Por: Leonardo Almeyda Tejada y Leonardo Bravo Thais, ingenieros de Innovación, Nexa Resources. 

Resumen

Saber el tamaño y tipo de mineral que ingresa a un molino bolas, así como controlar la cantidad de alimento que ingresa, es crucial para aumentar el rendimiento y reducir la energía específica consumida en el proceso de molienda.

El control del ingreso del alimento a la molienda todavía se realiza manualmente en muchas operaciones de beneficio de mineral, sin embargo, es poco efectivo, ya que depende de la percepción de la persona y no responde a las variaciones inmediatas propias de la actividad minera.

En este artículo presentamos el caso de la unidad minera Cerro Lindo, en donde se desarrolló e implementó una estrategia de control difusa que utilizó información sincrónica captada por sensores inteligentes y sensores virtuales para optimizar el proceso de molienda.

La estrategia de control difusa se subdividió en dos etapas: (i) Control de tonelaje de alimentación al molino y (ii) Control de agua que ingresa al molino. Para regular la cantidad de mineral alimentado al molino de bolas se utilizaron las variables: (i) Granulometría F80 del alimento medido de forma sincrónica y (ii) Amperajes de las bombas de descarga. Una vez obtenido el tonelaje de alimentación, la lógica difusa calcula la cantidad de agua que debe dosificarse. 

Para este cálculo, el algoritmo utiliza la variable Passing -3 mm, esta última, indica el porcentaje de fracción fina presente en la muestra y, a partir de esta, se calcula la relación agua/mineral.

Para el desarrollo de la lógica, se construyeron una serie de reglas que representaron el comportamiento operacional de la unidad minera Cerro Lindo. El criterio más importante fue el tamaño de mineral alimentado. Si el mineral que ingresaba al molino tenía un tamaño por encima de los 8 mm, era considerado mineral grueso y el sistema sugería disminuir el tonelaje de alimentación para aumentar el tiempo de residencia del mineral dentro del molino y, de esa forma, garantizar un tamaño P80 de producto más estable. De forma contraria, si el mineral presentaba un tamaño de partícula superior a 3 mm y menor a 8mm, se consideraba un mineral con tamaño medio – fino, y la lógica indicaba aumentar el tonelaje procesado. La medida del amperaje de las bombas sirvió como indicador de la carga circulante en el sistema de molienda y, bajo algunos escenarios, fue determinante para indicar la disminución del tonelaje procesado.

El artículo también detalla las pruebas realizadas en campo, donde se validó que, al encender la lógica de control, se conseguía aumentar hasta en 12% la cantidad de mineral procesado por día.

Finalmente se detalla una propuesta para incorporar variables obtenidas a partir de sensores virtuales en el funcionamiento de la lógica difusa. Se propone la incorporación de: (i) Sensor virtual para estimar el tamaño P80 del producto y (ii) Sensor geometalúrgico del alimento. Ambos representan una oportunidad para garantizar un aumento de tonelaje asegurando un tamaño de liberación de partícula óptimo.

Palabras clave: Analítica de Datos, Machine Learning, IOT.

Introducción

La molienda es una de las operaciones más críticas en el procesamiento de minerales, debido al elevado consumo de energía asociada y, principalmente, porque dependiendo de cuán efectivo sea el grado de reducción o liberación en esta etapa, la recuperación en los concentrados metalúrgicos será la adecuada.

En ese contexto, Nexa Resources se propuso mejorar el proceso de molienda primaria de la unidad minera Cerro Lindo. Se realizó un estudio granulométrico y se identificó una alta variabilidad del tamaño del mineral alimentado al molino. Asimismo, se evidenció que esta variabilidad afectaba notablemente la eficiencia y estabilidad del proceso como tal, generando impactos como:

(i) Un producto con tamaño excesivamente cambiante, (ii) Tiempos prolongados de residencia y

(iii) Alta carga circulante. Se estimaron pérdidas entre 1% a 2% en la recuperación de concentrados de Zn y Pb, relacionadas directamente a una molienda ineficiente.

