf. [%]
Abertura Válvula Agua [%] Abertura Válvula Agua [%] Abertura Válvula Agua [%]
Velocidad Correa [%] Velocidad Correa [%] Velocidad Correa [%]
Pesómetro Min. Correa [ton/h] RET Pesómetro Min. Correa [ton/h] Pesómetro Min. Correa [ton/h]
Corriente Motor Correa [%] Corriente Motor Correa [%] Corriente Motor Correa [%]
Dosificación Ácido Min. [kg/ton] Dosificación Ácido Min. [kg/ton] Dosificación Ácido Min. [kg/ton]
Dosific. Agua Mineral [kg/ton] Dosific. Agua Mineral [kg/ton] Dosific. Agua Mineral [kg/ton]
Veloc. Alimentador Correa [%] Veloc. Alimentador Correa [%] Veloc. Alimentador Correa [%]
Velocidad Tambor [rpm] Velocidad Tambor [rpm] Velocidad Tambor [rpm]
Se aprecia en la tabla anterior que las variables que se desean estimar y

predecir, también aparecen como variables de entradas, esto porque variables
atrasadas también contribuyen de buena manera al modelamiento de su salida.
A las variables candidatas se les asignarán letras para facilitar la

redacción y comprensión de éstas. Para cada sensor las variables obtendrán
similares letras pero el análisis se realizará por separado, por ende no habrá
complicación en la identificación de cada sensor. Se presentan primeramente las
variables candidatas con sus letras asignadas, para la estimación y predicción del
sensor virtual de tonelaje dinámico de mineral seco (referido siempre a la línea 1
de acidificación), terminando en este sensor se procederá al diseño del segundo
sensor virtual de flujo de ácido sulfúrico y posteriormente al de flujo de agua.
20
Se denomina Y (k) a la variable que se desea estimar, en este primer caso

corresponde al tonelaje de mineral seco, seguido del flujo de ácido sulfúrico y flujo
de agua.
2.2.2 Elección de componentes candidatas
La información necesaria en cuanto a base de datos históricos para la

elección de variables, modelación y posterior comprobación, la entregará el
software PI System, que implementó Codelco en todas sus divisiones productoras
de cobre. Este software entrega información en tiempo real de todas las
actividades desarrolladas en la minera, ya sea producción pronosticada o real,
fallas de plantas, mediciones de sensores, etc. Es capaz de programar una gama
de funciones de operación y recopilar información desde el inicio de la minera,
funcionando como una poderosa base de datos y de programación, teniendo
además complementos con Microsoft Excel para trabajar en conjunto con
comandos en común. Por esta razón se utiliza esta herramienta, para la
recopilación de datos y posterior comprobación y validación de los sensores
virtuales diseñados.
Para realizar la elección de las componentes candidatas, que puedan

formar parte de los sensores virtuales, se usará el software Statgraphics.
Statgraphics es un programa estadístico, de gran facilidad para el usuario

y que permite obtener interesantes resultados, tanto a nivel de cálculos como
gráficos. Incluye técnicas de estadísticas básicas descriptivas e inferenciales,
análisis multivariado, series temporales, etc. También se utilizan como apoyo los
resultados de la planilla Excel.
21
Para determinar la calidad de cada componente (respecto a la variable

que corresponda estimar) y poder realizar los modelos de regresión lineal múltiple,
es necesario determinar el coeficiente de correlación múltiple R2, de cada una de
las componentes candidatas. Esto entrega la significancia independiente de cada
una y permite la manipulación de las componentes, esto se realiza para mejorar
los modelos en la aplicación práctica.
El coeficiente de correlación múltiple, está dado por la ecuación de Karl

Pearson:
2
∑(𝑦𝑘 − 𝑦̂ 𝑘 )2 ( 2.1)
𝑅 =1−
∑(𝑦𝑘 − 𝑦̅ 𝑘 )2
Donde 𝑦̂𝑘 es la salida estimada del modelo, 𝑦𝑘 es la salida real e𝑦̅𝑘 es la media de
la salida real.
2.2.3 Elección de modelos para sensor virtual
El estudio de los modelos, consta de dos etapas, donde los análisis son:
 Análisis teóricos de los modelos.

 Análisis prácticos de los modelos (Validación).
En el análisis teórico es importante tener en cuenta, que luego de tener

estas componentes predictivas, el camino a seguir para diseñar buenos modelos
en un sensor virtual, depende tanto de la significancia de la componente predictiva
dentro del modelo (test de razón), como del conocimiento que se tenga del
proceso, las características de funcionamiento del sensor virtual y la habilidad para
poder generar buenos modelos.
22
La estimación de parámetros en los modelos, es a través del método de

los mínimos cuadrados, esto se debe a que el software Statgraphics, ocupa este
método para la estimación de los parámetros y es más beneficioso ocupar este
método, ya que se tiene acceso a todo en un mismo software. Al realizar el estudio
de los modelos, se decide eliminar la normalización estadística, debido a que los
parámetros obtenidos para los modelos no son buenos. Se estiman los
parámetros con los datos originales y los problemas de trabajar con este tipo de
datos, se explican cuando se analicen los modelos.
Luego de tener los modelos será necesaria la validación de estos, la cual

se realizará por los índices de bondad con nuevos datos, en donde la planta de
acidificación funcionará en distintos puntos de operación en su inicio, esto quiere
decir que se le aplicarán perturbaciones intencionales en una salida de planta para
probar y a su vez darle robustez a los modelos del pesómetro virtual.
El último paso para obtener los modelos de acuerdo con esta metodología,
es establecer sí las componentes predictivas de los modelos poseen significancia
estadística. Para comprobar esta condición es necesario aplicar el test de razón a
las componentes predictivas de los modelos a evaluar.
El test de razón está dado por la siguiente ecuación:
𝜎𝜃̂
≤ 𝑚𝜃 ( 2.2)
𝜃̂
Donde 𝜎𝜃̂ es el error estándar del parámetro (desviación del parámetro), 𝜃̂

es el tamaño del parámetro y 𝑚𝜃 es la razón de este cociente que debe ser igual o
menor a 0,5. Esto significa que hay una alta probabilidad de que el coeficiente
23
respectivo sea distinto de cero y que exista una relación estadísticamente

significativa entre las variables.
Los índices evaluados corresponden al coeficiente de correlación múltiple

(𝑅 2 ), coeficiente de correlación múltiple ajustado (𝑅𝑎2 ) y error estándar de
estimación.
El coeficiente de correlación múltiple ajustado está dado por la siguiente

ecuación de Karl Pearson:
𝑁−1 ( 2.3)
𝑅𝑎2 = 1 − (1 − 𝑅 2 )
𝑁 − 𝑛𝜃
Donde 𝑅2 es el coeficiente de correlación múltiple, N el número total de

datos y 𝑛𝜃 el número total de parámetros del modelo.
El error estándar de estimación, definido por el inglés UdnyYule, está dado

por la siguiente ecuación.
1 𝑁 ( 2.4)
∑ (𝑦 − 𝑦̂𝐾 )2
𝑠𝑒 = √ 𝐾=1 𝐾
𝑁
𝑁 − 𝑛𝜃
Donde 𝑦
̂𝐾 es la salida estimada del modelo, 𝑦𝐾 es la salida real.
Posterior a la validación de los modelos será necesario tener en cuenta

dos condiciones propias de ellos, las cuales son la Precisión y Exactitud
Estas condiciones entregan la calidad de los modelos obtenidos, y así

determinar cuáles de estos son más apropiados para los sensores virtuales.
24
La precisión, expresada en porcentaje, está dada por la siguiente

ecuación, definida por la estadística descriptiva de Adolphe Quetelet:
𝜀(𝑘, 𝜃) ( 2.5)
𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 =
𝑦(𝑘)
Donde 𝜀(𝑘, 𝜃)es el error de predicción, 𝑦(𝑘) la salida verdadera, y 𝜃 los

parámetros a ser ajustados.
El error de predicción viene dado por la siguiente ecuación:
𝜀(𝑘, 𝜃) = 𝑦(𝑘) − 𝑦̂(𝑘) ( 2.6)
Donde 𝑦̂(𝑘) es la salida estimada del modelo.
Por otro lado la exactitud, expresada en porcentaje, viene dada por la

siguiente ecuación definida por la estadística descriptiva de Adolphe Quetelet:
𝜀(𝑘, 𝜃) ( 2.7)
𝐸𝑥𝑎𝑐𝑡𝑖𝑡𝑢𝑑 =
𝑦(𝑘)𝑚𝑎𝑥
Donde 𝑦(𝑘)𝑚𝑎𝑥es la salida verdadera máxima que posee la lectura real del
sensor real.
En cada caso el valor máximo que se encuentre, tanto de precisión como

de exactitud en cada modelo, será el que corresponderá al modelo.
25
2.3 DISEÑO DE SENSOR VIRTUAL DE TONELAJE DE MINERAL SECO
Para el diseño del pesómetro virtual de la correa transportadora, se eligen

de las variables candidatas, aquellas que cumplan con la calidad que determina el
coeficiente de correlación múltiple, esto es, todas las variables que presenten una
alta correlación con la variable a estimar.
Las variables candidatas para los modelos matemáticos del sensor virtual
de tonelaje dinámico de mineral seco, son las siguientes:
 Y(k)=Pesómetro de mineral seco de correa transportadora [ton/h]

 A(k)= Flujo Ácido Sulfúrico Tambor Acidificador [m3/h]
 B(k)= Flujo Agua Tambor Acidificador [m3/h]
 C(k)= Abertura Válvula Ácido Sulfúrico Tambor Acidificador [%]
 D(k)= Abertura Válvula de Agua Tambor Acidificador [%]
 E(k)= Velocidad de la correa transportadora [%]
 F(k)= Corriente de motor de correa transportadora [%]
 G(k)=Dosificación tasa Ácido/Mineral [kg/ton]
 H(k)=Dosificación tasa Agua/Mineral [kg/ton]
 I(k)=Velocidad de alimentador de correa (Feeder) [%]
 J(k)=Velocidad del tambor Acidificador [rpm]
Para determinar la correlación existente entre las variables predictivas y la

variable a estimar, se determinan mediciones de todas las variables candidatas,
en un rango de dos días con intervalos de 15 segundos, donde se obtuvo un total
de 11.525 datos por cada variable, número que fue reducido a un total de 9.275
datos, por encontrar valores atípicos, ya que al extraer estos datos de un software,
suele entregar a veces valores inconsecuentes o erróneos.
26
La tabla 2.2 muestra el coeficiente de correlación lineal (simple) que

resulta entre la componente tonelaje con cada componente candidata.
Tabla 2.2: Coeficiente de correlación lineal entre la la salida Y(k) y cada componente.
A(k) 87,2958 A(k-1) 78,9132 A(k-2) 67,2479 A(k-3) 57,3632
B(k) 81,0709 B(k-1) 75,4743 B(k-2) 67,6479 B(k-3) 60,1212
C(k) 59,5688 C(k-1) 54,0796 C(k-2) 42,5948 C(k-3) 32,1587
D(k) 43,5123 D(k-1) 40,4823 D(k-2) 35,3448 D(k-3) 30,1922
E(k) 0,5048 E(k-1) 0,9552 E(k-2) 1,4983 E(k-3) 0,8966
F(k) 90,2034 F(k-1) 90,7375 F(k-2) 82,6833 F(k-3) 72,1972
G(k) 0,0740 G(k-1) 0,4529 G(k-2) 0,5974 G(k-3) 0,4938
H(k) 0,2652 H(k-1) 0,2016 H(k-2) 0,1018 H(k-3) 0,0669
I(k) 65,6349 I(k-1) 70,6096 I(k-2) 66,9195 I(k-3) 59,5663
J(k) 50,7701 J(k-1) 53,0966 J(k-2) 48,9313 J(k-3) 43,1960
Y(k-1) 90,5733 Y(k-2) 78,9438 Y(k-3) 70,0663
Las componentes que se encuentran destacadas en color amarillo, son las

que presentan el mayor coeficiente de correlación lineal (R2) con la variable Y(k),
además entre sus retardos. Previamente se fija un estándar de correlación umbral
de un 60%, esto quiere decir que se asumen variables de los modelos aquellas
que presenten igual o mayor correlación con la variable a estimar.
Las componentes predictivas seleccionadas son A(k), B(k), F(k-1), I(k-

1),Y(k-1). El siguiente paso es que entre a estas componentes, se les debe
establecer la correlación entre ellas y no debe ser superior a 0.5, ya que se
generan problemas de multicolinealidad.
La tabla 2.3 muestra la matriz de correlación existente entre las

componentes predictivas.
27
Tabla 2.3: Matriz de correlación entre las variables predictivas.

Correlaciones A B F1 I1 Y1
A -
B -0,2843 -
F1 0,1011 -0,0218 -
I1 -0,0669 -0,1468 -0,1704 -

Y1 -0,4433 -0,3021 -0,5934 -0,2121 -
Como se aprecia en la tabla 2.3, el subíndice “1” que acompaña a algunas

variables, implica que las variables en cuestión están retrasadas en una muestra.
La correlación entre las componentes predictivas que están destacadas en

color rojo, supera el umbral establecido (0,5). Esto indica que estas variables (F(k-
1) y Y(k-1)) no pueden coexistir en un mismo modelo de regresión lineal múltiple,
ya que pueden generar un problema muy común, que es la sobre parametrización
del modelo.
2.3.1 Elección de modelos para pesómetro virtual
Las componentes predictivas seleccionadas anteriormente, son las

encargadas de formar parte de los modelos matemáticos del pesómetro virtual.
Estas componentes cumplen con casi todas las especificaciones requeridas para
la construcción del sensor virtual de los modelos, a través de técnicas de
regresión.
Se elabora una tabla con las posibles combinaciones que dan origen a los
modelos matemáticos. Esta tabla se elabora con ayuda del software Derive 5, el
cual posee una calculadora de combinaciones y permutaciones posibles.
28
La tabla 2.4muestra los posibles modelos que podrían formar parte del
pesómetro virtual, restringidos por la tabla 2.3.
Tabla 2.4: Posibles modelos de 5, 4 y 3 variables de pesómetro virtual.

5 variables 4 variables Modelos de 3 variables
ABF1I1Y1 ABF1I1 ABF1 BF1I1
ABF1Y1 ABI1 BF1Y1
ABI1Y1 AF1I1 BI1Y1
AF1I1Y1 ABY1 AI1Y1
BF1I1Y1 AF1Y1
Los modelos que aparecen destacados en color rojo son modelos que no
cumplen con las características descritas por la tabla 2.3, como si los destacados
en verde.
2.3.1.1 Posibles modelos de cuatro componentes
Es imposible establecer la cantidad exacta de componentes en cada

modelo, sin antes realizar un estudio de las componentes. Este estudio es el test
de razón el cual indicará si es necesaria la totalidad de las variables o si alguna es
redundante en el modelo.
Por otro lado se analiza el índice de bondad, el que indica la calidad del
modelo para ser comparado en la teoría con otros.
Luego se muestra el comportamiento lineal de cada modelo respecto al

pesómetro real en una nube de puntos desarrollado por el software Statgraphics.
29
Todos los modelos de tonelaje virtual se elaboran con un total de 9.275

datos por cada variable predictiva. Por otro lado se analizan solo cuatro modelos,
por efectos de redacción.
La posterior validación de los modelos se verá en el capítulo 3.
1° Modelo ABF1I1
Para establecer la calidad del modelo ABF1I1, se realizan los siguientes

análisis teóricos que se muestran en la tabla 2.5.
Tabla 2.5: Cálculo de test de razón e indice de bondad para modelo ABF1I1.
Variable Estimador Error Estándar Test de Razón
A 33,587500 0,613689 0,018271
B 4,996300 0,155185 0,031060
F1 8,101220 0,151056 0,018646
I1 4,783060 0,159603 0,033368
Coeficiente Correlación R2 99,8483%
2
Coeficiente Correlación AjustadoRa 99,8482%
Error Estándar de Estimación 89,048
 Las cuatro componentes presentan significancia estadística para el

modelo, por tanto se conservan todas las componentes.
 Posee un buen ajuste teórico estimado, debido al elevado 𝑅𝑎2 .
El modelo ABF1I1estima de buena manera el tonelaje virtual, ya que la

nube de puntos se ajusta bastante a lo ideal.
30
M odelo ABF1I1
(X 1000,0)
3
Observados
1
0
0 1 2 3
Predichos (X 1000,0)
Fig. 2.1: Comportamiento del pesómetro Y(k), respecto del modelo ABF1I1, desarrollado
por software Statgraphics.
2° Modelo ABI1Y1
Para establecer la calidad del modelo ABI1Y1, se realizan los siguientes

Tabla 2.6: Cálculo de test de razón e índice de bondad para modelo ABI1Y1.
A 21,138000 0,732461 0,034651
B 3,805380 0,163921 0,043076
I1 4,643610 0,162087 0,034905
Y1 0,482627 0,009186 0,019033

2

31
M odelo ABI1Y1
(X 1000,0)
4
Observados
2
0
0 1 2 3 4
Fig. 2.2: Comportamiento del pesómetro Y(k), respecto del modelo ABI1Y1, desarrollado
El modelo ABI1Y1estima de buena manera el tonelaje virtual, ya que la

2.3.1.2 Posibles modelos de tres componentes
Como se explicó anteriormente, en el análisis se establece la cantidad de

componentes y la eficiencia de modelos. Se analizan modelos de 3 componentes.
3° Modelo ABI1
Para establecer la calidad del modelo ABI1, se realizan los siguientes

Tabla 2.7: Cálculo de test de razón e índice de bondad para modelo ABI1.
A 44,364800 0,720862 0,016249
B 7,177170 0,186181 0,025941
I1 8,006380 0,183809 0,022958

2
32
 Las tres componentes presentan significancia estadística para el

Modelo ABI1
(X 1000,0)
4
3
Observados
0
0 1 2 3 4
Fig. 2.3: Comportamiento del pesómetro Y(k), respecto del modelo ABI1, desarrollado por
software Statgraphics.
El modelo ABI1estima de buena manera el tonelaje virtual, ya que la nube

de puntos se ajusta bastante a lo ideal.
4° Modelo ABF1
Para establecer la calidad del modelo ABF1, se realizan los siguientes


El modelo ABF1estima de buena manera el tonelaje virtual, ya que la nube

de puntos se ajusta bastante a lo ideal.
33
Tabla 2.8: Cálculo de test de razón e índice de bondad para modelo ABF1.
37,670500 0,647296 0,017183
A
6,048860 0,163516 0,027033
B
9,805920 0,151377 0,015437
F1
99,8225%
Coeficiente Correlación R2
2 99,8224%
Coeficiente Correlación AjustadoRa
96,3283
Error Estándar de Estimación
Modelo ABF1
3900
2900
Observados
1900
900
-100
-100 900 1900 2900 3900
Predichos
Fig. 2.4: Comportamiento del pesómetro Y(k), respecto del modelo ABF1desarrollado por
5° Modelo AF1I1
Para establecer la calidad del modelo AF1I1, se realizan los siguientes


34
Tabla 2.9: Cálculo de test de razón e índice de bondad para modelo AF1I1.
A 44,6595 0,555973 0,012449
F1 9,375600 0,159456 0,017008
I1 5,946040 0,170049 0,028599
2
2.4 DISEÑO DE SENSOR VIRTUAL DE FLUJO DE AGUA
Para el diseño del flujómetro de agua virtual, perteneciente al tambor

acidificador, se eligen de las variables candidatas, aquellas que cumplan con la
calidad que determina el coeficiente de correlación múltiple, esto es, todas las
variables que presenten una alta correlación con la variable a estimar.
de flujo de agua, son las siguientes:
 Y(k)= Flujo Agua Tambor Acidificador [m3/h]

 A(k)= Flujo Ácido Sulfúrico Tambor Acidificador [m3/h]
 B(k)= Abertura Válvula Ácido Sulfúrico Tambor Acidificador [%]
 C(k)= Abertura Válvula de Agua Tambor Acidificador [%]
 D(k)= Velocidad de la correa transportadora [%]
 E(k)= Pesómetro mineral seco, correa transportadora [ton/h]
35


en un rango de dos días con intervalos de 15 segundos, donde se obtuvo un total
de 11.525 datos por cada variable, número que fue reducido a un total de 8.927

resulta entre la componente flujo de agua con cada componente candidata.

