UNIVERSIDAD DEL NORTE
DEPARTAMENTO DE INGENIERÍA MECÁNICA
EFICIENCIA ENERGÉTICA EN LA PRODUCCIÓN DE FERRONÍQUEL
PRESENTADO POR:
CARLOS ANDRES ALBOR POLO
PEDRO JUAN BARRIOS ARGEL
DENIS ADRIÁN CARRASCAL MINORTA
JUAN DANIEL NAVARRO HERRERA
CARLOS MARIO PEÑA FLOREZ
ANDRÉS CAMILO PRIETO GUTIERREZ
PRESENTADO A:
ING. ARTURO GONZALEZ QUIROGA
BARRANQUILLA, COLOMBIA
31/08/2019
Contenido
1 FORMULACIÓN Y DESCRIPCIÓN DEL PROBLEMA.................................................3
1.1 Planteamiento del problema..................................................................................3
1.2 Descripción del problema......................................................................................3
2 OBJETIVOS.................................................................................................................5
2.1 Objetivo general....................................................................................................5
2.2 Objetivos específicos............................................................................................5
3 ESTADO DEL ARTE....................................................................................................6
3.1 ¿Qué es Ore Sorting?...........................................................................................6
3.2 Ferroníquel y sus propiedades..............................................................................8
3.3 Uso actual del Ore Sorting en la minería...............................................................9
3.4 Sensores............................................................................................................. 10
3.4.1 Sensores visuales........................................................................................10
3.4.2 Sensores de rayos x....................................................................................10
3.4.3 Sensores XRF..............................................................................................11
3.4.4 Sensores NIR...............................................................................................11
3.4.5 Sensores electromagnéticos........................................................................11
3.4.6 Sensores radiométricos...............................................................................12
3.5 Métodos de procesamiento de imágenes............................................................13
3.5.1 Redes neuronales para el modelado del mineral.........................................14
3.5.2 GLCM (Gray Level Co-occurrence Matrices)...............................................16
3.6 Sorting machines................................................................................................16
4 Referencias................................................................................................................ 18
1 FORMULACIÓN Y DESCRIPCIÓN DEL PROBLEMA
1.1 Planteamiento del problema.
De qué manera se puede implementar los conocimientos adquiridos hasta ahora para mejorar la
eficiencia en los procesos de extracción de ferroníquel mediante la implementación de Ore Sorting en
la mina de Cerromatoso.
1.2 Descripción del problema.
Teniendo en cuenta que en la actualidad la industria minera está en busca de mejorar y optimizar los
procesos de extracción de minerales para tener una mayor producción, es decir, mejorar la eficiencia
de obtención del material que se requiera, en este caso el ferroníquel, es necesario conocer los
avances tecnológicos que existen hoy en día. Para lograr esto, uno de estos avances es el Ore
Sorting, que se encarga de manera automática con ayuda de sensores de clasificar la ganga en dos
grupos, que contengan o no el material que se requiera extraer.
Para poder implementar esta tecnología hay que tener la total certeza de que los resultados serán
favorables para la empresa, debido a que la implementación e instalación de esta tecnología de
clasificadores tecnológicos o automáticos son muy costosos y no son totalmente eficientes para todos
los tipos de procesos con todos los materiales, es decir, que en todas las minas no se puede
implementar esta técnica y esperar los mejores resultados en cada una de ellas.
Hoy en día son pocas las minas que se han interesado en implementar esta técnica de clasificación
automatizada, por lo antes mencionado. Una se estas son las minas de San Rafael en Perú y las
minas de piedras preciosas en Brasil, procesos que trabajan con materiales muy diferentes y esto
hace que no se tenga mucha información a la hora de tomar la decision se usar el Ore Sorting o no
en la mina de Cerromatoso, es por esto que el proyecto está basado en la búsqueda de metodologías
que puedan aumentar la eficiencia de los procesos de extracción asociados a esta técnica, esto para
brindar una mayor seguridad y confiabilidad al momento de que los directivos de la mina sobre la que
de está haciendo el estudio, decidan invertir en está iniciativa.
Otro punto a tener en cuenta este asegurando una buena eficiencia en la ballena se podrían reducir
los costos y mejorar las ganancias del proceso de extracción de ferroníquel, ya que si se utiliza está
novedosa técnica no sería necesario la gran cantidad de mano de obra que se necesitaba
anteriormente.