Como solución a esta problemática, se planteó un proyecto que consistió en desarrollar una estrategia de control basada en lógica difusa, este se subdividió en varias etapas con la finalidad de generar valor en corto plazo. La primera etapa tuvo como finalidad optimizar la cantidad de mineral alimentado al molino y utilizó como variable principal la información proveniente de un analizador de granulometría sincrónico. La segunda, priorizó garantizar un adecuado tamaño de producto P80, actualmente está en desarrollo, y se prevé la incorporación de información proveniente de sensores inteligentes y sensores virtuales.

Este documento presenta los resultados de la implementación de la estrategia de control basada en lógica difusa y como permitió aumentar la cantidad de mineral procesado. Así también, comenta como el utilizar dos relaciones de agua y mineral, dependiendo de la fracción fina, permite disminuir la variabilidad en la densidad de pulpa de la descarga. Finalmente, se detalla la última etapa planeada en donde se incorporan variables de control no tradicionales, capturadas a partir de sensores 4.0.

Objetivos

Objetivo general

ν Incrementar la eficiencia de la molienda primaria.

Objetivo específico

ν Optimizar la cantidad de mineral proceso en la molienda primaria.

ν Disminuir la variabilidad del tamaño P80 del producto.

ν Controlar el ingreso de agua en el molino para mantener una relación agua mineral adecuada.

Caso Nexa Resources

Para el caso abordado por Nexa, en la unidad minera Cerro Lindo, se analizaron algunas de las variables que tienen un impacto directo en el desempeño de un molino de bolas: (i) Tamaño del alimento, (ii) Tonelaje procesado y (iii) Tamaño del producto alimentado.

Con respecto al tamaño del alimento, en la Figura 1 se observa una muestra de cuatro meses de los valores del tamaño de partícula F80, los cuales oscilan entre 4 mm a 13 mm; mientras que el valor “óptimo” operacional es de 5.5 mm.

En relación con el tonelaje procesado y su relación con la granulometría del alimento, la Figura 2 evidencia que no existe actualmente una estrategia operacional que controle la cantidad de mineral alimentado al molino de bolas primario en función del tamaño de mineral alimentado (fino y grueso) y que esta ausencia de control genera ineficiencia operacional.

Respecto a la variabilidad del tamaño P80 en el producto del molino. Se observa en la Figura 3 que la media mantuvo un valor cercano a las 650 micras, sin embargo, el P80 objetivo al que debería trabajar el molino es de 400 micras, generando problemas en la recuperación de especies minerales valiosas.

Finalmente, se realizó un análisis sobre las pérdidas ocasionadas en la recuperación de Zn, debido únicamente a una molienda ineficiente. La Figura 4 muestra como un tipo de mineral M1, con bajo ratio Fe/Zn (<11.4) tiene un promedio de recuperación de 92%, en tanto que el mineral tipo M3, con alto ratio Fe/Zn (>22), tiene un promedio de recuperación de 85%. Eso evidencia que en determinados momentos se puede perder hasta un 7% en recuperación de Zn.

¿Por qué un control difuso?

Una lógica difusa facilita la toma de decisiones, pues permite tener en cuenta imprecisiones e incertidumbres. Esto debido a que posibilita que una condición se encuentre en un estado distinto de verdadero o falso, uno o cero, blanco o negro, etc. Por ejemplo, según la lógica convencional si quisiéramos describir la temperatura de un motor sería caliente o frío; sin embargo, con la lógica difusa uno puede dar un rango de valores como helado, frío, normal, caliente o ardiente.

MathWorks afirma que la lógica difusa es un método que interpreta los valores en un vector de entrada y, en base a un conjunto de reglas, asigna valores en un vector de salida. Además, menciona que el mecanismo primario para hacer esto es una lista de declaraciones de la forma "si-entonces" llamadas reglas, en dónde todas las reglas se evalúan en paralelo y el orden de las reglas no es importante. En la lógica difusa, la verdad de cualquier afirmación se convierte en una cuestión de grado.

Según Tejada, una estrategia de control basada en lógica difusa se compone de tres etapas bastante delimitadas:

Fuzzificación

Durante esta primera etapa se calcula cuál es el grado de pertenencia que podría tener una entrada abrupta a una o varias funciones de pertenencia de una variable, a este resultado se denomina entrada Fuzzy (Figura 5).

