Laboratorio 4 – Analítica Predictiva en Procesos de Flotación
Author
Grupo 3.
1. Introducción
El proceso de flotación es una operación unitaria clave en la concentración de minerales, donde variables fisicoquímicas como el pH, la aireación y la dosificación de reactivos determinan la eficiencia de separación. El uso de analítica de datos permite complementar los métodos tradicionales, facilitando la optimización del proceso en tiempo real [1], [2].
1.1 Objetivos
Diseñar y modelar diagramas de flujo (Flowsheets) para circuitos de molienda y flotación.
Ejecutar balances de masa y agua en estado estacionario utilizando herramientas digitales.
Simular el impacto de variables operativas (tonelaje, % de sólidos, leyes) en la recuperación metalúrgica.
2. Diagrama de Flujo del Proceso
Diagrama de flujo del circuito de molienda y flotación hecho con IA [Chat GPT]
Interpretación
El diagrama representa las etapas de molienda en circuito cerrado con ciclón y el circuito de flotación. Este tipo de representación permite identificar corrientes de entrada y salida, así como nodos de mezcla y separación, fundamentales para el planteamiento de balances de masa y agua [1], [2].
3. Carga y Preprocesamiento de Datos
library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr 1.2.1 ✔ readr 2.2.0
✔ forcats 1.0.1 ✔ stringr 1.6.0
✔ ggplot2 4.0.3 ✔ tibble 3.3.1
✔ lubridate 1.9.5 ✔ tidyr 1.3.2
✔ purrr 1.2.2
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag() masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
data %>%select(-date) %>%pivot_longer(cols =everything(), names_to ="variable", values_to ="valor") %>%ggplot(aes(x = valor)) +geom_histogram(bins =30, fill ="steelblue") +facet_wrap(~variable, scales ="free")
Interpretación
Las distribuciones de las variables operativas presentan una dispersión considerable, lo cual es característico de procesos industriales continuos como la flotación, donde las condiciones de operación fluctúan debido a variaciones en la alimentación y en la dinámica del sistema.
Desde el punto de vista de la ingeniería química, esta variabilidad refleja la naturaleza multifásica del proceso, en el que interaccionan sólidos, líquidos y gas (aire), generando un sistema altamente sensible a cambios en variables como pH, densidad de pulpa y dosificación de reactivos.
Además, la presencia de distribuciones no necesariamente normales sugiere que el sistema puede estar operando bajo condiciones no ideales o con perturbaciones, lo cual es común en plantas reales. Este comportamiento justifica el uso de herramientas de analítica de datos para capturar patrones complejos que no pueden ser descritos únicamente mediante modelos determinísticos clásicos [2].
La matriz de correlación evidencia relaciones entre variables operativas y la concentración de sílice en el concentrado, lo cual confirma que la calidad del producto final depende directamente de las condiciones fisicoquímicas del proceso.
Desde un enfoque de ingeniería química, estas correlaciones pueden explicarse por fenómenos como la adsorción selectiva de reactivos (amina y almidón), la modificación de la tensión superficial y la formación de agregados partícula-burbuja. Variables como el pH y la aireación influyen directamente en estos mecanismos, alterando la hidrofobicidad de las partículas y, por tanto, la eficiencia de separación.
Es importante destacar que la correlación no implica causalidad; sin embargo, permite identificar variables críticas que deben ser monitoreadas y controladas para optimizar el proceso. Este tipo de análisis es ampliamente utilizado en la industria minera para mejorar la recuperación metalúrgica y reducir impurezas [1], [2].
La evolución temporal de la concentración de sílice en el concentrado muestra un comportamiento dinámico, con fluctuaciones a lo largo del tiempo que reflejan cambios en las condiciones operativas del sistema.
Desde la perspectiva de ingeniería química, este comportamiento indica que el proceso no se encuentra en un estado estacionario perfecto, sino que está sujeto a perturbaciones como variaciones en la alimentación del mineral, cambios en la dosificación de reactivos o alteraciones en la hidrodinámica de las celdas de flotación.
