CAPITULO IV

OPTIMIZACIN

4.1 Fundamentos Tericos

Una de las herramientas ms importantes no solo para la optimizacin, control y
desarrollo de nuevos procesos, lo constituye el uso de los modelos matemticos y
los modelos fsicos. Si bien a los modelos matemticos puede clasificrseles en
modelos matemticos tericos, semi-empricos y empricos, el uso particular en
optimizacin depender en gran medida de la naturaleza del proceso bajo estudio.
Para esto debemos definir previamente algunos conceptos:
a) Parmetro: Son aquellos que no cambian o no pueden cambiar su valor
durante el rango de validez.
b) Variables: Son aquellas que asumen mas de una valor o estado durante el
rango de validez del modelo. Las variables del proceso son normalmente
clasificadas dentro de un nmero de categoras. Para los procesos de
modelamiento es esencial tener una idea clara sobre la naturaleza de cada
variable incluida. Se tienen las siguientes variables:
* Variables Dependientes
* Variables Intermedias
* Variables Independientes: Se clasifican en:

Variables Controlables

Variables no Controlables

Variables desconocidas

Variables Indirectas.

Modelos Matemticos Tericos: Se basan tambin en leyes fsicas, y bsicamente

en la aplicacin de ecuaciones de balance de energa, as como leyes de
termodinmica y cintica.
Modelos Matemticos Semi-Empricos: Se basan tambin en leyes fsicas pero
cierta cantidad de empirismo es incorporada en la representacin de estos
sistemas debido bsicamente a dos hechos:
a) Las ecuaciones de modelamiento son tan complejas, que resolverlo resulta
muy dificultoso, por lo que es necesario hacer algunas simplificaciones.
b) A la falta de datos.
La gran mayora de los modelos matemticos usados en la prctica estn dentro
de esta categora. Es importante tener en cuenta que el modelo terico sirve para
observar el comportamiento del fenmeno o la forma del modelo matemtico, y
los parmetros son obtenidos por un procedimiento emprico (por ejemplo
regresin mltiple).
Modelos Matemticos Empricos: No estn basados en leyes fsicas. En este caso
el proceso es considerado como una caja negra (Black - Box), donde la relacin
matemtica que gobierna el proceso es desconocida o muy compleja y dependen
nicamente de las variable de entrada y salida, ignorando la estructura interior o
fenmeno el proceso. La mejor manera de construir estos procesos es a travs de
Diseos Experimentales. Este tipo de modelos son muy utilizados en la flotacin
de minerales.
DISEO EXPERIMENTAL.- Un experimento diseado es una prueba o serie de
pruebas en las cuales se inducen cambios deliberados en las variables de entrada
de un proceso o sistema, de manera que sea posible observar e identificar las
causa de los cambios en el criterio de Optimizacin.
En esencia, un diseo experimental es un acercamiento cientfico que permite a
un investigador entender mejor un proceso y a determinar la manera en que las
variables de ingreso afectan una respuesta o variables de salida.

Ahora bien la manera como pueden ser llevados a cabo estos experimentos
pueden ser de dos formas:
-

Experimentacin pasiva (denominada tambin clsica o convencional).

Experimentacin activa, conocida como diseos experimentales.

En la experimentacin activa llevados a cabo mediante un diseo predeterminado

(diseo de experimentos), las cuales permiten evaluar simultneamente todas las
variables consideradas y evaluar adems la fuerza de interaccin entre las
variables y reducir el nmero de experimentos a llevarse a cabo.
En la Optimizacin de procesos, la utilizacin racional de diseos
experimentales, junto con una estrategia adecuada de optimizacin, es el mejor
mtodo para encontrar los valores ptimos de las variables de una manera rpida
y eficiente y as mejorar el rendimiento de un proceso.
Las ventajas ms importantes del uso de los Diseos Experimentales pueden
resumirse de la siguiente manera:
a) Con respecto a la experimentacin pasiva, el investigador que hace uso de
esta tcnica reduce el tiempo de experimentacin y mejora su eficiencia,
especialmente cuando son muchas las variables de potencial importancia.
b) Permite una coleccin de y anlisis organizado de la informacin obtenida,
que conduce a conclusiones confiables mediante un anlisis estadstico.
c) Gran confiabilidad de los resultados.
d) Permite evaluar las interacciones entre las variables experimentales, y que
conducen predicciones ms importantes de las respuestas en reas no
directamente cubiertas por la experimentacin
e) Mejora del rendimiento del proceso.
f) Menor variabilidad y mayor apego a los requerimientos u objetivos.
g) Menor tiempo de desarrollo.
h) Menores costos globales.
Para que un experimento se realice en forma ms eficiente, es necesario emplear
mtodos cientficos en su planeacin. El diseo estadstico de experimentos es el
proceso de planear un experimento para obtener datos apropiados, que pueden ser
analizados mediante mtodos estadsticos. De este modo establecemos dos
aspectos en cualquier problema experimental
-

El diseo del experimento, y

El anlisis estadstico de los datos.

