INTRODUCCIÓN

Los ensayos de rotura de una sola partícula se han utilizado durante mucho tiempo para analizar los fenómenos de
fractura (Arbiter et al., 1969; Schönert, 1972; Rumpf, 1973), estudiar la utilización de la energía en los procesos de
conminución de conminución (Rumpf, 1973; Schubert, 1987; Dan y Schubert, 1990; Tavares, 1999), analizar el efecto del
tamaño, la forma tamaño de las partículas, la forma, las propiedades del material y los modos de carga en las
características de rotura de las partículas (Yashima et al., 1987;

Tavares y King, 1998; Rozenblat et al., 2012; Saeidi et al., 2016; Saeidi et al., 2017; Lois-Morales et al., 2020), investigar
las relaciones entre energía y reducción de tamaño (Piret, 1953; Bergstrom et al., 1961; Rumpf, 1973; Narayanan y

Whiten, 1988; Morrell, 2004) y analizar la respuesta de la deformación del material bajo tensiones aplicadas (Schönert,
1991; Sikong et al., 1990; Tavares y Almeida, 2020).

Una de las aplicaciones de la información sobre rotura de una sola partícula que ha crecido significativamente en las
últimas décadas ha sido de la información sobre la rotura de una sola partícula ha sido el apoyo a los modelos
matemáticos de la conminución y la degradación mecánica durante la manipulación. degradación mecánica durante la
manipulación. Esta información Esta información se utilizó inicialmente como parte de modelos fenomenológicos de
fenomenológicos de los dispositivos de trituración, como los molinos de bolas, los autógenos y semiautógenos y
trituradoras de cono (Narayanan y Whiten, 1988; Napier-Munn et al., 1996), así como de degradación durante la
manipulación (Teo et al., 1990; Weedon y Wilson, 2000), aunque originalmente de forma bastante simplista simplista.
Quizás influenciado por las condiciones utilizadas en el péndulo gemelo estandarizado, y más tarde también en el de
peso (JKDWT) del Centro de Investigación Mineral Julius Kruttschnitt (JKMRC) (Napier-Munn et al., 1996), inicialmente
sólo se prestó atención a la relación entre la energía aplicada y la fragmentación resultante a energías específicas de
impacto relativamente altas.

Desde principios de la década de 1990, la investigación sobre el método de elementos discretos (DEM) aplicado a los
molinos de volteo (Mishra y Rajamani, 1992; King y Bourgeois, 1993; Morrison y Cleary, 2006) ha demostrado que muy
pocos impactos se producen a las altas energías específicas que son objeto de ensayo en el JKDWT, y que la mayoría de
las colisiones se producen a energías de impacto que, o bien sólo pueden imponer una rotura limitada a las partículas, o
bien sólo las rompen después de un esfuerzo repetido. Esto llevó a reconocer la importancia de profundizar en la
investigación de las condiciones que dan lugar a la rotura primaria, incluyendo la probabilidad de rotura, el
debilitamiento por impactos repetidos y las distribuciones de tamaño de la progenie a energías de impacto específicas
muy bajas (Tavares, 2007). Esto arrojó nueva luz sobre el tema, que hasta entonces había sido objeto de estudios
relativamente dispersos (Rumpf, 1973; Baumgardt et al., 1975; Krogh, 1980; Schönert, 1979; Yashima et al., 1987). No
obstante, la importancia de los impactos de muy baja energía fue reconocida hace más de 70 años por Fred Bond, al
desarrollar la prueba estándar de aplastamiento (Bond, 1947), en el que las partículas se someten a esfuerzos repetidos
con energías de impacto crecientes hasta que se produce la rotura primaria (Tavares y Carvalho, 2007).

Una definición que tiene un papel central cuando se trata de la energía de fractura de las partículas (Baumgardt et al.
(Baumgardt et al., 1975; King y Bourgeois, 1993). En corresponde a la energía de tensión por debajo de la cual el núcleo
de la partícula se mantiene intacto, aunque potencialmente dañado, mientras que la superficie de la partícula puede
perder masa debido a la rotura por abrasión cuando se somete a un evento de tensión. Esta energía de fractura de la
partícula varía de de una partícula a otra, así como con el tamaño de la partícula, y define el umbral entre la rotura
masiva o del cuerpo con energías de de impacto y la rotura superficial que se produce con energías de energías de
tensión (Tavares y King, 1998).
A medida que evolucionaron los modelos matemáticos de diferentes molinos, trituradoras y sistemas de manipulación,
incorporando información de DEM, se hizo evidente que se necesitaba información más detallada sobre la rotura de
partículas. Vale la pena mencionar que varios enfoques eludieron la necesidad de esta información utilizando datos de
las pruebas de rotura del lecho de partículas (Datta y Rajamani, 2002) o del proceso mismo, calculando la función de
selección a partir de los datos (Capece et al., 2014; Wang et al., 2012). Sin embargo, no son tan aplicables en general
dada su capacidad más limitada para desacoplar el material del proceso (Tavares, 2017). Como tal, los enfoques más
poderosos utilizados en modelos matemáticos avanzados y simulaciones se basan en partículas, es decir, requieren
información sobre cómo las partículas individuales responden a las tensiones, ya sea cuando se resuelven por completo
en la simulación DEM o cuando no. Es importante reconocer que para que sea útil en tales modelos, la respuesta de las
partículas debe conocerse bajo la variedad de condiciones a las que serán sometidas en un dispositivo de trituración o
un sistema que puede causar degradación mecánica. Por lo general, estos incluyen tamaños de partículas muy variados,
intensidades de tensión, geometrías y tasas de tensión, así como modos de aplicación de la tensión.

En la literatura se ha propuesto un número bastante grande de modelos matemáticos que describen la rotura de
partículas, que pueden ser potencialmente útiles en asociación con modelos matemáticos avanzados y simulaciones
DEM. En la mayoría de ellos la variable de interés es la energía estresante (Tavares y King, 1998; Vogel y Peukert, 2003;
Morrison et al., 2007; Bonfils, 2017; Ballantyne et al., 2017), mientras que en unos pocos la variable de interés es la
velocidad del impacto (Ghadiri y Zhang, 2002; Rozenblat et al., 2012) o la fuerza (Rodnianski et al., 2019). Asimismo, se
han propuesto varios de estos modelos que relacionan la distribución de tamaño de los fragmentos con la energía de
estrés aplicada, sin discriminar entre volumen o rotura superficial (Ballantyne et al., 2017; Ouchterlony y Sanchidrián,
2018). Sin embargo, estos modelos no están destinados a discriminar partículas individualmente, solo son adecuados
para describir la respuesta de todo el lote. Se han propuesto otros modelos para describir la llamada rotura incremental,
aglutinando la rotura superficial y el debilitamiento por esfuerzos repetidos (Morrison et al., 2007; Bonfils et al., 2016),
siendo muy limitados cuando se utilizan en asociación con modelos matemáticos avanzados. de trituración y
degradación. Sin embargo, otros modelos se centraron exclusivamente en la rotura de la superficie (Ghadiri y Zhang,
2002).

El presente trabajo analiza críticamente y también presenta más pruebas de la validez de un modelo matemático
completo propuesto por el autor y sus colaboradores durante los últimos 25 años (Tavares, 1997; Tavares y King, 1998;
Tavares y King, 2002; Tavares, 2009; Carvalho et al., 2015; Tavares y Chagas, 2021) y que se muestra esquemáticamente
en la Fig. 1 para describir varios aspectos de la rotura de partículas.

2 PROBABILIDAD DE ROTURA

2.1 Distribuciones de probabilidad de rotura del cuerpo

La parte central del modelo es la probabilidad de rotura (Fig. 1). Representa la relación entre la energía de tesado
aplicada y la proporción resultante de partículas que han sufrido una rotura corporal o masiva cuando las partículas
contenidas en un lote se someten a tensiones en idénticas condiciones. En este contexto, la rotura se define
arbitrariamente como la pérdida de al menos el 10 % de la masa de la partícula (Dan y Schubert, 1990; Tavares, 2007).
Las estimaciones de la probabilidad de rotura pueden obtenerse experimentalmente a partir de pruebas en las que lotes
de partículas contenidas en rangos de tamaño reducidos se someten a impactos impulsándolos, uno a uno, contra un
objetivo a una velocidad controlada o dejándolos caer por gravedad. En este caso, la energía de impacto específica de la
masa viene dada por
donde v es la velocidad media en el instante de la colisión contra el objetivo, que puede obtenerse, por ejemplo, a partir
de mediciones realizadas con una cámara de alta velocidad (Cavalcanti et al., 2021).

Alternativamente, una estimación de la probabilidad de rotura puede obtenerse mediante el impacto de partículas con
un de caída. Suponiendo que no hay pérdida de impulso durante la caída del impactador (caída libre), la energía
específica de impacto puede ser dada por

donde m es la masa del peso de la gota, mp es el peso medio de las partículas del lote ensayado, g la aceleración debida
a la gravedad y h la altura neta de la gota, es decir, la distancia entre la parte inferior del percutor y la parte superior de
la partícula.

