UNIVERSIDAD DE SANTIAGO DE CHILE

FACULTAD DE INGENIERA
DEPARTAMENTO DE INGENIERA ELCTRICA






DESSAROLLO DE UN CONTROLADOR BASADO EN
PREDISTORSION ADAPTATIVA Y SU APLICACIN EN LA
FLOTACIN DE CONCENTRADO DE COBRE.


FABIN ESTEBAN SEGUEL GONZLEZ






Profesor Gua: Dr. Ismael Soto


Santiago de Chile Chile
2013


2

NDICE

LISTA DE FIGURAS ............................................................................................... 5
LISTADO DE VARIABLES ...................................................................................... 5
CAPITULO 1. INTRODUCCION .............................................................................. 7
1.1 Motivacin .................................................................................................. 9
1.2 Objetivos ...................................................................................................... 10
1.2.1 Objetivo general .................................................................................... 10
1.2.2 Objetivos especficos ............................................................................ 10
1.3 Alcances y limitaciones ................................................................................ 10
1.4 Metodologa ................................................................................................. 11
CAPITULO 2. REVISION BIBLIOGRAFICA .......................................................... 13
2.1 Circuitos de flotacin.................................................................................... 14
2.2 Instrumentacin y control de celdas de flotacin ......................................... 17
2.2.1 Variables manipulables ...................................................................... 17
2.2.2 Problemas para el control automtico ............................................... 18
2.2.3 Objetivos de control ........................................................................... 18
2.2.4 Aplicacin de control de celdas de flotacin ...................................... 19
CAPITULO 3. METODOS ..................................................................................... 23
3.1 Modelacin de celdas de flotacin ............................................................... 23
3.1.1 Clasificacin de modelos ....................................................................... 23
3.1.2 Adhesin burbuja-partcula ................................................................... 24
3.1.3 Niveles en las celdas de flotacin ......................................................... 26
3.1.4 Modelos de dos fases ........................................................................... 26
3.1.5 Zona de la espuma ................................................................................ 27
3.1.6 Holdup de gas ....................................................................................... 29


3

3.1.7 Velocidad superficial de gas .................................................................. 29
3.1.8 Flujo superficial de superficie de burbujas ............................................ 30
3.1.9 Overall rate constant ............................................................................. 31
3.1.10Tiempo de residencia de espuma ........................................................ 32
3.1.11 Modelos probabilsticos ....................................................................... 32
3.1.12 Modelos de balance poblacional ......................................................... 34
3.1.13 Modelos cinticos ................................................................................ 35
3.2 Ecuaciones del modelo ................................................................................ 36
3.2.1 Balance de masas ............................................................................. 37
3.2.2 Tasa de flotacin total ........................................................................ 38
3.2.3 Flotabilidad del mineral ...................................................................... 39
3.2.4 Flujo superficial de superficie de burbujas ......................................... 39
3.2.5 Factor de recuperacin de la espuma ............................................... 40
3.2.6 Arrastre .............................................................................................. 40
3.2.7 Adicin de aire ................................................................................... 40
3.2.8 Alimentacin (entrada de lodo) .......................................................... 41
3.3 Interfaz en MATLAB ................................................................................. 41
3.4 Consideraciones del modelo .................................................................... 42
3.5 Pre distorsin ........................................................................................... 44
3.6 Redes neuronales .................................................................................... 46
3.7 Entrenamiento o aprendizaje ................................................................... 48
3.7.1 EKF (Extended Kalman Filter) para el entrenamiento de redes
neuronales ..................................................................................................... 50
CAPITULO 4. PREDISTORSION BASADA EN REDES NEURONALES ............. 53
CAPITULO 5. OPERACIN DEL PREDISTORSIONADOR ................................. 58


4

ANEXO A: CONCEPTOS BASICOS ..................................................................... 60
ANEXO B: Resumen de variables y ecuaciones ................................................... 63






















5

LISTA DE FIGURAS

Figura 2. 1 Adhesin burbuja-partcula ngulo de contacto .................................. 25
Figura 2. 2 Tipos de circuitos de flotacin ............................................................... 9
Figura 2. 3 Circuitos bsicos de flotacin .............................................................. 16
Figura 2. 4 Balance de masas por una celda de flotacin ..................................... 61

Figura 3. 1 Curvas de recuperacin vs ley ............................................................ 19
Figura 3. 2 Jerarquizacin de sistemas de automatizacin para el proceso de
flotacin (laurilla et al, 2002).................................................................................. 21

Figura 4. 1 Caminos de transporte de mineral en el interior de la celda ............... 27
Figura 4. 2 Transferencia de material entre la zona de pulpa y la zona de
recuperacin .......................................................................................................... 28
Figura 4. 3 Modelo de Kelsall para operacin Batch ............................................. 34
Figura 4. 4 Analoga flotacin y reaccin qumica (Yiannatos, 64,) ....................... 36

Figura 5. 1 Ecuacin (4.22) en Simulink 42
Figura 5. 2 Ecuacin (4.3) en Simulink 42

LISTADO DE VARIABLES

:
:
:


6

:
:
:

:
:
:

:
:

]:
[

]:
[

]:
[]:
[

]:




7

CAPITULO 1. INTRODUCCION
La flotacin es un mtodo de procesamiento de minerales que se utiliza para
obtener mineral ricamente concentrado desde finas partculas de tierra. Las bases
de la flotacin se sientan en las propiedades fisicoqumicas superficiales de las
partculas de inters para la separacin. Estas propiedades superficiales son
usualmente alteradas por la adicin de reactivos qumicos tales como colectores,
activadores y depresores. Las partculas de inters tienen caractersticas hidrfobas
y tendern a unirse con las burbujas de aire (aeroflicas). Estas burbujas de aire con
el mineral atrapado en ellas subirn a la superficie donde son removidas como
espuma de concentrado.
La flotacin puede ser llevada a cabo tanto en columnas como en celdas. En las
columnas de flotacin, la agitacin es provista por el aire que es esparcido desde el
fondo de la columna. En la flotacin en celdas mecnicas la agitacin es provista
mecnicamente y esta agitacin es utilizada adems para romper el flujo de aire en
burbujas. Las celdas son conectadas en serie para dar forma a los bancos de
flotacin. Los bancos a su vez son conectados de diversas formas para dar vida a
los circuitos de flotacin.
La flotacin es uno de los mtodos ms utilizados por la industria procesadora de
minerales hoy en da. Es por ello que la tecnologa relacionada tiene un impacto
global y por sobre todo nacional en la economa. El porcentaje de minerales
obtenidos a travs de este mtodo es aproximadamente el 95% del total de los
minerales producidos mundialmente, de ah la importancia de desarrollar un mtodo
que mejore los resultados obtenidos a travs de la flotacin ya que esto afecta de
manera significativa en la produccin de concentrado.
El proceso de flotacin puede ser caracterizado como flotacin colectiva o flotacin
selectiva. Este primero es donde el concentrado contiene dos o ms elementos de
inters y estos elementos son separados del mineral sin valor econmico. La
segunda se efecta una separacin donde los productos no contengan ms de una
especie individual. Este trabajo se concentrar en la flotacin colectiva.


8

En este captulo se entregar una descripcin general de conceptos relacionados a
la flotacin. Los conceptos de recuperacin y ley sern aclarados, los reactivos
qumicos utilizados sern detallados, la configuracin de circuitos de flotacin y los
mecanismos mediante los cuales se lleva a cabo la flotacin.
La flotacin es un mtodo utilizado para separar un mineral de inters de un mineral
sin o con poco valor econmico llamado ganga. Previo a que los minerales sean
flotados y se transformen en concentrado no son ms que lodo fabricado por
chancadoras y molinos gigantes de gran capacidad los cuales muelen las partculas
de mineral y son mezcladas con agua. El desempeo de los molinos afecta el
desempeo de la flotacin ya que es aqu donde las partculas son llevadas a
tamaos tpicos en la industria chilena del cobre que es dentro del rango de los 45-
75 [m] (Yiannatos, pag 15). El funcionamiento del molino es una fuente de
perturbaciones para la celda de flotacin debido a que es quien proporciona el
tamao de las partculas que sern flotadas y que es quien determina el flujo de
material de entrada a la celda.
El objetivo de la flotacin no es alcanzable en un solo paso. Es por ello que las
celdas de flotacin son usualmente conectadas en serie en forma de bancos de
flotacin. Estos bancos son conectados en varias configuraciones para dar forma a
un circuito de flotacin.
Existen distintos tipo de circuitos de flotacin.



9


Figura 2. 1 Tipos de circuitos de flotacin

El circuito Rougher o primario se encarga de la obtencin del mineral valioso de
manera colectiva. El Scavenger se encarga de recuperar la cola proveniente del
Rougher por lo tanto es el encargado de recuperar el mineral valioso que proviene
del flujo desperdiciado por el recuperador primario. Estos sern detallados en la
seccin 1.4.2.

1.1 Motivacin
Evaluando el estado del arte del proceso de flotacin y las necesidades de mejorar
la recuperacin de concentrado de cobre para obtener un mayor beneficio
econmico se ha visto la oportunidad de disear un controlador basado en tcnicas
ampliamente utilizadas en el mbito de las telecomunicaciones.
Circuitos
Recuperadores
Circuito
Rougher
Circuito
Scavenger
Limpiadores
Cleaner
Recleaner


10

Para el pas la recuperacin de concentrado de cobre es una variable de crtica
importancia para el desarrollo econmico del pas ya que esta industria es
responsable del 14,2% del PIB nacional (2012). Chile satisface el 36% del mercado
mundial de cobre y representa el 30% de las exportaciones nacionales. Una mejora
en el control automtico de las celdas de flotacin aumentara la recuperacin de
mineral valioso lo que trae consigo un mayor beneficio econmico del proceso.
1.2 Objetivos
1.2.1 Objetivo general
Utilizar la tcnica de Pre-distorsin para controlar una celda de flotacin. Disminuir
el efecto de las perturbaciones en la entrada y aumentar la ley y recuperacin del
concentrado.
1.2.2 Objetivos especficos
Desarrollar estudio de la teora del proceso de flotacin
Revisar el estado del arte del desarrollo del control aplicado a las
celdas de flotacin.
Desarrollar un modelo computacional de una celda de flotacin.
Desarrollar estudio de la teora del pre distorsionador adaptativo
basado en redes neuronales.
Sintonizar un controlador basado en redes neuronales mediante datos
obtenido de la operacin del modelo computacional de la celda de
flotacin simulada..
Realizar simulacin de la planta controlada por la red sintonizada
Analizar comparativamente los resultados
Evaluar los beneficios obtenidos al simular la solucin propuesta
1.3 Alcances y limitaciones
El presente trabajo propone la utilizacin de una red neuronal artificial utilizada como
un pre distorsionador adaptativo para el control de una celda de flotacin de cobre
simulada a travs del software MATLAB.