La tabla 2.11, muestra la matriz de correlación existente entre las

Como se aprecia en la tabla 2.11, el subíndice “1” que acompaña a

algunas variables, implica que las variables en cuestión están retrasadas en una
muestra.
36
A(k) 74,5304 A(k-1) 67,9510 A(k-2) 60,7013 A(k-3) 52,9151
B(k) 51,7643 B(k-1) 46,6363 B(k-2) 39,2450 B(k-3) 31,6507
C(k) 59,3952 C(k-1) 58,6961 C(k-2) 51,7069 C(k-3) 45,8315
D(k) 1,0098 D(k-1) 0,5539 D(k-2) 0,6264 D(k-3) 0,7498
E(k) 80,8161 E(k-1) 77,8195 E(k-2) 70,4404 E(k-3) 63,3974
F(k) 73,0478 F(k-1) 72,1453 F(k-2) 69,1087 F(k-3) 63,1411
G(k) 0,5054 G(k-1) 0,0101 G(k-2) 0,0404 G(k-3) 0,1487
H(k) 7,2555 H(k-1) 6,8621 H(k-2) 6,4317 H(k-3) 5,8267
I(k) 55,4394 I(k-1) 57,1349 I(k-2) 56,2931 I(k-3) 52,6857
J(k) 37,6142 J(k-1) 39,5274 J(k-2) 38,0671 J(k-3) 34,7329
Y(k-1) 92,4626 Y(k-2) 84,2050 Y(k-3) 78,1249
La correlación entre las componentes predictivas, que están destacadas

en color rojo, supera el umbral establecido (0,5). Esto indica que estas variables
(A(k) con B(k), C(k) con F(k) y E(k) con F(k)) no pueden coexistir en un mismo
modelo de regresión lineal múltiple, ya que pueden generar un problema muy
común, que es la sobre parametrización del modelo.

Correlaciones A C E F I1 Y1
A
C -0,0206
E -0,6235 0,1654
F 0,1840 -0,5657 -0,6183
I1 0,0632 0,0542 -0,3531 -0,0669
Y1 -0,2297 -0,4405 -0,2987 0,2429 -0,1148
37
2.4.1 Elección de modelos para flujómetro de agua virtual

encargadas de formar parte de los modelos matemáticos del flujómetro virtual.
la construcción del sensor virtual, a través de técnicas de regresión.
La tabla 2.12 muestra los posibles modelos que podrían formar parte del
flujómetro virtual, restringidos por la tabla 2.11.
cumplen con las características descritas por la tabla 2.11, como si los cumplen
los modelos destacado en color verde.
Tabla 2.12: Posibles modelos de 5, 4 y 3 variables de flujómetro virtual de agua.

5 variables 4 variables Modelos de 3 variables
ACFI1Y1 CEI1Y1 ACF CEI1
ACFI1 ACI1 CEY1
ACFY1 ACY1 CI1Y1
AFI1Y1 AFI1 AI1Y1
ACI1Y1 AFY1
La tabla anterior da cuenta de los modelos que son analizados y

dependiendo de la calidad que posean, pueden formar parte del flujómetro virtual.
38

de razón, el cual indicará si es necesaria o no la totalidad de las variables.
Por otro lado se analiza el índice de bondad, el que indica la calidad del
modelo para ser comparado en la teoría con otros.
Luego se muestra el comportamiento lineal de cada modelo respecto al

flujómetro real en una nube de puntos desarrollado por el software Statgraphics.
Todos los modelos de flujómetro virtual se elaboran con un total de 9.275

datos por cada variable predictiva. Por otro lado se analizan solo cuatro modelos,
por efectos de redacción.
1° Modelo CE I1Y1
Para establecer la calidad del modelo CEI1Y1, se realizan los siguientes

análisis teóricos que se muestran en la tabla 2.13 (siguiente página).

39
Tabla 2.13: Cálculo de test de razón e índice de bondad para modelo CEI1Y1.
C 0,168752 0,009152 0,054232
E 0,009959 0,000348 0,034908
I1 -0,039159 0,007452 -0,190297
Y1 0,688746 0,006988 0,010145
2
Modelo C E I1 Y1
150
120
observado
90
60
30
0
0 30 60 90 120 150
predicho
Fig. 2.5: Comportamiento del flujómetro Y(k), respecto del modelo CEI1Y1, desarrollado
El modelo CEI1Y1estima de buena manera el flujo de agua virtual, ya que

la nube de puntos se ajusta bastante a lo ideal.
2° Modelo AF I1Y1
Para establecer la calidad del modelo AFI1Y1, se realizan los siguientes

40
Tabla 2.14: Cálculo de test de razón e indice de bondad para modelo AFI1Y1.
A 0,336804 0,028880 0,085748
F 0,103899 0,007018 0,067545
I1 0,029750 0,007574 0,254572
Y1 0,792171 0,007109 0,008974
2

Modelo A F I1 Y1
150
120
observado
90
60
30
0
0 30 60 90 120 150
predicho
Fig. 2.6: Comportamiento del flujómetro Y(k), respecto del modelo AFI1Y1, desarrollado
El modelo AFI1Y1estima de buena manera el flujo de agua virtual, ya que

41
3° Modelo AC I1Y1
Para establecer la calidad del modelo ACI1Y1, se realizan los siguientes

Tabla 2.15: Cálculo de test de razón e índice de bondad para modelo ACI1Y1.
A 0,401724 0,026524 0,066026
C 0,228181 0,009283 0,040683
I1 0,049275 0,006799 0,137973
Y1 0,731320 0,007532 0,010299
2

Modelo A C I1 Y1
150
120
observado
90
60
30
0
0 30 60 90 120 150
predicho
Fig. 2.7: Comportamiento del flujómetro Y(k), respecto del modelo ACI1Y1, desarrollado
42
El modelo ACI1Y1 estima de buena manera el flujo de agua virtual, ya que

2.4.1.2 Posibles modelos de 3 componentes
Como se explicó anteriormente en el análisis que se realiza, se puede

establecer la cantidad de componentes y la eficiencia de los modelos. En esta
sección se analizaran los modelos de 3 componentes.
4° Modelo AC I1
Para establecer la calidad del modelo ACI1, se realizan los siguientes

Tabla 2.16: Cálculo de test de razón e índice de bondad para modelo ACI1.
A 1,85669 0,0365639 0,019693
C 0,644497 0,013755 0,021343
I1 0,204822 0,011038 0,053892
2

 Posee un buen ajuste teórico estimado, debido al elevado 𝑅𝑎2 , lo
que supone una buena correlación entre modelos.
 El error estándar del modelo es bueno debido a su valor bajo.
43

M odelo A C I1
150
120
observado
90
60
30
0
0 30 60 90 120 150
predicho
Fig. 2.8: Comportamiento del flujómetro Y(k), respecto del modelo ACI1, desarrollado por
El modelo ACI1 estima de buena manera el flujo de agua virtual, ya que la

2.5 DISEÑO DE SENSOR VIRTUAL DE FLUJO DE ÁCIDO SULFÚRICO
Para el diseño del flujómetro de ácido sulfúrico virtual, perteneciente al

tambor acidificador, se eligen de las variables candidatas, aquellas que cumplan
con la calidad que determina el coeficiente de correlación múltiple, esto es, todas
las variables que presenten una alta correlación con la variable a estimar.
de flujo de ácido sulfúrico, son las siguientes:
 Y(k)= Flujo Ácido Sulfúrico Tambor Acidificador [m3/h]

 A(k)= Flujo Agua Tambor Acidificador [m3/h]
 B(k)= Abertura Válvula Ácido Sulfúrico Tambor Acidificador [%]
 C(k)= Abertura Válvula de Agua Tambor Acidificador [%]
 D(k)= Velocidad de la correa transportadora [%]
 E(k)= Pesómetro mineral seco, correa transportadora [ton/h]
44


en un rango de dos días con intervalos de 15 segundos, obteniendo un total de
11.525 datos por cada variable, número que fue reducido a un total de 8.102

resulta entre la componente flujo de agua con cada componente candidata.
A(k) 75,0298 A(k-1) 74,6608 A(k-2) 67,4465 A(k-3) 58,7861
B(k) 80,5257 B(k-1) 78,6137 B(k-2) 62,0485 B(k-3) 45,0266
C(k) 40,3271 C(k-1) 42,3171 C(k-2) 37,5388 C(k-3) 31,4552
D(k) 1,2150 D(k-1) 2,5615 D(k-2) 2,6842 D(k-3) 2,5695
E(k) 87,9714 E(k-1) 86,2468 E(k-2) 78,9118 E(k-3) 69,2938
F(k) 76,9972 F(k-1) 82,1020 F(k-2) 77,8048 F(k-3) 70,2557
G(k) 1,0297 G(k-1) 0,0403 G(k-2) 0,1975 G(k-3) 0,7420
H(k) 0,0151 H(k-1) 0,0300 H(k-2) 0,1234 H(k-3) 0,1227
I(k) 54,9485 I(k-1) 59,1697 I(k-2) 58,7191 I(k-3) 55,4498
J(k) 40,3053 J(k-1) 44,8855 J(k-2) 44,6318 J(k-3) 41,4226
Y(k-1) 90,1096 Y(k-2) 75,3894 Y(k-3) 61,8892
45

Las componentes predictivas seleccionadas son A(k), B(k), E(k), F(k-1),

I(k-1),Y(k-1). El siguiente paso es que entre a estas componentes, se les debe
establecer la correlación entre ellas y no debe ser superior a 0,5, ya que se
generan problemas de multicolinealidad.
La tabla 2.18 muestra la matriz de correlación existente entre las


Correlaciones A B E F1 I1 Y1
A
B -0,1081
E -0,5376 0,0133
F1 0,1465 -0,6354 -0,4355
I1 -0,0525 0,1769 -0,3309 -0,1895
Y1 -0,1249 -0,2636 -0,3426 0,0691 -0,0989
Como se aprecia en la tabla 2.18, el subíndice “1” que acompaña a

algunas variables, implica que las variables en cuestión están retrasadas en una
muestra.
La correlación entre las componentes predictivas, que está destacada en

color rojo, supera el umbral establecido (0,5). Esto indica que estas variables
46
(A(k)con E(k), y B(k) con F(k-1)) no pueden coexistir en un mismo modelo de

regresión lineal múltiple, ya que pueden generar un problema muy común, que es
la sobre parametrización del modelo.
2.5.1 Elección de modelos para flujómetro de ácido sulfúrico virtual

encargadas de formar parte de los modelos matemáticos del flujómetro virtual.
la construcción del sensor virtual, a través de técnicas de regresión.
La tabla 2.19 muestra los posibles modelos que podrían formar parte del
flujómetro virtual, restringidos por la tabla 2.18.
Se encuentran 15 modelos que pueden formar parte del sensor virtual.
Tabla 2.19: Posibles modelos de 5, 4 y 3 variables de flujómetro virtual de ácido sulfúrico.

5 Variables 4 Variables 3 Variables
ABF1I1J1 BEI1Y1 ABF1 BEI1
EF1I1Y1 ABI1 BEY1
ABF1I1 ABY1 BI1Y1
ABF1Y1 AF1I1 EF1I1
ABI1Y1 AF1Y1 EF1Y1
AF1I1Y1 AI1Y1 EI1Y1
47
cumplen con las características descritas por la tabla 2.18, como si los cumplen
los modelos destacado en color verde.
La tabla anterior da cuenta de los modelos que son analizados y

dependiendo de la calidad que posean, pueden formar parte del flujómetro virtual.

de razón, el cual indicará si es necesaria la totalidad de las variables o si alguna
es redundante en el modelo.
Por otro lado se analiza el índice de bondad, el cual indica la calidad del
modelo para ser comparado en la teoría con otros. Luego se muestra el
comportamiento lineal de cada modelo respecto al flujómetro real en una nube de
puntos desarrollado por el software Statgraphics.
Todos los modelos de flujómetro virtual de ácido sulfúrico se elaboran con

un total de 9.275 datos por cada variable predictiva. Por otro lado se analizan solo
cuatro modelos, por efectos de redacción.
1° Modelo BE I1Y1
Para establecer la calidad del modelo BEI1Y1, se realizan los siguientes

48

Tabla 2.20: Cálculo de test de razón e índice de bondad para modelo BEI1Y1.
B 0,0552158 0,00183439 0,033222
E 0,004003 0,000091 0,022623
I1 -0,014716 0,001726 -0,117288
Y1 0,497157 0,006412 0,012898
2
Modelo B E I1 Y1
40
30
observado
20
10
0
0 10 20 30 40
predicho
Fig. 2.9: Comportamiento del flujómetro Y(k), respecto del modelo BEI1Y1, desarrollado
El modelo BEI1Y1estima de buena manera el flujo de ácido virtual, ya que

la nube de puntos de la figura 2.9 se ajusta bastante a lo ideal.
49
2° Modelo EF1I1Y1
Para establecer la calidad del modelo EF1I1Y1, se realizan los siguientes

Tabla 2.21: Cálculo de test de razón e índice de bondad para modelo EF1I1Y1.
E 0,00644131 0,000114798 0,017822
F1 -0,031718 0,002060 -0,064960
I1 -0,016561 0,001828 -0,110373
Y1 0,546367 0,006515 0,011923
2

Modelo E F1 I1 Y1
37
27
observado
17
-3
-3 7 17 27 37
predicho
Fig. 2.10: Comportamiento del flujómetro Y(k), respecto del modelo EF1I1Y1, desarrollado
50
El modelo EF1I1Y1estima de buena manera el flujo de ácido virtual, ya que

3° Modelo ABI1Y1
Para establecer la calidad del modelo ABI1Y1, se realizan los siguientes

Tabla 2.22: Cálculo de test de razón e índice de bondad para modelo ABI1Y1.
A 0,0434549 0,00159846 0,036784
B 0,078209 0,001862 0,023812
I1 0,011986 0,001674 0,139651
Y1 0,565964 0,006656 0,011761
2

El modelo ABI1Y1parece estimar de buena manera la medición del flujo de

ácido sulfúrico virtual, ya que la nube de puntos de la figura 2.11 se ajusta
bastante a la medición ideal, demostrando así, una óptima relación estimada
respecto de la real.
51
Modelo A B I1 Y1
40
30
observado
20
10
0
0 10 20 30 40
predicho
Fig. 2.11: Comportamiento del flujómetro Y(k), respecto del modelo ABI1Y1, desarrollado
4° Modelo AF1I1Y1
Para establecer la calidad del modelo AF1I1Y1, se realizan los siguientes

Tabla 2.23: Cálculo de test de razón e índice de bondad para modelo AF1I1Y1.
A 0,0583281 0,00183582 0,031474
F1 0,016313 0,002063 0,126477
I1 0,014831 0,002052 0,138383
Y1 0,675864 0,007385 0,010927
2

52
Modelo A F1 I1 Y1
40
30
observado
20
10
0
0 10 20 30 40
predicho
Fig. 2.12: Comportamiento del flujómetro Y(k), respecto del modelo AF1I1Y1, desarrollado
El modelo AF1I1Y1estima de buena manera el flujo de ácido virtual, ya que

53
CAPÍTULO 3
VALIDACIÓN Y CERTIFICACIÓN DE SENSORES VIRTUALES
3.1 COMPROBACIÓN PRÁCTICA DE RESULTADOS TEÓRICOS.
En el capítulo anterior se realizó todo el estudio teórico de los modelos

matemáticos, pertenecientes a los sensores virtuales, llegando a encontrar las
variables o componentes apropiadas para formar parte de estos modelos. Sin
embargo, es necesario demostrar el funcionamiento de estos modelos de manera
gráfica, donde muestre valores de tonelaje o flujo en el transcurso del tiempo. Para
llevar a cabo lo anterior, se programan los modelos de cada sensor en el software
PI System, mediante la herramienta PI Calculations que posee un lenguaje de
programación de variables, donde se generan ecuaciones aritméticas, en la cual
las variables se programan en formato tags, y con sus respectivos coeficientes. En
la figura 3.2 se ilustra un modelo aritmético y su estructura en el PI Calculations.
Fig. 3.1: ModeloBEI1Y1, flujo virtual de ácido, formato aritmético. Elaboración propia.
54
Capítulo 3 – Validación y Certificación de Sensores Virtuales
Fig. 3.2: Modelo BEI1Y1 de flujo virtual de ácido, formato tags.
La figura 3.2 ilustra una ventana que permite programar todos los modelos
matemáticos de un sensor virtual, por esta razón, a continuación se enseñan los
modelos matemáticos desarrollados en el capítulo anterior, con sus gráficos en
tiempo real. Cabe señalar que todos los modelos de un sensor virtual se ilustraran
en un mismo intervalo de tiempo, de tal manera que se puedan apreciar las
diferencias entre uno y otro.
3.1.1 COMPROBACIÓN DE MODELOS DE PESÓMETRO VIRTUAL.
En la comprobación gráfica de los modelos matemáticos del sensor virtual

de tonelaje dinámico, se ilustran uno a uno, acompañados del sensor real, de esta
manera poder comparar su comportamiento en línea.
Primeramente en la tabla 3.1 se ilustran las variables con su

especificación y tags correspondientes. Luego se ilustran gráficamente solo cinco
modelos del pesómetro virtual (por efectos de redacción), los cuales una vez
ingresados son analizados de manera instantánea, con las señales reales.
55
Tabla 3.1: Variables involucradas en modelos de pesómetro virtual.