Reglas de evaluación

Encierra el conocimiento necesario para dar la solución al problema de control abordado. Simbólicamente las reglas difusas o de evaluación responden a la siguiente sintaxis:

SI <condiciones o antecedentes> ENTONCES

<acciones o consecuentes>

La Figura 6 muestra el proceso de construcción de reglas para un sistema difuso.

Desfuzzificación

Esta etapa se encarga principalmente de la transformación de las variables controladas entregadas por un proceso, y su transformación en variables del tipo lingüístico. Como resultado de la fuzzificación se obtienen términos lingüísticos medidos en diferentes rangos.

El objetivo final de la desfuzzificación consiste en encontrar las salidas abruptas, para cada salida Fuzzy, aquellas que fueron encontradas en la etapa de las reglas de evaluación, se modificarán a su respectiva función de pertenencia de salida (Figura 7).

Desarrollo del proyecto

El desarrollo del proyecto se dividió en tres etapas y actualmente se encuentra en desarrollo la segunda.

La primera parte consistió en la implementación de una cámara para la medición de la distribución granulométrica del mineral en la entrada al molino, y a partir de esta variable se buscó calcular la cantidad de mineral que debía ingresar. El enfoque principal de esta etapa fue maximizar la cantidad de mineral procesado, considerando a la granulometría como factor determinante.

La segunda parte consistió en calcular una relación de agua/mineral, esto con el propósito de garantizar una adecuada densidad de pulpa en la salida, y de garantizar un tamaño P80 estable. Además, se incluyeron en el desarrollo funciones de razón de cambio. Estas permitieron garantizar que la modificación de tonelaje y flujo de agua no sea tan abrupta, evitando variaciones fuertes en el proceso.

La tercera etapa consiste en información proveniente de sensores inteligentes y sensores virtuales recién añadidos a la unidad minera Cerro Lindo. Entre las posibles variables a añadir se proponen: (i) Tamaño P80 medido en tiempo sincrónico, (ii) Estimado de propiedades geometalúrgicas y (iii) Nivel de llenado de bolas y carga en el molino.

Primera parte

Se implementó una solución para la medición de la granulometría, con el propósito de tener esta información en línea. El sistema instalado consiste en una cámara, gabinetes de control y una computadora.

Con el fin de medir la distribución del tamaño del mineral, la cámara toma fotografías cada tres segundos aproximadamente y segmenta las imágenes. Luego, el procesador obtiene el volumen de los elipsoides de cada una de las rocas y con ello tiene un resultado estimado. Para que el resultado del sistema sea correcto, se debe contrastar con valores reales de granulometría (Figura 8).

Luego de un proceso de calibración, finalmente, se consiguió tener un tamaño de partícula F80 con un margen de error entre 0.5 y 1.5 mm (Figura 9). Cabe resaltar, que este aumenta cuando el mineral es muy fino o grueso, pues durante el proceso de calibración no se consiguieron muestras con granulometría extremadamente fina o gruesa.

Para el desarrollo de la estrategia de control difusa se planteó la arquitectura propuesta en la Figura 10, donde además del tamaño de partícula del alimento que ingresa al molino, se consideró también el amperaje de las bombas de descarga del circuito de molienda primaria. Se tomó en cuenta esta variable debido a que el proceso de molienda no contaba con dispositivos para medir el caudal o el flujo de descarga del molino. A partir de esta variable se logró obtener una medida indirecta del mineral de salida, si el amperaje aumentaba, indicaba que existía carga circulante en el sistema y, por ende, representaba una restricción importante a considerar en el algoritmo de la lógica.

A continuación, se detallan en la Tabla 1, las variables consideradas en la estrategia de control. Se incluye también una breve descripción de cada una. El circuito de molienda en donde se instaló la estrategia de control consiste en dos molinos secuenciales, el primero, Metso 1, recibe alimento fresco; el segundo, sin embargo, sí recibe carga circulante. Por eso, la importancia de considerar el amperaje de las bombas para tener un valor referencial del flujo de la pulpa mineral a lo largo del circuito.

En la Figura 10, se puede apreciar también el proceso de desfuzzificación que se comentó anteriormente. Este corresponde a la asignación de las variables de entrada a las funciones de membresía establecidas. Es decir, el tamaño de mineral (el cual se obtiene con el sistema F80Meter), según su función de membresía podrá tener tres valores difusos: fino, normal o grueso. Lo mismo se realiza con las otras variables. Los rangos de las funciones de membresía fueron definidos haciendo un análisis estadístico de los datos históricos de las variables de entrada. En ese sentido, los valores quedaron como se muestra en la Tabla 2.