11

Este controlador debe compensar las perturbaciones provocadas por el flujo de lodo
variable a la entrada y el grado de este. Para la compensacin se utilizar la adicin
de colector y el flujo de aire como variable a controlar ya que esta variable influye
en la especificidad de la recuperacin.
En cuanto a limitaciones el sistema al ser solamente simulado no acreditar la
precisin en un ambiente minero real. Pero la simulacin intentar obtener
resultados que estn cercanos a la realidad utilizando modelos matemticos.
1.4 Metodologa
Para el desarrollo de este trabajo de investigacin se utilizar el mtodo analtico-
sinttico, se estudiarn en profundidad el proceso de flotacin y sus variables ms
relevantes, se estudiar tambin la tcnica de predistorsin, esto, para desarrollar
un controlador que sirva para la estabilizacin y el aumento del rendimiento en la
obtencin de concentrado de cobre mediante una ceda mecnica de flotacin.
El origen del tema nace como un aporte a la investigacin de un proyecto del
laboratorio de gestin de tecnologas de la informacin (Lab GETIC). Proyecto
desarrollado en el marco de un proyecto anillo con colaboracin de mltiples
planteles y profesores de universidades nacionales y extranjeras. Dicho proyecto se
encuentra en desarrollo por el investigador responsable Dr. Ismael Soto.
Las etapas a desarrollar para la ejecucin de este trabajo sern las siguientes:
Estudiar la bibliografa referente a la pre distorsin.
Proponer una arquitectura de pre distorsin basada en redes neuronales
para desarrollar un controlador para la adicin de reactivos.
Plantear y modelar un algoritmo de entrenamiento para las redes neuronales.
Revisar la bibliografa referente a las variables que afectan al proceso de
flotacin.
Revisar la bibliografa que d cuenta del estado del arte de control automtico
de celdas de flotacin (AFC).
Proponer un modelo ceda de flotacin que utilice estas variables.


12

Realizar la sintonizacin del controlador basado en pre distorsin y obtener
el los resultados de su aplicacin mediante simulacin.
Concluir con respecto a las curvas y simulaciones obtenidas de la operacin
del predistorsionador.





















13

CAPITULO 2. REVISION BIBLIOGRAFICA
En el mundo, la mquina de flotacin neumtica fue patentada en 1914 por J.M.
Calow. Las primeras celdas industriales empleadas en Chile fueron de tecnologa
experimental de la Mineral Separation Company. En los aos posteriores se
instalaron celdas Galigher modelo Agitair 48 de 40 pie
3
y celdas Denver N 30 y 24
de 100 y 50 pie
3
respectivamente. En la dcada del 30 se usaron las celdas Wemco
Fagergren 66 de 51 pie
3
.
El avance ms importante en los llamados colectores tilicos ocurri en 1925
cuando C. Keller patent los alquil xantatos; en 1926 F. Whitworth los alquil
ditiofosfatos, y en 1928 A. Fischer los xantoformiatos. Por su parte, los principales
espumantes fueron patentados en 1908 y 1909 por E. Sulman et al., incluyendo los
alcoholes de cadena larga, aceite de pino y cido creslico.
En Chile la primera celda de flotacin fue implementada en 1911 por la mina El
Teniente le seguiran en 1927 la operacin de la planta de flotacin de Potrerillos y,
en 1952 la de Chuquicamata. Durante los 90 aos de historia de la flotacin en
Chile, las tendencias predominantes han sido el aumento de la capacidad de las
plantas, la disminucin del consumo especfico de energa de los equipos, la
simplificacin en los diagramas de flujos y el desarrollo de la automatizacin. El
especialista y acadmico del Departamento de Ingeniera Metalrgica de la
Universidad de Concepcin, Sergio Castro, plantea que las capacidades de las
plantas han crecido desde 3.000 a 160.000 tpd; el volumen de las celdas ha
aumentado desde alrededor de 40 hasta 4.500 pie
3
; y la configuracin de circuitos
se ha simplificado considerablemente.
Las tecnologas de punta en flotacin corresponden al uso de celdas gigantes de
4.500 pie
3
, -pero ya hay disponibles en el mercado de 5.500 pie
3
y mayores-, el
empleo de celdas columnares de 11-14 m de alto, y numerosos avances en el
control automtico, tales como: control de nivel y de aireacin, analizadores de leyes
en lnea con monitor en terreno, empleo de cmaras de video con analizadores de
imgenes para optimizar los flujos de evacuacin de concentrados en celdas
unitarias de gran volumen, etc.. Las columnas operan bajo control automtico,


14

normalmente con la estrategia de control ms simple, es decir, la de control de nivel
de la interfaz pulpa/espuma (regula el espesor de la capa de espuma). Emplea un
lazo de control, cuyo actuador es la vlvula de control dispuesta en la descarga
inferior de la columna; mientras que el agua de lavado se maneja
independientemente. Las parrillas de agua de lavado operan frecuentemente
suspendidas sobre la espuma. La inyeccin de aire se hace por burbujeadores
removibles tipo lanza con insertos de orificio pequeo, del tipo externo de Control
International; o bien con sistemas neumticos regulables como el burbujeador
Minovex.
El objetivo de la celda de flotacin es realizar una serie de funciones de forma
simultnea. Las caractersticas de diseo de una celda son geometra,
hidrodinmica y suspensin de slidos.
Geometra: Las nuevas generaciones poseen una geometra simtrica. El
estanque redondo ofrece condiciones simtricas y estables en toda la celda y
reduce la existencia de puntos muertos (Yiannatos, 38). Adems el volumen de
estas ha aumentado y este aumento permite reemplazar a muchas celdas
pequeas ahorrando energa, espacio, mantenimiento y disminuyendo el costo
de la automatizacin para la celda.
Flujo especfico de aire: El flujo especfico de aire depende del rea transversal
y del volumen de la celda. De este depende la capacidad de transporte y rebalse
de las celdas.
Impulsor: El impulsor en las celdas de flotacin auto aspirantes cumple las
siguientes funciones.
-Suspensin de partculas
-Aspiracin y dispersin de aire
-Circulacin de pulpa.
(Yiannatos, 39)
2.1 Circuitos de flotacin



15


En la figura 1.3 se muestran las formas bsicas en las que son conectadas las
celdas de flotacin. La mayor parte del mineral valioso es recuperado por las
primeras celdas. El objetivo de las ltimas celdas es flotar el mineral con menor
probabilidad de flotar.


16


Figura 2. 2 Circuitos bsicos de flotacin




17

2.2 Instrumentacin y control de celdas de flotacin
En el presente capitulo se recompilar la informacin disponible en la literatura
acerca del control y la instrumentacin existentes para las celdas de flotacin as
como un anlisis de las variables que afectan al proceso y pueden ser controladas.
Dado que el objetivo fundamental del control del proceso de flotacin de minerales
es reducir la variabilidad de la recuperacin y la ley de concentrado producida por
la naturaleza del flujo de entrada.
2.2.1 Variables manipulables
Las variables ms comnmente manipuladas por los sistemas de control de
recuperacin y grado en las celdas son
Adicin de reactivos qumicos tales como colectores y espumeantes
Flujo de aire hacia las celdas
Nivel de la pulpa
(Perrez-Correa et al, 1998),(Lynch et al, 1981: 17).
Ambos, recuperacin y grado son afectados por el nivel de la pulpa en las celdas.
Mientras mayor es el nivel de la celda mayor es el tiempo de residencia dentro de
la celda lo que implica un aumento en la recuperacin. Sin embargo, mayor nivel de
la pulpa implica menor nivel de espuma debido a que el nivel de espuma es la
diferencia entre el alto de la celda y el nivel de la pulpa (wills, 1997:313). Menores
niveles de espuma producen una disminucin en el tiempo de residencia de la
espuma lo que implica que la ganga no es separada del mineral valioso lo cual
produce una disminucin en la ley del concentrado (Jamsa-jounela et al, 2003). El
control de niveles en una celda de flotacin se realiza mediante tcnicas avanzadas
de control, sin embargo, un buen control del nivel es una meta difcil de lograr.
El colector como ya fue descrito en el captulo 1.4 incrementa la recuperacin de
mineral valioso peor llega a haber un punto en donde una mayor adicin de colector
no asegura una mayor recuperacin de mineral valioso pero la recuperacin de
ganga se incrementa (wills, 1997:312). El uso de control de la adicin de
espumeantes es complicado debido a que la accin de los espumeantes es una


18

funcin compleja que involucra muchos factores tales como la qumica del agua.
Una excesiva adicin de espumeantes en una parte del circuito de flotacin puede
ocasionar problemas hacia abajo.
El flujo de aire que entra a las celdas es una variable importante para el control de
las celdas. Los efectos del flujo de aire tienden a ser ms rpidos que los efectos
producidos por el control del nivel de la pulpa y no tiene efectos secundarios si es
usado en exceso (wills, 1997:313). Incrementar el flujo de aire reduce el tiempo de
residencia de la espuma, lo que reduce el tiempo que tiene la ganga de despegarse
de la espuma y caer. Un mayor flujo de aire tambin incrementa el rea superficial
de las burbujas lo que incrementa la coleccin de partculas en fase de pulpa.
2.2.2 Problemas para el control automtico
En el diseo de los equipos y la instrumentacin asociada para el proceso
constituyen restricciones y a veces problemas para el control de una instalacin.
Instrumentos para la medicin en lnea de las variables de inters (leyes, flujos,
recuperaciones) en general existen pero son de baja disponibilidad y confiabilidad
por falta de instrumentacin adecuada o bajo mantenimiento. Entre los problemas
ms comunes que poseen estos elementos se encuentran la calibracin, instalacin
y contrastacin.
En el mbito de las celdas de flotacin existe una gran variabilidad en las
condiciones de operacin (leyes, granulometra, flujos, etc) lo que dificulta un
adecuado control. (Yiannatos et al, 122).
2.2.3 Objetivos de control
La ley del concentrado y su recuperacin son las variables que indican el
rendimiento del circuito de flotacin. Idealmente, un circuito de flotacin la flotacin
proporcionar un concentrado que contenga la totalidad del mineral valioso
ingresado al sistema. Sin embargo, esta separacin ideal no es realizable en la
realidad y una decisin entre ley y recuperacin debe ser hecha como se muestra
en la figura 2.1