Y S147CV013:WIT217 Pesómetro Mineral de la Correa de la Línea 1
A S150:FIT002 Flujo Ácido Sulfúrico Tambor Línea 1
B S150:FIT004 Flujo Agua Tambor Línea 1
C S150:FIC002VALV Abertura Válvula de Ácido Sulfúrico, Tambor Línea 1
D S150:FIC004VALV Abertura Válvula de Agua, Tambor Línea 1
E S147CV013:SIT212 Velocidad Correa 13 de Línea 1
F S147CV013:II Corriente en motor de Correa 13 de la Línea 1
G C150AD001:FIC002 Instantáneo Tasa Ácido Mineral Tambor Línea 1
H C150AD001:FIC004 Instantáneo Tasa Agua Mineral Tambor Línea 1
I S147FE018:SIT052 Velocidad Feeder Línea 1
J S150AD001:SV00102 Velocidad de Tambor Línea 1
La tabla 3.1 muestra las variables del pesómetro virtual de la línea 1,

recordando que se explica una línea del proceso (líneas 2 y 3 de manera similar).
1° Modelo ABF1I1
El modelo ABF1I1se programa en el PI System, con la siguiente ecuación:
𝑌(𝑘) = 33,5875 ∗ A(k) + 4,9963 ∗ B(k) + 8,10122 ∗ F(k − 1) + 4,78306 ∗ I(k − 1) ( 3.1)
Al momento de ingresarla al software, resultan las siguientes señales (real

y modelo) de la figura 3.3.
Como se puede apreciar en la figura 3.3 (página siguiente), la señal virtual

(celeste), pareciera no predecir de gran manera la señal real de tonelaje dinámico
(verde).
56
Fig. 3.3: Modelo ABF1I1 del pesómetro virtual v/s señal de pesómetro real. Analizador
Grafico de PI System.
2° Modelo ABI1Y1
El modelo ABI1Y1se programa en el PI System, con la siguiente ecuación:
( 3.2)
𝑌(𝑘) = 21,138 ∗ A(k) + 3,80538 ∗ B(k) + 4,64361 ∗ I(k − 1) + 0,482627 ∗ Y(k − 1)
Al momento de ingresarla al software, resultan las señales de la figura 3.4.
Fig. 3.4: Modelo ABI1Y1 del pesómetro virtual v/s señal de pesómetro real. Analizador
57
Como se puede apreciar en la figura 3.4, la señal virtual (amarilla),

pareciera no predecir de gran manera la señal real de tonelaje dinámico (verde).
3° Modelo ABI1
El modelo ABI1se programa en el PI System, con la siguiente ecuación:
𝑌(𝑘) = 44,3648 ∗ A (k) + 7,17717 ∗ B(k) + 8,00638 ∗ I(k − 1) ( 3.3)
Fig. 3.5: Modelo ABI1 del pesómetro virtual v/s señal de pesómetro real. Analizador
Como se puede apreciar en la figura 3.5, la señal virtual (morada),

pareciera predecir de muy mala manera la señal real de tonelaje dinámico (verde).
4° Modelo ABF1
El modelo ABF1se programa en el PI System, con la siguiente ecuación:
𝑌(𝑘) = 37,6705 ∗ A(k) + 6,04886 ∗ B(k) + 9,80592 ∗ F(k − 1) ( 3.4)

58
Fig. 3.6: Modelo ABF1 del pesómetro virtual v/s señal de pesómetro real. Analizador
Como se aprecia en la figura 3.6, la señal virtual (roja), pareciera predecir

de mala manera la señal real de tonelaje dinámico (verde).
5° Modelo ABF1I1Y1
El modelo ABF1I1Y1 (5 variables), teóricamente no debería estar, sin

embargo prácticamente se muestra su funcionamiento, su ecuación:
𝑌(𝑘) = 8.58935 ∗ 𝐴(𝑘) − 2.19176 ∗ 𝐵(𝑘) + 2.1154 ∗ 𝐹(𝑘 − 1) + 1.27447 ∗ 𝐼(𝐾 − 1) ( 3.5)
+ 0.858716 ∗ 𝑌(𝑘 − 1)
Fig. 3.7: Modelo ABF1I1Y1 del pesómetro virtual v/s señal de pesómetro real. Analizador
59
Como se puede apreciar en la figura 3.7, la señal virtual (fucsia), pareciera

predecir de excelente manera la señal real de tonelaje dinámico (verde).
3.1.2 COMPROBACIÓN DE MODELOS DE FLUJÓMETRO VIRTUAL AGUA.
Al igual que en el pesómetro virtual, se analizan los modelos matemáticos

del flujómetro virtual de agua uno a uno, acompañado del sensor real, se compara
su comportamiento en línea. En la tabla 3.2 se ilustran las variables con su
especificación y tags correspondientes. Luego se ilustran gráficamente solo cinco
modelos del flujómetro virtual.
Tabla 3.2: Variables involucradas en modelos de flujómetro virtual de agua.

Y S150:FIT004 Flujo Agua Tambor Línea 1
A S150:FIT002 Flujo Ácido Sulfúrico Tambor Línea 1
B S150:FIC002VALV Abertura Válvula de Ácido Sulfúrico, Tambor Línea 1
C S150:FIC004VALV Abertura Válvula de Agua, Tambor Línea 1
D S147CV013:SIT212 Velocidad Correa 13 de Línea 1
E S147CV013:WIT217 Pesómetro Mineral de la Correa de la Línea 1
1° Modelo CEI1Y1
El modelo CEI1Y1se programa en el PI System, con la siguiente ecuación:

60
𝑌(𝑘) = 0,168752 ∗ C(k) + 0,00995883 ∗ E(k) − 0,0391588 ∗ I(k − 1)

( 3.6)
+ 0,688746 ∗ Y(k − 1)
Fig. 3.8: Modelo CEI1Y1 del flujómetro virtual agua v/s señal de flujómetro real.
Analizador Grafico de PI System.
Como se puede apreciar en la figura 3.8, la señal virtual (celeste),

pareciera predecir de gran manera la señal real de flujo de agua (verde).
2° Modelo AFI1Y1
El modelo AFI1Y1se programa en el PI System, con la siguiente ecuación:
𝑌(𝑘) = 0,336804 ∗ A(k) + 0,103899 ∗ F(k) + 0,02975 ∗ I(k − 1)

( 3.7)
+ 0,792171 ∗ Y(k − 1)
Como se puede apreciar en la figura 3.9, la señal virtual (amarillo),

pareciera no predecir de gran manera la señal real de flujo de agua (verde).
61
Fig. 3.9: Modelo AFI1Y1 del flujómetro virtual agua v/s señal de flujómetro real. Analizador
3° Modelo ACI1Y1
El modelo ACI1Y1se programa en el PI System, con la siguiente ecuación:
𝑌(𝑘) = 0,401724 ∗ A(k) + 0,228181 ∗ C(k) + 0,0492748 ∗ I(k − 1)

( 3.8)
+ 0,73132 ∗ Y(k − 1)
Al momento de ingresar al software, resultan las señales de la figura 3.10.
Fig. 3.10: Modelo ACI1Y1 del flujómetro virtual agua v/s señal de flujómetro real.
Como se puede apreciar en la figura 3.10, la señal virtual (fucsia),

pareciera no predecir de gran manera la señal real de flujo de agua (verde).
62
4° Modelo ACI1
El modelo ACI1se programa en el PI System, con la siguiente ecuación:
𝑌(𝑘) = 1,85669 ∗ A(k) + 0,644497 ∗ C(k) + 0,204822 ∗ I(k − 1) ( 3.9)
Fig. 3.11: Modelo ACI1 del flujómetro virtual agua v/s señal de flujómetro real. Analizador
Como se puede apreciar en la figura 3.11, la señal virtual (roja), pareciera

no predecir de gran manera la señal real de tonelaje dinámico (verde).
5° Modelo ACY1
El modelo ACY1se programa en el PI System, con la siguiente ecuación:
𝑌(𝑘) = 0,477197 ∗ A(k) + 0,238187 ∗ C(k) + 0,744184 ∗ Y(k − 1) ( 3.10)

63
Fig. 3.12: Modelo ACY1 del flujómetro virtual agua v/s señal de flujómetro real. Analizador
Como se puede apreciar en la figura 3.12, la señal virtual (gris), pareciera

no predecir de gran manera la señal real de flujo de agua (verde).
3.1.3 COMPROBACIÓN DE MODELOS DE FLUJÓMETRO VIRTUAL ÁCIDO.
Se analizan los modelos del flujómetro virtual de ácido, con el sensor real.
Tabla 3.3: Variables involucradas en modelos de flujómetro virtual de ácido.

Y S150:FIT002 Flujo Ácido Sulfúrico Tambor Línea 1
A S150:FIT004 Flujo Agua Tambor Línea 1
B S150:FIC002VALV Abertura Válvula de Ácido Sulfúrico, Tambor Línea 1
C S150:FIC004VALV Abertura Válvula de Agua, Tambor Línea 1
D S147CV013:SIT212 Velocidad Correa 13 de Línea 1
E S147CV013:WIT217 Pesómetro Mineral de la Correa de la Línea 1
64
La tabla 3.3 se ilustra las variables con su especificación y tags

correspondientes. Luego se ilustran y analizan gráficamente, solo 5 modelos del
flujómetro virtual (por efectos de redacción).
1° Modelo BEI1Y1
El modelo BEI1Y1se programa en el PI System, con la siguiente ecuación:
𝑌(𝑘) = 0,0552158 ∗ B(k) + 0,00400328 ∗ E(k) − 0,0147164 ∗ I(k − 1)

( 3.11)
+ 0,497157 ∗ Y(k − 1)

Fig. 3.13: Modelo BEI1Y1 del flujómetro virtual ácido v/s señal de flujómetro real.
Como se puede apreciar en la figura 3.13, la señal virtual (celeste),

pareciera no predecir de gran manera la señal real de flujo de ácido (verde).
2° Modelo EF1I1Y1
El modelo EF1I1Y1se programa en PI System, con la siguiente ecuación:

65
𝑌(𝑘) = 0,00644131 ∗ E(k) − 0,0317179 ∗ F(k − 1) − 0,0165614 ∗ I(k

( 3.12)
− 1) + 0,546367 ∗ Y(k − 1)
Fig. 3.14: Modelo EF1I1Y1 del flujómetro virtual ácido v/s señal de flujómetro real.
Como se puede apreciar en la figura 3.14, la señal virtual (amarillo),

3° Modelo ABI1Y1
El modelo ABI1Y1se programa en el PI System, con la siguiente ecuación:
𝑌(𝑘) = 0,0434549 ∗ A(k) + 0,0782093 ∗ B(k) + 0,0119856 ∗ I(k − 1)

( 3.13)
+ 0,565964 ∗ Y(k − 1)
Como se puede apreciar en la figura 3.15, la señal virtual (fucsia),

66
Fig. 3.15: Modelo ABI1Y1 del flujómetro virtual ácido v/s señal de flujómetro real.
4° Modelo AF1I1Y1
El modelo AF1I1Y1se programa en PI System, con la siguiente ecuación:
𝑌(𝑘) = 0,0583281 ∗ A(k) + 0,0163126 ∗ F(k − 1) + 0,0148309 ∗ I(k − 1)

( 3.14)
+ 0,675864 ∗ Y(k − 1)
Fig. 3.16: Modelo AF1I1Y1 del flujómetro virtual ácido v/s señal de flujómetro real.
Como se puede apreciar en la figura 3.16, la señal virtual (roja), pareciera

predecir de mala manera la señal real de flujo de ácido (verde).
67
5° Modelo ABI1
El modelo ABI1se programa en el PI System, con la siguiente ecuación:
𝑌(𝑘) = 0,0985805 ∗ A(k) + 0,154314 ∗ B(k) + 0,0549896 ∗ I(k − 1) ( 3.15)

Fig. 3.17: Modelo ABI1 del flujómetro virtual ácido v/s señal de flujómetro real. Analizador
Como se puede apreciar en la figura 3.17, la señal virtual (blanco),

pareciera predecir de mala manera la señal real de flujo de ácido (verde).
3.2 NORMALIZACIÓN Y CERTIFICACIÓN DE INSTRUMENTACIÓN REAL
La instrumentación real existente en el área planta, pasa periódicamente

(cada 12 meses aproximadamente) por procesos de normalización y certificación
en sus sensores, ya que debe tener estándares óptimos en sus mediciones de
tonelaje dinámico, flujos, entre otros. Estos procesos se llevan a cabo por dos
empresas que adquirieron el contrato con personal funcional de la división.
68
3.2.1 Pesómetros
El diseño de los sensores virtuales, principalmente de tonelaje, deben

realizarse con mediciones certificadas por una empresa encargada y calificada de
dicho proceso. La empresa responsable de la certificación es la empresa
CESMEC.
Pero antes de la certificación se debe realizar el proceso de normalización,

dicho proceso se encarga de reparar, nivelar, renovar etc., todo lo referido a los
pesómetros para después poder certificar. La empresa encargada de la
normalización, es la empresa MATMIN.
Estos procesos se llevan a cabo en una mantención mayor de 10 días,

periodo en el cual Minera Gaby no produce cobre. Por otro lado, la mantención
destinada a las tres correas (150-CV-013/14/15) del área de acidificación donde se
encuentran los pesómetros, se realiza en un periodo de tres días.
3.2.2 Flujómetros
En el caso de los flujómetros y válvulas de flujo, (ubicados en los tambores

acidificadores) no se les realizan normalizaciones ni certificaciones, pero sí el
responsable de estos instrumentos, perteneciente al área húmeda de la división,
don Luis Godoy, entrega su aprobación y explica el modo de operación.
3.3 VALIDACIÓN DE SENSORES VIRTUALES
Lo anterior descrito es importante para la validación de los modelos

matemáticos de los sensores virtuales, ya que, si bien es cierto se calcularon los
modelos matemáticos y posterior demostración práctica, estos no serán válidos
69
porque no cumplían con la certificación necesaria, sin embargo el estudio teórico

sirvió para conocer las variables que se utilizan en cada modelo, por tanto solo los
coeficientes son los que no sirven, pero sí se utilizan las mismas variables. Es por
esto que la siguiente validación muestra los nuevos modelos matemáticos
desarrollados por Statgraphics, con nuevos datos (en un periodo de tiempo
posterior a la mantención del área de acidificación) para los sensores de tonelaje
dinámico y flujos de agua y ácido sulfúrico.
3.3.1 Nuevos modelos matemáticos para flujómetro virtual ácido
Por último, en la tabla 3.4 muestra los modelos matemáticos

correspondientes al sensor virtual de flujo de ácido sulfúrico de la línea 1.
Tabla 3.4: Modelos matemáticos del flujómetro virtual de ácido, línea1.

1 Y=0,0381528*B+0,00130644*E-0,0319202*I1+0,894748*Y1
2 Y=0,00257415*E-0,0118817*F1-0,0243416*I1+0,900094*Y1
3 Y=0,10458*A+0,0502628*B-0,0346446*I1+0,657184*Y1
4 Y=0,109509*A-0,00688588*F1+0,000869267*I1+0,690353*Y1
5 Y=0,326329*A+0,0782212*B-0,0626963*I1
6 Y=0,0856212*A+0,0286753*B+0,6856*Y1
7 Y=0,354186*A-0,0199565*F1 -0,000827501*I1
8 Y=0,109894*A-0,00657347*F1+0,690307*Y1
9 Y=0,105758*A-0,00462582*I1+0,696567*Y1
10 Y=0,00178427*F1+0,0165036*I1+0,95922*Y1
11 Y=0,117357*B+0,0130045*E-0,0833048*I1
Los modelos matemáticos correspondientes a estas validaciones se

cargan al sistema PI para visualizar su comportamiento en tiempo real. Estas
gráficas se observarán en el siguiente subcapítulo a modo de comparación.
70
3.3.2 Nuevos modelos matemáticos para flujómetro virtual agua
La tabla 3.5 que muestra los modelos matemáticos correspondientes al

sensor virtual del flujo de agua de la línea 1.
Tabla 3.5: Modelos matemáticos del flujómetro virtual de agua, línea1.

1 Y=-0,00434274*C+0,00666236*E-0,0602413*I1+0,887953*Y1
2 Y=0,781733*A+0,0339945*F+0,0360398*I1+0,681928*Y1
3 Y=0,746982*A+0,0498727*C+0,0310558*I1+0,699253*Y1
4 Y=2,56096*A-0,0409429*C+0,212569*I1
5 Y=0,732807*A+0,072958*C+0,714475*Y1
6 Y=2,52649*A+0,0541903*F+0,138397*I1
7 Y=0,785524*A+0,0470346*F+0,69589*Y1
8 Y=0,783596*A+0,065017*I1+0,688049*Y1
9 Y=-0,0162012*C+0,00518412*E+0,885507*Y1
10 Y=0,0903738*C+0,00798788*I1+0,946802*Y1
11 Y=0,00654681*E-0,060909*I1+0,888921*Y1
Al igual que en el caso del sensor anterior, los modelos matemáticos

correspondientes a esta validación se cargan al sistema PI para visualizar su
comportamiento en tiempo real.
3.3.3 Nuevos modelos matemáticos para pesómetro virtual
La tabla 3.6 muestra los modelos matemáticos correspondientes al sensor

virtual de tonelaje dinámico correspondiente a la línea 1.
71
Tabla 3.6: Modelos matemáticos del pesómetro virtual, línea1.

1 Y=12,865*A-1,49056*B+7,7309*I1+0,6418*Y1
2 Y=19,7103*A+2,04551*B+5,04434*F1+14,8943*I1
3 Y=13,8158*A+5,26064*B+18,9005*I1
4 Y=19,3832*A+8,47297*B+10,4062*F1
5 Y=24,8629*A+5,20269*F1+15,1308*I1
6 Y=9,02662*B+4,65099*F1+14,878*I1
7 Y=2,98465*B+7,47559*I1+0,64385*Y1
8 Y=10,3134*A-0,745495*B+0,882555*Y1
9 Y=9,3788*A+7,67283*I1+0,630457*Y1
3.4 PRUEBAS DE TERRENO
Al obtener los modelos matemáticos en el punto anterior, nace la

necesidad de proporcionarles más perfeccionamiento a los modelos, esto significa
darles mayor robustez a estos mismos, y por ende al sensor virtual. Para llevar a
cabo el método se diseña un plan de perfeccionamiento llamado “Escalera”, el
cual consiste en realizar perturbaciones de tonelaje en salidas de plantas, de
manera arbitraria, esto significa que en una salida de planta se proporciona una
alimentación a la correa transportadora de 500 toneladas/hora en un intervalo
aproximado de 5 minutos, luego se subirá el tonelaje/hora a 1.000 por el mismo
periodo de tiempo, hasta llegar a las 2.500 toneladas. Esto ayuda para realizar
una nueva modelación en ese nuevo intervalo de tiempo, ya que al generar
perturbaciones de manera intencional, se producen diferentes estados transitorios
y estacionarios, con lo cual se permite que los modelos sean más eficientes en el
estado transitorio, ya que es donde peor estiman los modelos del tipo estadísticos.
Luego de realizar las pruebas, se cargan los modelos obtenidos al

software PI y se comparan gráficamente con la validación realizada anteriormente,
72
para de esta manera, demostrar la diferencia en calidad de una y otra señal en el

estado transiente.
A continuación se detallan gráficamente solo tres modelos matemáticos de

cada sensor virtual correspondiente a la línea 1, comparando la señal de
validación con la diseñada en este método. Cabe señalar que ambas señales
están en el intervalo de tiempo donde se produce el método de escalera.
3.4.1 Comparación gráfica de modelos de pesómetro virtual, Línea 1
La comparación muestra la señal real (verde), la señal de validación en la

parte superior y la señal diseñada con parámetros de perturbación en parte baja.
Fig. 3.18: Comparación gráfica del modelo ABF1I1 pesómetro virtual, con ambos métodos.
73
Fig. 3.19: Comparación gráfica del modelo ABI1Y1 pesómetro virtual, con ambos métodos.
Fig. 3.20: Comparación gráfica del modelo ABI1 pesómetro virtual, con ambos métodos.
74
3.4.2 Comparación gráfica de modelos del flujómetro virtual agua, Línea 1
De la misma manera anterior, se realiza la comparación en el flujómetro

virtual de agua, donde el avance se efectúa con escalones de 20 kg/ton
aproximadamente.
Fig. 3.21: Comparación gráfica del modelo ACI1 flujómetro virtual agua, ambos métodos.
Fig. 3.22: Comparación gráfica del modelo ACY1 flujómetro virtual agua, ambos métodos.
75
Fig. 3.23: Comparación gráfica del modelo AFI1 flujómetro virtual agua, ambos métodos.
3.4.3 Comparación gráfica del modelo de flujómetro virtual ácido, Línea 1
Al igual que en los sensores anteriores, se compara el comportamiento

con el flujómetro virtual de ácido, el cual posee pasos aproximados de 8 kg/ton.
Fig. 3.24: Comparación gráfica del modelo AF1I1 flujómetro virtual ácido, ambos métodos.
76
Fig. 3.25: Comparación gráfica del modelo AF1Y1 flujómetro virtual ácido, ambos métodos.
Fig. 3.26: Comparación gráfica del modelo AI1Y1 flujómetro virtual ácido, ambos métodos.
77
3.4.4 Modelos finales de sensores virtuales
Al hacer la comparación visual, se llega a la conclusión que el

comportamiento de la señal que posee los parámetros obtenidos con el método de
la escalera, es mucho mejor al de validación, aún más en los cambios transientes
que la gráfica posee. Por este motivo los modelos matemáticos de los sensores
virtuales quedan establecidos con los parámetros ya mencionados.
Según lo descrito anteriormente, los modelos matemáticos para cada

sensor virtual, quedan finalmente diseñados de las siguientes maneras expuestas
en las tablas 3.7, 3.8 y 3.9.
Tabla 3.7: Modelos definitivos del pesómetro virtual, línea1.