Este tipo de variabilidad es crítico, ya que incrementos en la sílice reducen la calidad del concentrado. Por ello, la capacidad de predecir estas variaciones mediante modelos estadísticos o de machine learning es fundamental para implementar estrategias de control predictivo, mejorando la estabilidad del proceso y la eficiencia operativa [3].
4.4 Relación pH – Sílice
sample_data <- data %>%sample_n(10000)ggplot(sample_data, aes(Ore.Pulp.pH, X..Silica.Concentrate)) +geom_point(alpha =0.3) +geom_smooth(method ="lm", color ="red")
`geom_smooth()` using formula = 'y ~ x'
Interpretación
La relación observada entre el pH de la pulpa y la concentración de sílice en el concentrado muestra una tendencia general, aunque con alta dispersión debido a la complejidad del sistema.
Desde el punto de vista de ingeniería química, el pH es una variable crítica en la flotación, ya que controla la carga superficial de las partículas minerales y la ionización de los reactivos. Esto influye directamente en la adsorción de colectores y depresores, afectando la selectividad del proceso.
La tendencia observada sugiere que ciertos rangos de pH favorecen la reducción de sílice en el concentrado, lo cual es consistente con la teoría de flotación, donde condiciones alcalinas suelen mejorar la separación de hierro respecto a sílice. Sin embargo, la dispersión indica que el pH no actúa de forma aislada, sino en conjunto con otras variables como la aireación y la dosificación de reactivos [2].
El modelo de regresión lineal permite identificar las variables que tienen mayor influencia sobre la concentración de sílice en el concentrado, proporcionando una aproximación cuantitativa del comportamiento del sistema.
Desde la ingeniería química, este modelo puede interpretarse como una representación empírica del proceso, donde las variables independientes actúan como variables de estado que determinan la respuesta del sistema.
Aunque el proceso de flotación es inherentemente no lineal, el modelo lineal permite capturar tendencias generales y evaluar la sensibilidad de la sílice frente a cambios en variables operativas. Esto es útil para la toma de decisiones, ya que permite priorizar las variables más influyentes en el control del proceso [1].
5.3 Evaluación del Error del Modelo
pred <-predict(modelo, test)rmse <-sqrt(mean((pred - test$X..Silica.Concentrate)^2))rmse
[1] 0.6379696
Interpretación
El RMSE (Root Mean Square Error) cuantifica la diferencia promedio entre los valores reales y los predichos por el modelo, siendo una medida clave de su desempeño.
Desde el punto de vista de ingeniería de procesos, un RMSE bajo indica que el modelo es capaz de reproducir adecuadamente el comportamiento del sistema, lo cual es esencial para su implementación en estrategias de control predictivo.
En procesos industriales como la flotación, donde existen múltiples fuentes de incertidumbre, es esperable que el error no sea nulo. Sin embargo, un modelo con error controlado puede ser utilizado como herramienta de apoyo para anticipar desviaciones y aplicar acciones correctivas antes de que afecten la calidad del producto [3].
La comparación entre valores reales y predichos muestra que el modelo captura la tendencia general del proceso, aunque existe dispersión debido a la naturaleza compleja y no lineal de la flotación.
Desde la ingeniería química, esta dispersión puede atribuirse a variables no incluidas en el modelo, como características mineralógicas, tamaño de partícula o variaciones en la química del agua, las cuales también influyen en la eficiencia del proceso.
A pesar de estas limitaciones, el modelo presenta una correlación razonable entre valores reales y estimados, lo que valida su uso como herramienta predictiva para el monitoreo y optimización del proceso en tiempo real.
6. Discusión de Resultados
El análisis exploratorio y el modelo predictivo desarrollado permiten comprender el comportamiento del proceso de flotación desde una perspectiva integral, combinando fundamentos de ingeniería química con analítica de datos.
En primer lugar, la alta variabilidad observada en las variables operativas confirma la naturaleza dinámica del proceso. En sistemas de flotación industrial, esta variabilidad es esperable debido a fluctuaciones en la alimentación, cambios en la dosificación de reactivos y condiciones hidrodinámicas dentro de las celdas. Estas variaciones afectan directamente la eficiencia de separación y, por tanto, la calidad del concentrado [2].