19


Figura 3. 1 Curvas de recuperacin vs ley

El fin de la estrategia de control a escoger debe operar la planta en un punto que
debe ser determinado por factores econmicos (Hodouin et al, 2001).
2.2.4 Aplicacin de control de celdas de flotacin
En el control de las celdas de flotacin se ha desarrollado en diferentes reas tales
como medicin, modelos, estrategias de control y algoritmos.
La falta de conocimiento del proceso y la compleja interaccin entre las variables
hacen que el control sea de baja calidad.
Desde la dcada de los 70s uno de los principales avances en control de flotacin
est relacionado con el uso de mediciones en lnea de leyes lo que ha posibilitado
el control basado en
Medicin directa de un objetivo metalrgico
Uso de sistemas de control supervisor experto


20

El monitoreo en lnea tambin puede realizarse a variables como
Flujo volumtrico y la densidad de pulpa de alimentacin
Flujo de aire
Nivel de pulpa
pH
Medicin de leyes en las corrientes de alimentacin, concentrado y colas
Otras variables como el hold-up de gas, tamao de burbujas o bisa de agua en las
columnas no son de uso comn en la gran minera.
Incluso con estos avances an los circuitos de flotacin son difciles de controlar. El
proceso tiende a ser altamente no lineal y tiene una fuerte interaccin entre las
variables (Perez-Correa et al, 1998). Esto limita la utilizacin de PID SISO (single
input single output). Y hace que la aplicacin de tcnicas de control avanzadas. El
control avanzado es tambin atractivo desde un punto de vista econmico. Debido
al gran rendimiento econmico de las celdas incluso un incremento en la
recuperacin de 0,5% puede ser econmicamente significativo (Ferrerira &
Loveday, 2000).
Segn (laurilla et al, 2002) el principio del control de las celdas de flotacin puede
ser representada por una pirmide de jerarquas. En el nivel ms bajo se encuentra
la instrumentacin que es la base para el control del proceso. La mantencin de la
instrumentacin es entonces tambin una de las bases para el correcto
funcionamiento del proceso.
Los controles de niveles bsicos estn orientados a mantener las variables en sus
set points. Estos incluyen nivel de pulpa, aireacin y adicin de reactivos qumicos.
Normalmente el control es realizado mediante PID SISO pero mtodos de control
ms avanzado se estn utilizando en la actualidad. Normalmente el control de estas
variables es realizado en cada celda individualmente por los controladores PID y los
controles avanzados son utilizados para controlar el banco completo (por ejemplo
control de nivel de pulpa).



21


Figura 3. 2 Jerarquizacin de sistemas de automatizacin para el proceso de
flotacin (laurilla et al, 2002)

Dos grandes tipos de control para la flotacin han sido desarrollados AFC (control
avanzado de flotacin) y OFC (control de flotacin optimizada). AFC es utilizado
para disminuir los efectos de las perturbaciones de las entradas (cambios en la ley
de la alimentacin o en el flujo de alimentacin) y mantener el desempeo de grado-
recuperacin. OFC por otro lado intenta maximizar la viabilidad econmica
(comnmente aumentado el grado y la recuperacin). Ambos, AFC y OFC intentan
conseguir sus objetivos mediante la manipulacin de las variables controlables.
Numerosos estudios en el rea de la automatizacin de celdas de flotacin han sido
conducidos con el fin de aumentar la eficiencia del proceso. Diversos autores han
desarrollado estudios acerca del estado del arte del proceso de flotacin y como su
evolucin en el tiempo ha contribuido a la implementacin de nuevas tecnologas
en el rea del control automtico.
Cada proceso de flotacin es nico, esto debido a que cada operacin posee su
propia instrumentacin, qumica del mineral, etc., es por ello que un controlador
universal no puede ser desarrollado, sin embargo, las tcnicas pueden ser
Optimizacin
Maximizar el beneficio
Control avanzado
Canceladores de perturbacnes,
control de la recuepracin y ley
Control bsico de nivel
Control de cola, aireacin, reactivos
Instrumentacion
Vlvulas, sensores de medicin,
XRF,...


22

utilizadas de manera correcta si son sintonizadas especficamente para el lugar
donde sern implementadas.
Para llevar a cabo el control de una celda de flotacin la instrumentacin necesaria
para la medicin de variables relevantes y actuacin para las variables controladas
debe ser revisada.
Para el caso del flujo de lodo entrante al sistema de flotacin flujmetros magnticos
son comnmente usados y estn basados en el principio de Faraday de induccin.
Este mtodo es no intrusivo y los flujmetros modernos pueden realizar 30
mediciones por minuto.
De acuerdo con Gupta y Yan (2006) (Gupta, A., Yan, D.S., 2006. Mineral
processing design and operation, First edition.pp. 622671. Chapter 18) existen dos
tipos de AFC utilizados para el procesamiento de minerales (una mezcla entre
ambos tambin es posible).
Model-based: Pueden ser clasificados en empricos y en fenomenolgico
segn Polat y Chander (2000) (Polat, M., Chander, S., 2000. First-order flotation
kinetics models and methods for estimation of the true distribution of flotation rate
constants. International Journal of Mineral Processing 58, 145166). Los modelos
empricos utilizan mtodos estadsticos para relacionar las entradas y las salidas de
la planta como un modelo multivariable relacionando las variables dependientes e
independientes utilizadas para establecer un control predictivo. El control
adaptativo es de esencial importancia, esto, debido a que el comportamiento de la
planta es no lineal y complejo. Muchos controladores predictivos contienen control
adaptativo, sin embargo, no siempre se utiliza este mtodo. A pesar de la
popularidad de estos controladores, autores como Desbiens (1994) (Desbiens, A.,
Hodouin, D., Najim, K., Flament, F., 1994. Long-range predictive control of a rougher
flotation unit. Mineral Engineering 7 (1), 2137) y Gupta y Yan (2006) hallaron
problemas con la estabilidad del control adaptativo ya que se saturan despus de
un periodo de tiempo.


23

Los modelos fenomenolgicos que capturan la relacin causa y efecto entre las
variables involucradas entendiendo la fsica del proceso- para realizar control
predictivo tambin son utilizados. Normalmente los modelos fenomenolgicos son
divididos en 3 grupos: Cintico, balance de poblacin de minerales y modelo
probabilstico.
A pesar de la investigacin de modelos empricos y fenomenolgicos autores como
Bergh y Yianatos (2011) (Bergh, L.G., Yianatos, J.B., 2011. The long way toward
multivariate predictive control of flotation processes. Journal of Process Control 21,
226234) y Mckee (1991) (McKee, D.J., 1991. Automatic flotation control a review
of 20 years of effort. Minerals Engineering 4 (711), 653666plantean que para ser
aplicable sin perder sus beneficios, buenas medidas, regulacin aceptable de
objetivos como el nivel, modelos dinmicos confiables y mtodos ms robustos son
requeridos. La flotacin tiene debilidades en la mayora de esos aspectos. Es por
ello que el control experto, donde la decisin de los operadores es automatizada
mediante el uso de inteligencia artificial es ms utilizada.
Control experto: El potencial de los sistemas expertos en la industria de
procesamiento de minerales fue identificado en la dcada de los 80s por Bearman
y Milne (1992) (Bearman, R.A., Milne, R.W., 1992. Expert systems: opportunities in
the minerals industry. Minerals Engineering 5 (1012), 13071323). Debido a que la
modelacin del proceso de flotacin es altamente complicada por su carcter no
lineal y multivariable mtodos de inteligencia artificial han sido utilizados para la
construccin de mtodos de control. Tres importantes tcnicas utilizadas son ANN
(artificial neural networks), Inductive machine learning y lgica difusa.
CAPITULO 3. METODOS
3.1 Modelacin de celdas de flotacin
3.1.1 Clasificacin de modelos
Existen diversos tipos de modelos de celdas de flotacin o circuitos de celdas de
flotacin en la actualidad. Los tipos ms comunes de modelos son
Modelos a micro escala


24

Modelos a macro escala
o Emprico
o Fenomenolgico
Cintico
Prbabilstico
Balance poblacional
En los modelos a micro escala, la flotacin es modelada identificando todos los sub
procesos y relaciones fsicas para predecir el comportamiento del proceso. Este
modelo es difcil de concebir debido a la complejidaddel sistema y de las
interacciones entre las variables qumicas y fsicas del proceso. (Polat y chander,
2000)
Los modelos a macro escala relacionan las respuestas totales de los parmetros
operacionales en un set de ecuaciones. Estos modelos pueden ser divididos en
empricos y fenomenolgicos. En los modelos fenomenolgicos el proceso es
descrito mediante ecuaciones sin significado fsico que siguen la trayectoria del
proceso, en cambio, los modelos fenomenolgicos consisten en un set de
ecuaciones que describen la naturaleza fsica y qumica de la flotacin. Los modelos
fenomenolgicos pueden ser cinticos, probabilsticos y de balance poblacional de
minerales que describan la interaccin entre las burbujas y las partculas de mineral.
Para definir ms detalladamente estos modelos definiciones de sub procesos y
variables deben ser revisados.
3.1.2 Adhesin burbuja-partcula
El principio bsico de la flotacin es que esta ocurre cuando una partcula de mineral
se adhiere a la superficie de una burbuja debido a las caractersticas hidrfobas de
esta. Para que este fenmeno ocurra una interfaz aire-solido debe ser creada y una
interfaz aire-agua y agua-slido deben ser destruidas. Esto requiere que la suma de
las tensiones superficiales de las interfaces aire-gua y agua-solido debe ser
mayores que la tensin superficial de la interfaz aire-slido. Esto se presenta en la
ecuacin (1.1).