En cualquier caso, la estimación de la probabilidad de rotura para una energía de impacto específica de la masa E viene
dada por la proporción de rotura, representada por la relación.

donde N es el número de partículas estresadas y Nb es el número de partículas que sufrieron la rotura del cuerpo como
resultado de la aplicación de la energía de impacto específica Ek. Aunque Eqn. (3) relaciona números de partículas, se
supone que es equivalente a la probabilidad basada en la masa, dado su estrecho rango de tamaño. Para eliminar la
ambigüedad al identificar qué partículas se rompieron durante la ejecución de la prueba, cada una debe pesarse
individualmente antes de la prueba y también después de cada impacto, para verificar si se produjo una pérdida de al
menos el 10% de su masa. La medición después del impacto se vuelve obviamente innecesaria si la partícula sufrió una
desintegración evidente.

Ya sea cuando las partículas se proyectan contra un objetivo o cuando una gota de peso impacta partículas individuales,
la energía de impacto específica Ek es en realidad una variable aleatoria, sujeta a variabilidad debido a la velocidad del
impacto y, en el caso de la última, también debido a la variabilidad. en peso de partícula. Además de eso, la proporción
quebrada dada por Eqn. (3) es solo una estimación de la probabilidad de rotura, y la incertidumbre se reduce a medida
que aumenta el número de partículas de prueba, siempre que no haya sesgo en la selección de partículas para la prueba.
La magnitud del error muestral se ha estimado (Tavares, 2009) sobre la base de la distribución Binomial, por lo que el
intervalo de confianza para la proporción quebrada viene dado por

donde α es el significado y z es la distribución gaussiana reducida.

En la Fig. 2 se presenta un ejemplo de datos recopilados siguiendo este enfoque. Obtenido del impacto de los gránulos
de mineral de hierro contra un objetivo, exhibe la forma típica de S y asimetría, evidente por la asimetría de la
distribución hacia la derecha.

Fig. 2 Proporción rota en función de la energía de impacto específica de propulsar gránulos de mineral de hierro cocidos
contenidos en el rango de tamaño de 12,5 a 9,0 mm contra un objetivo de acero (datos de Cavalcanti et al., 2021). Las
barras de error verticales están dadas por la ecuación. (4) y las barras de error horizontales se estimaron a partir de las
mediciones de la velocidad del impacto utilizando una cámara de alta velocidad.

Un enfoque más directo y que requiere menos tiempo es medir directamente la energía requerida para romper
partículas individuales, utilizando dispositivos de compresión lenta (Sikong et al., 1990; Tavares, 2007; Rozenblat et al.,
2011; Ribas et al., 2014; Campos et al., 2021) o dispositivos instrumentados de prueba de caída de peso, como la celda
de carga de impacto (King y Bourgeois, 1993; Tavares y King, 1998; Bonfils, 2017; Lois-Morales et al., 2020), analizando la
distribución de datos. Si bien requiere un equipo más especializado, este enfoque tiene la ventaja de exigir volúmenes
de muestra significativamente más pequeños. En este enfoque, se registra el perfil de fuerza-deformación durante la
carga de cada partícula y la energía de fractura de partícula específica de masa E viene dada por la integración numérica
de la curva hasta la deformación o fuerza responsable de la fractura.

donde mp es el peso de cada partícula individual, F la carga, mientras que Δ y Δc son las deformaciones y la deformación
en la fractura primaria, respectivamente.

Normalmente, los datos de estas pruebas presentan una gran variabilidad (Tavares y King, 1998), por lo que deben
analizarse adecuadamente. Un método conveniente son las estadísticas de orden, mediante las cuales los resultados de
las pruebas se clasifican en orden ascendente y los valores i = 1, 2,…, N se asignan a las observaciones clasificadas, donde
N es el número total de pruebas válidas realizadas. Las estimaciones de distribución de probabilidad acumulada para la
energía de fractura de partículas están dadas por

Un ejemplo de este tipo de datos se muestra en la Fig. 3 de la rotura por impacto de partículas de cuarzo. Se han
propuesto diferentes distribuciones de probabilidad a lo largo de los años para describir datos como los de las Figs. 2 y 3,
incluyendo el lognormal y lognormal truncado superior (Baumgardt et al., 1975; King y Bourgeois, 1993; Tavares y King,
1998; Tavares y King, 2002), el logístico y log-logístico (Vervoorn y Austin, 1990 ; Rozenblat et al., 2011; 2012), la gamma
(Cavalcanti y Tavares, 2019) y la distribución de Weibull (Weichert, 1992; Salman et al., 2002; Vogel y Peukert, 2004),
solo por nombrar algunas que han utilizado para ajustar dichos datos (Cavalcanti y Tavares, 2018). Estas distribuciones
suelen estar sesgadas hacia la derecha, con dos o tres parámetros y con o sin un valor límite superior claro
(truncamiento). La figura 3 compara algunas de las distribuciones con los datos. En particular, cuando se trata de datos
de proporciones desglosadas, en las que sólo se dispone de resultados de un número relativamente limitado de energías
de estrés (Fig.2), varias distribuciones pueden proporcionar un ajuste bastante similar (Tavares, 1997), de modo que la
selección de las más La distribución adecuada no es sencilla, pero a menudo tampoco es crítica. Las diferencias de ajuste
proporcionadas por las funciones de distribución suelen limitarse a los extremos (colas) de los datos. En particular, la
cola inferior de la distribución, representada por las partículas que son más susceptibles de romperse, es
particularmente importante cuando se describe la degradación debida a la manipulación (Cavalcanti et al., 2021). Por
otro lado, la descripción precisa de la parte superior de la distribución, en particular para las partículas más gruesas, es
particularmente crítica cuando se usa el modelo para predecir la rotura en molinos giratorios, ya que determinará la
probabilidad de que las partículas permanezcan intactas a pesar de las colisiones en el molino (Tavares y Carvalho,
2009).
Fig. 3 Distribución de energías de fractura por impacto de 200 partículas de cuarzo contenidas en el rango de tamaño de
1,18 a 1,0 mm en el dispositivo de celda de carga de impacto. Datos de Tavares (1997).

Una distribución que ha demostrado ser capaz de describir bien la variabilidad de los datos es la distribución lognormal
truncada superior, dada por

donde P (E) representa la probabilidad de rotura o la distribución acumulada, E es la energía de fractura específica de la
masa de la partícula, que corresponde a la energía de tensión máxima que puede soportar en una colisión y no
romperse, Emax es el valor de truncamiento superior de la distribución, E50 y σ2 son la mediana y la varianza de la
distribución, respectivamente. El valor de truncamiento superior suele estar representado por la relación Emax / E50. En
el caso de que esta razón sea igual a infinito, E * = E y Eqn. (7) se convierte en la distribución logarítmica normal.

Además de estresar la energía, varias otras variables también influyen en la probabilidad de rotura (Fig. 1). La rigidez de
la superficie en contacto es una variable de este tipo, que se analiza con mayor detalle en 2.2, mientras que el
importante efecto del tamaño de partícula se analiza en la sección 2.3. El efecto del ángulo de impacto sobre la
probabilidad de rotura ha sido objeto de algunos estudios (Dan y Schubert, 1990; Salman et al., 2003; Tavares et al.,
2018; Cavalcanti et al., 2021). En una campaña integral de experimentos en los que se propulsaban gránulos de hierro
contra un objetivo (Tavares et al., 2018; Cavalcanti et al., 2021) se encontró que la probabilidad de rotura, y por lo tanto
la rotura corporal, puede describirse considerando solo el componente normal. de la velocidad del impacto, al menos
para impactos en ángulos que oscilan entre 90 ° (normal) y 30 °. Los efectos de otras variables, como la forma de las
partículas, la tasa de estrés y el modo de estrés (simple o doble) (Fig.1) se han estudiado en la literatura (Tavares, 2007;
Bonfils, 2017; Saeidi et al., 2017; Lois-Morales et al., 2020), pero la falta de una comprensión adecuada de cómo afectan
los diversos aspectos de la rotura de los materiales quebradizos en general hizo imposible contabilizarlos
adecuadamente en el modelo. Como tal, se recomienda que el usuario ajuste los parámetros del modelo utilizando los
datos que más se acerquen a las condiciones que dominan en el dispositivo que se pretende simular.

Adaptando Eqns. (7) y (8) que se utilizarán para describir partículas discretas, como las incluidas en una simulación DEM
(Tavares et al., 2020b; 2021) es bastante sencillo, ya que solo requiere un muestreo aleatorio de la distribución cada vez
que se crea una partícula.