Para pensar en aumentar la eficiencia de los clasificadores es necesario saber cómo funcionan; es un
sistema de reconocimiento de minerales en la ganga, Esto se logra pasando la ganga por los
sensores electromagnéticos, de rayos X, de densidad, de color, entre otros, utilizando una bandera
transportadora y gracias a los datos recopilados por los sensores se activa un mecanismo de elección
de aire a una alta presión para así separar la parte de la ganga que contenga un alto porcentaje se
mineral de la que no. En el transcurso de este proyecto se estará explicando con mayor profundidad
el funcionamiento de cada uno de los equipos que componen este sistema.
2 OBJETIVOS
2.1 Objetivo general.
Aumentar o mejorar la eficiencia en el proceso de extracción de ferroníquel mediante la
correcta implementación del proceso de “ore sorting”.
2.2 Objetivos específicos
Determinar la tecnología de sensores más adecuada para la detección y procesamiento de
imágenes para el ferroníquel.
Proponer alternativas para mejorar la eficiencia en los procesos de extracción del
ferroníquel mediante cambios o modificaciones en el sistema SBS.
Estimar parámetros de funcionamiento para aumentar la eficiencia en la detección del mineral
por parte de los sensores utilizados en el ore sorting.
Definir estrategias para impedir el aglomeramiento de las partículas en la etapa de
clasificación del material.
Establecer las condiciones óptimas a las que debe operar la máquina para garantizar el
funcionamiento adecuado de la misma.
3 ESTADO DEL ARTE.
3.1 ¿Qué es Ore Sorting?
El ore sorting es una práctica reciente en la industria minera moderna cuyo primer intento de
implementación se llevó a cabo por los años de 1930 y 1940 aproximadamente, (teniendo un
desempeño muy bajo con respecto al actual debido a limitaciones tecnológicas de la época), que en
el último siglo y especialmente en la última década ha sido retomada debido a la búsqueda de
mejores eficiencias y la optimización de los procesos de extracción de minerales.
“Ore sorting” o “clasificación de minerales” como traduciría textualmente es un proceso de selección
de minerales en el cual se analiza la roca extraída de la cantera y se separa de aquella que no
cumpla con un porcentaje mínimo del mineral exigido por la minera, este proceso se lleva a cabo
mientras la roca es transportada en bandas y se le conoce como sensor based sorting (o “SBS” por
sus siglas) al conjunto de deteccion y analisis de la roca y el mecanismo de clasificación; este análisis
y detección de minerales en la “roca dura” (roca extraída de la minería subterránea) se lleva a cabo
mediante un proceso de “acción-reacción”, en el cual se induce un estímulo sobre el flujo de rocas y
casi instantáneamente se estudia la reacción de cada roca de manera individual, la respuesta que se
obtenga variará dependiendo del tipo de mineral y del tipo de estímulo que se ejerza, entre otros,
donde las rocas duras “puras” reaccionan de una forma específica y aquellas con minerales
reaccionan de distinta manera dependiendo de las concentraciones de mineral que allí se encuentren;
como fue mencionado previamente las rocas se encuentran en movimiento en todo momento de la
operación debido a esto la forma más eficiente y confiable de registrar toda la información a tiempo
real de cada roca es mediante el uso de sensores, los cuales envían los datos recopilados a una
computadora encargada de escoger las rocas que cumplan con los requisitos impuestos y enviar una
señal a la máquina de clasificación indicando la posición de la roca que debe ser apartada.
Cabe resaltar que el tipo de sensor utilizado depende del tipo de estímulo inducido, existen varios
tipos de estímulos usados en la actualidad para la detección de minerales de los cuales sus mayores
exponentes son calóricos o de radiación (esta puede ser de rayos x, rayos gamma o rayos infrarrojos)
los cuales usualmente, a nivel de mercado, suelen encontrarse tanto el generador del estímulo y su
respectivo sensor incluido dentro de un mismo equipo lo cual facilita su instalación aún más si se
tiene en cuenta que se suele usar más de un solo equipo de sensores con el fin de lograr unos
resultados y por ende una clasificación más exacta.