25

(1.1)
El trabajo requerido para romper la interfase partcula-burbuja se denomina trabajo
de adhesin,

, y es igual al trabajo requerido para separar la interfase slido-gas

y producir interfaces separadas slido-agua y agua-gas conocido como Trabajo de
Ruptura. El trabajo de adhesin se puede obtener de la ecuacin (1.2).

(1.2)
Las tensiones superficiales del slido-agua y aire-slido no pueden ser medidas.
Sin embargo, esas variables pueden ser eliminadas de la ecuacin (1.2)
introduciendo el ngulo de contacto entre el slido y la burbuja. Las fuerzas en el
plano superficial del solido deben sumar cero. Para conocer el ngulo de contacto
que se debe alcanzar para producir la adhesin de la partcula de slido a la burbuja
se realiza un balance de fuerzas entre las tensiones superficiales el cual se detalla
en la ecuacin (1.3) y en la figura 1.1.

cos() +

(1.3)

Figura 2. 3 Adhesin burbuja-partcula ngulo de contacto

Sustituyendo la relacin (1.3) en la (1.2) se obtiene una nueva ecuacin para
representar el trabajo.

(1 cos()) (1.4)
La ecuacin tambin indica una medida del trabajo requerido para romper la interfaz
aire-slido entrega un indicio de la fuerza de la adhesin entre la partcula de mineral
y la burbuja. Si el ngulo de contacto es cero no existe tendencia a la adhesin y si


26

el ngulo es de 90 la tendencia de adhesin alcanza su mximo. Ambos,

y el
ngulo de contacto pueden ser medidos experimentalmente y han sido utilizados
extensamente en la teora de flotacin y es un parmetro que describe la flotabilidad
de un mineral.
Un reactivo qumico llamado colector es usualmente utilizado para aumentar la
probabilidad de la adhesin burbuja-partcula.

3.1.3 Niveles en las celdas de flotacin
En aplicaciones industriales las celdas de flotacin tpicamente son conectadas en
serie formando complejos circuitos de flotacin. La pulpa o lodo es quien alimenta
la entrada de la primera celda del circuito y seal de cola de esta primera celda es
la encargada de alimentar la celda sucesiva. La magnitud del flujo que entra a la
siguiente celda depende de la diferencia de presin existente entre ambas celdas y
de la apertura de la vlvula de control y de la viscosidad y densidad de la pulpa
(Kampjarvi y Jamsa-Jounela, 2003). La diferencia de presin depende de la
diferencia de altura de las celdas.
3.1.4 Modelos de dos fases
Los modelos de una fase aumen una fase perfectamente mezclada, sin embargo,
muchos otros autores (Hemphill y Loveday, 1002) (Lynch, 2981) (Vera, 2002)
sostienen que la fase de espuma debe ser tambin considerada para modelar de
manera adecuada la flotacin. Los modelos de dos fases incluyen el
comportamiento de ambos, la zona de la pulpa y la zona de espuma.
Existe una serie de procesos de transferencia entre ambas fases. El traspaso entre
estas dases es mostrado en la figura 3.1


27


Figura 4. 1 Caminos de transporte de mineral en el interior de la celda

Muchas cosas pueden suceder dentro de la celda a las partculas atrapadas por una
burbja una vez entra a la fase de la espuma. Esta puede despegarse de la burbuja
debido al rompimiento de esta o al ser desplazada por otra partcula. Una vez que
la partcula del mineral es despegada esta puede re adherirse a otra burbuja o
retornar a la zona de pulpa (hemphill y Loveday, 2003). Una parte de la espuma
puede tambin colapsar devolviendo el mineral atrapado en las burbujas hacia la
zona de la pulpa. Las partculas arrastradas (las que no estn adheridas a una
burbuja) pueden ser transportadas hacia el concentrado o ser devueltas a la pulpa.
Todos estos procesos contribuyen a aumentar la complejidad del proceso y deben
considerarse en el modelo.
3.1.5 Zona de la espuma
Slo una parte del material que ingresa a la celda es recuperado y colectado en el
concentrado. El factor de recuperacin es utilizado para medir el desempeo
metalrgico del proceso (Vera, 2002). La transferencia entre la pulpa y la fase de
espuma se esquematiza con la figura 3.2 sin incluir las partculas arrastradas.


28


Figura 4. 2 Transferencia de material entre la zona de pulpa y la zona de
recuperacin

La fraccin del material que entra a la zona de recuperacin mediante transporte
por burbujas

. Una parte de las partculas retornan a la zona de la pulpa. Estas

partculas son llamadas drop-back y la fraccin que queda en la zona de espuma
corresponde a la recuperacin de la zona espuma

.
La eficiencia de la zona de coleccin normalmente vara entre el 60 y 90% mientras
que la eficiencia de la zona de espuma se encuentre entre el 10 y el 90%. Una baja
recuperacin en la zona de la espuma tiene un impacto altamente negativo en el
desempeo de la celda. (Vera, 2002)
Se ha investigado la relacin entre el tiempo de residencia

y la recuperacin total
y se ha encontrado una relacin exponencial dada por la ecuacin (3.1) (Gorian,
1998)

(3.1)
La funcin exponencial describe el nmero de partculas que se mantienen
atrapadas en las partculas de burbujas en la zona de espuma. es un parmetro
relacionado a la condicin de la espuma (Vera, 2002).


29

Las partculas que se despegan de las burbujas son devueltas a la zona de la pulpa
o atrapadas por el agua que se encuentra entre las burbujas. Este mecanismo es
similar al arrastre. Las partculas que inicialmente ingresaron a la zona de la espuma
mediante burbujas tambin son consideradas.
=
1
1+

(4.2)
Combinando las ecuaciones se puede obtener una expresin para la recuperacin
en la zona de coleccin. La fraccin de burbujas que se despegan de las burbujas
corresponden a 1

. La relacin resultante se expresa como

+(1

) (
1
1+

) (4.3)
3.1.6 Holdup de gas
Cuando un gas es introducido en un liquido o lodo un volumen de liquido es
desplazado. La fraccin volumtrica desplazada corresponde al holdup de gas
(Finch y Dobby, 1990). El holdup de gas se incrementa con un incremento en el flujo
de gas y decrece cuando el con el tamao de las burbujas (Gorain, 1997). No existe
una relacin significante entre el holdup de gas y la constante de flotacin.
El flujo superficial de gas y el holdup de gas estn relacionados mediante una
relacin lineal. Para un mismo flujo de aire una gran poblacin de burbujas de
pequeo tamao da como resultado un holdup de gas grande y viceversa. El holdup
de gas es ms fcilmente medible que el fjujo superficial de gas.
3.1.7 Velocidad superficial de gas
Esta propiedad se define como el flujo volumtrico del aire que ingresa a la celda
dividido por el rea de la seccin transversal de esta. La ecuacin 3.4 muestra esta
relacin

(3.4)
Esta velocidad puede ser medida. Usualmente es la diferencia entre la velocidad
superficial de gas y la velocidad del gas calculada por la ecuacin (3.4).


30

La velocidad superficial del gas es medida en distinto puntos de la celda. Existe una
diferencia entre la velocidad superficial calculada y la medida no describe
completamente la distribucin de velocidades en el rea total de la celda. Valores
de dispersin cercanos a 100 indican una buena dispersin de aire. Este ndice no
posee una significancia fsica importante pero se utiliza para medir el rendimiento
del agitador utilizado.
= 100

,
100 (3.5)
La relacin de este parmetro con la constante de flotacin es significativa. Esta
relacin se deteriora a medida que la velocidad superficial de gas se incrementa
demasiado.
3.1.8 Flujo superficial de superficie de burbujas
Esta expresin es definida por la ecuacin (3.6). El dimetro de Sauter es calculado
por la ecuacin (3.7).

=
6

(3.6)

3 =
=1

2 =
=1
(3.7)
El efecto que poseen el tamao de las burbujas, el holdup de gas y la velocidad
superficial de aire en la constante de flotacin no estn relacionadas
individualmente. Sin embargo, estas propiedades estn relacionadas en la flujo de
rea superficial de burbujas y se ha encontrado una relacin lineal entre este
parmetro y la constante de flotacin.
Esta relacin de
,
y

puede ser expresada como la ecuacin (3.8) donde

corresponde a la flotabilidad del mineral lo que depende de la composicin de la
partcula y las condiciones de superficie

,
=

(3.8)


31

La estimacin de este parmetro es fundamental para describir el proceso, sin
embargo su medicin es complicada debido a que es necesario medir el tamao de
las burbujas (Finch, 2000).
En las celdas mecnicas el tamao de las burbujas depende del diseo del agitador
y su velocidad adems del flujo de aire (Gorian, 1999). La concentracin de
espumeante en la celda tambin afecta el tamao de las burbujas. El tamao medio
de la burbuja tiende a disminuir al incrementar la velocidad del agitador. El tamao
de las partculas y la densidad de la pulpa tambin tienen un efecto sobre el tamao
de las burbujas y, en consecuencia, en el flujo superficial de burbujas.
El agitador puede ser caracterizado por la razn de velocidad del agitador obtenida
por la ecuacin (3.9).

=


(3.9)
El dimetro del agitador es medido de asta a asta y la altura es la altura vertical de
las astas o cuchillas del agitador.
En resumen la expresin para el flujo de rea superficial de burbujas se muestra en
la ecuacin (3.10)

80

(3.10)
Donde , , , son parmetros del modelo sacados de data obtenida por (Gorian,
2000).
3.1.9 Overall rate constant
En las secciones anteriores se ha discutido y caracterizado la relacin entre la tasa
con que las partculas son colectadas desde la fase de la pulpa y entran en la fase
de espuma. La tasa con la que las partculas en la son colectadas en la zona de la
espuma puede tambin ser descrita como una ecuacin diferencial de primer orden.
La relacin entre esta tasa

es inversamente proporcional con la profundidad de

la espuma. La tasa es mayor para profundidades grandes de espuma. Para zonas


32

de espuma poco profundas la constante tiende a ser igual a la constante de la zona
de coleccin
,
.