Los tres principios bsicos en el diseo de experimentos son los de:

Obtencin de rplicas.

Aleatorizacin, y

Anlisis por bloques.

Los Diseos Experimentales se clasifican en:

a) De acuerdo al orden del modelo matemtico (diseos de primer y segundo
orden).
b) Desde el punto de vista en que son llevados a cabo, se clasifican en
simultneos y secuenciales.
c) Desde el punto de vista del objetivo, se tiene diseos por comparacin simple
hasta los diseos jerrquicos o anidados.
Diseos Experimentales de 1er orden:
-

Diseos Factoriales.

Diseos Factoriales Fraccionados.

Diseos de Plackett y Burman.

Diseos Experimentales de 2do orden:

-

Diseos Rotables (hexagonal, octogonal, etc.)

Diseos Compuestos

Diseo Compuesto Central

Diseo Compuesto para mas de 3 variables.

Ahora bien los elementos necesarios para formular un diseo de experimentos

apropiado, para una situacin dada, o para una etapa de optimizacin determinada
son las siguientes:
a) Definicin adecuada de uno o ms criterios de optimizacin.
b) Una lista completa de todas las variables independientes que puedan influir en
la experiencia.
c) Seleccin de un modelo matemtico apropiado, segn la etapa de
optimizacin en que se encuentra el estudio.
d) Es recomendable randomizar el orden en que se llevara a cabo las pruebas
experimentales, para uniformizar los efectos de las variables aleatorias.

e) Despus de que un diseo experimental es seleccionado, y que los niveles

codificados como alto y bajo (- y +) son convertidos a sus valores reales
respectivos, estos son listados en una instruccin experimental, que debe
incluir adems el procedimiento experimental, un procedimiento de toma de
muestras y una documentacin apropiada.
4.2 Descripcin General del Proyecto de Optimizacin
Durante los ltimos aos, debido a la tendencia de la baja de los precios a nivel
mundial y al costo creciente de los insumos, fundamentalmente la energa, la
industria minera se ha visto afectada a la imperiosa necesidad de mejorar la
eficiencia de sus operaciones.
Dentro de este contexto, los procesos de conminucin juegan un rol importante,
tanto en el costo total de la operacin como en el costo global de un proceso
(esencialmente la molienda), y por ello se ha desplegado un esfuerzo en tratar de
optimizar la eficiencia tcnica econmica de esta importante operacin unitaria.
Durante las ltimas dcadas, como consecuencia de la introduccin masiva de
hidrociclones en circuitos de molienda clasificacin, se ha venido generando
una intensa polmica con relacin a las premisas bsicas bajo las cuales estos
circuitos debieran ser posteriormente operados a fin de garantizar la mxima
eficiencia global del sistema.
El Proyecto de Optimizacin, generalmente involucra conocimientos tericoprcticos y esfuerzos considerables de un grupo de Ingenieros especialistas en
diversas reas, debiendo para ello proceder con un plan sistemtico de
actividades, tal como detallamos a continuacin:
1.- Realizacin de una caracterizacin mineralgica del mineral a tratar.
2.- En base a las caractersticas del mineral, definimos un programa experimental
de pruebas a escala de laboratorio (pruebas Batch en circuito abierto); que
propenda a investigar la respuesta metalrgica del mineral frente al proceso y
variables de operacin investigadas.
En este punto determinados el grado de dureza del mineral a fin de determinar la
moliendabilidad del mismo.
3.- Determinar el tiempo de molienda y flotacin, realizamos pruebas para
obtener el mayor grado de recuperacin.
4.- En esta fase procedemos al diseo experimental de las pruebas, de acuerdo a
diseos ya probados con anterioridad, para obtener un modelo matemtico.