Por otro lado, las máquinas de clasificación suelen encontrarse un poco distanciadas de los equipos
de detección y sin ningún tipo de conexión física más allá de la necesaria para el traspaso de
información; así como en los equipos de sensores también existen múltiples sistemas o mecanismos
que utilizan estas máquinas de los cuales los más utilizados son las que usan un método de
clasificación neumático y las de método mecánico siendo las primeras el método más utilizado para el
ore sorting debido principalmente a su precisión y relativa sencillez, esto ocurre puesto que el método
neumático hace uso de corrientes de aire expulsado a presión para cambiar la trayectoria de la roca
previamente seleccionada por el equipo de sensores, este a su vez cuenta con numerosas boquillas a
lo largo de la sección transversal de la cinta transportadora lo cual le permite actuar en más un punto
incluso de manera simultánea (fig. 1).
Imagen 1. Bosquejo de la vista frontal de una máquina de clasificación neumática.
Debido al desarrollo tecnológico del presente siglo (especialmente los conseguidos en la última
década) se ha logrado mejorar el desempeño de estos componentes obteniendo así unos estándares
de confiabilidad y rapidez de procesamiento muy altos, sin embargo, para lograr un correcto
funcionamiento del SBS se deben tener las condiciones adecuadas para la roca tales como un
tamaño ideal de roca tras la salida de los “crushers” o trituradoras, las cuales se encargan de reducir
el tamaño de las grandes rocas extraídas inicialmente a tan solo unos cuantos centímetros, este
proceso es fundamental puesto que a menor tamaño de roca mayor será la respuesta de esta al
estímulo lo cual hará más efectiva la tarea de selección del equipo, no obstante, los sensores
requieren de un tamaño mínimo de roca, usualmente de más de 6 milímetros, puesto que se dificulta
la identificación del mineral en tamaños inferiores, a su vez es preferible contar con un tamaño
estándar de roca puesto que esto facilitará el trabajo de las máquinas de clasificación; pero aún
cuando este proceso sea llevado a la perfección se puede presentar la fuga de algunas rocas con
baja o nula presencia del mineral requerido lo cual suele ocurrir cuando las rocas presentan poca
separación la una de la otra haciendo que al momento de su clasificación la máquina termina por
separar ambas rocas del resto, aun así el ore sorting y su sistema de SBS cuenta con un porcentaje
de recuperación de alrededor del 90% aproximadamente, esto quiere decir que posterior a la
clasificación el 90% de las rocas seleccionadas por el sistema cumplen con los requisitos mínimos de
presencia del mineral, el cual es el único objetivo de realizar este procedimiento, puesto que se
concentra la cantidad de roca que sí representa una ganancia (tanto del mineral y posteriormente
económica) y se reducen los sobrecostos en el proceso de extracción del mineral al retirar las rocas
que no contienen porcentajes óptimos de este; esta es la razón principal por la cual la implementación
del Ore Sorting en el sector minero ha venido creciendo en los últimos años especialmente en
aquellas minas las cuales su producción ha disminuido con respecto a años anteriores y mediante la
implementación de esta tecnología se busca extender la vida útil de la cantera unas décadas más,
(siendo las minas de cobre, oro y tungsteno las más interesadas en la implementación de esta
práctica).
3.2 Ferroníquel y sus propiedades.
El níquel es uno de los elementos más comunes en la tierra y presenta unas propiedades físicas y
químicas que este sea utilizado en la industria y en muchas de las actividades del diario vivir de las
personas. Para mencionar algunas generalidades acerca de este momento podemos decir que tiene
muy buenas propiedades magnéticas y que se encuentra situado en el grupo 10 de la tabla
periódica,además es un material muy maleable y dúctil. En aleación junto al hierro presenta
características muy específicas que le permite ser utilizado para mejorar sistemas que ya existentes,
ya que es un material que no se oxida con facilidad y tiene muy buena resistencia ala corrosión. Tiene
una densidad de 8908 kg/m3.
En cuanto a propiedades físicas podemos decir que se encuentra en estado natural sólido, que es un
material ferromagnético y su punto se ebullición es 2730 °C.
La mayor parte del ferroníquel es utilizado para fabricar acero inoxidable austeníticos, otro uso muy
importante en la industria es en la fabricación de baterías y circuitos electrónicos, además son muy
utilizados en la fabricación y construcción de turbinas se gas.