2.2 Efecto de la rigidez sobre la probabilidad de rotura del cuerpo

Los análisis de la sección 2.1 supusieron que la rigidez de una partícula es significativamente menor que la de la
superficie del dispositivo de prueba o la máquina que está en contacto con la partícula. En varios casos, sin embargo, ese
no es el caso, por lo que se debe utilizar una corrección. Dada la naturaleza local de los contactos que implican la
aplicación de tensiones a las partículas y asumiendo la validez de la teoría del contacto de Hertz (Tavares y King, 1998;
Tavares et al., 2021), la proporción e de la energía de tensión involucrada en cualquier evento dado que es utilizado para
deformar la partícula viene dado por (Becker et al., 2001; Tavares y Carvalho, 2011; Tavares et al., 2021)

donde kp es la rigidez de la partícula (Tavares y King, 1998), ks es la rigidez hertziana de la superficie en contacto con la
partícula. Por ejemplo, Eqn. (9) puede usarse para estimar la proporción de la energía registrada usando Eqn. (5) en la
prueba que realmente se disipó en la rotura de la partícula. Dado que las superficies de acero se utilizan normalmente
en los dispositivos de prueba, con el módulo de Young (Y) de 209 GPa y la relación de Poisson de 0,3, su rigidez [ks = Y /
(1 - ν2)] es de 230 GPa. La rigidez aparente de las partículas se puede estimar usando un procedimiento conveniente en
un trabajo anterior (Tavares y King, 1998), mientras que se puede obtener una medida más precisa, pero más laboriosa,
usando un procedimiento que se propuso recientemente (Angulo et al., 2020). ). Si la rigidez de las partículas es
significativamente menor que la de la superficie, entonces e ≅ 1. Sin embargo, en una colisión que involucre dos
partículas del mismo material, entonces e = 1/2, con la energía siendo igualmente compartida entre las partículas en
colisión.

Para evaluar la validez de la ecuación. (9), se realizaron pruebas en un dispositivo de celda de carga de impacto sobre
partículas de piedra caliza utilizando diferentes tipos de impactadores. En este dispositivo de celda de carga de impacto
modificado se utiliza una varilla en lugar de una bola de caída como impactador (Tavares y King, 2004), por lo que se
realizaron pruebas comparando las energías de fractura específicas medidas con acero o polímero duro (poliéter éter
cetona o PEEK). Varillas impactantes. Los valores de rigidez hertziana de los impactadores se estimaron en 230 GPa para
acero y 4.8 GPa para PEEK, esto luego se calculó sobre la base de datos de los catálogos del fabricante (módulo de Young
de 4.0 GPa con relación de Poisson de 0.4). La rigidez aparente media de las partículas de piedra caliza, estimada
mediante el procedimiento propuesto por Tavares y King (1998), fue de 6,4 GPa. La Fig. 4 muestra que las energías
requeridas para romper partículas cuando se usa el impactador más blando (PEEK) son significativamente más altas que
cuando se usan superficies de acero. Estos valores más altos para el percutor polimérico son consistentes con la mayor
disipación de energía que resulta del uso de un percutor con menor rigidez (Ec. 9). Considerando ahora la aplicación de
Eqn. (9) considerando los valores de rigidez, la Fig. 4 muestra la línea discontinua, que casi se superpone a los datos del
percutor de acero, mostrando que las energías reales de fractura de las partículas de piedra caliza eran independientes
del percutor utilizado.
Fig. 4 Distribución de energías de fractura de partículas de 4,75–4,0 mm de piedra caliza (Karslruhe) sometidas a tensión
con diferentes percutores en un dispositivo de celda de carga de impacto. Los símbolos son datos experimentales, las
líneas continuas se ajustan a la distribución logarítmica normal, mientras que la línea punteada se ajusta al percutor de
PEEK después de aplicar la ecuación. (9) (datos de Tavares, 1997).

2.3 Efecto del tamaño sobre la probabilidad de rotura corporal

Además de estresar la energía, la variable más crítica que influye en la probabilidad de rotura es el tamaño de las
partículas. Cuando se trata de materiales frágiles, se espera que el esfuerzo o la energía necesarios para su fractura
aumente a medida que se reducen los tamaños de las partículas (Schönert, 1979; Yashima et al., 1987; Tavares, 2007).
Sin embargo, tal variación depende del material, y la Fig. 5 muestra las distribuciones de energías de fractura de
partículas para una muestra de gneis.
 Fig. 5 Distribución de energías de fractura de partículas específicas para diferentes tamaños de partículas de gneis
(cantera de Santa Luzia). Los símbolos representan datos experimentales y alinean el ajuste a la distribución logarítmica
normal (ecuación 7).

Se han propuesto varias expresiones en la literatura para describir el efecto de tamaño sobre el valor mediano de la
distribución (Vogel y Peukert, 2004; Rozenblat et al., 2012). En el presente modelo, el efecto del tamaño de partícula
sobre E50 se describe utilizando una expresión inspirada en la teoría de la confiabilidad (Tavares y King, 1998; Tavares y
Neves, 2008), dada por

donde E∞, do y φ son parámetros del modelo que deben ajustarse a los datos experimentales y di es el tamaño
representativo de las partículas contenidas en la clase de tamaño i. kp y ks son los valores de rigidez hertziana de la
partícula y de la superficie del dispositivo utilizado para medir las características de rotura, respectivamente. Como tal,
Eqn. (10) ya incorpora el efecto de rigidez de las herramientas, dado por Eqn. (9).

Los datos de una variedad de materiales se presentan en la Fig. 6, que también muestra el ajuste del modelo. Es
evidente que el modelo es capaz de representar variaciones que van desde relaciones de potencia-ley de energías de
fractura con tamaño de partícula hasta casos en los que se logra una energía de fractura constante en tamaños gruesos.
Parámetros de Eqn. (10) para estos y otros materiales se presentan en la Tabla 1. Los valores del parámetro φ varían
desde un mínimo de aproximadamente 0,7 hasta un máximo de 2. Sin embargo, dado que describe principalmente el
aumento de la ley de potencias de las energías de fractura medianas con la reducción en tamaño de partícula, este
parámetro es más propenso a la incertidumbre, debido al desafío asociado con las estimaciones de energías de fractura
en tamaños finos, como se discutió en la sección 5.1. Los valores del parámetro d0, por otro lado, variaron
significativamente, desde valores tan bajos como 0,5 mm hasta valores tan altos como 200 mm. Cuando este valor se
encuentra en el rango de tamaños de partículas ensayados (Tabla 1), puede interpretarse como una dimensión
característica de la microestructura del material (Tavares y King, 1998; Tavares y Neves, 2008). Por otro lado, los valores
de d0 por encima de estos lo convierten simplemente en un parámetro de ajuste sin un significado físico particular, lo
que implica que no se habría alcanzado una meseta clara en las mediciones de energías de fractura en tamaños gruesos.

Fig. 6 Variación de la mediana de las energías de fractura de partículas de materiales seleccionados en función del
tamaño representativo de la partícula.

Ajustando los tres parámetros en Eqn. (10) normalmente requiere datos de al menos cinco clases de tamaño de
partículas muy diferentes, idealmente abarcando al menos dos décadas de tamaño. Por lo general, esta no es una tarea
sencilla, ya que casi con certeza requeriría el uso de múltiples celdas de carga de impacto o dispositivos de prueba de
compresión, dadas las diferentes resoluciones requeridas.

Tabla 1 Valores de parámetros en el modelo de tamaño para materiales seleccionados (Ec. 10).
Además del efecto del tamaño de partícula sobre la energía de fractura de partícula mediana, también vale la pena
examinar su efecto sobre la desviación estándar de la distribución (Ec. 7). Para varios materiales, la variación de la
desviación estándar de la distribución puede considerarse pequeña o insignificante. Un ejemplo de esto se presenta en
la Fig. 7, que muestra los datos de la Fig. 5 representados como una función de la relación entre la energía de fractura de
partículas específicas de partículas individuales y el valor mediano E50 para cada tamaño. Dado que los datos se
superponen aproximadamente, formando una curva maestra, se puede suponer que la desviación estándar de la
distribución es invariable con el tamaño de partícula en el rango estudiado. Se ha encontrado que los valores de la
varianza σ2 varían, excepcionalmente, desde un mínimo de 0,15 hasta un máximo de 1,2, con valores típicos de
aproximadamente 0,7. Para algunos materiales, sin embargo, se ha encontrado que la variabilidad de la distribución
aumenta para tamaños de partículas menores (Barrios et al., 2011) y expresiones que son análogas a la Ec. (10) se han
utilizado con éxito para describir los datos (Carvalho y Tavares, 2013). La relación Emax / E50 también muestra la misma
tendencia general que la variación con el tamaño. Estas variaciones se asocian típicamente a rocas / minerales, que se
comportan como compuestos en tamaños más gruesos, respondiendo como minerales individuales en tamaños más
finos, con la correspondiente amplia gama de energías de fractura de los componentes.

Fig. 7 Distribuciones de energías de fractura de partículas de partículas de gneis de diferentes tamaños (datos de la Fig.
5) representadas en forma normalizada.