1 Y=3,4737*A-4,13935*B+1,02555*I1+1,10337*Y1
2 Y=6,13177*A+15,6852*B+4,97836*F1+2,54493*I1
3 Y=-16,1446*A+27,7338*B+2,97791*I1
4 Y=7,35182*A+16,8393*B+5,09547*F1
5 Y=38,6325*A+8,64195*F1+ 3,8423*I1
6 Y=18,2595*B+4,44185*F1+2,65356*I1
7 Y=-1,79042*B+1,1583*I1+1,05246*Y1
8 Y=4,30209*A-4,50277*B+1,13498*Y1
9 Y=-0,047754*A+1,11286*I1+0,979368*Y1
En la tabla anterior, se ilustran los modelos matemáticos que forman parte

del sensor virtual de tonelaje y en las tablas 3.8 y 3.9 de a continuación, se
detallan los modelos pertenecientes a los sensores virtuales de flujos de agua y
ácido sulfúrico.
78
Tabla 3.8: Modelos definitivos del flujómetro virtual de agua, línea1.

1 Y=0,190369*C+0,00901139*E-0,00677592*I1+0,700189*Y1
2 Y=0,642436*A+0,0957295*F+0,019808*I1+0,679641*Y1
3 Y=0,30038*A+0,319803*C+0,0192156*I1+0,729651*Y1
4 Y=1,74678*A+0,576672*C+0,144351*I1
5 Y=0,304691*A+0,321716*C+0,740149*Y1
6 Y=2,08817*A+0,223864*F+0,0917305*I1
7 Y=0,65095*A+0,0968156*F+0,689019*Y1
8 Y=0,260933*A+0,0335565*I1+0,891143*Y1
9 Y=0,191969*C+0,00885236*E+0,698667*Y1
10 Y=0,315177*C+0,0230037*I1+0,836279*Y1
11 Y=0,0144982*E-0,0199474*I1+0,670176*Y1
En la tabla 3.9, se muestran los modelos definitivos del sensor virtual de

ácido sulfúrico.
Tabla 3.9: Modelos definitivos del flujómetro virtual de ácido, línea1.

1 Y=0,0369064*B+0,00164324*E-0,0126742*I1+0,833121*Y1
2 Y=0,00414725*E-0,0222178*F1-0,0254585*I1+0,82887*Y1
3 Y=0,0482578*A+0,0370593*B-0,00744726*I1+0,797555*Y1
4 Y=0,0928241*A-0,00834865*F1-0,0149248*I1+0,792975*Y1
5 Y=0,275391*A+0,0693654*B+0,0305164*I1
6 Y=0,0439758*A+0,0382292*B+0,792777*Y1
7 Y=0,418033*A-0,0851655*F1+0,0151495*I1
8 Y=0,0883071*A-0,00951257*F1+0,78025*Y1
9 Y=0,0740783*A-0,0161751*I1+0,827886*Y1
10 Y=0,0158852*F1-0,00865245*I1+0,984042*Y1
11 Y=0,130279*B+0,00792861*E+0,0802865*I1
79
3.5 PROGRAMACIÓN DE LOS MODELOS MATEMÁTICOS
La programación de los modelos matemáticos dentro del sensor virtual, es

un tema muy importante, ya que consiste en informarle al sensor, el orden de cual
modelo se debe usar primero o cual después.
3.5.1 Programación por tonelaje (escalera)
La manera de ordenar los modelos, es en base a la metodología escalera

(anteriormente utilizada), esto quiere decir que se ordenan por medio de un estado
transiente y otro estacionario. Por lo tanto cada sensor virtual tendrá dos modelos
matemáticos base. A continuación se detalla el orden de los modelos de cada
sensor virtual que se tendrá para cada estado.
Tabla 3.10: Orden de estado estacionario de cada sensor virtual.

Orden de modelos matemáticos de pesómetro virtual
1 2 3 4 5 6 7 8 9
ABF1I1Y1 ABF1I1 ABI1Y1 BF1I1 BI1Y1 AF1I1 ABI1 ABF1 ABY1
Orden de modelos matemáticos de flujómetro virtual agua
1 2 3 4 5 6 7 8 9 10 11
CEI1Y1 AFI1Y1 ACI1Y1 ACI1 ACY1 AFI1 AFY1 AI1Y1 CEY1 CI1Y1 EI1Y1
Orden de modelos matemáticos de flujómetro virtual ácido sulfúrico
1 2 3 4 5 6 7 8 9 10 11
BEI1Y1 EF1I1Y1 ABI1Y1 AF1I1Y1 ABI1 ABY1 AF1I1 AF1Y1 AI1Y1 F1I1Y1 BEI1
A continuación se presenta en la tabla 3.11, el orden en estado transitorio

de los modelos matemáticos de los tres sensores virtuales de la línea 1.
80
Tabla 3.11: Orden de estado transitorio de cada sensor virtual.

Orden de modelos matemáticos de pesómetro virtual
1 2 3 4 5 6 7 8 9 10
ABF1 ABY1 AI1Y1 ABF1I1 BF1I1 ABF1I1Y1 ABI1 ABI1Y1 BI1Y1 AF1I1
Orden de modelos matemáticos de flujómetro virtual agua
1 2 3 4 5 6 7 8 9 10 11
AFI1 ACI1 CI1Y1 CEI1Y1 CEI1 AF1Y1 ACY1 AFI1Y1 ACI1Y1 AI1Y1 CEY1
Orden de modelos matemáticos de flujómetro virtual ácido sulfúrico
1 2 3 4 5 6 7 8 9 10 11
EF1I1Y1 AF1I1Y1 BEI1Y1 AI1Y1 ABI1Y1 ABI1 AF1I1 AF1Y1 F1I1Y1 ABY1 BEI1
3.5.2 Programación por falla de variable
En las tablas 3.10 y 3.11 se aprecia el modelo central de cada sensor,

como también los modelos posteriores, según su comportamiento en cada estado.
Este procedimiento sirve para llevar a cabo la programación de modelos en caso
de falla de variable, ya que, si al modelo base del sensor virtual le falla una de las
variables que lo componen, es posible utilizar el mejor modelo alternativo (según
este orden), que no posea dicha variable perdida. Por esta razón, a continuación
se ilustra el orden de modelos a utilizar (estado estacionario y transiente), si al
modelo principal del sensor virtual le falla cada una de las variables involucradas.
Con esta información es posible generar el programa necesario para dar

funcionamiento a los sensores virtuales. Dicha programación se lleva a cabo en el
software PI System, por medio de la herramienta de programación Visual Basic
que posee. La programación de los sensores se detalla en los apéndices.
81
Tabla 3.12: Orden de modelos por falla de variable, estado estacionario.

Pesómetro Virtual Flujómetro Virtual Agua Flujómetro Virtual Ácido
Si Falla Usar Modelo Si Falla Usar Modelo Si Falla Usar Modelo
A BF1I1 C AFI1Y1 B EF1I1Y1
B AF1I1 E AFI1Y1 E ABI1Y1
F1 ABI1Y1 I1 ACY1 I1 ABY1
I1 ABF1 Y1 ACI1 Y1 ABI1
Y1 ABF1I1 Nada CEI1Y1 Nada BEI1Y1
Nada ABF1I1Y1
En la tabla 3.13, el orden de modelos por falla de componente en estado

transitorio de los sensores virtuales de pesómetro de mineral dinámico, flujómetro
de agua y flujómetro de ácido sulfúrico, correspondientes a la línea 1.
Tabla 3.13: Orden de modelos por falla de variable, estado transitorio.

Pesómetro Virtual Flujómetro Virtual Agua Flujómetro Virtual Ácido
Si Falla Usar Modelo Si Falla Usar Modelo Si Falla Usar Modelo
A BF1I1 A CI1Y1 E AF1I1Y1
B AI1Y1 F ACI1 F1 BEI1Y1
F1 ABY1 I1 AF1Y1 I1 AF1Y1
Nada ABF1 Nada AFI1 Y1 ABI1
Nada EF1I1Y1
A continuación se ilustran en las figuras 3.27, 3.28 y 3.29, el

funcionamiento práctico de los sensores virtuales en varios display del software PI
System.
82
Fig. 3.27: Funcionamiento de pesómetro virtual en software PI System.

83
Fig. 3.28: Funcionamiento de flujómetro virtual agua en software PI System.

84
Fig. 3.29: Funcionamiento de flujómetro virtual ácido sulfúrico en software PI System.

85
3.6 PRECISIÓN Y EXACTITUD DE LOS MODELOS
Los modelos matemáticos que forman parte de los sensores virtuales,

deben poseer estándares que los caractericen. Dos de ellos son los mencionados
en el capítulo 2, precisión y exactitud, estos conceptos se obtienen a cada sensor
virtual de manera de ser comparables con otro tipo de sensor.
La precisión y exactitud se obtienen según las ecuaciones descritas en el

capítulo 2, las cuales se mencionan nuevamente en las siguientes ecuaciones.
𝜀(𝑘, 𝜃) ( 3.1)
𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 =
𝑦(𝑘)
𝜀(𝑘, 𝜃) ( 3.2)
𝐸𝑥𝑎𝑐𝑡𝑖𝑡𝑢𝑑 =
𝑦(𝑘)𝑀𝑎𝑥
Se calcula una precisión y exactitud para cada modelo del sensor virtual y
luego se eligen los mayores valores para cada uno, estos serán la precisión y
exactitud que correspondan al modelo. Como es habitual, solo se expondrán los
resultados de la línea 1 del proceso, las otras dos líneas se realizan de la misma
manera.
3.6.1 Precisión y exactitud para pesómetro virtual
El tonelaje máximo, establecido por personal de operaciones de la

división, y para poder calcular la exactitud de los modelos, se establece como
3.150 [ton/h], los demás cálculos se exponen en una planilla Excel, ilustrada en la
figura 3.31.Del cálculo se expone que la precisión y exactitud del sensor son:
86
Precisión 17,22% Exactitud 11,01%
Estos estándares serán parte de la calidad del sensor de tonelaje de

mineral, los cuales indican una gran calidad en esta instrumentación virtual.
3.6.2 Precisión y exactitud para flujómetro virtual agua
El flujo de agua máximo establecido para poder calcular la exactitud de los

modelos, se establece como 200 [kg/ton], los demás cálculos se exponen en una
planilla Excel, ilustrada en la figura 3.32.Del cálculo anterior se expone que la
precisión y exactitud del sensor son:
Estos estándares serán parte de la calidad del sensor de flujo de agua, los
cuales indican una gran calidad en esta instrumentación virtual.
3.6.3 Precisión y exactitud para flujómetro virtual ácido sulfúrico
El flujo de ácido sulfúrico máximo establecido para poder calcular la

exactitud de los modelos, se establece como 40 [kg/ton], los demás cálculos se
exponen en una planilla Excel, ilustrada en la figura 3.33.Del cálculo anterior se
expone que la precisión y exactitud del sensor son:
Estos estándares serán parte de la calidad del sensor de flujo de ácido

sulfúrico, los cuales indican una gran calidad en esta instrumentación virtual.
87
3.7 DISEÑO DE PESÓMETRO VIRTUAL CORREA 17
Como se indicó en un inicio, el diseño correspondería a 10 sensores

virtuales en el área de acidificación, y hasta el momento se han diseñado y
establecido 9 sensores virtuales correspondientes a 3 líneas del proceso (solo se
ha expuesto línea 1). Estos sensores virtuales, si bien pueden funcionar de
manera simultánea con los sensores reales, el objetivo principal es que continúen
la medición cuando la instrumentación real no lo esté realizando.
Con lo anteriormente expuesto, es importante destacar el tipo de

funcionalidad que se encomienda a estos nueve sensores virtuales, medición
continua en el proceso, ya que el décimo sensor virtual que se implementa, no
lleva relación directa con lo anterior, pues se diseña de tal manera que entregue
una medición de tonelaje en la correa 17, que antes no existía en el proceso, por
lo mismo no tendrá comparación alguna con otro sensor virtual.
Esta instrumentación, será el cuarto sensor virtual que medirá tonelaje de

mineral dinámico, pero con la particularidad de que este mineral ya ha pasado por
el área de dosificación de agua y ácido, es decir que el mineral viene húmedo. Por
esta razón, el pesómetro virtual de la correa 17 será una suma indirecta de los
tonelajes de las tres líneas anteriores, y la forma o expresión matemática de
diseño, está en directa relación de las variables que se describen a continuación.
 Tonelaje de mineral seco, línea 1

 Dosificación de agua, línea 1
88

 Dosificación de ácido sulfúrico, línea 1
De acuerdo a estas variables, se establece con personal de operaciones

del área húmeda de la división, la expresión matemática que calcula por separado
los tonelajes húmedos de cada línea queda expuesta en la ecuación 3.3.
𝑇𝑀𝑆𝑖 ( 3.3)
𝑇𝑀𝐻𝑖 = (1000 + 𝐷. 𝐻2𝑂𝑖 + 𝐷. 𝐻2𝑆𝑂4𝑖 )
1000
Donde 𝑇𝑀𝑆𝑖 es el tonelaje de mineral húmedo, 𝑇𝑀𝑆𝑖 es el tonelaje de

mineral seco, 𝐷. 𝐻2𝑂𝑖 es la dosificación de agua y 𝐷. 𝐻2𝑆𝑂4𝑖 es la dosificación de
ácido sulfúrico. Todo referido a cada línea del proceso.
Luego de aplicar este cálculo a las 3 líneas de acidificación, se realiza la

suma directa entre dichos tonelajes húmedos y así poder entregar el tonelaje total
húmedo requerido, como se detalla en la ecuación 3.4.
( 3.4)
𝑇𝑀𝐻𝑡𝑜𝑡𝑎𝑙 = 𝑇𝑀𝐻𝑙1 + 𝑇𝑀𝐻𝑙2 + 𝑇𝑀𝐻𝑙3
Donde 𝑇𝑀𝐻𝑡𝑜𝑡𝑎𝑙 es el tonelaje de mineral húmedo total que se medirá en

la correa 17, 𝑇𝑀𝐻𝑙1 es el tonelaje de mineral húmedo de la línea 1, 𝑇𝑀𝐻𝑙2 es el
tonelaje de mineral húmedo de la línea 2, y 𝑇𝑀𝐻𝑙3 es el tonelaje de mineral
húmedo de la línea 3.
.
89
Con esta información detallada, se diseña y lleva a cabo el funcionamiento

del pesómetro virtual de la correa 17 en el software PI System. Al igual que en los
otros nueve sensores virtuales, se programa el funcionamiento con la herramienta
del software, Visual Basic. Dicha programación, se detallará en los apéndices. El
funcionamiento y aplicación se ilustra en la figura 3.30, donde se observa el diseño
en el software PI System, como también la manera de operar los sensores de las
otras líneas e intervenir en el diagrama general del área seca.
Como se aprecia en la figura 3.30, el tonelaje húmedo total, es

aproximadamente 500 toneladas mayor a la suma de los tonelajes secos (en
negros), esto ocurren por una siguiente analogía que se explica a continuación.
Si se encuentran en funcionamiento tres líneas de acidificación, el

tonelaje total húmedo será aproximadamente 500 toneladas/hora
mayor a la suma de los tonelajes secos de cada línea.
Si se encuentran en funcionamiento dos líneas del proceso, el

tonelaje total húmedo será aproximadamente 333 toneladas/hora
mayor a la suma de los tonelajes secos de cada línea.
Si se encuentra en funcionamiento una línea del proceso, el tonelaje

total húmedo será aproximadamente 166 toneladas/hora mayor al
tonelaje seco de la línea.
Este pesómetro virtual es el más importante de los 10 sensores virtuales,

ya que este entrega información de apilamiento de mineral, que es lo que irá
directamente a las pilas dinámicas de mineral para la posterior lixiviación realizada
por el área húmeda. De esta manera el tonelaje que entregue este sensor se
usará como información relevante en el proceso de producción de la división.
90
Fig. 3.30: Funcionamiento de pesómetro virtual, correa 17 en software PI System.