3.3 Uso actual del Ore Sorting en la minería.
Sabiendo que el Ore Sorting es una técnica de identificación se materiales en minas, mediante el uso
de distintos tipos de sensores que logran medir ciertas propiedades y características del mineral a
extraer. Con la implementación de esta técnica de busca mejorar la eficiencia de extracción del
material en cuestión, en este caso del FerroNíquel, y a su vez disminuir los costos asociados a la
minería, a través de la disminucion se la mano de obra y una mayor productividad. Son pocas las
minas que hoy en día hacen uso de esta técnica, siendo el mayor exponente la mina de San Rafael
en Perú, donde aseguran haber aumentado en gran catidad su producción mediante esta técnica.
Comúnmente el Ore Sorting es utilizado en Sudáfrica y Brasil para el reconocimiento de esmeraldas,
perlas y otras piedras preciosas, pero no era utilizada para el reconocimiento de metales hasta que
en Perú lo utilizaron para la extracción de estaño y los resultados fueron muy alentadores, pagándose
la inversión del equipo en solo 4 meses y obteniendo muchas ganancias, por lo que vemos que este
método es una buena alternativa para la industria minera.
Otro ejemplo de donde utilizan los identificadores (Sorting) es en Australia, en donde la empresa que
lleva por nombre “Ore Sorting” ofrece tecnologías para la solución de problemas en minas, haciendo
uso del método mencionado, está empresa ofrece la implementación se rayos X y otro tipos se
sensores para mejorar la productividad de sus clientes, la selección se estos sensores de hace
dependiendo del mineral o material que se esté extrayendo.
Para la impetancion se los identificadores en la actualidad hay que tener en cuenta ciertos tipos se
requisitos que debe cumplir la mina, por ejemplo que no sea subterránea o que no haya que ir
muchos metros bajo tierra para encontrar el mineral, demás, el ore Sorting solo trabaja con minerales
de tamaño superior a 6 milímetros, esto para garantizar que los sensores que se utilicen puedan
hacer la selección correcta. otro requisito que de debe cumplir es que la mina tenga una ilusión de
mayor a 20% para garantizar la eficiencia de la máquina; la Ilusión no es más que la cantidad de
mineral que se requiera extraer por cada cierta medida de volumen de tierra excavada.
3.4 Sensores
Actualmente, existen varias tecnologías de sensores que pueden ser potencialmente útiles en el Ore
sorting. Dichas tecnologías son sensores ópticos, electromagnéticos, infrarrojos, Rayos X y sensores
basados en rayos láseres [6]. Estos detectores de material, debido a la forma en que funcionan,
necesitan de ciertos parámetros para garantizar un funcionamiento adecuado, algunos de estos son
la humedad relativa del aire en donde estén trabajando, puesto que una muy alta concentración se
vapor de agua en el aire circundante puede averiar los equipos y brindar un error o una incertidumbre
muy alta en las mediciones; otro parámetro que debe ser controlado es la temperatura del medio para
facilitar la propagación correcta de los rayos X y ondas electromagnéticas se los sensores.
3.4.1 Sensores visuales
Los sensores visuales usan un sistema de escala de grises para clasificar el material aprovechable de
la ganga. Este tipo de sensores se basan en la detección de diferencias de color transparencia y
brillo de las superficies de partículas en región de luz visible [10]. La clasificación óptica de minerales
ha sido exitosa para separar cromita y oro, así como mineral y piedras preciosas. Dependiendo del
tamaño de las rocas de minerales a ser clasificadas se pueden lograr rendimientos de hasta 300 t/h
[10]. Otro aspecto importante se esté tipo de sensores es la eficiencia con que pueden llegar a
trabajar en minas de extracción de metales, ya que es, en cierta medida, sencillo para estos equipos
diferenciar, en este caso, el ferroníquel del resto se la ganga debido a las diferencias en sus
propiedades ópticas.
3.4.2 Sensores de rayos x
La clasificación de minerales por medio de esta tecnología, se basa en las diferencias de absortividad
de rayos x, y a su vez esta propiedad depende del número atómico de los elementos a clasificar.