2.4 Debilitamiento por repetidos eventos estresantes

Se han propuesto modelos de rotura en la literatura para describir el llamado daño incremental (Morrison et al., 2007;
Bonfils et al., 2016), que viene dado por la proporción de finos generados en función de esfuerzos repetidos. En estos
modelos, sin embargo, el debilitamiento por esfuerzos repetidos se confunde con los finos asociados a la rotura de la
superficie. Por lo tanto, un enfoque más riguroso es describir el aumento de la probabilidad de rotura con los impactos
repetidos por separado. De hecho, cuando la energía de tensión específica involucrada en una colisión es menor que la
energía de fractura de la partícula, la partícula no se romperá (Fig.1), pero sufrirá daños internos similares a grietas, lo
que la hará más susceptible de romperse. en un futuro evento estresante. Este debilitamiento se ha descrito sobre la
base de un modelo basado en la mecánica del daño continuo (Kachanov, 1958), mediante el cual la energía de fractura
específica de la partícula se reducirá a (Tavares y King, 2002; Tavares, 2009).

donde E ′ es la energía de fractura de la partícula después del evento estresante y D es la variable de daño, que viene
dada por (Tavares, 2009)
donde γ, el único parámetro de ajuste en el modelo, es el coeficiente de acumulación de daño, que caracteriza la aptitud
de un material para sufrir daños antes de romperse catastróficamente, y eEk es la energía específica en la colisión
disponible para la partícula. Eqn. (12) es implícito pero se puede resolver fácilmente de forma iterativa con la estimación
inicial D = 0.

La constante γ se estima típicamente a través de pruebas en las que muchas partículas son impactadas repetidamente
con una energía específica dada y se registra la proporción rota (Ec. 3). A partir de la distribución de energías de fractura
de partículas específicas,

dado por las Ecs. (7) y (8) y el modelo Eqns. (11) y (12) se puede estimar el valor óptimo de la constante. Esto se ilustra
en la Fig. 8, que compara el ajuste del modelo a los experimentos. Tavares (2009) llevó a cabo un estudio exhaustivo,
que demostró que la constante γ es típicamente independiente del tamaño de partícula, con datos más limitados que
muestran independencia de la forma de partícula. Además, se observó que los valores de γ variaban desde
aproximadamente 1,5 para materiales que son muy susceptibles de acumular daños antes de la rotura, hasta 8,1 para
materiales con excepcionalmente poca facilidad para debilitarse por esfuerzos repetidos, siendo los valores promedio

en el rango de 3 y 4. Finalmente, se ha encontrado que el valor de γ no está directamente influenciado por la resistencia
mecánica de la partícula, sino por su microestructura: a menudo es menor para materiales con microestructuras
complejas, que son más capaz de soportar daños antes del colapso y más alto para materiales más frágiles (Tavares,
2000).

Fig. 8 Proporción dividida por caídas sobre una superficie de acero a diferentes alturas de caída (o energías de impacto
específicas) de partículas de mineral de cobre (Sossego) de 125–75 mm. Los resultados experimentales representan
símbolos y líneas que se ajustan al modelo (Carvalho y Tavares, 2011).

Eqns. (11) y (12) son útiles cuando el modelo se aplica a partículas individuales, como cuando está integrado en una
simulación DEM (Tavares et al., 2020a; 2021). Una formulación alternativa del modelo, útil cuando se aplica en un
continuo, como la asociada a formulaciones de balance poblacional a microescala (Tavares y Carvalho, 2009; Carvalho y
Tavares, 2013; Oliveira et al., 2020), está dada por
que debe resolverse en asociación a

donde E en las ecuaciones. (13) y (14) representan la energía de fractura de la partícula después del impacto.

El modelo no tiene un umbral mínimo, es decir, a medida que Ek se reduce, D desaparece en las ecuaciones. (12) y (14).
En la práctica, sin embargo, a menudo se selecciona un valor mínimo de Ek, para la eficiencia de cálculo, cuando se
utiliza el modelo, a fin de evitar daños de cálculo en colisiones con magnitudes insignificantes.

2.5 Pérdida de masa por rotura de superficie

En el modelo de rotura, la descripción de rotura de superficie se encuentra ciertamente en una etapa anterior de
desarrollo que los modelos descritos en las secciones 2.1 a 2.4. La rotura de la superficie ha sido ampliamente
investigada como parte de los estudios de desgaste y Ghadiri y Zhang (2002) han propuesto un modelo elegante. Una
adaptación del modelo para el caso en el que la variable controlada es la energía de impacto específica que da
(Cavalcanti et al., 2019)

donde κ es el parámetro de desgaste, ajustado a partir de los datos, y di es el tamaño de partícula representativo. Este
modelo se ha aplicado con éxito tanto a áridos naturales como reciclados (Cunha et al., 2014; Moreno-Juez et al., 2021)
y pellets de mineral de hierro (Boechat et al., 2018; Cavalcanti et al., 2019). Desafortunadamente, solo se ha validado
para partículas contenidas en un rango de tamaños relativamente limitado (22–9 mm). Los resultados seleccionados se
presentan en la Fig. 9 para pruebas en las que las partículas caen una a una por gravedad y se registra su pérdida de
masa después de cada impacto, lo que muestra la validez del modelo.
Fig. 9 Porcentaje promedio de pérdida de masa por impacto de materiales seleccionados caídos por gravedad sobre una
placa de acero gruesa. Gneis y granulita: 22,4-19 mm; árido reciclado: 14–10 mm; pellet de mineral de hierro: 12,5–9
mm.

Evidentemente, este modelo no tiene en cuenta el hecho de que la rotura de la superficie tiende a desviarse de la
linealidad a medida que aumenta el número de impactos y tampoco la dependencia de la forma de las partículas, por lo
que solo puede utilizarse como una primera aproximación a un problema bastante complejo. En un intento por explicar
el efecto del ángulo de impacto sobre la rotura de la superficie, Cavalcanti et al. (2019) utilizaron la energía total
disipada en la colisión, dada por la suma de la pérdida de energía normal y cortante estimada en DEM en lugar de Ek en
la ecuación. (15), obteniendo una buena concordancia con los datos del impacto de los pellets de mineral de hierro.

3 DISTRIBUCIÓN DE ROTURAS

3.1 Función de distribución de roturas

Como se mencionó en la sección introductoria, se han propuesto varios modelos en la literatura para describir la
distribución del tamaño de la progenie a partir de la rotura de una sola partícula. Varios de ellos se benefician del hecho
de que cuando las distribuciones acumulativas del tamaño de la progenie se grafican en función del tamaño relativo del
fragmento, es decir, la relación entre el tamaño del tamiz y el tamaño representativo de las partículas parentales, se
superponen, independientemente del tamaño de partícula parental. Este tamaño de partícula parental representativo
viene dado por los tamaños medios geométricos de los tamaños de tamiz iniciales que contienen el lote analizado.

Una ilustración de esto se presenta en la Fig. 10, que muestra datos para diferentes tamaños iniciales para sienita. A
pesar de la dispersión, los datos para los diferentes tamaños iniciales se superponen razonablemente bien, lo que
demuestra que tal normalización de los datos con respecto al tamaño inicial del padre es válida. Este comportamiento se
ha explicado sobre la base de la naturaleza fractal de la rotura de materiales particulados frágiles (Tavares, 2007). Sin
embargo, para algunos materiales, dicha normalización solo es válida por encima de un tamaño de fragmento mínimo.
Esto se ilustra en la Fig. 11 para una muestra de gneis. Se ha identificado que estas distribuciones de tamaño de
fragmentos no normalizables están asociadas a algunos materiales frágiles en los que las discontinuidades se concentran
en escalas de tamaño bien definidas, creando un punto de inflexión en la distribución de tamaño de fragmentos
acumulados (Tavares y Neves, 2008; Powell et al. , 2014). Como tal, los datos contenidos en tamaños por debajo de este
valor deben tratarse por separado, como se describe más adelante en la sección.

Fig. 10 Distribuciones de tamaño de la progenie de las pruebas de partículas de sienita de la cantera de Vigné contenidas
en diferentes rangos de tamaño en los probadores de peso de caída (modificado de Tavares y Neves, 2008).
 Fig. 11 Distribuciones de tamaño de la progenie de las pruebas de partículas de gneis de la cantera de Santa Luzia
contenidas en diferentes rangos de tamaño en los probadores de peso de caída (modificado de Tavares y Neves, 2008).

Un método conveniente para manejar datos como los de la Fig. 10 es seleccionar marcadores particulares en cada curva.
Este es el llamado procedimiento t10 propuesto originalmente por Narayanan y Whiten (1988). Como parte de este
procedimiento, el porcentaje de material que pasa por diferentes fracciones de 1 / enésimo del tamaño de partícula
inicial, llamado tns, se estima a partir de la distribución de tamaño acumulativa, típicamente interpolada usando ranuras
cúbicas. Los valores de n comúnmente usados son 2, 4, 10, 25, 50 y 75. Con el objetivo de representar la distribución del
tamaño de la progenie con mayor detalle, también se pueden usar marcadores adicionales, incluidos 1.2 y 1.5 (Carvalho
et al., 2015; Ballantyne et al., 2017). Para ilustrar esto, los datos de rotura en la Fig. 10 se presentan en forma
normalizada en la Fig. 12, que muestra que los datos para cada valor n siguen tendencias bien definidas en función de
t10. El principio del método es que, si el usuario tiene una estimación del valor t10 de la distribución de tamaño,
probablemente a partir de una expresión que relacione el tamaño de partícula inicial y la energía de impacto específica,
se puede reconstruir la distribución de tamaño completa (Napier-Munn et al., 1996; Tavares, 2017).