(3.11)

= (
(

)
1+(

)
) (3.12)
Esta una relacin no lineal debido a las no linealidades contenidas en

visto en la
seccin 3.4.
3.1.10Tiempo de residencia de espuma
Puede ser definido de diversas formas como se muestra en las ecuaciones (3.13),
(3,14) y (3.15)
Definido segn el tiempo de residencia del aire

,
=

(3.13)
Definido segn el flujo de lodo

,
=

(3.14)
Definido segn el tiempo de residencia de las partculas en la espuma

,
=

(3.15)

3.1.11 Modelos probabilsticos
Estos modelos son utilizados para realizar un diagnstico de la operacin, comparar
reactivos, etc (Yiannatos, 62, ao). Los modelos probabilsticos caractizan el
comportamiento del mineral frente a distintas condiciones de operacin como lo
pueden ser dosificacin de reactivos, PH, etc. Dentro de los modelos probabilsticos
ms importantes se encuentran los modelos propuestos por Schuhmann (1942),
Tomlinson y Flemming (1942) y Kelsall (1961)


33

Schuhmann: propone que la velocidad de flotacin puede descomponerse en
una serie de eventos de naturaleza probabilstica (Yiannatos, 63)
[

] = [

] (3.1)
Donde
[

]:
[

]:
[

]:
[]:
Tomlinson y Flemming
=

(3.2)
Donde:
[

]:
[

]:
Kelsall
=
0
(1 ) (3.3)
Donde:
:
Si se considera que el flujo de concentrado es proporcional a la masa de la
pulpa se tiene la situacin descrita por la figura 3.1



34


Figura 4. 3 Modelo de Kelsall para operacin Batch

Cuando se inicia la recuperacin de concentrado, cuya masa corresponde a
0

la masa que queda en la celda corresponde a
1
=
0
(1 ) que corresponde a
la cantidad inicial en el proceso de tipo Batch menos la cantidad recuperada. Si se
considera el proceso hasta una duracin de n periodos de tiempo se obtiene que la
masa al interior de la celda ser:

=
0
(1 )

(3.4)
3.1.12 Modelos de balance poblacional
Los modelos de balance poblacional describen el comportamiento de la flotacin
prediciendo el nmero de burbujas en la celda y sus tamaos. Debido a que la
recuperacin de un mineral est estrechamente relacionada con la el tamao y la
distribucin de las partculas que afectan directamente a la constante cintica de
flotacin.
La prediccin es realizada en trminos de sub procesos tales como rompimiento de
las burbujas y coalescencia. La celda de flotacin es usualmente modelada como
dos zonas separadas:
La zona del agitador
La zona de recuperacin
El rompimiento de las burbujas ocurre en la primera zona, la del agitador, mientras
que la coalescencia ocurre principalmente en la zona de recuperacin o espuma.


35

Las burbujas formadas en la zona del agitador suben a la zona de coleccin donde
puede ser recirculadas hacia el agitador o puede subir para formar la espuma
(Deglon, 1999).
En la zona del agitador se provee de la energa necesaria para mantener las
partculas en suspensin. Permite la generacin de burbujas pequeas y mantiene
las condiciones hidrodinmicas necesarias para una eficiente interaccin burbuja-
partcula. Tambin es en esta zona donde se alimenta la celda que provee una
fuente continua de material al proceso.
3.1.13 Modelos cinticos
En cuanto a la aparicin de estos modelos su primera aparicin fue realizada por
Garca-Ziga en 1935. En este modelo se plantea un comportamiento exponencial
de primer orden para la determinacin de la constante cintica de flotacin. La
formacin y la colisin burbuja partcula se produce en la zona de coleccin se
puede asimilar a una reaccin qumica como la mostrada en la figura 3.4




36


Figura 4. 4 Analoga flotacin y reaccin qumica (Yiannatos, 64,)

Estos modelos se basan en el balance de masas y el movimiento de esta a travs
de la celda (balance de masas entre la alimentacin de lodo y la salida de
concentrado o cola).







3.2 Ecuaciones del modelo
Para desarrollar el modelo en la seccin anterior (3) se explicaron las complejas
relaciones existentes entre las variables ms importantes del proceso de flotacin y
Mineral
Burbuja
Agregado
Burbuja-
partcula


37

el desempeo de este. En este captulo se resumirn las ecuaciones
fenomenolgicas y empricas para la formulacin de un modelo computacional
realizado en MATLAB.
3.2.1 Balance de masas
El material entra a la celda en la fase de pulpa como alimentacin posee varios
caminos de salida. Uno de ellos es dejar esta fase mediante la seal de cola
(tailings). El mineral valioso puede dejar la fase de pulpa mediante la flotacin
(adhesin burbuja-partcula) y ambos, ganga y mineral valioso pueden dejar la pulpa
por arrastre. Estos minerales pueden ingresar nuevamente a la pulpa desde la zona
de coleccin por el colapso de las burbujas, drenaje de la espuma y mecanismos
similares. La ecuacin 4.1 resume este balance (Ruanne Delport, 2004).

=
,

,

+

(4.1)
El flujo msico de cada componente que sale de la celda en la seal de cola es
calculado por la concentracin de cada componente en la pulpa y el total de flujo
volumtrico

,
=
,

(4.2)
Para las celdas conectadas en un banco el flujo volumtrico de una celda a la
siguiente puede ser calculado por la expresin (4.3) donde
2
es el nivel de pulpa
en la siguiente celda y
1
es el nivel de pulpa en la propia celda. El volumen total de
pulpa en la celda es la suma de los minerales y el agua que esta contiene. El nivel
de una celda puede ser superior al nivel de la pulpa debido a que la celda se
compone de una fase de pulpa y otra de espuma. El volumen total de la celda puede
ser calculada por la expresin (4.6) y el nivel depulpa en la celda se calcula por la
ecuacin (4.7)

(
2

1
) (4.3)

,
=

,

(4.4)

=

,

=1
(4.5)


38

,
=

(4.6)
L
p
=
V
p,t
A
c
(4.7)
Se asume una densidad constante y las densidades en las dos celdas son
aproximadamente las mismas. La contribucin del aire en la fase de pulpa para la
densidad es obviada.
El flujo de pulpa desde la ltima celda puede ser manipulada por una vlvula de
control en la lnea de salida del banco. El flujo a travs de esta vlvula es dado por
la ecuacin (4.8). Se asume que la presin de salida corresponde a la presin
atmosfrica por lo que la diferencia de presin en la vlvula corresponde a la presin
generada por la ltima celda.
Q
tailings
= K
valve
f(x) (4.8)
El balance de masas puede ser tambin calculado para el agua. El agua deja la
celda por la seal de cola o por la del concentrado. Se asume que la constante de
recuperacin es proporcional a la concentracin de agua en la celda. El efecto de la
altura de la espuma en la proporcionalidad de la constante tambin debe ser
incluido. En este caso se asume que

no es funcin de la altura de la espuma.

=
,

,

,
(4.9)
m
w,tailings
= C
w,p
Q
tailings
(4.10)

,
=

,
(4.11)

=
,

(4.12)

,
=

,

(4.13)
3.2.2 Tasa de flotacin total
En la fase de la pulpa el balance de masa dado anteriormente incluye trminos para
material dejando la fase de pulpa a travs de flotacin y material re ingresando a la


39

pulpa debido al drop-back. Es posible combinar ambos trminos y modelar una tasa
a la que el material deja la fase de pulpa. Esta tasa est dada por la ecuacin (4.15).
La constante de la zona de coleccin (utilizada para modelas la tasa a la que las
partculas se adhieren a las burbujas en la fase de la pulpa) es producto de la
flotabilidad del mineral, y el flujo superficial superficie de burbujas

. No todas las
partculas que dejan la zona de coleccin son colectadas en el concentrado. La
porcin de este mineral que deja la celda en el concentrado est dada por el factor
de recuperacin. Estas variables estn relacionadas en la tasa de flotacin total
dada en la ecuacin (4.14). El flujo msico desde la celda hacia la flotacin es dado
por la ecuacin (4.16)

(4.14)

,
(4.15)

,
=

(4.16)
3.2.3 Flotabilidad del mineral
Es un parmetro que depende del timo de mineral y del tamao de las partculas
(Vera, 2002). Lo rangos medidos de flotabilidad varan entre 10
3
a 2,7 10
3
para
material valioso. Se asume que la flotabilidad de la ganga es cero.
3.2.4 Flujo superficial de superficie de burbujas
Esta relacin emprica entregada por (Gorian, 1999) es utilizada para calcular el
flujo superficial de superficie de burbujas.

80

(4.17)
Los valores de las constantes a hasta e son dados por (Gorain, 1999). Adems de
la velocidad perifrica del agitador y

para distintos tipos de plantas as como el

80% del tamao de la alimentacin. Los valores fueron seleccionados y mostrados
en el resumen del modelo.


40

3.2.5 Factor de recuperacin de la espuma
De la relacin dada por (Vera, 2002). Esta relacin requiere el tiempo de retencin
en la espuma el cual es calculado del flujo volumtrico de aire y del volumen de la
espuma en la celda. El nivel de la espuma es la diferencia entre la altura de la celda
y el nivel de la fase de pulpa. El parmetro de drenaje, , vara entre 7 y 75 1/
mientras que tiene un valor de 4 1/.

,
=

+(1

) (
1
1+

) (4.18)

(4.19)

(4.20)
3.2.6 Arrastre
El arrastre describe la tasa neta con la cual las partculas dejan la fase de pulpa.
Depende de la tasa que las partculas entran a la zona de coleccin y la tasa con
que las partculas son devueltas a la pulpa.
El flujo de agua desde la celda se expresa en masa de agua por unidad de tiempo

. La tasa de recuperacin del agua es proporcional a la masa de agua

contenida en la fase de pulpa (Lynch, 1981: 74). La ecuacin (4.22) puede ser
escritas en trminos de
,
. La funcin de clasificacin es dada por la ecuacin
(4.21).
=
1
1+

(4.21)

=
,
(

,
) (4.22)

,
(4.23)
3.2.7 Adicin de aire
Muchas de las ecuaciones dadas anteriormente depende de variables relativas al
flujo de aire. Estas incluyen tiempo de retencin en la espuma y holdup de aire. No
es realista asumir que un cambio en el flujo de aire canbiar instantneamente


41

cualquiera de estos, sin embargo se puede asumir que estas cambiarn
gradualmente luego de unos cuantos segundos. Este cambio se consigue
adhiriendo un retardo de primer orden para describir el cambio efectivo del flujo de
aire en la celda.
3.2.8 Alimentacin (entrada de lodo)
La entrada a un circuito de flotacin corresponde a un espectro de distintos tipos de
partculas en tamao y composicin. Si se quiere predecir cuantitativamente la
recuperacin y la ley del concentrado final la alimentacin a la celda debe ser
dividida en muchas clases dependiendo del tamao y composicin de las partculas
teniendo, cada una su propia flotabilidad. Para el anlisis dinmico y cumplir con el
objetivo de este modelo las partculas fueron divididas en dos clases: Mineral valioso
y ganga. El mineral valioso tiene una alta flotabilidad mientras que la ganga tiene
flotabilidad cero y solo es recuperado en el concentrado debido al arrastre.
En general la alimentacin contiene una baja cantidad de mineral valioso. El material
que entra al sistema lo hace en forma de pulpa que es una mezcla de mineral y
agua.
3.3 Interfaz en MATLAB
La serie de ecuaciones mencionadas en el punto anterior son dispuestas en la
plataforma MATLAB para crear la simulacin de un banco de celdas de flotacin.
Las ecuaciones son desarrolladas en Simulink como se muestra en las figuras 4.1
y 4.2.