Por otro lado, una de las principales ventajas de este tipo de sensores es que los rayos x penetran
toda la partícula, lo cual permite obtener información detallada del interior de esta. Además, estos
mecanismos utilizan una cámara de rayos X de alta sensibilidad y un tubo de rayos X eléctrico para
medir con gran eficiencia la densidad atómica de los materiales que de estén trabajando para
compararlos con una base de datos y así poder identificar el mineral de importancia dentro de todos
los escombros recogidos.
3.4.3 Sensores XRF.
Esta tecnología se basa en el análisis espectral de rayos x secundarios emitidos desde la superficie
de las muestras debido a la irradiación por rayos x. Esto se debe a la excitación de átomos en la
superficie de la roca de mineral por la radiación de rayos x. La radiación de alta energía causa que los
átomos se ionizan, lo que genera una radiación característica llamada fluorescencia de rayos X. A
diferencia de los rayos X esta tecnología solo detecta las características en las superficies de las
partículas [10]. Los sensores XRF tienen resoluciones espaciales de 50-100 mm, las cuales son bajas
en comparación con otro tipo de tecnología.
3.4.4 Sensores NIR.
La detección del infrarrojo cercano (NIR) se basa en la irradiación de partículas con posterior
detección y análisis de la radiación reflejada en la región NIR. Como resultado de interpretar la
radiación reflejada a longitudes de onda de 780–2500 nm [10]
Dependiendo de la composición mineralógica de la muestra se obtienen características específicas
de absorción, entonces si dichas características son distintivas en los materiales presenten se puede
utilizar esta tecnología de detección.
Por otro lado, como la detección dependerá de las características específicas del material, es
necesario que la superficie sea limpiada antes de la medición. Diversos estudios demuestran que la
mayoría de los materiales presentan características de absorción específicas en longitudes de onda
entre 1300 nm y 2550 nm [ 11]. Actualmente este tipo de sensores tienes resoluciones espaciales de
aproximadamente 5 mm.
3.4.5 Sensores electromagnéticos.
Los sensores electromagnéticos se basan tal como su nombre lo indica en las propiedades
magnéticas de un material, o capacidad de alterar un campo magnético o eléctrico. Este tipo de
sensores suelen ser usados cuando materiales conductores necesitan ser separados de otros que no
lo son.
Fig.1 Principio de funcionamiento de los sensores electromagnéticos
Los sensores electromagnéticos se limitan a la clasificación de materiales en el sector de materias
primas secundarias, mientras que para el sector de materia prima primaria se utilizan solo en los
casos donde el contenido del metal objetivo es alto [10].
3.4.6 Sensores radiométricos
Una de las primeras aplicaciones de la clasificación radiométrica de minerales fue separar la calcita
(CaCO3) como roca estéril de los minerales de uranio [10]. El principio de esta tecnología de
detección se basa en la emisión de fotones como material centelleante irradiado por radiación
altamente energética. Los fotones que se emiten se dirigen a un cátodo sensible a la luz del tubo
fotomultiplicador que después general la liberación de electrones de un cátodo. Como se observa
en la siguiente figura las partículas individuales son detectadas por centelladores que están montados
debajo de la banda transportadora. Así mismo los clasificadores utilizan contadores centelladores,
que consisten en un medio centelleante, así como un tubo fotomultiplicador [10].
Fig.2 Diseño esquemático de un sensor radiométrico
3.5 Métodos de procesamiento de imágenes.
Dado que las imágenes segmentadas tomadas de las menas requieren ser procesadas de manera
automática para la selección del mineral de la ganga en el ore sorting ; en la industria minera se han
utilizado modelos computacionales automáticos y semi-automáticos basados en redes neuronales.
Estas redes optimizan el proceso de selección ya que procesan la información rápidamente dando
como resultado un ahorro de tiempo, resultando un impacto positivo en la producción minera , costos
y eficiencia energética en el proceso.