91
Fig. 3.31: Calculo de precisión y exactitud de pesómetro virtual L1.

92
Fig. 3.32: Calculo de precisión y exactitud de flujómetro virtual agua L1.

93
Fig. 3.33: Calculo de precisión y exactitud de flujómetro virtual ácido L1.

94
3.8 ESQUEMA GENERAL DE SENSORES VIRTUALES IMPLEMENTADOS

95
CAPÍTULO 4
VALIDACIÓN ECONOMICA DEL PROYECTO
4.1 COSTO DE OPORTUNIDAD POR NO APILAMIENTO
La gerencia de mantenimiento, perteneciente al área seca de la división,

espera que este proyecto encomendado, tenga una justificación favorable en el
ámbito económico. Es por ello que el desarrollo de este capítulo tiene como
objetivo aclarar el impacto positivo que se genera al desarrollar esta
instrumentación virtual.
Para dar cumplimiento a lo anterior, se analiza el costo de oportunidad que

se origina por el no apilamiento de mineral, esto ocurre en las dos pilas de
lixiviación, cuando fallan los sensores reales existentes.
Cabe mencionar que el apilamiento de mineral, es la etapa posterior al

proceso de acidificación y además es la etapa más importante de la minera, ya
que la información que se obtiene de los niveles de mineral apilado, es la que se
envía a personal de Casa matriz en Santiago, para indicar así los niveles de
producción, y en base a eso, medir también la eficiencia y eficacia de la división.
Por lo anterior, la justificación del proyecto se analizará en base al ahorro

que se genera, al mantener una medición continua de la planta en acidificación y
por ende, no provocar detenciones extras en el proceso, debido a mantenciones
no programadas de la instrumentación real, porque esta ha fallado.
96
Capítulo 4 – Validación Económica del proyecto
Por lo anteriormente expuesto, es necesario explicar cómo se obtiene el

costo de oportunidad, referido al no apilamiento de mineral.
El costo por no apilamiento de mineral, se obtiene por medio de una

ecuación matemática sencilla, donde las variables o componentes que intervienen
en ella, se detallan en la siguiente lista.
 Libras de cobre fino

 Ley de cobre
 Recuperación
 Precio del cobre
A continuación se detalla cada variable en una breve descripción, para

entender su rol principal en la ecuación.
4.1.1 Libras de Cobre fino
Las libras de cobre fino se refieren al tonelaje de mineral húmedo que se

distribuye hacia las pilas dinámicas de lixiviación, se expresa en libras ya que esta
unidad de peso, es la que se utiliza para valorar la cantidad de cobre que se
obtiene en dólares.
4.1.2 Ley de cobre
Este es un parámetro importante para la valorización del cobre, ya que

indica cuanto mineral de cobre se extrae del material que se explota.
97
4.1.3 Recuperación
En el proceso de flotación la eficiencia se denomina “Recuperación

Metalúrgica” y se expresa en porcentaje. Los valores dependen de las
características de los minerales y varían generalmente entre 70 a 91%. A
continuación se aprecia en la figura 4.1, un ejemplo para una tonelada el 2,5 % de
cobre insoluble, los procesos involucrados, así como las mermas generadas y los
finos obtenidos en cada etapa.
Fig. 4.1: Proceso de recuperación del cobre.
4.1.4 Precio del Cobre
El precio del cobre es otra variable importante en el evaluó del costo por
no apilamiento, ya que es el precio de venta con el que se comercializa el mineral.
El precio del cobre se fija en la bolsa de metales de Londres y su unidad es dólar
por libra de cobre [US$/Lb].
Una vez detallados los cuatro puntos importantes para calcular el costo
porno apilamiento de mineral, se ilustra dicho cálculo en las ecuaciones 4.1 y 4.2.
98
( 4.1)
𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎 𝑑𝑒 𝐶𝑢𝑓 = 𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎 ∗ 𝐿𝑒𝑦 𝑑𝑒 𝐶𝑢𝑓 ∗ 𝑅𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛
Con la ecuación 4.1 se obtiene el tonelaje de cobre fino, el cual se

incorpora en la ecuación 4.2 para obtener el precio del cobre por tonelaje.
𝑃𝑟𝑒𝑐𝑖𝑜 𝑑𝑒𝑙 𝐶𝑜𝑏𝑟𝑒 ( 4.2)

𝑃𝑟𝑒𝑐𝑖𝑜 𝑑𝑒𝑙 𝐶𝑜𝑏𝑟𝑒 = 𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎 𝑑𝑒 𝐶𝑢𝑓 ∗
𝐿𝑖𝑏𝑟𝑎𝑠 𝑑𝑒 𝐶𝑢𝑓
En la ecuación 4.2 se aprecia que el cálculo del precio del cobre, está en
función de las toneladas de Cuf (cobre fino) y este a su vez hay que expresarlo en
Libras de Cuf, para poder explicarlo en términos de dólares por Libra de cobre. Por
otro lado es importante conocer en la ecuación 4.1, la ley de Cuf que se extrae y
además la recuperación. Para ello, en la tabla 4.1 se detallan algunos indicadores
más actuales hoy en día, de estas variables.
Tabla 4.1: Indicadores importantes.

Tonelada Cuf 2.204,62 Lb Cuf
Ley 0,45%
Recuperación 75%
Precio del Cu 3,11 US$/Lb Cuf
En base a estos parámetros, se explica un ejemplo enfocado a un día en

la minera, donde el apilamiento aproximado es de 141.000 toneladas de mineral.
Según estos datos, la producción en dólares pierde en un día US$ 3.014.015, por
no apilamiento. Dependiendo del tonelaje programado que se posea en el día, (los
que frecuentemente serán 140.000 toneladas de mineral) se sabrá el costo de
oportunidad generado por no apilar mineral.
99
Tabla 4.2: Costo de oportunidad por no apilamiento aproximado, por día y hora.
Dólar Pesos
Costo por día de no apilar 3.014.015 1.781.765.698
Costo por hora de no apilar 125.584 74.240.237
La tabla 4.2 detalla de mejor manera el costo de oportunidad de no

apilamiento que se generaría por un día y hora. Si bien es cierto, la cantidad de
120.300 toneladas fueron la producción diaria de un día específico, no todos los
días se producen esa cantidad, debido a las mantenciones programadas (2 días a
la semana) y las no programadas, que hacen que este cálculo sea efectivo en un
día de producción ideal.
De esta manera se reflejan las pérdidas que se producen por falla de un

sensor real, ya que si esta se presenta, deberá minimizarse el periodo de reparo,
porque de esta manera se reduciría también el tiempo ocioso de los equipos,
debido a que éstos no podrán operar si la instrumentación no muestra una
medición continua.
Por ello la incorporación de esta instrumentación virtual atenuarían de

cierta manera los costos de producción establecidos, ya que mantendría una
medición continua mientras dure la reparación de la instrumentación real.
100
CAPÍTULO 5
CONCLUSIONES
5.1 DESARROLLO TEÓRICO
En el estudio estadístico del diseño de los sensores virtuales, se llegó a

las siguientes conclusiones teóricas, descritas detalladamente.
 La selección de apropiadas componentes predictivas es fundamental para

obtener buenos modelos de sensores virtuales. Por lo tanto, se requiere
conocer a cabalidad el comportamiento del proceso sobre el cual es
elaborado el sensor virtual.
 Para mejorar la calidad de los modelos propuestos, es necesario saber la

dependencia existente entre las variables predictivas, y así evitar los
problemas que genera la multicolinealidad en los modelos (con esto se
evitan modelos sobreparametrizados). No obstante, el principal beneficio en
los sensores virtuales, es conocer la correlación existente con la variable
autoregresiva, de la señal a modelar y obtener buenos modelos predictivos.
 Cuando se diseñó la correlación existente entre cada variable predictiva y la

variable a estimar, se optó por utilizar las variables con una correlación
entre 55% y 60%, ya que de esa manera se podían obtener variables
suficientes para diseñar los modelos matemáticos de cada sensor.
101
Capítulo 5 – Conclusiones
 Todos los modelos matemáticos que fueron diseñados con el software

Statgraphics, presentaron un alto coeficiente de correlación entre todas sus
variables y además con el modelo, esto fue debido a la gran cantidad de
datos que se obtuvieron para realizar la modelación, ya que al modelar con
una cantidad mínima de datos, los modelos tienden a presentar baja
correlación de sus variables para con el modelo.
 El test de razón, utilizado para evaluar la indispensabilidad de alguna

variable en el modelo, es de suma importancia, ya que al utilizar un modelo
con dos o tres variables resulta la misma correlación, sin embargo para
efectos prácticos no resulta igual utilizar un sensor virtual con un modelo de
dos o tres variables porque al fallar una variable, este modelo no puede
continuar trabajando con una sola variable.
 El modelamiento generado con variables atrasadas, permite la existencia

de una mayor correlación múltiple, lo que permite un mayor ajuste en la
estimación posterior.
 Al considerar las características del proceso modelado (no lineal) y que no

se asumió nada a priori, se obtienen modelos lineales de tiempo discreto,
con una mínima cantidad de componentes y de calidad aceptables. Por lo
tanto, la técnica de modelación ocupada satisface los requerimientos de los
modelos de sensores virtuales.
5.2 DESARROLLO PRÁCTICO
En el desarrollo práctico se detallan variadas conclusiones obtenidas por

medio de los distintos procedimientos que se realizaron en esta etapa.
102
 El análisis teórico en la práctica es efectivo con solo en algunos

modelos, ya que hay casos en los cuales modelos estimados con baja
correlación o variables que presentan alta correlación entre ellas,
resultan ser modelos también efectivos.
 Los modelos desarrollados antes de la certificación de los sensores

reales, estiman de manera muy distinta a los desarrollados luego de
dicha certificación, obteniéndose mejores modelos después de la
certificación, ya que el conjunto de datos utilizados para la modelación
eran más actualizados.
 La modelación matemática en estado transitorio es mucho más difícil

que la modelación en estado estacionario, por esta razón se utiliza el
método de la escalera, que facilita la predicción de valores en esa zona
 El desarrollo de la línea dos fue la que percibía de peor manera sus tres
sensores virtuales. Esto se aprecia de mejor manera al usar el software,
ya que no se detalla en el informe dicha línea.
 Si bien es cierto, una mayor cantidad de datos para la modelación

significan obtener parámetros mejor ajustados para los modelos,
utilizando el método de la escalera se obtienen aún mejores modelos
matemáticos utilizando una cantidad mucho menor de datos.
 El método de la escalera permite estimar de mejor manera los estados

transientes de los modelos, y así cambios en valores más suavizados, y
por tanto minimizando casi en su totalidad los peak que se pudieran
producir.
103
 La precisión y exactitud que se obtienen de los tres sensores virtuales

en cada línea es en realidad la imprecisión e inexactitud ya que sus
valores tienden a ser mínimo.
 Los modelos del sensor virtual cumplen con dos funciones específicas:
estimar y predecir. Ambas tareas son realizadas de forma satisfactoria.
Los modelos al estimar son indudablemente mejores, ya que sólo la
complejidad radica en representar el tonelaje y flujos de cada línea, y
para los modelos es sumamente fácil, debido a que algunos poseen una
componente autoregresiva de la señal a modelar. Sin embargo, cuando
los modelos deben predecir, la condición anterior (poseer una variable
autoregresiva de la señal a modelar) ya no es ventajosa para esta
situación, ya que la falta de esta componente provoca la anulación de
todos los modelos.
 Tomando en cuenta las condiciones para estimar y predecir y que se

construyen modelos en base a una realización de un proceso
estocástico, se afirma que los nueve sensores virtuales,
correspondientes al área de acidificación, responden a los
requerimientos deseados
5.3 DÉCIMO SENSOR VIRTUAL
En el desarrollo del décimo sensor virtual, correspondiente a tonelaje, se

concluye:
 Existe una relación lineal proporcional en el aumento de tonelaje de

mineral húmedo, esto ocurre cuando están en funcionamiento una, dos
104
o tres líneas del proceso, ya que al funcionar una línea, el valor que
indicará el pesómetro será de 166 toneladas/hora mayor al tonelaje/hora
respecto del mineral seco, con dos líneas funcionando será 333
toneladas/hora mayor y con tres líneas funcionando será 500
toneladas/hora mayor.
 La implementación de este sensor virtual es de suma importancia para

indicar los niveles de producción en DGM de una manera más directa,
ya que logra mostrar mediciones precisas de tonelaje de mineral
húmedo.
 Beneficia de gran manera a personal de planta del área seca, ya que

esta medición les informará si los subprocesos en acidificación, se llevan
a cabo de buena manera o no, esto debido a que si la medición de
tonelaje es menor o mayor de la esperada, se tendrá que verificar la falla
en los niveles de dosificación de ácido y agua, y en las correspondientes
válvulas.
5.4 ANÁLISIS ECONÓMICO DE LA IMPLEMENTACIÓN
Este análisis sirvió para darle validación al proyecto, porque justifica de

gran manera la implementación en la división, ya que los costos por no
apilamiento de mineral alcanzan aproximadamente los 140.000 dólares/hora, lo
que es un ahorro muy significativo hoy en día por las crisis que afectan en estos
momentos la industria minera. Por esta razón su implementación toma aún mayor
fuerza.
105
REFERENCIAS BIBLIOGRÁFICAS
[1] SAINZ DE LA PEÑA, Rodrigo. Desarrollo de Sensor Virtual para

Planta de Flotación Simulada. Antofagasta, 2004. Tesis (Ingeniero
Electrónico) – Facultad de Ingeniería, Universidad de Antofagasta.
[2] ARIAS, Horacio. Diseño de Sensores Virtuales para Uso Industrial en

una Planta de Flotación. Santiago, 1995. Tesis (Ingeniero Civil
Electricista) – Escuela de Ingenieros, Universidad de Chile.
[3] MINERA GABY. Manual de Operaciones. Sierra Gorda, 2008.
[4] MENDENHELL, WILLIAM, SINCICH, TERRY. Probabilidad y

Estadística para Ingeniería y Ciencias. Cuarta Edición. 1997. México,
Prentice Hall, 7.
[5] GONZÁLEZ, Guillermo. Sensores Virtuales Utilizados en Plantas de la

Industria Minera. Santiago, 1999. Escuela de Ingenieros. Universidad
de Chile.
[6] LÓPEZ, María Elena. Modelado e Identificación de Sistemas:

Identificación por mínimos cuadrados. España, 2002. Departamento
de Ingeniería Electrónica. Universidad de Alcalá.
106
APENDICE A
DEFINICIÓN DE PROCESOS DE PLANTA EN ÁREA SECA
A.1 CHANCADO SECUNDARIO Y TERCIARIO
El proceso de Minera Gaby sigue la vía chancado, aglomeración,

apilamiento de mineral, lixiviación en pilas, descarga de ripios, extracción por
solventes y electro obtención. La planta de chancado secundario/terciario es un
eslabón en la cadena mina - chancado primario - chancado secundario/terciario –
aglomeración- apilamiento, cuya operación es en línea.
Las capacidades del chancado secundario/terciario, son las siguientes:
 Capacidad anual : 46 millones Ton

 Capacidad diaria : 126.000 Ton
 Capacidad instantánea : 7.000 tmh/hora
 Capacidad diseño : 8.050 tmh/hora
La granulometría de entrada al Chancado secundario es de 99% bajo 10”

(250mm) proveniente del chancado primario, y el producto que genera el
chancado terciario es de un 80% bajo ½” (12,5 mm) y 99 % bajo 1” (25 mm).
El chancado secundario está compuesto por 3 líneas secundarias, cada

línea consta de 2 alimentadores, una correa recuperadora, un harnero y un
chancador.
La capacidad instantánea por línea es de2365 tmh/hr y la capacidad de

diseño es de 2.720 tmh/hr. El acopio grueso, tiene una capacidad de 56.000
107
APÉNDICE A – Definición de Procesos de Planta en Área Seca
toneladas vivas, con una autonomía de 9 horas aproximadamente. El mineral es

extraído desde su parte inferior mediante seis alimentadores de correa de
velocidad variable 130-FE-002@007.
Sobre cada uno de estos alimentadores se han dispuesto electroimanes

para la captura de trozos metálicos y un sistema de abatimiento de polvo,
mediante una neblina seca.
Los alimentadores, en grupos de dos, descargan el mineral sobre dos

correas de velocidad variable de alimentación del proceso de chancado
secundario130-CV-002@004, que disponen de un pesómetro y un detector de
metales, cada una de estas correas de alimentación descargan el mineral en cada
harnero secundario (140-SN-001@003) correspondiente a su línea de operación.
Los harneros secundarios son de tipo Banana de 12 ft x 24 ft, doble deck,

tienen como función eliminar desde la alimentación a los chancadores secundarios
el producto de tamaño inferior a la abertura de salida de los chancadores (función
secundario); utilizando mallas de protección superiores de 125 mm y mallas
inferiores de corte de 50 mm.
Para la línea 1 secundaria, el mineral bajo tamaño es descargado

directamente sobre la correa CV-024 la que a su vez traspasa el mineral a la
correa CV-025 y esta descarga sobre la correa de recolección de finos 145-CV-
010 produciéndose un By-Pass del Chancador Terciario mejorando así su
eficiencia. El mineral de sobre tamaño es alimentado al Chancador Secundario
(140-CR-002/003) para reducir su tamaño el cual posteriormente es descargado
sobre la correa 140-CV-006. De igual forma la línea 2 Secundaria descarga sobre
la correa140-CV-007 y la línea 3 Secundaria descarga sobre la correa 140-CV-
008.
108
Los chancadores secundarios son METSO del tipo MP-1000 estándar,

ajustados aun CSS de 32 mm (closed side setting o ajuste en el lado cerrado) para
las condiciones de diseño. El setting es ajustable entre 350 a 390 mm en el lado
de alimentación y de 32 mm a 76 mm en el lado de descarga. La alimentación a
los chancadores terciarios es con un tamaño máximo de 2” (50mm).
El producto de las correas 140-CV-006@008, es transportado a los

buzones de carga 145-BM-011@013 respectivamente, que alimentan el Proceso
de Chancado Terciario. Sobre estos buzones se ha dispuesto de un sistema de
captación de polvos.
El chancado terciario está compuesto por 6 líneas terciarias, cada línea

consta de 1 alimentador, un harnero y un chancador. La capacidad instantánea
por línea terciaria es de 1180 tmh/día y la capacidad de diseño es de 1360
tmh/día.
Los buzones de carga 145-BN-011@013 marcan el límite entre el

chancado secundario y terciario, estos tienen una capacidad de 282 ton. cada uno
y un tiempo de residencia máximo de 7 minutos.
El mineral almacenado en cada uno de los buzones de carga, es extraído

a través de dos chutes de salida de mineral, mediante alimentadores de correa de
velocidad variable 145-FE-010@15, que descarga sobre un harnero vibratorio
terciario( 145-SN-005@010) desde donde el mineral bajo tamaño es descargado
directamente sobre la correa colectora de harneado terciario 145-CV-010. Esta
correa recibe el mineral bajo tamaño proveniente de cada uno de los seis harneros
terciarios.
109
Los harneros terciarios son de tipo Banana de 12 ft x 24 ft, doble deck,

tienen como función eliminar desde la alimentación a los chancadores terciarios el
producto de tamaño inferior a la abertura de salida de los chancadores (función
terciaria); utilizando mallas de protección superiores de 30 mm y mallas inferiores
de corte de 17 mm.
El mineral sobre tamaño es alimentado al Chancador Terciario 140-CR-

006@011) en donde se reduce el tamaño del mineral y es descargado
directamente sobre la correa colectora de chancado terciario 145-CV-011. Esta
correa recibe el mineral proveniente de cada uno de los seis chancadores
terciarios.
Los chancadores terciarios son METSO del tipo MP-1000 cabeza corta,
ajustados a un CSS de 13 mm (closed side setting o ajuste en el lado cerrado)
para las condiciones de diseño. El setting es ajustable entre 64 y 128 mm en el
lado de alimentación y de 8 a 25 mm en el lado de descarga.
El producto del chancado terciario es de un 80 % bajo ½” (13 mm). Ambas

correas colectoras, de harneado terciario y chancado terciario (145-CV-010@012),
disponen un pesómetro para el balance másico, y descargan sobre la correa
colectora de mineral de chancado terciario 145-CV-022, la cual se ha provisto de
un sistema de abatimiento de polvo de neblina seca. Esta correa descarga el
mineral en el sistema automático de muestreo y desde ahí hacia la correa de
alimentación del Silo de Finos 145-CV-012. En este lugar se ha instalado un
sistema de abatimiento de polvo de neblina.
La correa de alimentación del silo fino 145-CV-012 descarga sobre la

correa móvil de alimentación a silo de finos 147-CV-023, que distribuye el mineral
al interior del silo de mineral fino.
110
A.1.1LÍMITES DEL ÁREA
El chancado secundario / terciario es la tercera etapa en el proceso de