Se han propuesto varias formas funcionales a lo largo de los años para describir las distribuciones acumulativas del
tamaño de la progenie a partir de las pruebas de caída de peso, incluidas las estrías cúbicas (Narayanan y Whiten, 1988;
Napier-Munn et al., 1996), el Rosin-Rammler truncado superior (King, 2001; Tavares, 2004) y funciones exponenciales
combinadas (Ballantyne et al., 2017). Dada su capacidad para describir datos con gran flexibilidad, la función beta
incompleta se utiliza como parte del presente modelo (Carvalho et al., 2015), dado por

donde la masa acumulada de las partículas que pasan por una pantalla (tn) con tamaño relativo x se calcula mediante el
valor t10 dado de la distribución. En el modelo, se deben ajustar dos parámetros (α y β) a cada valor de n seleccionado.
Como tal, con los siete valores n (1.2, 1.5, 2, 4, 25, 50 y 75) se deben ajustar un total de 14 parámetros a partir de los
datos, lo cual es sustancial.

La Fig. 12 muestra que los datos se pueden describir bien usando la Ec. (16). La ecuación también ha demostrado
ajustarse con éxito a los datos de varios otros materiales, como también fue evidente en publicaciones anteriores
(Barrios et al., 2011; Carvalho y Tavares, 2013; Carvalho et al., 2015). Desafortunadamente, dada la falta de una
descripción física adecuada de la fragmentación que permita la extrapolación de datos, caracterizar la respuesta de un
material dado requiere pruebas exhaustivas en un rango de energías y tamaños estresantes, lo cual es una tarea que
requiere mucho tiempo. Si bien se puede argumentar que cada material tiene su patrón de rotura bien definido, por lo
que presentarán diferentes relaciones t10 versus tn como la que se presenta en la Fig.12 (Tavares y Neves, 2008), vale la
pena buscar un distribución media que podría describir datos para una variedad de materiales con una confianza
razonable.
Fig. 12 Distribuciones de tamaño de la progenie presentadas en el formato t10 normalizado frente a tn para sienita de la
cantera de Vigné (datos de la Fig. 10).

Como tal, se han recopilado datos de las pruebas de caída de peso de un total de 40 materiales (Tavares y Chagas, 2021)
y se han representado en ejes normalizados como los de la Fig.12, y los resultados se presentan en la Fig.13 para valores
seleccionados de n. Aparece una gran dispersión en los datos, pero también es evidente que los datos se pueden
representar razonablemente bien utilizando un solo conjunto de curvas. La dispersión en el gráfico en una escala
logarítmica sugiere la estructura de los errores y la validez de la función objetivo logarítmica utilizada para ajustar los
parámetros del modelo (Carvalho et al., 2015).
 Fig. 13 Relación entre t10 y tns seleccionados para una variedad de materiales, con la excepción de los minerales de
hierro. Las líneas continuas representan el ajuste a la función beta incompleta (datos de Tavares y Chagas, 2021).

Un examen más detallado de los datos (Tavares y Chagas, 2021) permitió concluir que los diferentes tipos de materiales
(rocas, minerales, clínker de cemento y carbones) no aparecían particularmente segregados en cada una de las parcelas
de la Fig.13, lo que sugiere la validez de la generalización propuesta. Las únicas excepciones fueron los minerales de
hierro (Tavares y Chagas, 2021), que no se incluyeron en el ajuste del modelo. Además, las desviaciones se limitaban
típicamente a los extremos de las distribuciones de tamaño, es decir, en el extremo grueso (t1.2 y t1.5) o fino (t50 o
t75).

La lista de parámetros que resultó del ajuste de los datos en la Fig.13 se presenta en la Tabla 2, cubriendo los 40
materiales (Tavares y Chagas, 2021). Estos parámetros pueden usarse por defecto en caso de ausencia de suficientes
datos de fragmentación que permitan el ajuste de los diversos parámetros en Eqn. (16) para un material de interés.
 Cuadro 2 Parámetros óptimos de la función beta incompleta (Ec. 16) para 40 materiales (Tavares y Chagas, 2021), sin
incluir minerales de hierro.

La Fig. 14 se obtiene trazando los diversos valores de tn en función del tamaño de fragmento normalizado para los
valores de t10 seleccionados usando la Ec. (16) con los parámetros dados en la Tabla 2.

Fig. 14 Distribuciones de tamaño normalizadas calculadas utilizando la función beta incompleta y los parámetros de la
Tabla 2 (Tavares y Chagas, 2021). Los símbolos representan los valores t calculados para los diferentes marcadores n,
mientras que las líneas son ajustes spline cúbicos (ecuación 17) a estos valores.

Aunque no se incluyen en el presente trabajo (Cavalcanti et al., 2021), los datos de la proyección de partículas contra un
objetivo también podrían describirse bien utilizando la función beta incompleta y los parámetros de la Tabla 2.
La función de rotura normalizable puede obtenerse de la ecuación. (16) usando la relación entre el tamaño del
fragmento Di y el tamaño de la partícula parental dj, de modo que

donde x = di / Dj.

Como se mencionó anteriormente en la sección, hay casos en los que el enfoque de normalización propuesto por el
procedimiento t10 no es válido por debajo de un tamaño de fragmento dado D *. Este es el caso de las denominadas
distribuciones de tamaño de la progenie no normalizables, que aparecen típicamente cuando los materiales tienen una
dimensión bien definida en la que se concentran las discontinuidades (Tavares, 2000). De hecho, en ocasiones se han
utilizado funciones de rotura no normalizables con las ecuaciones del modelo de balance de población para materiales
como minerales de hierro (Faria et al., 2019; Campos et al., 2019). La Tabla 3 muestra ejemplos de materiales cuya
descripción de rotura requirió la parte no normalizable de la distribución de rotura.

Tabla 3 Tamaños de fragmentos por debajo de los cuales las distribuciones de tamaño de la progenie no son
normalizables para materiales seleccionados (Ec. 18).

Este comportamiento se puede describir en forma de una relación de ley de potencia por debajo de un tamaño de
normalización mínimo D *,

lo que muestra que la parte no normalizable de la distribución se adjunta al extremo fino de la distribución del tamaño
de la progenie normalizable obtenida mediante la función beta incompleta ( Ecuación 16). Los valores del exponente η
se muestran en la Tabla 3 para materiales seleccionados. Vale la pena compararlos con la pendiente promedio en
tamaños finos del modelo para los 40 materiales (Fig. 14), que varía de 0.53 en valores bajos de t10 a 0.63 (Tavares y
Chagas, 2021).
La adaptación del presente modelo para describir la rotura de partículas discretas en DEM se ha llevado a cabo mediante
diferentes métodos, dependiendo de las formas de las partículas. En el caso de partículas poliédricas (Tavares et al.,
2020a), estas se han utilizado como parte del esquema de teselación de Voronoi para crear la distribución de tamaño de
fragmentos adecuada y se implementan en el software comercial Rocky DEM. Por otro lado, para representar la rotura
de partículas esféricas en una simulación DEM, se han creado familias de progenie esférica para una variedad de valores
de t10 utilizando un procedimiento descrito en otra parte (Tavares y Chagas, 2021). Esto posteriormente se ha
implementado en el software comercial Altair EDEM (Tavares et al., 2021).

El procedimiento de normalización descrito solo explica parcialmente el efecto del tamaño de partícula. El efecto
adicional del tamaño de partícula asociado al aumento de la resistencia a la rotura a medida que se reduce el tamaño de
partícula, así como el efecto de la energía de estrés, se describen utilizando expresiones que se presentan en detalle en
la sección 3.2. Además de estos, los estudios han demostrado que otras variables, como la geometría del impacto
(Tavares, 2007; Saeidi et al., 2016), la tasa de estrés (Saeidi et al., 2017) y el modo de estrés, si el impacto es simple o
doble ( Tavares, 2007), se sabe que influyen en la distribución de las roturas. Sin embargo, la falta de una comprensión
adecuada de su efecto hizo inviable tenerlos en cuenta explícitamente en el modelo.

Con energías tensas que son insuficientes para causar la rotura del cuerpo, las partículas sufrirán roturas superficiales.
Carvalho y Tavares (2011) propusieron describirlo utilizando la ecuación de Gaudin-Schuhmann

donde dA es el tamaño máximo de los productos de rotura de la superficie, que junto con λ, deben ajustarse a partir de
los datos. La variación de estos en función del tamaño de las partículas parentales y la energía de estrés no se ha
estudiado con tanto detalle en la literatura. A partir de las pruebas de volteo, se ha encontrado que el dA varía
típicamente de aproximadamente 0,20 a 0,45 mm (Tavares y Neves, 2008; Carvalho y Tavares, 2011). Es probable que
este parámetro se vea fuertemente influenciado por el tamaño de la partícula parental, pero los datos aún no son lo
suficientemente completos para caracterizar tal dependencia (Cavalcanti et al., 2021).