5.- De acuerdo al anlisis de resultados, procedemos a estudiar la respuesta del

mineral a escala piloto (debido a que no se tiene una planta piloto, las pruebas se
efectuaran a escala industrial), con el objeto de verificar, complementar y/o
extrapolar los resultados obtenidos en las etapas 2,3,4 de laboratorio.
6.- En esta sexta y ltima fase, procedemos a los diseos de equipos requeridos,
valindonos de la informacin acumulada en estas cinco etapas anteriores,
empleando adems factores apropiados de seguridad basados en el criterio propio
y experiencia obtenida.
De lo anterior se desprende que ciertos factores dependen de ciertas variables
operacionales y de diseo, tales como:
a) Propiedades de transporte de las pulpas de cada equipo.
b) Propiedades fsico-qumicas y metalrgicas del mineral, y medio ambiente en
que se desarrolla el proceso de beneficio.
No obstante las limitaciones anteriores, durante estos ltimos aos se han venido
desplegando un gran esfuerzo en la formulacin de correlaciones matemticas
semi-empricas que nos permitan describir en forma independiente operaciones
de conminucin, clasificacin; habiendo alcanzado un nivel de precisin y detalle
satisfactorios para poder optimizar instalaciones industriales existentes. Estos
mtodos nos van a llevar finalmente a optimizar las variables ms relevantes de
operacin.
4.3 Seleccin de Diseos Experimentales
Dentro de los diseos de experimentos, se tienen tres etapas de optimizacin. Al
inicio de un trabajo de Optimizacin, cuando todava no se tiene un buen
conocimiento del comportamiento del proceso a optimizar, generalmente la lista
de factores o variables que pueden influir en el proceso son muchas.
ETAPA I : SCREENING
El objetivo de esta etapa es identificar aquellas que son significativas para el
proceso. Para el estudio de esta etapa se utiliza generalmente, diseos
experimentales de primer orden:

Diseo Factorial.

Diseo Factorial Fraccionado.

Diseo Plackett y Burman.

ETAPA II: ESCALAMIENTO

Cuando la regin ptima se encuentra lejos de los experimentos iniciales; se
inicia una segunda etapa a la cual se le denomina de Escalamiento, que consiste
en escalar sucesivamente hasta la regin ptima hasta llegar a ubicarla. Para este
propsito se utiliza los diseos experimentales secuenciales.
a) Directos

Bsqueda Simple (Simplex Search).

Bsqueda Simple (Mltiple Search).

b) Indirectos

Mtodos de pendientes ascendentes o descendentes.

ETAPA III : OPTIMIZACIN FINAL

Habindose ubicado en la etapa anterior la regin experimental que encierra el
ptimo, en esta regin los efectos de segundo orden son mayores en valor
absoluto a los efectos de primer orden.
Una vez definido el modelo matemtico que representa satisfactoriamente la
regin ptima, se procede a optimizar dicho modelo, para lo cual existen dos
alternativas.
a) Optimizacin sin Restricciones
b) Optimizacin con Restricciones; se utiliza conceptos de clculo diferencial.

Optimizacin con Restricciones en las variables.

Optimizacin con Restricciones en las respuestas.

En nuestro caso debido a experiencias anteriores, las etapas I y II no se realizaron

debido a que se estudiaron los principales parmetros de operacin y se lleg a la
conclusin de que los factores ms significativos y con los cuales se podra
evaluar a nivel industrial, por su facilidad de control son: agua y tiempo de
molienda el cual depende de la velocidad de alimentacin al molino.
Existen muchos diseos que podran emplearse para ajustar un modelo de
segundo orden, as que elegir el modelo apropiado es til con el objeto de

establecer un criterio de diseo apropiado. UN CRITERIO IMPORTANTE DE

DISEO DE SEGUNDO ORDEN ES LA ROTABILIDAD.
Los Diseos Experimentales de segundo orden ms apropiados para estos casos
son:

Diseos Rotables, y

Diseos Compuestos.

Un diseo experimental rotable es aquel en el cual se tiene igual facultad de

prediccin en todas las direcciones a partir de un punto experimental central y
donde los otros puntos experimentales estn a una distancia constante del punto
central. El hecho de que la varianza dependa solamente de la distancia, significa
que el diseo permanece inalterado si este rotado a un ngulo arbitrario tomando
como eje de rotacin el punto central. La rotabilidad es una propiedad importante
en la eleccin de un diseo de superficie respuesta. Dado que la finalidad del
RSM es la optimizacin y se desconoce la localizacin del ptimo antes de correr
el experimento, tiene sentido usar un diseo que proporcione estimaciones
igualmente precisas en todas las direcciones. Dentro de los Diseos Rotables
tenemos:
a) Diseo Pentagonal.- Este modelo se utiliza para estimar modelos matemticos
de segundo orden, consiste en los cinco puntos de un pentgono mas los
puntos necesarios replicados en el centro del diseo para estimar la varianza
del error experimental.
b) Diseo Hexagonal.- Es el diseo ms popular utilizado por los investigadores,
muy til para estimar tambin modelos de segundo orden.
c) Diseo Octogonal.- Este diseo es el ms confiable, debido a que utiliza un
mayor nmero de observaciones.
Adems tenemos el Diseo Central Compuesto.
Ahora bien existen algunas caractersticas deseables de un diseo:
a) Proporciona una distribucin razonable de puntos de datos (y por lo tanto de
informacin) en toda la regin de inters.