Gaby. Incluye desde el acopio de mineral grueso hasta el acopio de “silo mineral
fino”.
El silo pertenece tanto a chancado como a aglomeración, por cuanto su
fracción sin carga representa la capacidad libre para el almacenamiento del
producto del chancado y la fracción ya con carga representa la reserva de mineral
para la operación de la aglomeración. La capacidad viva de estos silos es de
1.150 toneladas por 3 silos, con un tiempo de residencia máximo de 30 minutos.
Por otro lado, los buzones de carga 145- BN-011@013 marcan el límite
entre el chancado secundario y terciario, estos tienen una capacidad de 282
toneladas cada uno y un tiempo de residencia máximo de 7 minutos.
El suministro eléctrico proviene de subestaciones y salas eléctricas al

interior de la planta.
El control del proceso y de las operaciones se realiza desde una sala de

control propia conectada a una red general y que atiende a toda el área seca y el
manejo de materiales en las pilas.
El agua de proceso, de incendio y potable se conecta a matrices desde

donde es dirigida mediante un sistema de cañerías a los lugares requeridos.
El aire comprimido para el sistema de supresión de polvo, instrumentación

y servicios es generado en una central ubicada en las cercanías del chancado
secundario/terciario.
111
A.1.2 CRITERIOS DE DISEÑO Y PARÁMETROS PRINCIPALES
El objetivo de la Planta de Chancado es triturar el mineral recibido desde

la mina, con un tamaño máximo de 1.200 mm (ROM), para obtener un producto
con 80%bajo ½” (12,5 mm).y 99 % bajo 1” (25 mm).
Fig. A.5.1: Características y parámetros principales de chancado.
A.2 ACIDIFICACIÓN
A.2.1 DESCRIPCIÓN DE LA ACIDIFICACIÓN
El proceso Minera Gaby, sigue la vía chancado, aglomeración, apilamiento

de mineral, lixiviación en pilas, (descarga de ripios), extracción por solventes y
electro obtención. La Aglomeración es un eslabón en la cadena mina-chancado-
aglomeración-apilamiento, cuya operación es en línea.
112
La planta cuenta con tres líneas de Acidificación, cada una compuesta por
un alimentador de correa, una correa de alimentación y un tambor rotatorio La
acidificación se realiza en tres tambores rotatorios 150-AD-001@003, de 3,7 m de
diámetro y 11 m de largo, con una capacidad de diseño por tambor de 2.612 t/h
(secas), la alimentación a estos es el producto final de la planta de chancado,
constituido por 80% bajo 12,7 mm y 99% bajo 20 mm. Como elementos
aglomerantes y de curado se adiciona ácido sulfúrico concentrado y agua.
Los silos de 1.150 t de capacidad viva cada uno 147-BL-001@003 son el

elemento articulador entre las plantas de chancado y aglomeración, participando
en ambos procesos este permite seguir operando la aglomeración durante
detenciones menores y medianas de la planta de chancado.
La descarga del silo se realiza mediante tres alimentadores de cinta de 84”

de ancho y 8 m de largo y velocidad variable 0,3 m/s 147-FE-018@020. El mineral
se transfiere al tambor aglomerador mediante una correa transportadora 147-CV-
013@015 de 54” de ancho y 67 m de longitud horizontal, en la cual se ubica el
pesómetro 147-WE-008@010 que sirva para controlar la carga y la dosificación de
ácido y refino al tambor.
En el tambor se agrega ácido sulfúrico concentrado y agua (Caudal

instantáneo por tambor: Ácido sulfúrico: 14 m3/h y Agua: 84,7 m3/h), para iniciar la
sulfatación del cobre y lograr un mineral aglomerado homogéneo con un tiempo de
residencia de 38 segundos, de baja adherencia a los medios de transporte y que
no se destruya fácilmente. Una vez que el mineral es aglomerado este es
descargado en las correas transportadoras 150-CV-017@019 para dirigir el
mineral al área de apilamiento.
113
El aplacamiento de las emisiones de polvo en la transferencia desde las

correas alimentadoras a la correa transportadora y entre ésta y el tambor, se
realiza por supresión de polvo por el método de neblina seca.
El tambor rotatorio es de inclinación variable entre 8 y 10 grados

(mediante un sistema hidráulico) y velocidad variable. Está provisto de tuberías
perforadas (flautas) para alimentación del ácido y agua y de una chimenea con
tiraje natural con descarga a la atmósfera.

dosificado mediante válvulas reguladoras de flujo.
El caudal de ácido y de agua es medido mediante medidores magnéticos y

dosificado en forma proporcional al tonelaje de mineral alimentado al tambor
aglomerador, con valores ingresados por el operador, según instrucciones
recibidas.
El control del peso de mineral se realiza mediante un pesómetro ubicado

en la correa transportadora de alimentación al tambor aglomerador.
Los derrames líquidos de los tambores son colectados en un sumidero y

de ahí bombeados de retorno al interior del tambor para su reutilización. Los
derrames sólidos son recuperados mediante cargador. El control de polvo en las
transferencias desde la salida del silo hasta la entrada al tambor aglomerador será
por supresión de polvo por el método de neblina seca.
Los gases generados en el aglomerador serán evacuados por una

chimenea para ser descargados a una altura mayor que la del chute de
alimentación al aglomerador.
114
A.2.2 LÍMITES DEL ÁREA
La Aglomeración comprende desde la descarga del silo de mineral fino

hasta la descarga del aglomerado a la primera correa del sistema de apilamiento.
El silo pertenece tanto a Chancado como a Aglomeración, por cuanto su fracción
sin carga representa la capacidad libre para el almacenamiento del producto del
chancado y la fracción ya con carga representa la reserva de mineral para la
operación de la aglomeración.
Los silos de finos (capacidad viva de1.150 ton) pertenecen tanto a

chancado terciario como a aglomeración, por cuanto su fracción sin carga
representa la capacidad libre para el almacenamiento del producto del chancado y
la fracción ya con carga representa la reserva de mineral para la operación de la
aglomeración.
La capacidad viva de estos silos es de 1.150 toneladas por 3 silos, con un

tiempo de residencial máximo de 30 minutos.
El suministro eléctrico proviene de subestaciones y salas eléctricas al

interior de la planta. El control del proceso y de las operaciones se realiza desde la
Sala de Control del Área Seca, conectada a una red general. El agua de proceso,
de incendio y potable se conecta a matrices desde donde es dirigida mediante un
sistema de cañerías a los lugares requeridos.
El aire comprimido para el sistema de supresión de polvo, instrumentación

y servicios es generado en una central ubicada en las cercanías del chancado
secundario/terciario.
115
A.2.3CRITERIOS DE DISEÑO Y PARÁMETROS
El objetivo de la Aglomeración en Minera Gaby S.A. es mezclar en forma

homogénea el producto final de la planta de chancado con ácido y agua. El
producto final de la planta de chancado tiene por 80% bajo 12,7 mm y 99% bajo
20 mm.
Las pruebas metalúrgicas para el mineral de Gaby concluyeron en este

mineral tiene una buena permeabilidad, por lo cual el objetivo del tambor
aglomerador será de mejorar su comportamiento en cuanto a permeabilidad y a
homogenizar la mezcla de mineral, ácido y agua.
A partir de los siguientes datos fundamentales, se realizó los cálculos de

proceso y de los equipos de la planta de aglomeración utilizando criterios de
diseño del proceso y de otras disciplinas de ingeniería, más una simulación
dinámica general de la operación mina – chancado – aglomeración - apilamiento:
Fig. A.5.2: Parámetros principales de acidificación.

116
Se asume que la humedad en la alimentación al aglomerador es similar al

proveniente de la mina, habiéndose equilibrado la humedad aportada por los
supresores de polvo con la evaporación a través de la planta de chancado. Con
estos datos básicos se obtienen los siguientes valores derivados principales:
Fig. A.5.3: Parámetros de aglomeración.
En el tambor se agrega ácido sulfúrico y agua, para iniciar la sulfatación

del cobre y lograr un mineral aglomerado homogéneo, de baja adherencia a los
medios de transporte y que no se destruya fácilmente.
Los minerales de Minera Gaby tienen un alto consumo de ácido (20

Kg/ton) y, además, se adiciona en diferente proporción en la aglomeración y en el
ciclo de lixiviación.
117
La velocidad de los alimentadores de mineral será controlada mediante el

peso definido por el operador, en t/h, y medida por el pesómetro en la correa de
alimentación al tambor aglomerador.

controlado mediante los controladores de flujo 150 FE/FIT/FFIC-002 y 150
FE/FIT/FFIC-004, y las válvulas de flujo 150-FV-002 y 150-FV-004
respectivamente.
A.2.4 DESCRIPCION DE LAS INSTALACIONES Y EQUIPOS PRINCIPALES
Como complemento a la Descripción de la Aglomeración y del Proceso en

esta sección se profundiza la Descripción de las Instalaciones y de los Equipos
Principales. Éstos se pueden dividir en los siguientes grupos:
 Equipos de proceso, que modifican las características físicas y/o

químicas del mineral, en este caso, específicamente es sólo el
aglomerador.
 Instalaciones de almacenamiento y transporte, en este caso es el silo,

compartido con la planta de chancado, que amortigua las variaciones en
el suministro de mineral y permite regular la alimentación al
aglomerador, y los alimentadores y la correa transportadora, que
dosifican, transfieren y/o transportan los productos.
 Los sistemas de control de las emisiones de polvo, en este caso sólo por
supresión.
118
 Elementos de protección y control, normalmente asociados a los

equipos o instalaciones.
Fig. A.5.4: Descripción resumida de equipos principales del área.
A.2.4.1 ALIMENTADORES DE CORREA DESCARGA DEL SILO
Los alimentadores de Fino (147-FE-018@020), son transportadores de

correa de 8 m de longitud y 2,1 m de ancho, de velocidad variable, y diseñados
para transportar, cada uno, 2.615 t/h de mineral a una velocidad máxima de 0,30
m/s. El alimentador se acciona mediante un motor hidráulico que le permite variar
su velocidad para satisfacer los requerimientos de flujo de mineral. El motor
hidráulico, a su vez, es accionado por un sistema hidráulico que le proporciona el
caudal y la presión de aceite necesarios según el requerimiento de flujo de
119
material (o velocidad de rotación). Los alimentadores de correa están equipados

con los siguientes componentes de seguridad: interruptores/cuerdas de seguridad,
interruptores de baja velocidad, interruptores de desalineación, e indicadores de
partida sonoros y luminosos. El proveedor de estos alimentadores es FMC
Technologies.
Cada sistema de accionamiento hidráulico de los alimentadores se

compone, principalmente, de una o más bombas de pistones axiales, un
acumulador de aceite, filtros de aceite, un sistema de refrigeración de aceite y un
sistema de control.
A.2.4.2 CORREA TRANSPORTADORASISTEMAAGLOMERACIÓN
Las correas de alimentación a tambores Acidificadores (147-CV-

013@015), son correas transportadoras de 66,8 m de longitud y 1,4 m de ancho,
accionadas por sistema motrices que se componen, cada uno, de un motor de 111
kW, 1.450 rpm. Cada correa está diseñada para transportar 2.613 t/h de mineral.
La velocidad de transporte es constante, de 2,54 m/s. Durante el

transporte, el mineral se eleva 8,7 m entre los puntos de carga y descarga de la
correa transportadora. El proveedor de estas correas transportadoras es FFE
Minerals.
El sistema motriz de cada correa de alimentación se ubica en el sector de

cabeza de la correa. Su sistema tensor es de tipo gravitacional está instalado a 4
m de la polea de cabeza de la correa. Los componentes principales de cada
correa son: seis interruptores de detención de emergencia, un elemento anti
retorno, dos sensores de velocidad cero, dos detectores de ruptura de correa,
120
cuatro interruptores de desalineación, raspadores primario, secundario y de

retorno, un pesómetro, y un chute de descarga de mineral.
Los pesómetros (147-WE-008@010) son parte del suministro de FFE

Minerals de las correas de alimentación a tambores acidificadores (147-CV-
013@015).
La correa colectora de mineral acidificado (150-CV-017), es una correa

transportadora de 43,8 m de longitud y 2,1 m de ancho, accionada por un sistema
motriz que se compone de un motor eléctrico de 112 kW, 1.500 rpm. La correa
está diseñada para transportar 8.172 t/h de mineral en base seca. La velocidad de
transporte es constante, de 3,05 m/s. El proveedor de esta correa transportadora
es FFE Minerals.
El sistema motriz de esta correa colectora se ubica en el sector de cabeza

de la correa. Su sistema tensor es de tipo ajuste de carrera para polea de cola.
Los componentes principales de esta correa son: ocho interruptores de detención
de emergencia, un sensor de velocidad cero, tres detectores de ruptura de correa,
cuatro interruptores de desalineación, limpiadores primario, secundario y de
retorno, y un chute de descarga de mineral.
La correa colectora de traspaso a sistema de apilamiento (150-CV-018),

es una correa transportadora de 275,0 m de longitud y 1,8 m de ancho, accionada
por un sistema motriz que se compone de un motor eléctrico de 597 kW. La correa
está diseñada para transportar 7.840 t/h de mineral. La velocidad de transporte es
constante, de 4,22 m/s.
Durante el transporte, el mineral se eleva 14 m entre los puntos de carga

descarga de la correa transportadora. El proveedor de esta correa transportadora
121
es FFE Minerals. El sistema motriz de esta correa colectora se ubica en el sector

de cabeza de la correa. Su sistema tensor es de tipo gravitacional. Los
componentes principales de esta correa son: dieciocho interruptores de detención
de emergencia, un elemento anti retorno, un sensor de velocidad cero, dos
detectores de ruptura de correa, nueve interruptores de desalineación, un detector
de deslizamiento, un detector de metales, un chute de descarga de mineral, y
raspadores primario, secundario y de retorno.
A.2.4.3TAMBOR AGLOMERADOR
Los tambores acidificadores (150-AD-001@003), son, son cilindros de

3,7x11 m que están instalados horizontalmente y ligeramente inclinados para
permitir el avance del mineral con un tiempo de residencia adecuado. Los
acidificadores están diseñados para operar con un volumen instantáneo de
mineral igual o inferior al 18% del volumen total, con ángulos de inclinación de 8 a
10°, y con una velocidad de rotación nominal de 5,54 rpm. Cada acidificador está
montado sobre rodillos y llantas de apoyo y se acciona con un motor de media
tensión de 4.160 V de velocidad variable (proporcionada por un variador de
frecuencia) y 338 Kw de potencia, a través de una combinación de piñón-corona.
Cada acidificador está equipado en su interior con distribuidores/inyectores de
ácido, de agua y de derrames. El proveedor de estos acidificadores es FFE
Minerals.
Cada acidificador está equipado con dos sistemas de lubricación: un

sistema centralizado de lubricación/engrase de descansos y un sistema de
lubricación/engrase del piñón/corona. El ajuste de inclinación del cilindro se
efectúa con un sistema hidráulico que se proporciona con el acidificador y que
sirve a ambos equipos. El sistema de acidificación está equipado, además, con un
122
sistema lavador de gases para retener arrastre de partículas y gases ácidos

derivados del proceso de acidificación.
A.2.4.4SISTEMA DE ALIMENTACIÓN DE ÁCIDO SULFÚRICO
El ácido Sulfúrico es almacenado en un TK Principal (TK-006), el cual es

alimentado por Camiones Aljibe, alimentando a los TK-003-004-005 cuya
capacidad de cada uno es de 3.800 m 3, a través de los cuales, en forma
gravitatoria alimenta los diferentes procesos ( acidificación, Piscina PLS; Piscina
de refino, Planta SX tren A, Planta SX tren B).
Mediante un sistema de transporte por cañerías desde 8” y mediante

reducciones ingresa al tambor en una línea de 2”; siendo controlado el flujo
mediante los controladores de flujo 150 FE/FIT/FFIC-002 y 150 FE/FIT/FFIC-004,
y las válvulas de flujo 150-FV-002 y 150-FV-004 respectivamente.
A.3APILAMIENTO
A.3.1DESCRIPCIÓN DEL ÁREA Y DEL PROCESO
En este capítulo se describe las relaciones del Sistema de Apilamiento con

el resto de la Planta y se resume sus conceptos operativos globales y las
relaciones entre los diferentes equipos de la línea de producción del Sistema.
El proceso del Minera Gaby S.A sigue la vía chancado, aglomeración,

apilamiento de mineral, lixiviación en pilas, (descarga de ripios), extracción por
solventes y electro obtención. El Apilamiento es un eslabón en la cadena mina-
chancado-aglomeración-apilamiento, cuya operación es en línea; asimismo,
apilamiento es parte integral de la operación del proceso de lixiviación.
123
El chancado, aglomeración y apilamiento trabajan en conjunto diario para

construir cada módulo de 80.000 toneladas. La Capacidad de las instalaciones es
de 7.356 t/d para transportar y depositar mineral aglomerado en las pilas.
La capacidad de diseño del sistema es 8.293 t/h, peso húmedo. Para

asegurar que los márgenes de operación del sistema sean respetados durante el
apilamiento, el operador cuenta con la ayuda de un sistema de posicionamiento
conocido como GPS diferencial (Global Position System).
La correa de traspaso al sistema de Apilamiento, 150 CV-018, con

material proveniente de Aglomeración deposita el producto en la Correa de
Alimentación del Puente Apilador, 160 CV-019, esta correa tiene carro repartidor
móvil, que le permitirá alimentar dicho puente, en cualquier posición que éste se
encuentre en el área de apilamiento.
El puente apilador, 160-ME-001 cuenta con una correa ubicada en la parte

superior, 160-CV-019, y con un tripper, 160-TB-002, que tiene una correa
transversal, 160-CV-021. El puente es autopropulsado sobre orugas, y se aleja de
la pila, paralelamente a sí mismo, cada vez que el tripper apilador realiza una
pasada completa formando la pila de lixiviación.
Fig. A.5.5: Diagrama de flujo del proceso de apilamiento.