3.2 Efecto del tamaño de las partículas y la energía de estrés en la distribución de las roturas corporales

En el método t10 original (Narayanan y Whiten, 1988; Napier-Munn et al., 1996), se propusieron relaciones
independientes del tamaño entre la energía de estrés y el valor t10. En el presente modelo, la relación da cuenta
simultáneamente de los efectos de la energía de estrés y el tamaño de partícula, que luego se incorporó en la energía de
fractura media de las partículas (Tavares, 2009),

donde A y b ′ son parámetros del modelo ajustados a datos experimentales, en los que A corresponde al valor máximo
de t10 que se puede lograr al romper un material en un solo evento de tensión, mientras que E50b es la energía de
fractura específica mediana de las partículas que se rompieron . Cuanto mayor sea la energía de impacto específica Ek
en comparación con la energía de fractura específica de las partículas, mayor será el valor de t10 y más fina será la
distribución del tamaño de la progenie. Al usar la energía de fractura específica mediana de las partículas que se
rompieron, la ecuación. (20) puede tener en cuenta el efecto del tamaño de partícula en la rotura.

Los datos de una variedad de materiales se han ajustado a Eqn. (20) y los resultados se enumeran en la Tabla 4. Se
encontró que los valores del parámetro A, que representan el valor máximo de t10 alcanzado en un solo evento
estresante, varían entre aproximadamente 40 y 75, con valores típicos alrededor del 50%. Esto demuestra que se puede
lograr una finura máxima limitante en un solo evento estresante en partículas individuales, independientemente de la
intensidad de la energía estresante. El producto de los parámetros (A * b ′), que corresponde a la derivada de la
ecuación. (20) en el origen, representa la susceptibilidad del material a la fragmentación. Dado que la tenacidad del
material ya está reflejada en el valor de E50b, este producto en realidad caracteriza la eficacia con la que se utiliza la
energía de tensión para crear nuevas superficies de fractura y fragmentos. Sus valores van desde un mínimo del 0,5%
hasta un máximo del 10% (Tabla 4). Como tal, se ha observado algún agrupamiento con respecto al tipo de material
(Tavares, 2000), en el cual materiales con microestructuras simples, como minerales individuales o cristales, presentan
valores por debajo de alrededor del 1%, mientras que la mayoría de rocas y minerales presentan valores en la oscilan
entre aproximadamente el 1 y el 2%. Se han observado valores superiores al 2% para minerales y rocas con mala
adherencia intergranular (Tavares, 2000), carbones, así como algunos materiales porosos, como el clínker de cemento.

Tabla 4 Valores de los parámetros A y b ′ (Ec. 20) para materiales seleccionados.

Los resultados típicos del ajuste del modelo a los datos se presentan en la Fig. 15, que muestra la buena concordancia
entre los dos. En algunos casos, sin embargo, la dispersión es mayor cuando se incluyen partículas de varios tamaños en
el ajuste, posiblemente como consecuencia de efectos que no se tienen en cuenta en el modelo, como la variación en la
desviación estándar de la distribución con el tamaño de partícula, la velocidad de impacto. y forma de partícula. La
conexión directa en el modelo entre la probabilidad de rotura y la distribución de fragmentos, ofrecida por el valor de
normalización de E50b en Eqn. (20), se considera una característica importante que confiere consistencia interna al
modelo.
 Fig. 15 t10 en función de la energía de impacto para diferentes rangos de tamaño de partícula de piedra caliza # 1.

Adaptando el modelo dado por Eqn. (20) para describir la rotura de partículas discretas da como resultado la ecuación
modificada (Tavares et al., 2021)

donde k es una variable introducida porque los valores de la media y la mediana de la distribución no coinciden (Tavares
y Chagas, 2021). Esta expresión se ha utilizado en asociación para implementaciones discretas del modelo para el caso
de partículas esféricas (Tavares y Chagas, 2020; Tavares et al., 2021) o poliédricas (Tavares et al., 2020a) en DEM.

4. IMPLICACIONES DEL MODELO

4.1 Función primaria de rotura del cuerpo

En varios molinos y trituradoras, la función de distribución de roturas se usa ampliamente para describir la distribución
de tamaño promedio de cada evento estresante dentro de los dispositivos, desempeñando un papel central en los
modelos tradicionales de equilibrio de población (Austin et al., 1984; King, 2001). En la práctica, más que una propiedad
real del material, representa el resultado del ajuste del modelo, en el mejor de los casos estimado sobre la base de la
distribución de tamaño de tiempos de molienda cortos (Austin et al., 1984).

Para el caso en el que la partícula se estresa con la energía mínima para producir la rotura del cuerpo, la distribución de
fragmentos resultante se denomina función primaria de rotura de una sola partícula (Saeidi et al., 2016). En los pocos
estudios que intentaron medir directamente esta función de distribución de rotura primaria de partículas individuales,
Bourgeois (1993) estimó en aproximadamente 2% el valor de t10 para partículas de cuarzo bajo doble impacto (Saeidi et
al., 2016), mientras que el valor correspondiente fue de aproximadamente el 1% para los gránulos de mineral de hierro
sometidos a un solo impacto (Cavalcanti et al., 2021). Tavares (2009) luego demostró, para una muestra de piedra caliza,
que no variaba después de cada impacto repetido. La importancia de esta función primaria de rotura de una sola
partícula ha sido demostrada por Saeidi et al. (2016), quienes demostraron que era posible predecir la respuesta de un
material en un probador de caída de peso a energías de impacto más altas sobre la base de esta función de rotura
primaria, además de Eqn. (10) y funciones empíricas que representan la probabilidad de selección de fragmentos a
rotura secundaria. Esto también se ha demostrado que es válido en un entorno DEM, donde la distribución de tamaños
de energías de impacto más altas podría predecirse utilizando el modelo de rotura en el caso de partículas poliédricas en
Rocky DEM (Tavares et al., 2020a) y Altair EDEM (Tavares et al., 2020a). al., 2021).

El presente modelo permite estimar esta función de rotura primaria considerando el caso en el que eEk ≅ E en Eqn. (21),
dando

Dados los valores de las constantes A y b ′ (Tabla 4) y dado que a energías de impacto tan bajas la constante k en Eqn.
(22) puede considerarse igual a aproximadamente 0,95 (Tavares y Chagas, 2021), luego los valores de t10 resultantes
correspondientes a la rotura primaria oscilan entre un mínimo de 0,5 y, excepcionalmente, superior al 5%. Como tal, a
partir de la comparación con las medidas experimentales de Bourgeois (1993) y Cavalcanti et al. (2021), valores
estimados mediante la ecuación. (22) son probablemente una subestimación del valor real. Sin embargo, pueden
considerarse válidos en general, dado el desafío de estimar directamente la función primaria de rotura corporal.

Con el objetivo de ilustrar las variaciones encontradas para diferentes materiales, la Fig. 16 compara las funciones
primarias de distribución de rotura del cuerpo para materiales seleccionados estimados usando este enfoque. Muestra
las variaciones en la forma y posición de las distribuciones de tamaño de los fragmentos primarios, que representan
diferencias en el patrón de fragmentación, con los materiales monofásicos (minerales) generando menos finos que las
rocas / minerales (Tavares, 2000).

Fig. 16 Funciones de rotura primarias para materiales seleccionados, obtenidas ajustando los datos de rotura de una sola
partícula a la función beta incompleta para t10 dada por la ecuación. (22).
4.2 Predecir el resultado de un solo evento estresante

Podría decirse que la demostración más simple de la aplicación de un modelo de rotura es predecir el resultado de un
solo impacto en partículas individuales, como en el probador de caída de peso (Napier-Munn et al., 1996; Tavares,
2007). El resultado de este evento de impacto único, considerando la rotura del cuerpo y la superficie, puede ser
descrito por el balance de masa dado por (Tavares y Carvalho, 2011)

donde wi * y wi son las fracciones en peso del material contenido en la clase de tamaño i después y antes del evento de
impacto, respectivamente. ξi es la generación fraccionada de productos de rotura superficial, aij es la función de
distribución de rotura superficial y bij es la función de distribución de rotura corporal específica de energía. El término [1
- Pi (eEk)] [1 - ξi (eEk)] en el lado derecho de la ecuación. (23) representa la fracción de masa de material que no sufrió
rotura corporal durante el evento estresante y permaneció en el tamaño original, mientras que el término sum([Pj (eEk)
bij (eEk)]) representa la proporción de material de clases de tamaño i y más grueso que sufrió rotura corporal y generó
fragmentos reportados a la clase de tamaño i. El término sum(wj (ξi (eEk) [1-Pj (eEk)] ai)) da la proporción acumulada de
productos de rotura de superficie que informan a la clase de tamaño i. Pi (eEk) es la probabilidad de que una partícula
contenida en la clase de tamaño i sufra la rotura del cuerpo cuando captura energía eEk de un evento de colisión.