b) Permite investigar la idoneidad del modelo, incluyendo la falta de ajuste.

c) Permite la realizacin de experimentos en bloques.
d) Proporciona una estimacin de error interna.
e) No requiere un nmero grande de corridas.
f) No requiere demasiados niveles de las variables independientes.
g) Asegura la simplicidad de los clculos de los parmetros del modelo.
Ahora bien a nuestro juicio dentro de los diseos rotables decidimos elegir el
DISEO HEXAGONAL; porque no requiere tantos experimentos, y por que es
el ms empleado dentro de los diseos de segundo orden, y la superficie respuesta
ser el porcentaje (%) de recuperacin.
EL OBJETIVO ser el de obtener el mximo de informacin con el mnimo de
experiencias, analizando el efecto simultneo de varias variables mediante
tcnicas estadsticas (anlisis de la varianza).
Asignacin de variables:
Dentro de las variables a ser estudiadas se tienen: pH, reactivos, aireacin,
dilucin, tiempo de molienda. Las tres primeras de acuerdo a los estudios
realizados anteriormente en la mina se tiene conocimiento que no brindaron
resultados favorables por lo que fueron descartadas.
4.3.1 Determinacin de la Moliendabilidad a nivel de Laboratorio
Estas pruebas se realizaron con la finalidad de evaluar el tiempo de molinada para
conseguir una buena liberacin de las partculas valiosas que en su gran mayora
son conformadas por sulfuros de plata. Estas pruebas se efectuaron con
granulometra 100% malla 10.
Estas pruebas se resumen a continuacin:

Granulometra del mineral alimentado al molino 100% malla 10

Peso especfico

= 2.63 TM/m

Reactivos

= ninguno

Tiempo

= variable

Peso de mineral

= 1 Kg

cc de H2O

670 ml

CUADRO N 1
Distribucin Granulomtrica segn Tiempo de Molienda
Malla
0
12
15
18
21
20
41.10
50
24.68
9.16
1.20
1.20
0.26
65
6.24
10.74
7.96
4.34
2.02
100
5.42
16.76
15.64
11.92
9.16
140
4.20
14.84
21.68
17.66
18.84
200
3.50
12.78
11.08
15.62
17.12
-200
14.86
35.72
42.44
49.26
52.60
Fuente: Elaboracin propia (Molino de Laboratorio Experimental)

24
0.08
1.84
8.02
16.20
16.00
57.86

CUADRO N 2
Cuadro resumen Tiempo vs Malla 200
# de prueba
1
2
3
4
5
6
Fuente: Elaboracin propia

t en minutos
0
12
15
18
21
24

% -200 malla
14.86
35.72
42.44
49.26
52.60
57.86

GRAFICO N 1

MOLIENDABILIDAD DE CABEZA

Distribucin Malla 200

Ac(-)

65
55
45
35
25

y = -0.003x 2 + 1.8854x + 14.683

R2 = 0.9965

15
5
0

12

16

20

24

28

Tiempo de molienda (Min)

Referencia: Cuadro No. 2

CUADRO N 3
Evaluacin por mallas del Overflow
Malla
Cabeza Concentrado Relave
Medios
50
Peso
54.60
1.80
31.60
18.10
Ley
26.31
193.62
2.44
8.18
%R
24.26
65
Peso
411.80
5.00
203.20
200.40
Ley
9.69
409.01
2.05
%R
51.25
100
Peso
508.10
8.60
278.20
274.60
Ley
9.98
388.53
1.49
%R
65.89
140
Peso
459.30
10.30
199.00
245.50
Ley
12.07
415.84
1.53
%R
77.26
200
Peso
179.60
11.30
67.20
96.20
Ley
15.00
220.56
1.46
%R
92.51
-200 Peso
40.30
1.70
18.90
16.20
Ley
18.47
387.45
2.58
%R
88.49
Fuente: Elaboracin propia (anlisis de laboratorio mina)

Observaciones del Cuadro

Las pruebas de flotacin se realizaron con un pH 7.5-8 y en las siguientes condiciones:
Reactivos
Molienda : Z 6 = 2.45 ; A 404 = 1.95 ; A 208 = 0.36 ; MIBC = 0.5
Scavenger : Z 6 = 1.10 ; A 404

= 0.95

Los reactivos se preparan al 1% en peso y una dosificacin al 1%.