Finalmente, en la última etapa se realiza la “de- fuzzificación” en donde la salida del bloque de reglas se convierte en la decisión que tomará el sistema, es decir, controlar la alimentación del molino.

Segunda parte

La lógica también realiza el cálculo del flujo de agua a ser alimentado. Para ello, se generó una variable llamada “Passing -3 mm” (P-3), que corresponde a la fracción fina del mineral, la cual es generada también por el analizador de granulometría en línea. En función del P-3 se generan dos posibles escenarios, uno en donde la fracción fina es considerable y, otro, en el que el mineral grueso abunda. En función de ello, se obtienen dos relaciones de agua en mineral. En términos prácticos, la estrategia de control avanzado maneja dos valores de flujo de agua alimentada, en función de la cantidad de fracción fina presente en la muestra, para así optimizar la densidad de la pulpa en el producto, así como la granulometría. Esta etapa aún está siendo desarrollada.

Tercera etapa

En esta fase, aún por desarrollar, se planea la adición de la variable P80, como valor restrictivo para el sistema, la idea de este planteamiento es conseguir maximizar el tonelaje y garantizar un adecuado producto de salida. Si es que el P80 evidencia un tamaño grueso, pese a que la indicación del sistema sea incrementar el tonelaje en base a las condiciones de alimentación, el sistema tendrá que priorizar entre conseguir procesar más o conseguir un producto más estable. En esta etapa se considera darle un efecto dual a la lógica, el primero, bastante agresivo, en donde el foco será procesar la mayor cantidad de mineral posible garantizando el buen funcionamiento de las bombas y, el segundo, maximizando la estabilidad del tamaño P80 de salida.

Presentación y discusión de resultados

Se realizaron las pruebas industriales con la lógica difusa y se observó que se tuvo un incremento en el tonelaje procesado. Se estima un incremento promedio entre el 7% al 12%. En la Figura 11, se aprecia como al encender la lógica difusa, esta evalúa las condiciones del proceso y determina que se puede procesar más mineral del que se está pasando en ese momento. Es por ello, que vemos un aumento, mientras que, al estar la lógica apagada, el tonelaje de alimentación se mantiene constante, ya que ese fue el criterio del jefe de guardia. Si bien al encender la lógica difusa hay momentos en dónde el tonelaje disminuye, posteriormente esto tiene un impacto positivo, permitiendo que el sistema de molienda pueda soportar mayor procesamiento.

Conclusiones

1. La implementación de una estrategia de control permitió maximizar el tonelaje de alimentación hasta en un 12%.

2. La dosificación del flujo de agua representa un desafío, debido al estado actual de las bombas que controlan el ingreso del agua.

3. Se consiguió validar que la maximización de tonelaje y la estabilidad del tamaño P80 tienen en algunos casos una relación inversa.

4. La estabilización del tamaño de salida del mineral es posible controlando el tonelaje de alimentación y la dosificación de agua.

5. La implementación de variables obtenidas mediante sensores virtuales permitiría tener el tamaño P80 como salida, y posibilitaría llegar a un punto de equilibrio entre la maximización del tonelaje y la estabilidad del producto de salida.

Bibliografía

Huamán, H. 2019. Implementación de un sistema de control basado en lógica difusa para el proceso de molienda. Trabajo de suficiencia profesional, Universidad Tecnológica del Perú. https://repositorio.utp.edu.pe/handle/20.500.1286 7/2374

López, S. 2021. Apoyo en el diseño y parametrización de un control avanzado de proceso (APC) para un proceso petroquímico basado en analítica de datos. Informa final de pasantía, Universidad Distrital Francisco José de Caldas. https://repository.udistrital.edu.co/bitstream/handle/11349/28248/LopezBlancoSamuelRaul2021.pd f?sequence=1&isAllowed=y

Matlab®. 2020. Fuzzy Logic ToolboxTM. User's Guide.

Tejada, G. 2000. Tutorial de Lógica Fuzzy. Facultad de Ingeniería Electrónica de la Universidad Nacional Mayor de San Marcos.