Cuando se varía la energía de impacto específica aplicada a un lote de partículas, la rotura puede pasar de la ausencia de
rotura del cuerpo a energías de impacto muy bajas, donde todas las partículas sufren solo roturas superficiales, a la
rotura del cuerpo de todas las partículas a energías de alto impacto. Entre estas se encuentran las energías de impacto
en las que una fracción de las partículas sufrió roturas corporales, mientras que el resto sólo sufrió roturas superficiales.
Esto se ilustra en la Fig. 17 para partículas de granulita Pedra Sul. En la figura, las energías de estrés por encima de 360
J / kg pudieron producir la rotura del cuerpo en el primer impacto en todas las partículas, mientras que las de 9 J / kg
produjeron solo la rotura de la superficie. Para tensar las energías entre estos, solo una fracción de las partículas sufrió
la rotura del cuerpo, lo que resultó en distribuciones de tamaño que representan la transición entre la superficie y la
rotura del cuerpo. Desafortunadamente, los datos de validación están disponibles solo para las energías de impacto más
altas, ya que a las energías de impacto más bajas, la pequeña cantidad de productos de rotura de la superficie hace que
la recopilación de datos precisos sea una tarea desafiante.
Fig. 17 Distribuciones de tamaño de la progenie del impacto de partículas de granulita (Pedra Sul) de 31,5 a 26,5 mm en
un medidor de caída a energías de impacto específicas variables. Los símbolos grandes representan experimentos y las
líneas y círculos pequeños son las predicciones del modelo. σ = 0,90, κ = 4 × 10–4 kg / mmJ. Otros parámetros dados en
las Tablas 1 y 4.

5. DISCUSIÓN

5.1 Prueba de rotura y ajuste del modelo

El modelo de rotura contiene una variedad de parámetros que deben ajustarse sobre la base de experimentos. Aunque
algunos parámetros, en particular los relacionados con la distribución del tamaño de los fragmentos, pueden asumirse
como predeterminados, dado que su variación para diferentes materiales puede ser relativamente limitada (sección
3.1), se requieren experimentos para estimar los varios restantes. El enfoque propuesto originalmente y más directo
para estimar los parámetros del modelo se basó en el uso del dispositivo de celda de carga de impacto (Tavares, 2007).
Es un medidor de caída instrumentado en el que se puede estimar la energía mínima requerida para la fractura primaria
(Tavares y King, 1998) así como la energía neta absorbida (Tavares, 1999) para cada partícula individual. Además de eso,
se han utilizado pruebas de impacto repetidas para estimar el parámetro de acumulación de daño (sección 2.3),
mientras que las distribuciones del tamaño de los fragmentos de diferentes energías de impacto sirvieron como base
para ajustar los parámetros en el modelo descrito en 3.2. Las pruebas de compresión lenta también se pueden utilizar
para estimar la distribución de energía de fractura de las partículas. Los datos de dispositivos no instrumentados
también se pueden utilizar para estimar los parámetros en varias de las ecuaciones del modelo. Por ejemplo, las
distribuciones de probabilidad de rotura pueden estimarse a partir de pruebas estándar de caída de peso (Baumgardt et
al., 1975) o pruebas en las que las partículas se proyectan contra un objetivo (Dan y Schubert, 1990; Cavalcanti et al.,
2021). Estos últimos son particularmente relevantes cuando se modela con el objetivo de simular la degradación del
material durante la manipulación.
Aunque el análisis detallado de los procedimientos y dispositivos experimentales utilizados para ajustar los parámetros
en el modelo de rotura está fuera del alcance del presente trabajo y está bien cubierto en otras publicaciones (Tavares y
King, 1998; Tavares, 2007; Rozenblat et al., 2012). ; Ribas et al., 2014; Bonfils, 2017), vale la pena destacar algunos
aspectos importantes relacionados con las pruebas. De hecho, un desafío clave al estimar la energía de fractura de
partículas individuales usando Eqn. (5) es la identificación de la fractura primaria. Esta fractura primaria o punto de
rotura primaria del cuerpo viene dada por la condición en la que la fuerza cae repentinamente, dada la incapacidad de la
partícula para continuar transmitiendo tensiones. Esta condición es relativamente sencilla de identificar en algunos
casos, como en la Fig. 18a, que a menudo se encuentra probando partículas quebradizas de forma regular. En estos
casos, la separación de las superficies de fractura de nueva creación es rápida, como resultado de la propagación de una
grieta importante a través de toda la partícula, lo que facilita la identificación del punto de fractura, dada la caída
repentina de la carga. En otros casos, sin embargo, identificar el instante de la fractura puede ser mucho más desafiante
y susceptible de juicio subjetivo. En la figura 18 también se ilustran algunos ejemplos de tales casos.
Fig. 18 Perfiles típicos de fuerza-tiempo de la rotura de partículas individuales de gránulos de mineral de hierro de 12,5 a
9,0 mm y sus fragmentos en un dispositivo de celda de carga de impacto. Las flechas representan el presunto punto de
rotura primaria

La figura 18b muestra el caso en el que la partícula sufrió astillado a aproximadamente 100 ms, pero esa rotura primaria
es todavía relativamente sencilla de identificar. Esta respuesta se encuentra a menudo al probar partículas de formas
muy irregulares, en las que una pequeña fracción de su volumen se ve sometida a una concentración de tensiones de
tracción al principio de la prueba, lo que provoca la aparición de tales grietas superficiales. Sin embargo, en otros casos,
aparecen múltiples picos (Fig. 18c) o no se puede identificar un punto de fractura claro (Fig. 18d), lo que requiere cierta
subjetividad para identificar la carga de fractura. Desafíos como estos aparecen asociados a probar materiales más
deformables y / o menos frágiles. Esto puede estar asociado a casos en los que una sola o varias grietas crecen de
manera subcrítica, siendo responsable de no una reducción tan clara de la carga en la fractura primaria. Sin embargo,
dado que no ocurre ningún movimiento relativo de los fragmentos, debido a la fragilidad limitada de la partícula, los
fragmentos continúan siendo capaces de sostener la carga, evitando una caída en la capacidad de carga de la partícula y,
por lo tanto, la identificación del instante de rotura primaria. Las técnicas que pueden utilizarse para ayudar a
interpretar estos resultados se analizarán con mayor detalle en una publicación futura.

Algunas pautas útiles al realizar experimentos con el objetivo de estimar la distribución de energías de fractura de
partículas son:

● Las partículas deben estar contenidas en rangos de tamaño muy estrechos, idealmente como resultado de un
tamizado siguiendo una serie de 2 ^ (1/4);

● La selección de partículas para la prueba debe realizarse al azar, a fin de garantizar que cada lote analizado tenga
aproximadamente el mismo peso promedio;

● La preparación de la muestra debe realizarse con cuidado, para evitar el uso de procesos de trituración que pueden
ser responsables de generar material escamoso, como el triturado de rodillos (Gupta, 2016). Idealmente, se debería
preferir no triturar o adoptar el proceso de reducción de tamaño que está destinado a ser utilizado en la operación
industrial objetivo. Además, los procesos de reducción de tamaño que se sabe que inducen grietas en las partículas, por
ejemplo, el rectificado con rodillos a alta presión (Tavares, 2005), también deben evitarse, siempre que sea posible, en
esta tarea;

● Las diferencias en las formas de las partículas introducen variabilidad en la distribución (Tavares, 2007; Lois-Morales et
al., 2020). Una posibilidad para lidiar con esto es segregar las partículas contenidas dentro de la serie 2 ^ (1/4) de
acuerdo con la masa y probar por separado. Si no se utiliza ese enfoque, las partículas deben seleccionarse al azar y el
tamaño del lote sometido a prueba debe incrementarse de acuerdo con la variabilidad;

● El número de partículas analizadas en cada rango de tamaño debe ser al menos 30, pero debe aumentar a medida que
aumenta la variabilidad de la composición y la forma de las partículas en la muestra, de modo que 50 o 100 son
típicamente óptimos;