Tiempos
Acondicionamiento = 5
Rougher

= 7

Scavenger

= 9

Cleaner I

= 5

Cleaner II y III

= 3

De las pruebas anteriores, podemos afirmar que un producto medianamente

grueso o grueso no permiti obtener concentrados limpios es por ello que
seleccionamos el tiempo promedio de 24 minutos como tiempo de molienda y la
consideramos como una variable importante de operacin la cual depende de la
velocidad de alimentacin.
- Dentro de los que es la eleccin del rango de dilucin tenemos informacin de
que nos es un valor definido; sino que depende de las condiciones de trabajo a la
cual opera cada mina.

Tiempo de molienda
Adicin de agua

Variable
X1
X2

Rango Promedio Semidiferencia

12-28
20
8
300-700
500
200

E
2.5
2.5

Asignacin de valores a las variables:

a) Diseo de niveles.- Se consideran las coordenadas de un hexgono regular,
las abcisas a X1 y las ordenadas a X2.
b) Diseo de niveles experimentales.- Se determina en base a los datos de
asignacin a las variables y aplicando las frmulas de codificacin.
La abcisa X1 = Zi + Xi Zi , y
La ordenada X2 = Zj + Xj Zj

CUADRO N 4

DISEO DE NIVELES
Diseo de Niveles
N
X1
X2
1
1
0
2
0.5
0.866
3
-0.5
0.866
4
-1
0
5
-0.5
-0.866
6
0.5
-0.866
7
0
0
8
0
0
9
0
0
Fuente : Elaboracin propia

Niveles Experimentales
X1
X2
28
500
24
673.2
16
673.2
12
500
16
326.8
24
326.8
20
500
20
500
20
500

NOTA.- Los tres ltimos valores se emplean para el ajuste estadstico para los
errores experimentales y corresponden el centro del hexgono.
X2
(-0,5 ; 0,866)

(0,5 ; 0,866)

( -1; 0 )

(1; 0)

X1

(-0,5; -0,866)
(0,5 ; -0,866)

Pruebas experimentales: Con los niveles experimentales determinamos en el

Cuadro # 4 y se procede a realizar las pruebas. Luego se realizan los anlisis de
Plata para conocer y (% recuperacin), los resultados se muestran en el
siguiente cuadro.
CUADRO N 5
RESULTADOS METALRGICOS EXPERIMENTALES

Tiempo de Molienda

H2O

%R

X1

X2

(Y)

1
28
500
2
24
673.2
3
16
673.2
4
12
500
5
16
326.8
6
24
326.8
7
20
500
8
20
500
9
20
500
Fuente: Elaboracin propia (Laboratorio Ca. Minera Caylloma)

88.91
90.14
76.75
62.91
73.96
86.07
89.10
90.10
89.89

Tratamiento Matemtico Estadstico

En base a los resultados experimentales y relacionando con los niveles de diseo
se determinan los coeficientes del modelo matemtico para el diseo hexagonal,
cuya ecuacin es la siguiente:
Y = bo + b1x1 + b2x2 + b11x1 + b22x2 + b12 x1x2
Donde:
bo

= coeficiente de la influencia del tiempo de molienda.

b1x1

= coeficiente de la influencia de la adicin del agua.

b2x2

= coeficiente del efecto cuadrtico del tiempo de molienda.

b11x1

= coeficiente del efecto cuadrtico de la adicin de agua.

b22x2

= coeficiente de regresividad (efecto de las variables).

b12 x1x2 = coeficiente de la interaccin cuadrtica de los dos factores o variables.

Para lo cual se elabora el siguiente cuadro:

Clculo de los coeficientes del modelo estadstico: Para esto se establece un

sistema de ecuaciones normales de regresin de Y sobre X1 y X2 de acuerdo al
mtodo de los mnimos cuadrados, se plantea:
bo

b1

b2

b11

b22

b12

= N

+ X1

+ X2

+ X1

X1Y

= X1

+ X1

+ X1X2 + X1

X2Y

= X2

+ X1X2

+ X2

X1Y

= X1

+ X1

+ X1X2 + X14

X2Y

= X2

+ X1X2 + X2

+ X2

+ X1X2

+ X1X2

+ X1X2

+ X1X2 + X2

+ X1X2

+ X1X2 + X1X2

+ X1X2 + X24

+ X1X2

X1X2Y = X1X2 + X1X2 + X1X2 + X1X2 + X1X2

+ X1X2

Los trminos calculados en las ecuaciones normales son:

Y
747,83
38,75
5,94
233,56
245,19
0,55

bo
9
0
0
3
3
0

b1
0
3
0
0
0
0

b2
0
0
3
0
0
0

b11
3
0
0
2,25
0,75
0

b22
3
0
0
0,75
2,25
0

b12
0
0
0
0
0
0,75

Resolviendo las ecuaciones se tiene:

9bo + 3 b11 + 3 b22 = 747,83 ..(1)
3 b1 = 38,75 (2)
3 b2 = 5,94 ..(3)
3 bo + 2,25 b11 + 0,75 b22 = 233,56 ..(4)
3 bo + 0,75 b11 + 2,25 b22 = 45,19 (5)
0,75 b12 = 0,55 ..(6)
De las ecuaciones 2, 3 y 6 se obtienen los valores:
b1 = 12,917

b2 = 1,980

b12 = 0,733

Resolviendo las ecuaciones 1, 4 y 5 se tienen:

bo = 89,693

b11 = -14,065

b22 = -5,164

Por lo tanto la ecuacin del Diseo Hexagonal queda como:

Y = 89,693 + 12,917 X1 + 1,98 X2 - 14,065 X12 - 5,164 X22 + 0,733 X1X2
Aplicando Las frmulas de decodificacin, el modelo en escala natural queda
como:
Para el trmino independiente

ao = bo - bii + biuiu + biii2

i=1

i=1

i=1

Donde :
: es el cociente de dividir el centro del diseo (Zi) y el radio del diseo (Zi)
ao : trmino independiente del modelo matemtico en escala natural.
Para los trminos lineales
aizi

bi
Zi

2 bii i _ bju ju
Zi
Zi

j = u = 1......k-1

ai : es el coeficiente de los trminos lineales del modelo a escala natural

Para los trminos cuadrticos
aiixi = bii .
Zi
aii : es el coeficiente de los trmino cuadrtico del modelo a escala natural
Para los trminos de Interaccin
aijzizj

bij .
ZiZj

i j , i = j = 1........k

aij : son los coeficientes del trmino interaccin del modelo a escala natural
Aplicando las frmulas tenemos:
- Trmino Independiente
ao = 89,693 (12,917*2,5) (1,98*2,5) + (-14,065*2,5) + (-5,164*2,5) +
(0,733*2,5*2,5)
ao = -61,35
- Trminos lineales
a1 = (12,917) _ 2 (-14,065)(2,5) _ (0,733)(2,5)
8
8
8
a1 = 10,177
a2 = (1,98) _ 2 (-5,164)(2,5) _ (0,733)(2,5)
200
200
200
a2 = 0,129

- Trmino Interaccin
a11 = -14,065 / (8)
a11 = - 0,22
a22 = -5,164 / (200)
a22 = - 0,00013
- Trmino Cuadrtico
a12 = 0,733 / (8*200)
a12 = 0,00046
Por lo tanto, el modelo en escala natural es:
Y = -61,35 + 10,177 X1 + 0,129 X2 - 0,22 X12 - 0,00013 X22 + 0,00046 X1X2
- Anlisis de Significancia de los coeficientes:
Los coeficientes del modelo matemtico son evaluados para analizar su
significancia mediante el test de student, definido por:
tj =

bj .
Sbj

La varianza asociada a cada coeficiente es:

Sbj = Cjj e
Donde:
Sbj : desviacin standard asociada a los coeficientes
Cjj : son los elementos de la diagonal de la matriz de correlacin
Para nuestro caso estos elementos son:
0,333
0,333
0,333
0,833
0,833
1,333
Se : Desviacin standard del error experimental, que se estima de acuerdo a las
siguientes ecuaciones.
N

Yi

Y =

i=1

N
_
= (Yi - Y)
N

SSE

i=1

MSE = SSE
f2
Se =

MSE

En nuestro caso analizaremos estos coeficientes de acuerdo a las ecuaciones

anteriores.
CUADRO N 7
SIGNIFICANCIA DE VARIABLES
Sjj
Se
0,333
X1
0,53
0,333
X2
0,53
0,833
X3
0,53
0,833
X4
0,53
1,333
X5
0,53
Fuente: Elaboracin propia

(Cjj)
0,577
0,577
0,912
0,912
1,155

Sbj
0,31
0,31
0,48
0,48
0,61

Bj
Tj
Significancia
12,917 41,67
Si
1,98
6,39
Si
-14,065 -29,30
Si
-5,164 -10,76
Si
0,733
1,20
No

Y = (89,10 + 90,10 + 89,89) = 89,70

SSE = (89,10 89,70) + (90,10 89 70) + (89,89 89,70) =0,56
El grado de libertad f2, para el error experimental es: 3 1 = 2
MSE = 0,56
2

= 0,28

Se = (0,28) = 0,53
Para analizar la significancia de los coeficientes se compara el test t-calculado
con el t-tablas, para un nivel de significancia del 97,5% (p = 0,975) y dos grados
de libertad, este valor es igual a 4,3; si t-calculado es mayor que el t-tablas, la
variable en cuestin es significativo para el proceso estudiado.
-