124
El piso de las pilas donde se trasladará el puente tiene doble pendiente,

una longitudinal que corresponde a 3,33%, y una trasversal al puente que
corresponde a 1,52%. La pendiente que toma el talud de la pila medido desde la
horizontal es de 37°.
Se forman 2 Pilas de 54 módulos cada uno (lado este y oeste). Para

totalizar 108 módulos de 23,5 mts de largo por 380 mts de ancho y altura de 6 mts.
La formación de un módulo consiste en depositar el mineral a lixiviar sobre

la carpeta a través de movimientos combinados de los equipos del área de
apilamiento, como primer paso, se tiene que el tripper ubicado sobre el puente,
160-TB-002, se traslade desde un extremo del puente, 160-ME-001, al otro
extremo depositando el mineral aglomerado, una vez que se ha llegado al otro
extremo, este debe moverse en conjunto con el tripper 160-TB-001 una cantidad
determinada para que de esta forma pueda el tripper, 160-TB-002, devolverse a su
punto de inicio, depositando mineral. Además del transporte de mineral, el
apilamiento tiene la responsabilidad de formar un módulo de buena calidad, es
decir con la altura adecuada, una segregación aceptable y una superficie superior
tan suave como sea posible, para tener una distribución de riego homogénea, para
lograr estos objetivos se deben controlar algunas variables como velocidad del
tripper apilador, magnitud y variaciones del ritmo de alimentación del mineral,
magnitud de avance del puente entre otras. Estos parámetros, deben ajustarse a
medida que se vaya operando, para llegar a un balance práctico.
La capacidad de los sistemas de apilamiento, que corresponde a 8.300 t/h,

fue definida para manipular los volúmenes de mineral que se consideran en la
Etapa II del Proyecto; por lo que no habrá expansión de estas instalaciones.
Este sistema está compuesto por los siguientes equipos:

125
• 160-CV-019 Correa Alimentación Puente Apilador 160-TB-001 Tripper

Repartidor.
• 160-ME-001 Puente Sistema Apilamiento, 160-CV-020 Correa Puente
Apilador, 160-TB-002 Tripper Repartidor y 160-CV-021 Correa Repartidora.
El control directo de las operaciones se realiza desde cabina individual

propia para el apilamiento. La operación del apilamiento es en línea con la planta
de chancado y la aglomeración, por lo cual la coordinación general se realiza
desde la Sala de Control del Área Seca.
Una vez que se ha terminado de cargarlos módulos correspondientes a la

pila este es necesario trasladar el puente del sistema Apilamiento, 160-ME-001, a
la pila Oeste, lo mismo ocurre una vez finalizada la carga de los módulos de la pila
Oeste en que se hace necesario trasladar el puente a la pila Este, estos
movimientos se conocen como “Giro del puente”. Este puente una vez que ha
finalizado el último módulo de la pila Oeste avanza con un movimiento inicial
paralelo a sí mismo y luego a través de pivoteos llega a la posición 2, posición 3,
posición 4, para finalizar en la posición 5, donde iniciará la carga del primer
módulo de la pila Este.
El giro del puente se realiza desconectando físicamente el puente del

sistema Apilamiento, 160-ME-001, del Tripper Repartidor, 160-TB-001, (retiro de
instrumentación cables de control y fuerza) para conectarlo posteriormente a una
fuente de energía que le permita realizar el recorrido (red eléctrica normal y
extensiones o generador que avance solidariamente con el puente), para esto
debe separarse del tripper, levantar la pluma (luffing boom) y pasarla sobre el
Tripper Repartidor, 160-TB-001, una vez finalizado el movimiento de cambio de
pila debe realizar la maniobra inversa, es decir, bajar pluma, posicionarse bajo el
tripper y proceder a normalizar las conexiones.
126
A.3.2LÍMITES DEL ÁREA
Apilamiento incluye desde la culata de la correa 160 CV-019 (que recibe el

producto aglomerado) hasta la descarga de la respectiva correa transversal
apiladora, 160-CV-021 formando la Pila a Lixiviar.
A.3.3CRITERIOS DE DISEÑO Y PARÁMETROS PRINCIPALES
Fig. A.5.6: Parámetros principales en apilamiento.
A.3.4DESCRIPCIÓN DE LAS INSTALACIONES Y EQUIPOS PRINCIPALES
El Sistema de Apilamiento está constituido por un conjunto de equipos,

partiendo desde la Correa 160 CV-019 hasta ser depositado en forma ordenada
en las pilas de lixiviación.
La correa transportadora tiene una longitud de 1.943 m y 18,6 m de altura

de elevación, recibe el mineral desde la descarga de la correa de aglomerado 150-
CV-018, y la transfiere a través del carro repartidor (tripper) 160-TB-001 a la
correa 160-CV-020 tiene una velocidad de 5,3 m/s cuenta con 2 unidad motriz de
127
630 kW, diseñada para transportar 8.300 t/h cuenta con un sistema tensor que es
de tipo winche, con ajuste de 7.200mm ubicado en la polea de cola, es accionado
por un motor de 15 kW.
La cinta es “Steel cord 1600 ST 2.250 10/6“, es decir, es de 1600 mm de

ancho, tiene cable de acero, tiene un espesor total de 21,5 mm. La correa está
ensamblada con módulos de 7,5 m de longitud, con espaciamientos de 1,5 m
entre polines de transporte y de 3,75 m entre polines de retorno. Las poleas motriz
y tensora tienen un diámetro de 1 m.
El carro repartidor consiste de una estructura de 60 m de longitud que

descarga desde una altura de 8,7 m desde el nivel de piso. El carro está montado
sobre 20 ruedas de 315mm, 18 de ellas accionadas por motores de 0,37 kW. El
carro está diseñado para viajar a una velocidad fija de 3 m/min en un recorrido de
1.254 m. La polea de descarga del carro tiene un diámetro 1 m.
El puente móvil de recuperación, tiene una longitud de 416 m, es un

equipo típico usado en las pilas de lixiviación dinámicas. Este equipo está
compuesto por 5 módulos fabricados con enrejados estructurales los cuales son
soportados por varios conjuntos de orugas que también permiten la traslación del
equipo, el modulo central posee 2 conjuntos de orugas, mientras que los restantes
módulos solo un conjunto. En cada conjunto de orugas se ha instalado 2 cilindros
hidráulicos que se encargan de la compensación de la pendiente del puente.
Además se ha instalado entre cada módulo del puente un medidor láser que mide
la posición de los módulos ente si y garantiza una alineación en ras. En la parte
superior del puente se instala una correa transportadora; también en el nivel
superior de la estructura, se tiene dos líneas de rieles, sobre las cuales opera un
carro repartidor el que está constantemente en movimiento y se encarga de
distribuir el minera aglomerado a lo ancho de la pila.
128
Cada conjunto de orugas se compone de dos orugas de 6,09 m de

longitud y 1,05 m de ancho, montadas en paralelo y separadas por una distancia
de 2,9 m medida entre centros de orugas. Las orugas están montadas sobre una
maza, cuyo centro se encuentra pivoteado a la estructura del puente, permitiendo
inclinaciones máximas de 5,7° por sobre o por debajo de la posición horizontal.
Cada oruga se acciona mediante un motor eléctrico de 20 kW de

velocidad variable, pudiendo desplazarse a una velocidad máxima de 9 m/min. El
puente apilador está equipado con un sistema láser de alineación de segmentos
en los planos horizontal y vertical.
El sistema de alineación permite márgenes de desalineaciones máximas

de 500 mm entre segmentos cuando el puente se encuentre en operación, y de
1.000 mm cuando se encuentre fuera de operación.
La correa móvil de apilamiento de mineral, tiene una longitud total de 416

m, está dispuesta sobre el puente recuperador es alimentada por el Carro
Repartidor 160 TB-01 y descarga sobre la correa transversa 160-CV-021, tiene
una velocidad de 5,3 m/s, cuenta con 2 unidades motrices de 450 kW., tiene una
estación mecánica de tensado con unidad hidráulica, con distancia de tensado de
1.500 mm y una fuerza de tensión de 286 kN, está ubicado en la cola de la correa.
El carro repartidor consiste de una estructura de 21 m de longitud y una

correa transversal, 160-CV-021, se desplaza sobre los rieles instalados en la
superficie superior de la estructura de la correa móvil 160-CV-020. El carro está
montado sobre 8 ruedas de 315 mm, cada una accionada por un motor de 1,5 kW.
El carro está diseñado para viajar a una velocidad máxima de 20 m/min en un
recorrido de 364 m. La polea de descarga del carro tiene un diámetro 630 mm.
129
El repartidor está constantemente en movimiento formando en forma

paralela las pilas de 6 m de altura. Una vez que llega al extremo, el puente en su
conjunto se desplaza hacia atrás, permitiendo que el repartidor continué su
recorrido en dirección opuesta, formando las pilas de lixiviación.
La correa de apilamiento, tiene una longitud total de 25 m, está dispuesta

sobre el tripper apilador, 160-TB-002, se alimentada por la correa 160-CV-021,
está diseñada para transportar 8.300 t/h de mineral, es pivotada en el punto
central, lo que permite elevar la cabeza de la correa desde la posición horizontal
(elevación de 7,45 m desde nivel de piso) a una posición inclinada de 8,85° por
sobre la posición horizontal (elevación máxima de 9,45 m desde nivel de piso). De
esta manera, se forma pilas de mineral acidificado de 6 u 8 m de altura según se
defina para la operación de lixiviación, tiene una velocidad de 5,3 m/s, cuenta con
2 unidades motrices de 105 kW. La correa dispone de un sistema de tensado
Comunidad hidráulica.
La correa también dispone de una placa deflectora de impacto con

mecanismo hidráulico en el punto de descarga. La correa está diseñada para
recibir la carga de mineral desde el carro repartidor160-TB-002.
La inclinación de la correa apiladora se ajusta mediante el uso de una grúa

móvil y tecles manuales. En la parte superior del repartidor se encuentra ubicada
la cabina de operación, desde la cual el operador controla la operación de todo el
sistema de apilamiento.
130
APENDICE B
CONCEPTOS ESTADÍSTICOS EN APLICACIÓN
B.1SISTEMA
Un sistema es toda realidad en la que interactúan variables de diferentes

tipos para producir señales observables. Las señales observables, que son de
interés para el observador, se denominan salidas del sistema, mientras que las
señales que pueden ser manipuladas libremente por dicho observador, son las
entradas del mismo. El resto de señales que influyen en la evolución de las
salidas, pero no pueden ser manipuladas por el observador, se denominan
perturbaciones.
B.2MODELO DE UN SISTEMA
Cuando se hace inevitable conocer el comportamiento de un sistema, con

determinadas condiciones y ante entradas establecidas, se puede recurrir a la
experimentación sobre dicho sistema y a la observación de sus salidas. Pero, en
muchos casos la experimentación puede resultar complicada o inclusive, casi
imposible de llevar a cabo, lo que hace imprescindible ocupar algún tipo de
representación que se acerque a la realidad, esto es conocido como modelo. Un
modelo, es una herramienta matemática que permite predecir el comportamiento
de un sistema, sin la necesidad de experimentar sobre él.
Son diversas las metodologías utilizadas para la construcción de modelos.

La utilización de una metodología u otra, responde a las necesidades concretas
del modelo.
131
APÉNDICE B – Conceptos Estadísticos en Aplicación
Una de las metodologías más usadas es la identificación de sistemas, que

consiste en expresar, mediante un modelo matemático el comportamiento del
proceso a partir de datos. Dentro de este tipo de metodología y dependiendo del
tipo de formalismo matemático se encuentran los modelos paramétricos, que son
ocupados para aplicaciones avanzadas, en donde es necesario utilizar modelos
que describan el comportamiento entre las entradas y las salidas, mediante
expresiones matemáticas como ecuaciones diferenciales, para sistemas
continuos, o en ecuaciones de diferencias, para sistemas discretos, y
prescindiendo del comportamiento físico del proceso. Considerando el tipo de
sistema y la representación matemática a utilizar, están los modelos estocásticos.
Un modelo, es estocástico si posee un cierto grado de incertidumbre. Estos se
definen mediante conceptos probabilísticos o estadísticos.
B.3 IDENTIFICACIÓN DE SISTEMAS
Se entiende por identificación de sistemas, a la obtención experimental de

la estructura y los parámetros de un modelo, que reproduce con suficiente
exactitud las características dinámicas del proceso objeto de estudio. Las etapas a
seguir para identificar un modelo paramétrico son:
1. Obtención de datos de entrada – salida: El primer paso dentro de un

proceso de identificación es realizar algún tipo de experimento en el sistema bajo
estudio. Para ello se debe excitar el sistema, mediante la aplicación de una señal
de entrada y registrar la evolución de sus entradas y salidas durante un intervalo
de tiempo.
2. Tratamiento previo de los datos registrados: Los datos recolectados

están generalmente acompañados de ruidos indeseados u otro tipo de
imperfecciones que puede ser necesario corregir antes de iniciar la identificación
132
del modelo. Se trata de arregla’ los datos para facilitar y mejorar el proceso de
identificación. Una buena estrategia es normalizar estadísticamente los datos.
3. Elección de la estructura del modelo: En esta etapa es necesario

definir el tipo de modelo a utilizar de acuerdo al proceso. Si el modelo que se
desea obtener es un modelo paramétrico, el primer paso es determinar la
estructura deseada para dicho modelo.
4. Obtención de los parámetros del modelo: En este paso se procede a

escoger o decidir, el tipo de método para la estimación de los parámetros de la
estructura que mejor se ajustan a la respuesta del modelo y a los datos de
entrada–salida obtenidos experimentalmente. También se debe decidir, si la
normalización estadística de los datos es un aporte o no a la estimación de los
parámetros, ya que el objetivo es minimizar los errores de la estimación.
5. Validación del modelo. El último paso consiste en determinar si el

modelo obtenido, satisface el grado de exactitud requerido para la aplicación en
cuestión. Entonces se deben realizar los análisis, que determinen la calidad de los
modelos.
Fig. B.1: Organigrama del proceso de identificación de sistemas.

133
B.4 TÉCNICAS DE IDENTIFICACIÓN PARAMÉTRICA
Los modelos paramétricos quedan descritos mediante una estructura y un

número finito de parámetros, que relacionan las señales de interés del sistema. Es
sabido que en muchas ocasiones, es necesario realizar la identificación de un
sistema, del que no se tiene conocimiento previo. En estos casos, es frecuente
recurrir a modelos estándar, cuya validez para una extensa categoría de sistemas
dinámicos ha sido comprobada experimentalmente. Habitualmente, estos modelos
permiten representar el comportamiento de cualquier sistema. El problema está
implícito en la elección del tipo de modelo, orden del mismo, elección de los
componentes de la estructura, número de parámetros, etc. Y que ellos se ajusten
satisfactoriamente a los datos de entrada–salida obtenidos en el experimento
B.5 DETERMINACION DE LA ESTRUCURA DEL MODELO
Se trata de encontrar la forma general del modelo, dentro de una clase de

modelos, independientemente del valor que puedan tener los parámetros que
particularizan el modelo, para diferentes condiciones de operación. Para un
determinado proceso puede que existan varios modelos, dependiendo de los
puntos de operación, esto está determinado por la región de validez del modelo.
B.5.1 MODELO ARMA
En muchos casos, la anulación de algunos polinomios da pasos a modelos

particulares y bastante definidos, tal como el modelo ARMA. Los modelos tipo
ARMA, son una alternativa para obtener un modelo discreto del sistema
identificado, a partir de los pares de muestras de entrada y salida, obtenidas. Éste
es un modelo autoregresivo con promedio móvil (ARMA, autoregressive moving
average), el cual es un modelo estocástico.
134
El proceso de encontrar estructura, consiste en determinar los órdenes de

na, nb, nc de los polinomios A, B, C y del retardo d = nK de la señal entrada u(t).
Dentro de los distintos modelos, para la selección de estructuras de

plantas no lineales, se encuentran los modelos dinámicos que son lineales en los
parámetros. Estos modelos gozan de una amplia popularidad, ya que pueden
representar partes del proceso de flotación para el punto de operación analizado.
B.6 MÉTODO PARA EL AJUSTE DE PARÁMETROS
Una vez determinados los componentes de la estructura, el problema es

sólo de estimación de los parámetros para la estructura dada, ya que la clase de
modelos se ha reducido a una, en que la estructura es fija y solamente los
parámetros del modelo son diferentes. Existen diversos métodos o criterios, para
realizar esta estimación de los parámetros, siendo uno de los más conocidos el
método de los mínimos cuadrados.
B.6.1 MÉTODO DE MÍNIMOS CUADRADOS
El principio de los mínimos cuadrados, indica que los parámetros de un

modelo se deben elegir de tal forma que “la suma de los cuadrados de las
diferencias entre los valores de salida observados (reales) y los estimados,
multiplicada por factores que midan el grado de precisión sea un mínimo”. La
estimación por mínimos cuadrados, es minimizar en mayor razón la función de
residuos.
135
B.7 VALIDACIÓN DE MODELOS
Un modelo sobreparametrizado puede dar lugar innecesariamente un

elevado número de cálculos a la hora de usar el modelo o en su identificación. Un
modelo con pocos parámetros puede ser muy poco fiel al sistema.
Después de identificar un modelo, se debe comprobar que cumple todas

las hipótesis y simplificaciones que se hicieron previamente. La elección del
modelo va a estar influida grandemente por el uso final al que se destina, por lo
que la última verificación consiste en utilizar el modelo en la práctica y comprobar.
En la práctica el procedimiento que se sigue, es el de estimar modelos con

distintos órdenes de los polinomios y realizar test de comparación entre ellos, para
determinar el más apropiado. Hay tres aspectos que se deben considerar:
1. Ver si la estructura del modelo es lo suficientemente grande para

contener al sistema real, es decir, determinar si el grado del modelo está
subestimado.
2. Ver si el modelo es demasiado complejo, es decir, establecer si el

modelo está sobreestimado.
3. Ver qué modelo del sensor se debe escoger entre dos o más posibles,
es decir, de un conjunto de modelos posibles, hay que determina cual se elige.
B.7.1 ANÁLISIS DE ERROR
Todo modelo matemático es capaz de predecir el valor de la salida del

sistema en función de las entradas y salidas en instantes anteriores. Se llama
136
error de predicción, a la diferencia entre la salida estimada por el modelo y la

salida real del sistema, en un determinado instante de tiempo.
B.7.2 ÍNDICES DE BONDAD
Para determinar la calidad del modelo obtenido, existen índices numéricos

como índices de bondad, que proporcionan una medida de calidad del modelo.
Estos índices son calculados sobre la base de un ajuste, hecho en el mismo
conjunto de datos, con que se obtuvo el modelo. También es trascendental
realizar el trazado, de los datos observados con respecto a los que el modelo va a
estimar, ya que es posible que los índices aseguren un buen modelo, pero el
trazado de los datos no sea tan bueno. Es importante señalar, que los modelos
deben someterse a un ajuste con nuevos datos y volver a evaluar los índices. Los
índices, corresponden al coeficiente de correlación múltiple, múltiple ajustado y al
error estándar de estimación.
B.7.2.1COEFICIENTE DE CORRELACION MÚLTIPLE
Para determinar una medida estadística, que cuantifique lo bien que ajusta
el modelo a un conjunto de datos, se usa el coeficiente de correlación múltiple.
2
∑(𝑦𝑘 − 𝑦̂ 𝑘 )2 ( B.1)
𝑅 =1− 2
∑(𝑦𝑘 − 𝑦̅ 𝑘 )
Donde 𝑦̂𝑘 es la salida estimada, 𝑦𝑘 la salida real e 𝑦̅𝑘 media de salida real.
R2, representa la variación en la muestra de valores de y, que explica la

ecuación de predicción de mínimos cuadrados. Así, si R2 = 0, falta por completo el
137
ajuste del modelo a los datos, y si R2 = 1, se trata de un ajuste perfecto, y la

gráfica del modelo pasa por todos los puntos del diagrama de dispersión. En
general, a mayor sea el valor de R2, mejor es el ajuste del modelo a los datos.
B.7.2.2 COEFICIENTE DE CORRELACION MÚLTIPLE AJUSTADO
𝑅𝑎2 toma en cuenta tanto el tamaño de la muestraN, como número de

parámetros del modelo. 𝑅𝑎2 siempre es menor que R2, no puede forzarse a 1 con
agregar más variables al modelo. Por ello, al realizar análisis se usa el valor más
conservador de 𝑅𝑎2 cuando se elige una medida de idoneidad de un modelo.
𝑁−1 ( B.2)
𝑅𝑎2 = 1 − (1 − 𝑅 2 )
𝑁 − 𝑛𝜃
Donde 𝑅2 es el coeficiente de correlación múltiple, N el número total de

datos y 𝑛𝜃 el número total de parámetros del modelo.
B.7.2.3ERROR ESTANDAR DE ESTIMACIÓN
El error estándar de estimación es un estadígrafo general de confianza de