42


Figura 5. 1 Ecuacin (4.22) en Simulink

Figura 5. 2 Ecuacin (4.3) en Simulink

3.4 Consideraciones del modelo
Se utiliza el modelo para ver la respuesta de este a variaciones en la entrada de
mineral como su respuesta al escaln y entradas aleatorias de distribucin normal
con el fin de generar una base de datos del comportamiento del proceso.


43

Con el fin de crear una base de datos utilizable por la todas las entradas y salidas
fueron escaladas en el rango de 0 a 1.
La normalizacin de variables es necesaria cuando intervienen variables con
diferentes unidades y, por lo tanto, amplitudes a veces de varios ordenes de
magnitud diferentes. Para la normalizacin de variables en el conjunto comprendido
entre 0 y 1 se utiliza la siguiente ecuacin

(4.24)
El valor de

es 1,1 veces el mximo valor de la variable y

es 0,9 veces el
valor mnimo de la variable.
Los valores de entrada y salida del modelo estarn dados en torno al punto de
operacin entregado en el apndice A.

Imgenes y grficos de respuesta de la planta






44



3.5 Pre distorsin
Generalmente el modelo que representa un fenmeno natural no es una funcin
lineal. Sin embargo como los modelos lineales son ms fciles de analizar, se puede
tratar de convertir las funciones a la forma lineal, lo cual en muchas situaciones es
posible. A este procedimiento se le denomina linealizacin.
Actualmente se puede considerar que la teora bsica de sistemas lineales e
invariantes est plenamente desarrollada, en el sentido de que es global (aplicable
a cualquier sistema lineal) y dispone de potentes herramientas de diseo y
evaluacin. Sin embargo, no ocurre lo mismo con los sistemas no lineales. En stos,
las soluciones que se obtienen suelen ser particulares y slo aplicables a clases
especficas de no linealidades. Adems, con la dificultad aadida de no disponer de
mtodos sistemticos de anlisis y diseo, siendo muchos de ellos simples
extrapolaciones de los tpicos en sistemas lineales, y por ello poco adecuados al
problema no lineal.
Consecuencia de todo lo anterior es que en los mbitos de Procesado de Seal y
de Teora de Control son ampliamente usados tanto los filtros como los
controladores lineales, dejndose los diseos basados en estructuras no lineales
para aplicaciones especficas. De entre estos cabe destacar el empleo de algoritmos


45

adaptativos, que se basan en leyes de adaptacin implcitamente no lineales,
aunque su diseo se ha venido haciendo hasta hace poco extrapolando
experiencias de diseos lineales y de parmetros constantes.
Como ejemplo de algunos de los problemas que supone la presencia de no
linealidades en canales de comunicacin cabe decir que en transmisiones digitales
a alta velocidad una de la mayores causas de que aumente la probabilidad de error
es la presencia de no linealidades (Benedetto, S., E. Biglieri and V. Castellani, Digital
Transmission Theory, Prentice-Hall International, 1987). Hay aplicaciones en
comunicaciones en los que se exige a los amplificadores que trabajen cerca de
saturacin para un mayor rendimiento de potencia, logrando as disminuir la
distorsin que esto va a originar. Este es el caso de los repetidores a bordo de
satlites de enlace. Una solucin que se aplica es la de predistorsionar la seal a
transmitir, de modo que la predistorsin compense a la distorsin.
Tambin es importante la linealizacin de amplificadores de RF en sistemas de
comunicaciones mviles, donde es necesario un alto rendimiento en potencia, lo
que hace que se trabaje cerca de saturacin. Esto es una limitacin para el uso de
modulaciones tipo QAM, que son deseables por ser eficientes espectralmente pero
son ms sensibles al efecto de las no linealidades que otras modulaciones menos
eficientes (Ariyavisitakul, S. and T.P. Liu, Characterizing the Effects of Nonlinear
Amplifiers on Linear Modulation for Digital Portable Radio Communications, IEEE
Transactions on Vehicular Technology, Vol. 39, No. 4, pp. 383-389, November
1990).
En la linealizacin por pre distorsin, objetivo principal de este trabajo, es un mtodo
ampliamente usado. Trabaja distorsionando la seal antes de que llegue al sistema
no lineal, de manera que el efecto global sea el de un sistema lineal, pues el efecto
de la pre distorsin trata de ser el efecto inverso al de la no linealidad.
A lo largo de este trabajo la idea que se quiere dar a entender con la palabra
linealizar o predistorsionar el cmo conseguir que un sistema dinmico no lineal se
comporte, es decir responda, como si fuera lineal. Adems, el problema que se
considera no es de modelado (aproximar un sistema no lineal por uno lineal), ni


46

tampoco de filtrado (eliminar no linealidades a la salida de un sistema), sino que lo
que se pretende es modificar (controlar) el sistema no lineal y hacer que su
comportamiento sea lineal.
3.6 Redes neuronales
Una red neuronal es un sistema que permite establecer una relacin lineal o no
lineal entre las salidas y las entradas. Sus caractersticas estn inspiradas en el
sistema nervioso lo que les da varias ventajas tales como su capacidad de
aprendizaje adaptativo, son auto-organizativas, pueden funcionar en paralelo en
tiempo real y ofrecen tolerancia a fallos por la codificacin redundante de la
informacin.
Desde el punto de vista de solucionar problemas, las redes neuronales son
diferentes de los computadores convencionales que usan algoritmos secuenciales,
mientras que las redes neuronales actan como el cerebro humano, procesando la
informacin en paralelo, y tambin pueden aprender y generalizar a situaciones no
incluidas en el proceso de entrenamiento. Las redes neuronales pueden procesar
informacin de forma ms rpida que los computadores convencionales, pero tienen
la desventaja de que no podemos seguir su respuesta paso a paso como se puede
hacer al ejecutar un programa convencional en un ordenador por lo que no resulta
fcil detectar los errores.
Las redes neuronales artificiales son muy efectivas para resolver problemas
complicados de clasificacin, reconocimiento de patrones y mapeo de funciones.
Los mtodos de entrenamiento basados en el gradiente descendente convergen de
manera muy lenta cuando existen grandes cantidades de datos a ser procesados,
debido a esto, es necesario una formular un mtodo alternativo para el
entrenamiento. La figura 5.4 muestra una red neuronal feedforward con dos capas
ocultas y dos salidas. El nmero de entradas es directamente dependiente de la
informacin disponible para ser clasificada o de las variables de entrada de un
proceso, mientras que el nmero de neuronas de salida es igual al nmero de clases
a ser separadas o de salidas del sistema dependiendo si la red es utilizada para
clasificacin o mapeo de funciones. Las unidades de una capa se conectan


47

unidireccionalmente con las de la siguiente, en general todas con todas, sometiendo
a sus salidas a la multiplicacin por un peso que es diferente para cada una de las
conexiones. Luego de ser computado es pasado por una funcin de activacin (.)
se computa la salida de cada una de las capas.

Figura 6. 1 Esquema de una red neuronal feedfoward

Las funciones de activacin tpicamente usadas son mostradas en la figura 5.5 para
el caso de las redes neuronales artificiales utilizadas para mapeo de funciones en
las capas ocultas deben contener funciones diferenciables tal como lo son
sigmoidal, tangente hiperblica, etc. En el caso de la capa de salida es comn
utilizar una funcin lineal no saturada para darle a la red neuronal rango libre.



48


FFigura 6. 2 funciones de activacin tpicamente utilizados en las redes
neuronales

3.7 Entrenamiento o aprendizaje
Para producir el aprendizaje en la figura 5.7 se muestra el proceso que lleva a cabo
la red neuronal para almacenar conocimiento

Figura 6. 3 Modelo simplificado de aprendizaje

El aprendizaje o entrenamiento es la clave para la plasticidad de una red neurona y
esencialmente es el proceso en el que se adaptan las sinapsis para que la red
responda de un modo distinto a los estmulos del medio. En una red neuronal toda
informacin adquirida se guarda en el valor de cada peso sinptico. De hecho, las
neuronas de la mayor parte de los seres vivos son iguales y su diferencia reside en
Datos de
entrenamiento
Entrenamiento Pesos Salida de la red


49

el concepto de organizacin, nmero y modo de cambio entre las interacciones
sinpticas. El aprendizaje se divide en dos tipos:

i) Aprendizaje supervisado: Es una tcnica para deducir una funcin a
partir de datos de entrenamiento. Los datos de entrenamiento consisten
de pares de objetos (normalmente vectores): una componente del par son
los datos de entrada y el otro, los resultados deseados.

ii) Aprendizaje no supervisado: Se distingue del Aprendizaje supervisado
por el hecho de que no hay un conocimiento a priori. En el aprendizaje no
supervisado, un conjunto de datos de objetos de entrada es tratado. As,
el aprendizaje no supervisado tpicamente trata los objetos de entrada
como un conjunto de variables aleatorias, siendo construido un modelo
de densidad para el conjunto de datos.