● En el caso de pruebas en dispositivos de celda de carga de impacto, es aconsejable seleccionar una energía de impacto
específica promedio para la prueba (Ec. 2) que sea lo suficientemente alta para romper la partícula más resistente del
lote. Se debe evitar el uso de energías de impacto específicas muy superiores a las de aquéllas, en particular en el caso
de ensayos de materiales menos frágiles, ya que pueden conllevar una mayor dificultad para identificar adecuadamente
la carga responsable de la fractura primaria (Fig. 18d).
Si bien se han probado partículas en el rango de tamaño de 100 mm (Fandrich et al., 1998; Tavares, 2007) hasta 0.25
mm (Tavares y Cerqueira, 2007) en dispositivos de celda de carga de impacto, el mayor desafío radica en medir las
energías de fractura de partículas contenidas en el rango más bajo e incluso tamaños más finos, dada la tediosa
naturaleza de probar partículas individuales y la limitación en la resolución de los dispositivos. Algunos investigadores
han demostrado el potencial de medir la fuerza y las energías de fractura de partículas finas en dispositivos especiales
(Steier y Schönert, 1972; Yashima et al., 1979; Sikong et al., 1990; Antonyuk et al., 2005; Nguyen et al., 1979; Sikong et
al., 1990; Antonyuk et al., 2005; Nguyen et al. ., 2009; Yan et al., 2009). Ribas y col. (2014) mostraron el potencial de usar
un probador de microcompresión disponible comercialmente para medir las distribuciones de energía de fractura de
partículas individuales en el rango de tamaño de 45 a 37 μm, mientras que Campos et al. (2021) lo aplicó recientemente
para probar partículas de mineral de hierro contenidas en el rango de 45 a 150 μm, con buenos resultados. Sin embargo,
debido al desafío de medir las características de rotura de partículas individuales hasta tamaños tan finos, se han
propuesto algunos enfoques de estimación indirecta. Barrios y col. (2011) propusieron probar partículas tan finas como
150 μm contenidas en lechos de partículas monocapa, combinándolas con datos de pruebas de rotura de partículas
individuales en tamaños más gruesos y estimando los parámetros de rotura a partir del cálculo retroactivo, con un éxito
razonable. Más recientemente, Tavares et al. (2020b) propuso combinar mediciones de energías de fractura de
partículas de tamaños relativamente gruesos con datos de pruebas de impacto utilizando un probador de rotura
rotatorio. Esto permitió estimar parámetros seleccionados de rotura de material de un mineral de cobre y oro hasta 350
μm (Tavares et al., 2020b).

Otra alternativa más para estimar los parámetros de rotura en la ecuación. (10) es volver a calcularlos a partir de
pruebas de molienda por lotes, asumiendo que las predicciones que utilizan el modelo de molino mecanicista UFRJ
(Tavares y Carvalho, 2009; Carvalho y Tavares, 2013) son estrictamente precisas. Este enfoque se ha utilizado para
estimar los parámetros de rotura de un mineral de hierro a partir de datos de molienda por lotes (Carvalho et al., 2021),
así como de piedra caliza a datos de molienda agitada (Oliveira et al., 2020). En estos casos, los parámetros de Eqns. (7),
(12), (16) y (20) se tomaron de minerales similares.

Evidentemente, pueden aparecer errores en las estimaciones a partir de cálculos retroactivos, ya que se basan en la
validez de los distintos supuestos. En el caso particular en el que solo se utilizan resultados de molienda por lotes, los
errores pueden estar asociados al hecho de que cualquier limitación en el modelo del molino para describir el fenómeno
contaminaría inevitablemente las estimaciones de los parámetros de rotura de material, contradiciendo parcialmente el
enfoque mismo de los modelos avanzados en desacoplar completamente el material del proceso. Además de eso, este
enfoque también requiere que se tomen algunos parámetros de materiales similares, lo que también implica una fuente
potencial de sesgo, ya que cada material es intrínsecamente único en lo que respecta a la respuesta a la rotura.

Como se discutió en la sección 3.3, se debe dedicar más esfuerzo a modelar la función de rotura primaria a partir de la
rotura de una sola partícula, dado su papel central en la aplicación del modelo en particular a sistemas discretos en
DEM. Un dispositivo que podría ser útil en esta tarea es el molino de rodillos de montaje rígido, que tritura partículas
casi individualmente entre rodillos montados de forma rígida con espacios cuidadosamente controlados (Böttcher et al.,
2021). A pesar de los desafíos en la medición de la energía requerida para romper las partículas contenidas en los
tamaños más finos estudiados (45 μm), proporcionó buenas estimaciones de la distribución del tamaño de las partículas
en condiciones de estrés que se acercan al mínimo requerido para la fractura (Campos et al., 2021). ).

5.2 Aplicaciones del modelo

El modelo de rotura descrito se ha utilizado en forma completa o en partes para simular diferentes sistemas de interés
utilizando una variedad de enfoques. En su forma discreta, se ha integrado en DEM como parte de diferentes esquemas
de reemplazo de partículas. Inicialmente, se implementó en EDEM una versión recortada del modelo, que no
incorporaba la descripción del debilitamiento por impactos repetidos (sección 2.4) (Jiménez-Herrera et al., 2018; Barrios
et al., 2020), demostrando cierta capacidad para describen roturas en lechos de partículas confinados y no confinados.
Se implementó una versión más completa del modelo, incorporando una nueva descripción estocástica del reemplazo
de partículas (Tavares y Chagas, 2021) en una versión actualizada de EDEM (Tavares et al., 2021), demostrando muy
buena capacidad para predecir la rotura no confinada de partículas. camas. Ambos enfoques se basaron en el reemplazo
de partículas esféricas, que tiene la ventaja de la eficiencia computacional. Esta implementación posterior también
incorporó la descripción de las multas no resueltas, que se agregaron al completar la simulación a la distribución de
tamaño dada por las esferas resueltas. La versión más completa del modelo también se ha implementado en el paquete
de software comercial Rocky DEM (Tavares et al., 2020a). Dicha implementación, basada en la rotura de partículas
poliédricas, proporcionó muy buenas predicciones de rotura en lechos de partículas no confinados (Tavares et al.,
2020a) y trituración de cono (André y Tavares, 2020).

El modelo de rotura también se ha utilizado ampliamente como parte de modelos avanzados de trituradoras y molinos.
Por ejemplo, Austin (2004a; 2004b) utilizó el modelo de daños de la sección 2.4 en un modelo fenomenológico de
molienda con martillos de alta velocidad. Se ha utilizado la versión completa del modelo de rotura para predecir la
degradación durante la manipulación de materiales (Tavares y Carvalho, 2011). También se ha utilizado, junto con DEM,
para modelar la trituración en una trituradora de impacto de eje vertical (Cunha et al., 2014), así como la degradación de
agregados reciclados en un mezclador de alto cizallamiento (Moreno-Juez et al., 2021). El enfoque de modelado también
se ha utilizado para predecir la degradación de los gránulos de mineral de hierro durante la manipulación utilizando
expresiones matemáticas ligeramente personalizadas (Cavalcanti et al., 2019; 2021; Tavares et al., 2018). El uso más
amplio del modelo se ha asociado a una formulación de balance de población a microescala, llamado modelo UFRJ, para
describir la molienda en molinos de medios, incluidos molinos de bolas (Tavares y Carvalho, 2009; Carvalho y Tavares,
2013), molinos semi-autógenos ( Carvalho y Tavares, 2011) y molinos agitados (Oliveira et al., 2020; 2021). Una versión
del modelo de molino de bolas de molienda continua con algunas simplificaciones está disponible en el simulador de
planta de procesamiento de minerales y minería de última generación IES (Integrated Extraction Simulator).

6. RESUMEN Y CONCLUSIONES

En los últimos 25 años se ha propuesto un modelo práctico que describe la rotura de partículas individuales. Discrimina
la rotura del cuerpo y la superficie, teniendo en cuenta la probabilidad de rotura del cuerpo a través de la distribución
logarítmica normal truncada en la parte superior. Es capaz de predecir roturas por impactos repetidos debido a un
modelo que describe el debilitamiento basado en la mecánica del daño continuo. La distribución del tamaño de la
progenie de rotura corporal se describe utilizando la función beta incompleta, que también considera los casos
excepcionales en los que el material presenta una respuesta de rotura no normalizable. Con una expresión empírica que
describe la energía estresante y la intensidad de rotura dependiente del tamaño, puede predecir la distribución del
tamaño de los fragmentos de cualquier evento estresante.

Este modelo de rotura se ha implementado y ahora es una parte integral de los esquemas de reemplazo de partículas
integrados en el software DEM comercial (Rocky DEM y Altair EDEM), a través del cual se puede usar para simular una
serie de procesos industriales de interés. También se ha incorporado en modelos de balance poblacional a microescala
que describen varios tipos de molinos, a saber molinos de bolas, molinos agitados, autógenos y semiautógenos, estando
incluso disponible (modelo de molino de bolas) en el simulador de planta IES.

Si bien se pueden tener en cuenta varias variables importantes que influyen en la rotura de partículas, se identifican
desafíos en la aplicación y ajuste de los parámetros del modelo para aplicaciones particulares. Al ser un modelo basado
en una sola partícula, existen desafíos para estimar los parámetros de rotura de las partículas finas. Establecer la validez
de los dispositivos de prueba novedosos, así como de los enfoques de retro-cálculo, es una tarea importante. Además,
las modificaciones en el modelo para que sea aplicable para describir la rotura de materiales no frágiles (Tavares y
Almeida, 2020) es otra tarea que vale la pena para avanzar en la aplicabilidad del modelo. Finalmente, los modelos que
describen la rotura de la superficie, que son particularmente relevantes para predecir la degradación mecánica durante
la manipulación, requieren más atención, ya que todavía se encuentran en una etapa comparativamente más temprana
de desarrollo y validación.