La matriz de correlación y los análisis bivariados evidencian que variables como el pH, el flujo de pulpa y la aireación tienen influencia sobre la concentración de sílice. Desde el punto de vista fisicoquímico, esto se explica por la dependencia de la flotación en la química superficial de las partículas, donde el pH regula la ionización de reactivos y la interacción partícula-burbuja [1], [2].
El modelo de regresión desarrollado permitió capturar la tendencia general del sistema, identificando variables relevantes que afectan la sílice en el concentrado. Aunque el modelo presenta limitaciones inherentes a su naturaleza lineal, su capacidad predictiva resulta adecuada para fines de monitoreo y control. En particular, el valor de RMSE obtenido indica que el modelo es capaz de aproximar el comportamiento del proceso con un nivel de error aceptable para aplicaciones industriales [3].
La dispersión observada en la comparación entre valores reales y predichos sugiere la presencia de factores no incluidos en el modelo, tales como variaciones mineralógicas, tamaño de partícula o composición química del agua. Esto resalta la complejidad del proceso de flotación y la necesidad de modelos más avanzados para capturar completamente su comportamiento.
Finalmente, el análisis confirma que es posible utilizar herramientas de analítica predictiva para anticipar la calidad del concentrado, lo cual representa una ventaja significativa frente a métodos tradicionales basados únicamente en balances de masa. Este enfoque permite implementar estrategias de control en tiempo real, optimizando la recuperación metalúrgica y reduciendo la generación de relaves.
7. Cuestionario
1. ¿Por qué es fundamental realizar un balance de masa?
El balance de masa es un principio fundamental en la ingeniería química que establece la conservación de la materia dentro de un sistema. Su aplicación permite verificar la consistencia de los datos operativos, detectar pérdidas o errores de medición y cuantificar las corrientes de entrada y salida en un proceso.
En el contexto de procesamiento de minerales, los balances de masa son esenciales para determinar la recuperación metalúrgica, evaluar la eficiencia de cada etapa del circuito y optimizar la operación global de la planta [1].
2. ¿Qué es el estado estacionario y por qué es importante?
El estado estacionario es una condición en la cual las variables del proceso (flujo, concentración, temperatura, entre otras) permanecen constantes en el tiempo, es decir, no existe acumulación de masa dentro del sistema.
Esta condición es fundamental porque permite simplificar el análisis del proceso, reduciendo las ecuaciones de balance a expresiones algebraicas. En plantas industriales, operar cerca del estado estacionario facilita el control del proceso y mejora la estabilidad operativa [2].
3. ¿Cómo influye la carga circulante en el proceso?
La carga circulante corresponde al material que retorna al molino dentro de un circuito cerrado de molienda. Su magnitud tiene un impacto directo en la eficiencia del proceso.
Una carga circulante elevada incrementa el consumo energético y puede reducir la eficiencia de molienda al sobrecargar el sistema. Sin embargo, una carga circulante adecuada mejora la clasificación de partículas y favorece la liberación del mineral valioso, lo cual es esencial para una flotación eficiente [3].
4. ¿Por qué es importante la precisión en las mediciones?
La precisión en las mediciones es crítica para la confiabilidad de los balances de masa y la toma de decisiones operativas. Errores en variables como flujo, concentración o densidad pueden propagarse a lo largo del proceso, generando desviaciones significativas en los cálculos.
En la industria minera, una medición precisa permite un mejor control del proceso, optimización del uso de reactivos y reducción de pérdidas de mineral, contribuyendo a una operación más eficiente y sostenible [1].
8. Conclusiones
Se comprendió y representó el funcionamiento de un circuito de molienda y flotación mediante su flowsheet.
No fue posible ejecutar balances de masa y agua de forma cuantitativa por falta de datos específicos, aunque se consolidó el enfoque teórico.
Se simuló el impacto de variables operativas mediante analítica predictiva, permitiendo anticipar la calidad del concentrado y optimizar el proceso.
9. Referencias
[1] A. Gupta y D. S. Yan, Mineral Processing Design and Operations, 2nd ed., Elsevier, 2016.
[2] B. A. Wills y J. Finch, Wills’ Mineral Processing Technology, 8th ed., Butterworth-Heinemann, 2016.
[3] Metso Outotec, Basics in Mineral Processing Handbook, 12th ed., 2020.