Actualmente en la industria minera se usan redes neuronales tales como BP (back propagation,por
sus siglas en inglés) y MLP (The multi-layer perceptron, por sus siglas en inglés).Sin embargo en la
literatura se referencian múltiples aplicaciones donde se mezclan estas redes neuronales,
optimizaciones de ellas y distintos tipos de parámetros de entrada tales como:
Gray Level Co-occurrence Matrices (GLCM)
Principal Components Analysis (PCA)
Wavelet Texture Analysis (WTA)
Related Neighborhood pixels Recognition Algorithm (RNRA)
Otros sistemas de identificación que se han investigado cuentan con sistemas integrados de
detección, procesamiento y selección. Tales sistemas son:
Digital Signal Processing (DSP)
Field Programmable Gate array (FPGA)
Binary Quaternion-Moment-Preserving (BQMP)
A continuación, se expondrán en detalle cada sistema de identificación referenciado anteriormente:
3.5.1 Redes neuronales para el modelado del mineral
Las redes neuronales tienen un objetivo principal, el cual es extraer las características constitutivas
de las imágenes segmentadas de la muestra, las cuales son construidas por los sensores. Estas
imágenes segmentadas suponen un parámetro de entrada para la red neuronal, la cual codifica los
pixeles de las imágenes y realiza una aproximación teniendo en cuenta otros parámetros de entrada
como los son los estudios previos de características morfológicas, físicas, químicas, texturales y
visuales de las menas de la mina.
Al finalizar este procedimiento, la red neuronal evalúa los errores que se hizo en la aproximación,
para ajustar parámetros usados en el algoritmo del procesamiento de las imágenes.
A continuación, se presentan las redes neuronales comúnmente usadas en la industria minera, los
cuales difieren en la selección de las características, los métodos de comparación que intervienen en
el proceso de reconstrucción de la imagen, además del modelo de ajuste de los parámetros usados
para reducir el error de la aproximación.
BP (backpropagation).
Esta red contiene múltiples capas de redes neuronales conectadas entre sí, las cuales procesan la
información de entrada y reconstruyen la imagen extraída con base en aproximaciones con
parámetros establecidos por la red. Esta red tiene una particularidad en la reducción de errores
cometidos en el proceso de aproximación de la imagen el cual consiste en buscar la fuente de error
en las capas subyacentes de neuronas y ajustar los parámetros proporcionando cierto porcentaje a
cada parámetro entrada (Figura 1). Luego se realiza una propagación de la corrección hacia atrás
hasta llegar a la última capa secuencialmente. Esto es una optimización en el proceso ya que elimina
el ajuste por el error que generan las líneas de conexión entre las neuronas de las distintas capas de
la red.
Figura 3. Backpropagation.
MLP (The multi-layer perceptron).
Esta red neuronal se compone de tres redes neuronales que definen tres capas interconectadas
(Figura 1).La primera capa es la de entrada, la cual contiene los parámetros de entrada de la muestra
, los pesos Wi ,,jy i son establecidos para realizar la conexión entre las capas .La segunda capa es la
oculta , esta realiza el procesamiento de los datos de la capa de entrada utilizando funciones
hiperbólicas,tangente y lineal .Finalmente la última capa es la salida, la cual es la respuesta en el
procesamiento en la segunda capa con cierto margen de error. Para ajustar los parámetros Wi ,,jy i y
optimizar el proceso se usa el algoritmo BP(back propagation).
Esta red neuronal ha sido ampliamente usada por su eficiencia en el proceso, por ejemplo, en la
detección de componentes en las superaleaciones de níquel.
Figura 4. Esquema gráfico de MLP.
3.5.2 Gray Level Co-occurrence Matrices
En este método se extraen cuatro características texturales de las menas los cuales son energía,
entropía y contraste. Estos datos se extraen de las imágenes segmentadas utilizando Matrices de
Coincidencia de Nivel Gris (GLCM, por sus siglas en ingles). Estas características son parámetros de
entrada que se usan en una red neuronal, la cual aproxima con escala de grises los componentes
constitutivos de las imágenes para la posterior clasificación del mineral.
En la industria siderúrgica se usa para extraer el mineral enriquecido de las minas, los cuales se
dividen en tres tipos: blanco, gris y marrón.
3.6 Sorting machines
La clasificación de minerales fundamentados en sensores establece un método muy completo para la
preconcentración o rechazo de residuos al principio del proceso de reducción de tamaño de los
minerales. La tecnología analiza detalladamente cada una de las partículas de la roca en busca de
propiedades químicas y físicas únicas de cada una y mediante chorros de alta presión separa las
partículas de roca en dos corrientes. Este método maximiza la recuperación y disminuye el tiempo de
recolección de partículas de interés de acuerdo a los intereses de la mina.