las estimaciones, más que uno aplicable a cada observación en particular, donde
indica que error existe entre valores observados respecto a los estimados.
1 𝑁 ( B.3)
∑ (𝑦 − 𝑦̂𝐾 )2
𝑠𝑒 = √ 𝐾=1 𝐾
𝑁
𝑁 − 𝑛𝜃
Donde 𝑦
̂𝐾 es la salida estimada del modelo, 𝑦𝐾 es la salida real.
138
APENDICE C
SENSORES VIRTUALES
C.1 INTRODUCCIÓN
Los sensores son los ojos con los cuales, se ve la conducta de una planta
y de donde se obtiene la información de su funcionamiento. Pero las medidas de
un sensor, pueden no estar siempre disponibles debido a una falla, retiro para
mantención o reparaciones. También puede suceder que el muestreo sea poco
frecuente, es decir, la variación del sistema, provoca que el muestreo de las
variables no sea lo bastante rápido y producto de ello, las muestras no
representen la evolución real de la variable. Esto sucede cuando un sensor
compartió su tiempo para realizar las medidas a puntos diferentes. También es el
caso cuando no existe un sensor instalado, porque no existe aún en el mercado o
es debido a su alto costo, y son necesarios los análisis del laboratorio. Además,
puede ser que un sensor no sea lo bastante robusto, para que en lugar de tenerlo
siempre en línea, sea usado para tomar muestras aisladas. Entonces, debido a
que el conjunto de datos de la medición son totalmente desconocidos o
incompletos durante un cierto período de tiempo, la acción de control sobre el
proceso, no sería el más óptimo. Los sensores virtuales pueden proporcionar una
solución útil para eliminar o por lo menos aminorar este problema.
En general, los sensores virtuales proporcionan la estimación de la falta de

medidas, usando un modelo que relaciona la variable correspondiente, con otras
medidas que están en asociación con él. El hecho que el modelo se lleva a cabo
por medio de un software, se tienen los medios para que estos sensores se
mantengan como un respaldo, para la eventual no disponibilidad del sensor real,
como una alternativa a un respaldo de hardware que usan los sensores reales.
139
APÉNDICE C – Sensores Virtuales
La figura C.1 muestra un esquema de las variables de proceso usadas

para diseñar un sensor virtual.
Fig. C.1: Esquema de variables de proceso usadas para diseño un sensor virtual
Acerca de los modelos, hay muchos autores que definen sólo los sensores
virtuales en base a modelos de la red neuronal. Sin embargo, un punto de vista
más extenso debe adoptarse, debido a que se obtienen modelos del sensor
virtual, también usando regresión o técnicas de correlación (modelos de regresión
lineal múltiple), así como también lógica difusa o modelos de los primeros
principios, o combinaciones de ellos.
Sin embargo, los desarrollos parecen haber seguido caminos

independientes, y como resultado, se dan nombres diferentes a conceptos iguales,
por ejemplo: parámetros = pesos, estimación de parámetros = entrenamiento,
datos nuevos de prueba = generalización.
C.2 MODELOS
El corazón de un sensor virtual, es el modelo parcial de un proceso, el cual

permite la generación de una medida virtual que reemplace una medida del sensor
real. Acoplado con el modelo, existe un problema de estimación, interpolación y
140
predicción de la señal. El modelo debe generar las medidas faltantes, en términos

de otras variables que estén correlacionadas con ella. Para un sistema o proceso,
si solo se obtiene entrada y salida de las variables que pueden usarse, se llaman
modelos de cajas negras. Aquellos modelos que se basen en los primeros
principios son llamados fenomenológicos y aquellos que usen las medidas de
entrada - salida y también incorporando un poco de conocimiento fenomenológico
sobre el proceso, son llamados modelos cajas grises. La figura C.2 muestra un
esquema de modelo del sensor virtual.
Fig. C.2: Modelo de sensor virtual recolectando datos para estimar variable.
Es conveniente distinguir dos fases en este proceso de encontrar al mejor

modelo:
1. Determinación de los componentes de la estructura.

2. Estimación de parámetros.
Tanto la determinación de los componentes de la estructura como la

estimación de parámetros, deben realizarse con un grupo de datos y se debe
probar con un conjunto de datos diferente.
141
Una vez elegida la clase del modelo, el problema pasa por seleccionar
cuáles de todas las variables que se miden, y combinaciones de ellas, son las
mejores para diseñar un sensor virtual, es decir, los componentes de la estructura.
C.2.1COMPONENETES DE LA ESTRUCTURA
La fase del modelo que involucra la estructura, se preocupa por descubrir

un formato para el modelo del sensor virtual. Si se tiene un modelo tipo ARMA,
esto supone encontrar los componentes más significantes, que estén
correlacionados con la señal del sensor virtual, la cual se usa como señal de
entrada al modelo. Un componente, es un término en el modelo que tiene un
parámetro asociado, y puede ser una medida o una combinación apropiada de
medidas (los componentes compuestos). Una estructura dada puede ser validada
para una extensa región de operación de un proceso, mientras sus parámetros
pueden necesitar ser actualizados, debido a que los puntos de operación sufren
pequeños o grandes cambios.
1) CRITERIO DE INCLUSIÓN
I. Que el error medio cuadrático de predicción de un paso, disminuya con

respecto al del paso anterior. En el caso de que las variables son de tiempo
discreto el error está dado por:
𝑁
1 (C.1)
𝑉(𝜃) = √ ∑ 𝜀 2 (𝑡, 𝜃)
𝑁
𝐾−1
142
Donde 𝑉(𝜃)es elerror medio cuadrático, 𝜀 error de estimación y N largo
de la muestra.
II. Que el error del parámetro correspondiente a xr, no sobrepase un

umbral determinado por el test de razón:
𝜎𝜃̂
≤ 𝑚𝜃 (C.2)
𝜃̂
Donde 𝜎𝜃̂ es el error estándar del parámetro (desviación del parámetro), 𝜃̂

es el tamaño del parámetro y 𝑚𝜃 es la razón de este cociente que debe ser igual o
menor a 0.5. Esto significa que hay una alta probabilidad de que el coeficiente
respectivo sea distinto de cero y que exista una relación estadísticamente
significativa entre las variables.
2) CRITERIO DE EXCLUSIÓN
Se determina cuáles componentes ya incorporadas al modelo deben ser

eliminadas mediante un criterio de eliminación y se excluyen del modelo.
El criterio de exclusión consiste en eliminar del modelo aquellas

componentes que excedan el umbral de 0,5. Para esto se considera tanto la nueva
componente como las que ya se habían incluido.
C.2.2COMPONENETES DE LA ESTRUCTURA
Para una estructura de modelo dada, los parámetros del modelo se

estiman para una región de operación, normalmente empleando técnicas que
minimicen una función de error, la cual mide la diferencia entre la medida de la
143
planta y la medida obtenida usando el modelo. Un modelo puede ser validado para
una región grande, pero los parámetros del modelo (si es necesario), tienen que
ser actualizados con los movimientos del punto de operación dentro de la región.
El resultado busca estar en un conjunto óptimo de los parámetros del modelo para
seleccionar los componentes de la estructura del modelo. La estimación de los
parámetros se puede realizar en línea o fuera de ella, dependiendo del caso. Si
cambia el punto de operación (dentro de un intervalo de tiempo especificado) y los
parámetros del modelo del sensor virtual, experimentan cambios importantes
mientras la planta está en funcionamiento normal, entonces ellos deben
actualizarse en línea usando las medidas disponibles, en esta situación el proceso
es adaptivo. En este caso la región de validez del modelo, para un conjunto fijo de
parámetros (es decir, la región en que la función de criterio de error, es menos de
un valor especificado), es pequeño. Por otro lado, si un conjunto de parámetros de
modelo, es válido a través de la mayoría de los puntos de operación normales del
proceso dentro de un intervalo de tiempo especificado, los parámetros
especificados pueden ser realizados fuera de línea.
C.3 REGIÓN DE VALIDEZ DEL MODELO
Cuando un sensor falla, la señal del sensor virtual entonces empieza a

realizar su trabajo, proporcionando una medida virtual de una pérdida, usando las
medidas secundarias y/o componentes compuestos como las entradas (si se usan
parámetros recursivos, es usual congelar el parámetro del modelo poniendo algún
valor determinado antes del fracaso del sensor). Sin embargo, las características
del proceso pueden cambiar durante el periodo después de la falla del sensor
(movimientos del punto de operación producto de perturbaciones o por acciones
de control) y si el modelo involucra una simplificación de la realidad (como es
normalmente en estos casos), puede esperarse que, excepto en los casos muy
simples o de modelados poco óptimos, el modelo sólo podrá representar la parte
144
del proceso que fue modelada, y no para todos los posibles puntos de operación o
las trayectorias de operación. Una forma de mitigar esta disminución de
funcionamiento, es aumentar la región de validez del modelo del sensor virtual,
incorporando más componentes en la estructura del sensor.
C.4 ASPECTOS INDUSTRIALES
Existe una pregunta de economía o costo de producción, cuando se trata

de decidir si el apoyo para un sensor es un sensor de repuesto o uno virtual. La
justificación para un sensor virtual depende, por un lado, en el costo relativo de un
apoyo real al sensor, por ejemplo, como apoyo a un amperímetro, un amperímetro
de repuesto puede ser más viable. Sin embargo, para apoyar otros sensores más
complejos, un sensor virtual puede ser una mejor opción. Tal sería el caso en el
reemplazo de un analizador de tamaño de partículas o sensor de leyes usados en
la industria minera.
Desde el punto de vista industrial, un sensor virtual debe ser fiable y

robusto, por otra parte su propósito principal, es que debe servir como alternativa
para obtener una medida, cuando un sensor real no está disponible. Por lo tanto,
en una aplicación industrial los modelos del sensor virtual, deben estar insertos en
los sistemas que aseguren la robustez del funcionamiento del sensor virtual.
También es conveniente tener varios modelos, para la misma señal del sensor
virtual, en el caso de que una de las medidas secundarias también falle.
145
APENDICE D
PROGRAMA DE LOS SENSORES VIRTUALES
Para efectos prácticos solo de muestra la programación en Visual Basic de

los sensores virtuales en estado estacionario de una línea (1) y la del décimo
sensor virtual.
D.1 PROGRAMA PESÓMETRO VIRTUAL LÍNEA 1
Private Sub Linea1Tonelaje()

Dim SV1 As Variant
Dim vrDate As Variant
Dim vrStatus As Long
Y1 = Value1.GetValue(vrDate, vrStatus)
A = Value2.GetValue(vrDate, vrStatus)
B = Value3.GetValue(vrDate, vrStatus)
C = Value4.GetValue(vrDate, vrStatus)
D = Value5.GetValue(vrDate, vrStatus)
E = Value6.GetValue(vrDate, vrStatus)
F1 = Value7.GetValue(vrDate, vrStatus)
G = Value8.GetValue(vrDate, vrStatus)
H = Value9.GetValue(vrDate, vrStatus)
I1 = Value10.GetValue(vrDate, vrStatus)
J = Value11.GetValue(vrDate, vrStatus)
K = Value34.GetValue(vrDate, vrStatus)
If K = "DETENIDO" Then
SV = 0.006
ElseIf Y1 < 0 Then
146
APÉNDICE D – Programa de los Sensores Virtuales
SV1 = 0.006
ElseIf A <= 0 Then
SV1 = 18.2595 * B + 4.44185 * F1 + 2.65356 * I1
ElseIf B <= 0 Then
SV1 = 38.6325 * A + 8.64195 * F1 + 3.8423 * I1
ElseIf F1 <= 0 Then
SV1 = 3.4737 * A - 4.13935 * B + 1.02555 * I1 + 1.10337 * Y1
ElseIf I1 <= 0 Then
SV1 = 7.35182 * A + 16.8393 * B + 5.09547 * F1
ElseIf Y1 <= 0 Then
SV1 = 6.13177 * A + 15.6852 * B + 4.97836 * F1 + 2.54493 * I1
Else
SV1 = 8.58935*A -2.19176 *B+2.1154 * F1 + 1.27447 * I1 + 0.858716 * Y1
End If
MsgBox Round(SV1, 2)
D.2 PROGRAMA FLJÓMETRO VIRTUAL AGUA LÍNEA 1
Sub Linea1FlujoAgua()
Dim SV As Variant
F = Value18.GetValue(vrDate, vrStatus)
147
SV = 0.006
ElseIf Y1 < 0 Then
SV = 0.006
ElseIf C <= 0 Then
SV = 0.642436 * A + 0.0957295 * F + 0.019808 * I1 + 0.679641 * Y1
ElseIf E <= 0 Then
SV = 0.642436 * A + 0.0957295 * F + 0.019808 * I1 + 0.679641 * Y1
ElseIf I1 <= 0 Then
SV = 0.304691 * A + 0.321716 * C + 0.740149 * Y1
ElseIf Y1 <= 0 Then
SV = 1.74678 * A + 0.576672 * C + 0.144351 * I1
Else
SV = 0.190369 * C + 0.00901139 * E - 0.00677592 * I1 + 0.700189 * Y1
End If
MsgBox Round(SV, 2)
End Sub
D.3 PROGRAMA FLJÓMETRO VIRTUAL ÁCIDO LÍNEA 1
Sub Linea1FlujoÁcido()
Dim SV As Variant
148
F1 = Value29.GetValue(vrDate, vrStatus)
SV = 0.006
ElseIf Y1 < 0 Then
SV = 0.006
ElseIf B <= 0 Then
SV = 0.00414725 * E - 0.0222178 * F1 - 0.0254585 * I1 + 0.82887 * Y1
ElseIf E <= 0 Then
SV = 0.0482578 * A + 0.0370593 * B - 0.00744726 * I1 + 0.797555 * Y1
ElseIf I1 <= 0 Then
SV = 0.0439758 * A + 0.0382292 * B + 0.792777 * Y1
ElseIf Y1 <= 0 Then
SV = 0.275391 * A + 0.0693654 * B + 0.0305164 * Y1
Else
SV = 0.0369064 * B + 0.00164 * E - 0.0126742 * I1 + 0.833121 * Y1
End If
MsgBox Round(SV, 2)
End Sub
149
D.4 PROGRAMA PESÓMETRO VIRTUAL CORREA 17
Sub PesómetroVirtual17()
Dim SV17 As Variant

F = Value6.GetValue(vrDate, vrStatus)
I = Value9.GetValue(vrDate, vrStatus)
If (A + D + G) <= 0 Then
SV17 = 0.006
Else
SV17 = A / 1000 * (1000 + B + C) + D / 1000 * (1000 + E + F) + G / 1000 *
(1000 + H + I)
End If
MsgBox Round(SV17, 2)

Tesis Desarrollo de Sensores para Minera Gabriela Mistral

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Desarrollo de Sensores para Minera Gabriela Mistral

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE INGENIERÍA

DEPARTAMENTO DE INGENIERÍA ELÉCTRICA

DESARROLLO DE SENSORES VIRTUALES DE

Trabajo de titulación presentado en conformidad a los requisitos

Germán Alfredo Terrazas Alarcón

Antofagasta, Noviembre 2014

DESARROLLO DE SENSORES VIRTUALES DE

Trabajo de titulación presentado en conformidad a los requisitos

Germán Alfredo Terrazas Alarcón

Antofagasta, Noviembre 2014

DESARROLLO DE SENSORES VIRTUALES DE

Germán Alfredo Terrazas Alarcón

Trabajo de titulación presentado en conformidad a los requisitos

Quisiera agradecer a mi hermano Raúl por todo su apoyo durante el

A mi novia Vanessa, con quien he compartido gran parte de mi vida en

En general gracias a cada una de las personas quienes aportaron con su

DESARROLLO DE SENSORES VIRTUALES DE FLUJO Y

Germán Alfredo Terrazas Alarcón

Profesor Guía: Jorge Kasaneva Reinoso.

Resumen: En el presente trabajo se aborda el desarrollo e implementación de instrumentación

Luego el trabajo continúa con un análisis de pruebas de terreno, esto se realiza en

LISTA DE FIGURAS .............................................................................................. xii

1.1.1 Objetivo general ..................................................................................... 4

1.1.2 Objetivos específicos ............................................................................. 4

1.2 DESCRIPCIÓN DE LA EMPRESA 5

1.2.1 Características de la empresa. .............................................................. 6

1.2.2 Procesos de producción ......................................................................... 8

1.3 PROCESO DE ACIDIFICACIÓN 9

1.3.1 Aglomeración ......................................................................................... 9

1.3.2 Descripción del proceso ....................................................................... 11

1.3.3 Descripción de equipos e instalaciones principales ............................. 13

CAPÍTULO 2: INSTRUMENTACIÓN VIRTUAL .................................................... 15

2.2 SELECCIÓN DE COMPONENTES 16

2.2.1 Componentes candidatas .................................................................... 17

2.2.2 Elección de componentes candidatas .................................................. 20

2.2.3 Elección de modelos para sensor virtual .............................................. 21

2.3 DISEÑO DE SENSOR VIRTUAL DE TONELAJE DE MINERAL SECO

2.3.1 Elección de modelos para pesómetro virtual ....................................... 27

2.4 DISEÑO DE SENSOR VIRTUAL DE FLUJO DE AGUA 34

2.4.1 Elección de modelos para flujómetro de agua virtual ........................... 37

2.5 DISEÑO DE SENSOR VIRTUAL DE FLUJO DE ÁCIDO SULFÚRICO 43

2.5.1 Elección de modelos para flujómetro de ácido sulfúrico virtual ............ 46

CAPÍTULO 3: VALIDACIÓN Y CERTIFICACIÓN DE SENSORES VIRTUALES . 53

3.1.1 COMPROBACIÓN DE MODELOS DE PESÓMETRO VIRTUAL......... 54

3.1.2 COMPROBACIÓN DE MODELOS DE FLUJÓMETRO VIRTUAL

3.1.3 COMPROBACIÓN DE MODELOS DE FLUJÓMETRO VIRTUAL

3.2 NORMALIZACIÓN Y CERTIFICACIÓN DE INSTRUMENTACIÓN REAL

3.2.1 Pesómetros .......................................................................................... 68

3.2.2 Flujómetros .......................................................................................... 68

3.3 VALIDACIÓN DE SENSORES VIRTUALES 68

3.3.1 Nuevos modelos matemáticos para flujómetro virtual ácido ................ 69

3.3.2 Nuevos modelos matemáticos para flujómetro virtual agua ................. 70

3.3.3 Nuevos modelos matemáticos para pesómetro virtual ......................... 70

3.4 PRUEBAS DE TERRENO 71

3.4.1 Comparación gráfica de modelos de pesómetro virtual, Línea 1 ......... 72

3.4.2 Comparación gráfica de modelos del flujómetro virtual agua, Línea 1 . 74

3.4.3 Comparación gráfica del modelo de flujómetro virtual ácido, Línea 1 .. 75

3.4.4 Modelos finales de sensores virtuales ................................................. 77

3.5 PROGRAMACIÓN DE LOS MODELOS MATEMÁTICOS 79

3.5.1 Programación por tonelaje (escalera) .................................................. 79

3.5.2 Programación por falla de variable....................................................... 80

3.6 PRECISIÓN Y EXACTITUD DE LOS MODELOS 85

3.6.1 Precisión y exactitud para pesómetro virtual ........................................ 85