Aceptabilidad del Modelo

CUADRO N 8

ANLISIS ESTADSTICO
Y
1
88,91
2
90,14
3
76,75
4
62,91
5
73,96
6
86,07
7
89,10
8
90,10
9
89,89
Fuente: Elaboracin propia

Yest
88,55
90,79
77,24
62,91
74,95
86,73
89,693
89,693
89,693

(Y Yest )
0,36
-0,65
-0,49
0,20
0,49
-0,66
-0,593
0,407
0,04

(Y Yest )
0,13
0,42
0,24
0,04
0,24
0,44
0,35
0,17
0,0016

Suma Cuadrados del Residual

SSR = 0,13 + 0,42 + 0,24 + 0,04 + 0,24 + 0,44 + 0,35 + 0,17 + 0,0016 = 2,03
Suma Cuadrados del Error = (Y - Yest)
SSE = 0,35 + 0,17 + 0,0016 = 0,5216
Cuadrado Medio del Residual
MSR = 2,03 / (9-6) = 0,68
MSE = 0,5216 / (3-1) =0,261
Suma de Cuadrados de la Falta de Ajuste
SSFA = 2,03 0,5216 = 1,5084
MSFA = 1,5084 / (3-2) = 1,5084
F = 1,5084 / (0,5216 / 2) = 5,78
El valor de F de tablas, para un nivel de significancia del 95% y para 1 y 2
grados de

libertad, respectivamente es F

(1; 2; 0,95)

= 18,51; como nuestro

F cal (5,78) < Ftab (18,51), entonces el modelo ajusta o representa adecuadamente a
los datos experimentales.
La tabla siguiente muestra los clculos involucrados en esta seccin:
CUADRO N 9
ACEPTABILIDAD DEL MODELO
Campo
SC
Test Residual 2,03
Buen
Error 0,5216
Modelo
F.A.
1,5084
Fuente: Elaboracin propia

f
3
2
1

MS
0,68
0,261
1,5084

Fmod

Ftab

Buen Modelo

5,78

18,51

SI

Anlisis de Mximos y Mnimos

Para la existencia la determinante Hjj debe tener signos alternados.

Y = 89,693 + 12,917 X1 + 1,98 X2 - 14,065 X12 - 5,164 X22 + 0,733 X1X2
y / x1 = -28,13 X1
y / x2 = -10,328 X2
y / x1x2 = 0,733
Aplicando el criterio de la matriz Hessiana, se obtiene las determinantes:
H11 = -28,13
-28,13 0,733
H22 =

= 290,53 0,54 = 289,99 = H22

0,733

-10,328

Como podemos observar, el signo de las determinantes es alternativo (-28,13) y

(+289,99). Esto indica que el modelo tiene un mximo en el rango investigado.
- Anlisis del Tipo de Curva (de la superficie respuesta)
Se analiza el signo de los coeficientes cuadrticos, en base a la siguiente tabla:
N
1
2
3
4

B11
+
+

b22
+
+

Tipo Extremo
Mximo
Mnimas
Mnimas
Mnimo

Tipo de Curva
Elipse
Silla de montar hacia arriba
Silla de montar hacia abajo
Elipse Invertida

En nuestro caso los coeficientes son:

-14,065 X1

-5,164 X2

Entonces la superficie respuesta se asemeja a una elipse cncava hacia abajo.

- Soluciones ptimas
En muchos estudios, donde se disea una sola funcin objetivo, se tendr
solamente un solo modelo matemtico, donde los valores ptimos de las variables
estudiadas se encuentran por mtodos analticos de optimizacin, basndose en la
anulacin del ptimo en las primeras derivadas.
En nuestro caso, encontraremos los valores de X1 y X2, que corresponden a la
cima de la superficie respuesta descrita por el modelo matemtico.

Y = 89,693 + 12,917 X1 + 1,98 X2 - 14,065 X12 - 5,164 X22 + 0,733 X1X2

Hallando las derivadas para cada variable:
y / x1 = 12,917 + 28,13 X1 + 0,733 X2 = 0
y / x2 = 1,98 - 10,328 X2 + 0,733 X1 = 0
Resolviendo este sistema de ecuaciones se obtiene los valores ptimos de las
variables X1 y X2.
X1 = 0,465
X2 = 0,225
Estos son los valores ptimos en la escala codificada y podemos transformarla a
escala natural decodificando los resultados.
Utilizando la frmula de decodificacin se obtienen los valores reales de la
siguiente manera:
Z1 = 20 + (8*0,465) = 23,72
Z2 = 500 + (200*0,225) = 545
Finalmente las condiciones ptimas de las variables controlables son:
Tiempo de Molienda : 23,72 min.
Adicin de H2O