Por lo general las redes neuronales artificiales feedforward son entrenadas con el
clsico algoritmo backpropagation propuesto por Rumelhart(D.E. Rumelhart, G.E.
Hinton y R.J. Williams,learning internal representations by error propagation in D.E.
Rumelhart y J.L. McClelland, editors, Parallel distributed processing, volumen 1,
chapter 8, The MIT Press, Cambridgem MA, 1986).
Este algoritmo es til para redes de tamao pequeo o problemas simples pero
tiende a converger deficientemente si el nmero de nodos es grande o si el
problema es complejo. Para solucionar este problema, otros mtodos de
entrenamiento han sido propuestos.
Una red neuronal feedforward puede ser adaptada utilizando el algortimo basado
en el Filtro Extendido de Kalman (EKF) (Sharad Singhal, Lance Wu, traininig
multilayer perceptrons with the extended Kalman algorithm,Bell Communicarions
Research, Morristown, NJ) Este es un mtodo para calcular recursivamente la


50

actualizacin de los pesos para todos los pesos de la red. Las ventajas y detalles
del mtodo sern explicados en el captulo 5.3.1.
3.7.1 EKF (Extended Kalman Filter) para el entrenamiento de redes
neuronales
El filtro de Kalman (R. E. Kalman, a new approach to linear filtering and prediction
problems, J. Basics Eng., Trans. ASME, Series D, Vol 82, No.1, 1960, pag 35-45)
es una herramienta ideal para trabajar con ruidos, tanto de planta como de medicin.
Adicionalmente su costo computacional es relativamente bajo al requerir solo
informacin de estados anteriores para la realizar una estimacin.
Existe una gran cantidad de mtodos de aprendizaje o entrenamiento. El filtro
extendido de Kalman constituye la base del entrenamiento de segundo orden para
las redes neuronales. El cual, es una prctica y efectiva alternativa para los
entrenamientos de tipo batch.
La esencia del EKF es que durante el entrenamiento, adems de actualizar los
pesos de la red neuronal de manera secuencial, una matriz de covarianza del error
tambin es creada y actualizada.
La idea del filtro es linealizar el modelo de espacio estado no lineal en cada instante
de tiempo alrededor del ltimo estado conocido, luego, una vez conocido el modelo
se aplican las ecuaciones de filtro de Kalman que proveen un medio recursivo
computacional eficiente para estimar el estado de un proceso, tomando como base
la minimizacin del error cuadrtico medio.
Una de las ventajas que posee el filtro de Kalman sobre otros mtodos de
entrenamiento radica en que los clculos a realizarse no son complejos. El modelo
que se pretende minimizar est siendo linealizado en el punto de operacin donde
se encuentre y, adems, es posible hacer correcciones de las predicciones
realizadas mediante un monitoreo constante del proceso.
Si se considera el comportamiento de una red neuronal como un sistema no lineal
discreto con la siguiente representacin


51


Figura 6. 4 Representacin en diagrama de bloques de una red neuronal del
tipo feedforward que entrega un mapeo entre el vector de entrada

y el vector
de salida

+1
=

(5.1)

,
1
) +

(5.2)
La primera ecuacin es la ecuacin de proceso y simplemente especifica que el
estado una red neuronal ideal es caracterizado como un proceso estacionario
afectado por ruido

. El estado del sistema est dado por el valor de los pesos

.
La segunda ecuacin es conocida como observacin o ecuacin de medida y
representa la respuesta deseada del vector

como una funcin no lineal del vector

de entrada

, el vector de pesos

y, para redes neuronales recurrentes, el nodo

recurrente de activacin

y una medida de ruido randmico

. La medida de ruido

es tpicamente caracterizada por ruido blanco de media cero con covarianza dada
por [

] =
,

. Similarmente el ruido del proceso

es tambin caracterizado
como ruido blanco de media cero con covarianza dada por [

] =
,

.
Ahora el problema de entrenamiento utilizando la teora del filtro de Kalman puede
ser descrito como encontrar el mnimo error cuadrtico medio estimado del estado
utilizando los datos observados. Se asume una arquitectura de red con pesos
y

nodos de salidas. La solucin del EKF para el problema de entrenamiento es

dada por la siguiente recursin de ecuaciones (ver anexo 2).

= [

]
1
(5.3)

(5.4)

+1
=

(5.5)

(5.6)


52

El vector

representa la estimacin del estado (pesos) del sistema en la

actualizacin k-sima. Esta estimacin es funcin de la matriz de ganancia de
Kalman

y el vector de error

, donde

es el vector de objetivo e

es la salida de la red neuronal en la k-sima iteracin del entrenamiento. La matriz
de ganancia de Kalman es una funcin de la matriz de covarianza de error estimado

, la matriz de derivadas de las salidas de la red con respecto a los pesos

y la
matriz de escalamiento

. La matriz

se calcula mediante el algoritmo

backpropagation. La matriz de escalamiento

es funcin de la matriz de ruido

as como de las matrices

. Finalmente, la matriz de covarianza de error

estimado

se actualiza recursivamente junto con el vector de pesos estimados.

Este algoritmo intenta encontrar los valores de los pesos que minimicen la suma de
error cuadrtico

. Se debe notar que este algoritmo requiere medir la salida
y las matrices de covarianza de ruido,

sean especificadas para todo el

transcurso del entrenamiento. De forma similar, la matriz de covarianza de error

debe ser inicializada al principio del entrenamiento.
Cada uno de los pasos de entrenamiento consiste en los siguientes pasos:
1) Una entrada de entrenamiento

es propagada a travs de la red para

producir un vector de salida

. La propagacin hacia adelante e s funcin de

la activacin de los nodos
1
. El vector de error

es tambin obtenido en
este paso.
2) La matriz de derivadas

es obtenida mediante Backpropagation. En este

caso, se realiza un backpropagation por separado para cada componente del
vector de salida

.
3) La matriz de ganancia de Kalman es calculada como funcin de la matriz de
derivadas

, la matriz de covarianza de error

y la medida de la matriz de
covarianza de ruido

. En este paso se incluye el clculo de la matriz de

escalamiento

.
4) El vector de pesos se actualiza utilizando la matriz de ganancia de Kalman

, el vector de error

y los valores actuales de los pesos

53

5) La matriz de covarianza de error es actualizada utilizando la matriz de
ganancia de Kalman

, la matriz de derivadas

y los valores actuales de

la matriz de covarianza de error

. En este paso tambin la matriz de

covarianza de error aumenta debido a la matriz de covarianza de ruido del
proceso

.


CAPITULO 4. PREDISTORSION BASADA EN REDES
NEURONALES
La predistorsin ser el objetivo para linealizar y controlar nuestro sistema elegido
en este proyecto. Es, como se ha mencionado un poco ms arriba, una tcnica que
pretende modificar las caractersticas de la seal de inters antes de pasar por la
parte no lineal de nuestro sistema, i.e. el amplificador de potencia, planta de
flotacin o cualquier otro proceso no lineal. Generalmente, se trata de un algoritmo
que acta sobre la seal que queremos transmitir en base a unos parmetros de un
modelo supuesto para la parte no lineal. En efecto, estos sern los dos
componentes fundamentales a la hora de disear un pre distorsionador: el
modelado de la parte no lineal (y con memoria, si procede) del sistema; y el mtodo
de ajuste de los parmetros de ese algoritmo para conseguir un resultado global
lineal.
Una vez escogido el modelo con el que trabajar, se procede a una identificacin de
parmetros. Para ello, se aplica el algoritmo, desde un estado inicial, a la seal y se
hace pasar por la parte no lineal. A continuacin, se recoge la salida y se realiza
algn procedimiento de ajuste de los parmetros del algoritmo para conseguir una
linealizacin lo mejor posible. Esto se suele hacer mediante algn tipo de regresin
matemtica, por ejemplo mnimos cuadrados, y, en algunas ocasiones, se tiene en
cuenta la estadstica de la seal de entrada para conseguir un ajuste ms rpido.
La forma de ajustar ser por iteracin entrada-distorsin-recuperacin-ajuste. Estas
iteraciones se suelen hacer de dos formas:


54

(i) Mtodo continuo y adaptativo
(ii) Entrenamiento a priori
El mtodo adaptativo se realiza de manera continua durante toda la transmisin de
la seal. De esta forma, cambios en las caractersticas del canal en general pueden
ser recogidos por el algoritmo, consiguiendo un ajuste bueno para infinidad de
situaciones. Esto, siempre y cuando la velocidad de convergencia del algoritmo
reajuste sus parmetros lo suficientemente rpido como para adaptarse a los
cambios del canal.
Por otro lado, los mtodos basados en entrenamiento, consiguen el ajuste de los
parmetros del algoritmo mediante seales de entrenamiento que se transmiten al
comienzo de la vida de la transmisin y, ocasionalmente, en distintos momentos
despus de la puesta a punto inicial. Esto puede parecer peor que el caso anterior,
pero es muy vlido para canales en los que se preve que la no linealidad cambie
poco, o en los que el modelo de no linealidad se ajuste muy bien al comportamiento
del sistema.
El anlisis y diseo de filtros no lineales tiene en la actualidad muchas aplicaciones,
especialmente en comunicaciones, control y procesado de imagen y voz. En estas
reas de conocimiento son populares filtros no lineales tales como los filtros de
estadstica de orden superior, los filtros polinmicos y los filtros de Volterra.
Los mtodos adaptativos se dicen adaptativos por la forma en que consiguen la
convergencia de sus parmetros, en contraposicin con los mtodos basados en
entrenamiento. La mayora de los mtodos adaptativos confan en una tcnica
basada en tabla de datos (look up table). Esta se rellena a partir de muestras
discretas proveniente de la aplicacin de algn algoritmo de modelado, por ejemplo
series de Volterra, a la seal que queremos transmitir. Es decir, usando un modelo,
generamos una correspondencia entre valor de la seal de entrada y valor de la
seal que debe pasar por el sistema, de forma que la seal a la salida del sistema
tenga un comportamiento lineal con respecto a la seal que queremos transmitir.


55




Figura 6. 5 Esquema de mtodo entrenamiento adaptativo utilizando Tabla
Look-up b) Diagrama de sistema operacin donde x _k corresponde a la
entrada del sistema luego de haber sido predistorsionada.

