Actualización de los parámetros de modelos de molienda semi-autógena del simulador Unisim Design en base a información histórica

Abstract

En procesamiento de minerales, los equipos de reducción de tamaño desempeñan un papel fundamental para mejorar la liberación de las partículas valiosas. La molienda semi-autógena (SAG) tiene un rol crítico como dispositivo de reducción de tamaño, ya que reemplaza la función de tres equipos convencionales: chancador secundario, terciario y molienda de barras. Además, corresponde al equipo de mayor consumo energético en las plantas concentradoras. En el presente trabajo, se analizaron datos históricos de una planta concentradora, los cuales consistieron en información medida en línea y durante las detenciones del molino SAG. Se aplicaron estrategias de modelación para disminuir la diferencia entre los datos de salida de un circuito de molienda SAG industrial y los resultados de la simulación del mismo circuito en UniSim Design. Con el objetivo de lograr una mejor predicción de las variables, de potencia consumida por el molino, presión en los descansos y el flujo de pebbles generados, se implementaron rutinas de optimización para minimizar la suma de las diferencias relativas al cuadrado entre las variables modeladas y los valores medidos. Este ajuste se logró mediante la modificación de los parámetros asociados a los modelos de selección, rompimiento y potencia. Inicialmente, se analizaron períodos cercanos a la operación Grind Out y/o Crush Stop, integrándose información medida off-line a la operación registrada on-line. Estos períodos de mayor disponibilidad de información se utilizaron como referencia para realizar un primer ajuste de parámetros, seleccionando el set de parámetros que disminuyó la diferencia relativa de cada variable de interés, respecto a los datos medidos, a un valor inferior al 5%, incluyendo el llenado de carga. Sin embargo, se observó que, para puntos de operación alejados de la detención del molino, los resultados de las variables de salida fueron sobrestimados. Debido a la baja efectividad de la primera estrategia, se optó por definir tres niveles de operación (bajo, medio y alto) para dos variables clave: flujo de alimentación y potencia consumida. Se identificaron nueve condiciones, y para cada una de ellas, se llevó a cabo un segundo ajuste mediante la herramienta de reconciliación de datos de UniSim Design. Se realizaron pruebas utilizando el conjunto de parámetros del segundo ajuste para condiciones de operación entre dos puntos Crush Stop. Como resultado, se concluyó que el rango de aplicación más adecuado resultó para flujo de alimentación bajo y potencia media. Finalmente, se propuso utilizar el modelo de potencia de Austin e integrar en la interfaz de UniSim Design los modelos de presión, desgaste de bolas y revestimiento. Por otra parte, para mejorar la estrategia propuesta según el rango de operación, se recomienda adicionar el flujo de pebbles generados como tercera variable.