: 545 ml

Reemplazando los valores en el modelo matemtico codificado, se obtiene la

mxima recuperacin:
Y = 89,693 + 12,917 (0,465) + 1,98 (0,225) - 14,065 (0,645) 2 - 5,164 ( 0,225)2
+ 0,733 ( 0,465*0,225)
Y = 92,92%
Reemplazando los valores en el modelo en escala natural, se obtiene la mxima
recuperacin:
Y = -61,35 + 10,177 (23,72) + 0,129 (545) - 0,22 (23,72)2 - 0,00013 (545)2 +
0,00046 (23,72*545)
Y = 93,92%

El modelo debe predecir valores de Y (% de recuperacin de Ag) reemplazando

los valores naturales de las variables, del mismo que el modelo matemtico
codificado, reemplazando valores codificados de las variables.
Sin embargo, se espera un poco de variacin en los valores debidos
principalmente a la exactitud de los clculos durante la codificacin.
4.4 Anlisis de Resultados

El modelo matemtico calculado, ajusta adecuadamente a los datos

experimentales de las variables investigadas.

El modelo matemtico tiene un extremo absoluto (mximo).

Las condiciones ptimas son 23,72 min. Para el tiempo de molienda y

545 ml para la adicin del agua, por lo que es comn en estos casos
realizar algunas pruebas adicionales en el punto ptimo para verificar
el resultado en el laboratorio.

4.5 Determinacin del Tamao del Hidrocicln

Hasta ahora el desarrollo del rea de modelaje matemtico ha surgido
fundamentalmente de dos grupos de investigadores encabezados por Lynch y Plitt.
Este ltimo incluy en su anlisis los resultados de 123 experiencias realizadas por el
primer grupo llegando as a un total de 297 pruebas. Por esta razn se considera que
el modelo de Plitt, adems de incluir un mayor nmero de variables de diseo, resulta
mas apropiado para la simulacin de la operacin de hidrociclones con fines
optimizantes.
El modelo de Lynch y Plitt se detalla a continuacin:
d50C = Ao.Dc0,46.Di0,60.Do1,21.exp(0,063.Sv)
Du0,71.h0,38.Q0,45.(s - liq)0,5
Donde:
Ao = constante emprica del mineral = 35
Dc = int hidrociclon, medido parte inferior del vortex finder (pulg)
Di = int hidrociclon alimentacin, (4Ai/)0,5 para no circulares (pulg)
Ai = seccin transversal de entrada al hidrociclon (pulg)
Sv = % volumtrico de slidos en pulpa alimentada al hidrociclon (pulg) = 35,57
Du = int de abertura de descarga apex (pulg)

h = distancia entre la parte inferior vortex finder y parte superior apex

Do = int abertura de rebalse o vortex finder del hidrociclon (pulg)
Q = flujo volumtrico de pulpa alimentada al hidrociclon (pie/min) = 36,55
s = densidad del slido (gr/cm) = 2,63 TM/m
liq= densidad del lquido (gr/cm)
Para nuestro caso tenemos:
Do = 0,4 Dc

Du = 0,08 Dc

Di = 0,1 Dc

h = 2,5 Dc

d50C = 35.Dc0,46.(0,1Dc)0,60.(0,4Dc)1,21.exp(0,063.35,57)
(0,08Dc)0,71.(2,5Dc)0,38.(36,55)0,45.(2,63 - 1)0,5
d50C = 35.Dc0,46.0,25Dc0,60.0,33Dc1,21.(9,40)
0,17Dc0,71.1,42Dc0,38.(5,05).(1,28)
d50C = 27,1425Dc2,27
1,5604Dc1.09
d50C = 17,395Dc1,18

como d50C = 311

311 = 17,395Dc1,18
Entonces tenemos que Dc = 11,52 12
4.5.1 Determinacin del Vortex Finder y Apex a partir de la Simulacin
De acuerdo a las igualdades se tiene que:
Apex = Du = 0,08 Dc = 0,08 * 15 = 1,2
Vortex = Do = 0,4 Dc = 0,4 * 15 = 6
4.6 Balance de Materia del Circuito Propuesto
Comprobacin de resultados a Nivel Industrial
Balance Metalrgico
PRODUCTO
Cabeza

TMSH

Oz Ag / TM

Cont. Metlico

26.92

13.37

Oz de Ag
359.92

Distribucin
100

Concentrado
Relave
Cab. Calculada

0.83
26.09
26.92

384.59
1.73
13.53

319.21
45.14
364.35

87.61
12.39
100