Diferentes tipos de máquinas y sensores abarcan una amplia selección de tipos de minerales. Todas
las máquinas están constituidas por tres principios fundamentales : presentación de materiales,
recolección de información mediante sensores y separación. El material de interés se presenta como
una monocapa de partículas liberadas a los sensores, cada tipo de sensor analizan cada partícula
individual, y la decisión de aceptar o rechazar se toma aproximadamente en 30 milisegundos. La fase
de separación física de las partículas rechazadas y aceptadas se logra alterando la trayectoria de las
partículas generalmente con chorros de aire comprimido precisos en la zona de productos o en los
canales de desechos.
La distancia entre partículas se ha convertido en una de las principales problemáticas a la hora del
proceso de clasificación. El rendimiento del clasificador está limitado por la condición de presentar
partículas a los sensores individualmente debido a que la aglomeración de partículas impide al sensor
analizar cada partícula individualmente afectando el proceso de selección y separación física de las
partículas. Por lo tanto, la alimentación debe estar bien separada para garantizar una alta eficiencia
de separación.
De jong and Harbeck (2005) investigaron el rendimiento máximo de los clasificadores con una
alimentación de mono capa para diferentes tamaños de partículas. Los investigadores mencionaron
que la probabilidad de alcanzar el rendimiento máximo debido a la presentación de alimentación no
aleatoria y a la condición de una distancia mínima a las partículas vecinas es baja. Estudios han
demostrado que si este mínimo de proximidad, está por debajo de cierto nivel de umbral, la eficiencia
del separador puede disminuir radicalmente. Pascoe y col (2010) estudiaron y analizaron la relación
que existe entre el rendimiento y la eficiencia de separación para un clasificador que utiliza chorros de
aire comprimido para la separación de partículas. Este estudio tuvo en cuenta relaciones basadas en
la experiencia y en la observación de hechos entre una medida de proximidad de las partículas, carga
de la banda transportadora y la eficiencia de separación para pronosticar el rendimiento del
clasificador.
La cercanía de las partículas afecta la eficiencia de separación de los clasificadores de dos formas.
La primera, cuando las partículas yacen en contacto, el sensor está identificando incorrectamente
como una sola partícula aglomerada y puede clasificarse erróneamente. En segundo lugar, cuando
dos o más partículas están muy próximas y una partícula clasificada es expulsada por una fuerza
externa, las otras partículas pueden ser desviadas debido a su cercanía. Además, si la fuerza externa
sobre las partículas es lo suficiente grande, puede que las otras partículas cercanas sean expulsadas
involuntariamente. Esta segunda escena es la proximidad de las partículas a la fuerza externa en
lugar de la proximidad a la partícula.
Varios estudios han realizado diferentes modelamientos mediante ecuaciones de la fuerza externa
para la clasificación de las partículas. Generalmente, esta fuerza externa es representada mediante
válvulas de chorros de aire comprimido. Mediante softwares computacionales de dinámicas de fluidos
se han hecho estudios para mejorar el rendimiento de la fuerza externa para la separación de
partículas.
4 Referencias
[1] B. S. C. K. J. &. Y. L. Klein, «Development of a bulk ore sorting model for sortability assessment,»
Minerals Engineering, nº 141, p. 105856, 2019.
[2] V. A. C. &. M. R. Jokovic, «MW heating of rock particles and their cross-dependencies,» Minerals
Engineering, nº 141, p. 105834, 2019.
[3] E. &. G. Ö. Y. Gülcan, «Evaluation of complex copper ore sorting: Effect of optical filtering on
particle recognition,» Minerals Engineering, nº 127, pp. 208-223, 2018.
[4] T. G. H. J. &. M. P. Phiri, « Development of a strategy and interpretation of the NIR spectra for
application in automated sorting,» Minerals Engineering, nº 127, pp. 224-231, 2018.
[5] S. S. M. K. B. &. H. C. J. R. Nadolski, «Evaluation of bulk and particle sensor-based sorting
systems for the New Afton block caving operation,» Minerals Engineering, nº 121, pp. 169-179,
2018.
[6] D. P. &. G. R. R. K. Tripathy, «Novel Methods for Separation of Gangue from Limestone and Coal
using Multispectral and Joint Color-Texture Features,» Journal of The Institution of Engineers, nº
98(1), pp. 109-117, 2017.