Esto funciona bien para seales de banda estrecha. Sin embargo, consideramos
sistemas de banda ancha, el amplificador de potencia presenta memoria, la tabla
con las muestras pre-computada se hace muy grande y el procedimiento para la
seleccin de la muestra siguiente se hace muy complejo. Adems, si el amplificador
cambia sus caractersticas, toda la tabla debe actualizarse y la estrategia de
seleccin cambia de nuevo.
Un desarrollo alternativo es la utilizacin de un esquema de control no lineal
adaptativo, figura 4.4, basado en el Modelo de Referencia Adaptativa de Control.
Los parmetros del controlador (predistorsionador) son ajustados de manera


56

adaptativa, para conseguir la mnima desviacin con respecto al resultado objetivo,
en nuestro caso, un comportamiento lineal.
Las dificultades de este esquema no son triviales: una estructura de control
especfica junto con un algoritmo de control robusto deben ser diseados.

Figura 6. 6 Esquema de control basado en predistorsin adaptativa y modelo
de referencia. La sintonizacin del controlador es realizada en linea con la
operacin.

Rodriguez, Nibaldo plantea en su trabajo (S. I. a. C. R. Rodriguez N., , "Adaptive
predistortion of COFDM for mobile Satellite Channel", International Journal of
Communication systems, vol. 16, no. 10, pp. 137-150, 2003.) la utilizacin de redes
neuronales artificiales para la creacin de un predistorsionador adaptativo.
En el modo de entrenamiento la seal de salida de la red neuronal corresponde a la
entrada del sistema. Debido a que la seal no presenta un considerable retardo no
existe un modelo de referencia. Los pesos son actualizados con el algoritmo EKF
(Extended Kalman Algorithm).
Por carcter no lineal que poseen las celdas de flotacin, una red neuronal con al
menos 1 capa oculta es utilizada. Segn el teorema de aproximacin universal una
red neuronal con al menos una capa oculta y un nmero finito de neuronas es un
aproximador universal de funciones sobre subconjuntos compactos de

. La


57

primera versin de este postulado fue entregada por George Cybenko en 1989
(Cybenko., G. (1989) "Approximations by superpositions of sigmoidal functions",
Mathematics of Control, Signals, and Systems, 2 (4), 303-314) para redes
neuronales que en su capa oculta contenan funciones de activacin sigmoidales.
Luego, en 1991 Kurt Hornik demostr que no solo una funcin sigmoidal posea
estas caractersticas, sino que la arquitectura de la red de propagacin hacia
adelante (feedfoward) le entrega el potencial a la red de ser un aproximador
universal. Gracias a esta propiedad, la red neuronal propuesta ser capaz de
aproximar la funcin
1
(. ) que corresponde a la funcin inversa al sistema a
controlar. El entrenamiento y la descripcin de la red neuronal artificial utilizada se
describen en las siguientes secciones.
Para esta tesis se ha utilizado el controlador adaptativo utilizando un modelo de
referencia el cual corresponde a un retardo puro como se muestra en la figura 4.5.


Figura 6. 7 Diagrama de sistema propuesto para el control del banco de
flotacin




58

CAPITULO 5. OPERACIN DEL PREDISTORSIONADOR


Determinacin nmero de neuronas en capa intermedia
Curvas de entrenamiento de la red neuronal, velocidad de convergencia y error en
la aproximacin Tablas de
Indice de adecuacin
Error RMS
RSD (relative standard deviation)
Grficos de celda con ruido a la entrada sin control y su respuesta
Grfico de respuesta con control
Tablas de RSD con y sin control y comparacin (disminucin de la perturbacin)
Tabla de aumento de recuperacin con y sin control (aumento de beneficio)



59












60

ANEXO A: CONCEPTOS BASICOS

Para el anlisis y la modelacin del proceso de flotacin es necesario conocer
algunos conceptos bsicos que estn involucrados en el proceso.
1.5.3.1 Densidad
Cociente entre la masa del cuerpo y su volumen =

1.5.3.2 Densidad aparente
Se aplica a slidos granulares donde el volumen medido no solo contiene al slido
en estudio sino que tambin existe aire contenido entre las partculas. Si se
considera que el volumen total corresponde a

y considerando
que:

al dividir esta expresin por vtotal se obtiene:

) +

) (1.5)
Para slidos granulares de tamao de partcula mas o menos parejo el factor de
hueco se estima en torno al 45% por lo que la parte slida granular ocupa el restante
55%.
1.5.3.3 Densidad de pulpas
Las pulpas son una mezcla entre slido y agua. Una de sus caractersticas ms
importantes es el porcentaje de slido que viene dado por la ecuacin (1.6).
% = 100 (

) (1.6)
De esta relacin y de la ecuacin de balance de masas se puede obtener la
expresin (1.7)
100

=
%

+
100%

(1.7)


61

1.5.3.4 Balance de masa
Se deben definir los siguientes trminos para realizar un balance de masas en un
equipo de flotacin:
1) Alimentacin del sistema (

, feed)
2) Ley de alimentacin de la celda i-sima (

)
3) Producto valioso o concentrado obtenido de la i-sima celda (

,
Concentrate)
4) Ley correspondiente del concentrado obtenido en la i-sima celda (

)
5) Relave o ganga obtenida en la i-sima celda (

)
6) Ley correspondiente a la seal de cola o ganga (

)
La figura 1.4 muestra de manera esquemtica la relacin del balance de masas en
una celda de flotacin


Figura 2. 4 Balance de masas por una celda de flotacin

1.5.3.5 Balance de masa global
EL escenario a considerar para el balance de masas considera que todo lo que entra
en un sistema debe ser igual a lo que sale, siempre y cuando se haya alcanzado el
estado estacionario. El balance de masa global estar dado por la ecuacin (1.8).
= + (1.8)


62

1.5.3.6 Balance de masa por componente
Adems del balance de masas global puede realizarse un balance de masas por
componente dado por la ecuacin (1.9)

(1.9)
1.5.3.7 Recuperacin
La recuperacin mide la eficiencia del proceso. En el proceso el objetivo es
recuperar la mxima cantidad de mineral valioso. Uno de los principales problemas
de esta premisa es que a medida que se aumenta la recuperacin disminuye la ley
del mineral recuperado. La recuperacin se expresa como un cuociente entre el
mineral valioso en el concentrado (recuperado) y el la masa de mineral valiosa con
el que la celda es alimentado como expresa la ecuacin (1.10)
=


(1.10)
Considerando la figura 1.4 esta expresin puede ser representada por la ecuacin
(1.11).
=

(1.11)
Considerando que en el balance de masa global se puede expresar la recuperacin
en funcin de las leyes de minerales en las seales de entrada, cola y concentrado
como
= (

)
) (1.12)








63

ANEXO B: Resumen de variables y ecuaciones
Tabla 1 Variables utilizadas para el modelo
Variable Smbolo Unidad
Flujo alimentacin

Flojo alimentacin de agua
,

Flujo de aire a la celda
3

Fraccin de control de vlvula
Masa del mineral i en la celda

Masa de agua en la celda

Flujo msico de mineral i en la cola
,

Flujo msico de agua en la cola
,

Flujo volumtrico de cola

Volumen de pulpa en la celda

Volumen de la fase de pulpa en la celda
,

3

Concentracin de mineral en la fase de pulpa
,

3

Concentracin de agua en la fase de pulpa
,

3

Nivel de pulpa

Nivel de espuma

Flujo msico que sale en concentrado (por flotacin)
,

Flujo msico que sale en concentrado (por arrastre)
,

Tasa total de flotacin

Constante de flotacin

Factor de recuperacin de espuma

Flujo superficial de superficie de burbuja

Tiempo de residencia en espuma

Funcin de clasificacin


64

Balance de masa del mineral:
dM
i;p
dt
= m
i,feed
m
i,tailings
m
flotatio
m
entrainment
+m
drop back

Balance de masa del agua.
dM
w
dt
= m
w,feed
m
w,tailings
m
w,entrainment

Flujos seal de cola primera y segunda celda

(
2

1
) (4.3)
Q
tailings
= K
valve
f(x)
Flujo msico del mineral de la celda en la cola
m
i,tailings
= C
i,p
Q
tailings

Flujo msico del agua de la celda en la cola
m
w,tailings
= C
w,p
Q
tailings

Volumen de pulpa en la celda
V
p,t
=
V
p
1
g

Total de volumen de la fase de pulpa
V
p
=
M
i,p

i
+
M
w,p

w
n
i=1

Concentracin de mineral en la fase de pulpa
C
i,p
=
M
i,p
V
p

Concentracin de agua en la fase de pulpa
C
w,p
=
M
w,p
V
p

Nivel de la pulpa


65

L
p
=
V
p,t
A
c

Masa de salida de concentrado (por flotacin)
m
i,flotation
= V
p
r
overall

Masa de salida de concentrado (por arrastre)
m
etrainment
= k
w
CFM
i,p

ndice de flotacin general
r
overall
= k
overall
C
i,p

Constante de flotacin general
k
overall
= PS
b
R
f

Factor de recuperacin de espuma
R
f,i
= e
f
+(1 e
f
) (
1
1+
i

f
)
Tiempo de residencia de espuma

f
=
AL
f
Q

Nivel de espuma
L
f
= L
t
L
p

rea superficial de flujo de aire
S
b
= aN
s
b
(
Q
A
)
c
A
s
d
P
80
e

Funcin de clasificacin
C
F
=
1
1+
f




66

Tabla 2 Constantes y parmetros del modelo
Parmetro Smbolo Unidad
Parmetro que relaciona flujo entre celdas

4,5

Constante de tasa de recuperacin de
agua

Flotabilidad del mineral
Constantes de flujo superficial de
superficie de burbuja

rea de seccin transversal de la celda
2

Altura de la celda

Velocidad perifrica del agitador

Constante de aspecto del agitador

Drenaje
1

Parmetro de la espuma
1

Drenaje de agua
1

La densidad inicial de la pulpa corresponde a 1300

3
(). La tasa de mineral de
alimentacin est basada en un flujo msico de ganga correspondiente a
45

(
2,
). Para la densidad antes mencionada un flujo de agua de
90

(
,
) es utilizado.






67

Tabla 3 Valores de parmetros para el modelo
Parmetro Valor

1
() 0,0025

2
() 0
137,5
0,2905
0,7278
0,0685
0,3551
1 [1/]
4 [1/]

0,05

0,12

0,175

0,75

0,75[/]

80
80 []
1,875[
2
]
1,75[]