Modelado de cinética de transformaciones de fase en metalurgia usando modelos de simulación

• Gans Carlos Morales Vásquez
• Sept. 3, 2023

INTRODUCCIÓN

 

La metalurgia extractiva y metalurgia física es un pilar en la industria minero-metalúrgica, con esta podemos comprender como se obtienen los metales y aleaciones a partir de los minerales. Al sumergirnos en este campo entenderemos lo fundamental que es el control de las transformaciones de fase de los materiales a razón que se someten a constantes procesos de tratamiento físico-químicos.

Una herramienta indispensable para los ingenieros metalurgistas, es el modelado de la cinética de las transformaciones de fase, lo cual nos permite analizar detalladamente el cambio microestructural a lo largo del proceso. Teniendo como resultados la predicción del comportamiento de los materiales en distintos escenarios metalúrgicos.

En el presente artículo se tocará la importancia de aplicar los modelos de simulación en el sector industrial, desde la solidificación de metales hasta los procesos de hidrometalurgia (lixiviación de minerales). El modelado de cinética de transformaciones de fase es un aspecto fundamental de innovación en la metalurgia, no obstante, contribuye en la optimización de procesos y reducción de costos.

 

MODELOS DE SIMULACIÓN EN METALURGIA

Estas son herramientas computacionales que nos ayudan a representar y comprender los procesos y fenómenos que se dan en la producción, transformación y tratamiento de metales y aleaciones. Logrando representar el mundo real en un entorno digital, facilitando el estudio, análisis y optimización de los procesos metalúrgicos.

¿QUÉ ES UN MODELO DE SIMULACIÓN EN METALURGIA?

Es una representación matemática y computacional de un sistema metalúrgico. Se utilizan ecuaciones y algoritmos para describir cómo se comportan los materiales y el cambio de las variables en función del tiempo y condiciones del proceso.

• Proceso de modelado y simulación en metalurgia

Generalmente presenta los siguientes pasos:

1. Definición del problema.

Identificamos los objetivos del estudio y se determina que aspecto del proceso se modelara.

2. Selección de variables y parámetros.

Seleccionamos las variables relevantes del proceso (temperatura, concentraciones entre otras) y los parámetros que describirán el comportamiento de las variables en el tiempo.

3. Desarrollo del modelo.

Creación de un modelo matemático que representa el proceso metalúrgico estudiado. El modelo describe la variación de las variables en el tiempo y sometido a diferentes condiciones.

4. Implementación computacional.

El modelo creado se traduce en un programa de simulación computacional de software especializado.

5. Validación y calibración.

Comparamos las predicciones del modelo con datos experimentales, observando si el modelo reproduce adecuadamente el sistema real. De ser necesario, se ajustan los parámetros del modelo de tal manera que se ajusten a los datos experimentales.

6. Simulación y análisis.

Al validar el modelo, es usado para simular diferentes escenarios y condiciones del proceso. Realizamos el análisis de resultados, observando la influencia de las variables y la influencia en la optimización del proceso.

7. Toma de decisiones.

Los resultados de la simulación, nos ayudan a tomar decisiones informadas que influirán en la calidad del producto, eficiencia y/o cualquier otro aspecto del proceso.

 

 

IMPORTANCIA Y APLICACIONES

La importancia del modelado de estos procesos radica en brindar información tanto cuantitativa como cualitativa del desarrollo y evolución microestructural de los materiales durante su procesamiento y posteriores tratamientos térmicos.

En la actualidad los ingenieros metalurgistas tienen grandes desafíos al tratar de comprender y controlar las transformaciones de fases que ocurren durante la extracción metales de los minerales y su posterior procesamiento. Estas transformaciones pueden influir en la calidad del producto final, la eficiencia del proceso y los costos de la operación.

El modelado de la cinética de transformaciones de fase en metalurgia extractiva mediante simulación tiene una amplia gama de aplicaciones en la industria. Aquí se detallan algunas aplicaciones:

1. Solidificación de metales

Un caso específico son los modelos de simulación para predecir la solidificación de aceros durante el proceso de colada continua. Estos modelos consideran la cinética de la formación de fases sólidas y el cambio microestructural a medida que el metal se enfría. Aquí obtenemos información crucial con respecto a las condiciones óptimas de colada y obtener aceros con propiedades mecánicas y microestructurales deseables.

En la fundición de metales, como el aluminio o el hierro los modelos de simulación son beneficioso ya que nos ayuda a optimizar la velocidad de enfriamiento para evitar defectos de solidificación, como porosidad, formación de estructuras como dendritas o las segregaciones de impurezas.

 

Figura 1: Campo de velocidades del metal fundido

 

Figura 2: Simulación numérica del proceso de solidificación en metales

 

 

2. Transformación de fases en aceros

Durante el procesamiento los aceros pasan por múltiples transformaciones de fase, como la austenización, la perlita, la vainita y la martensita. Con los modelos de simulación permite conocer como estas transformaciones afectan a las propiedades mecánicas del acero, como la dureza, resistencia y tenacidad.

Esto nos permite diseñar procesos para lograr microestructuras especificas ya mencionadas que influyen en las propiedades mecánicas.

 

Figura 3: a) Diagrama TTT para aceros con denominación 2.25Cr-1Mo b) Resultados estadísticos

 

Para las propiedades termo-dependientes y los diagramas a altas temperaturas necesarias para la simulación de soldadura de un acero 2.25Cr-1Mo, el tratamiento de austenización, la composición química y los carburos presentes influyen significativamente en el comportamiento de las propiedades termo-dependientes y diagramas obtenidos.

 

3. Tratamientos térmicos

El temple, revenido y normalización son tratamientos térmicos usados para mejorar las propiedades de los metales. Los modelos de simulación son empleados para calcular las curvas de enfriamiento, prever transformaciones de fase y optimización de tratamiento térmico (temperatura y tiempo).

La carburización y nitrocarburización de aceros es un proceso critico que permite ajustar la composición química y dureza superficial. Los ingenieros metalurgistas emplean modelos de simulación que permite controlar la cinética de absorción de carbono y nitrógeno en el acero, que tiene como fin de mejorar la resistencia al desgaste y la dureza superficial.

Con los modelos también podemos predecir como varia la concentración de carbono y nitrógeno en el material con el tiempo y bajo diferentes condiciones de tratamiento.

Un caso específico de estudio es el acero de bajo contenido de carbono ETN-22, usado para la fabricación de engranes, el cual fue carbrurizado, templado en aceite y revenido

 

Figura 4: Ecuación de difusión - Segunda Ley de Fick

 

Figura 5: Diagrama esquemático del carburizado del acero ETN-22

 

Se desarrolló un modelo numérico que describe los fenómenos de transferencia de masa y de calor que ocurren durante el tratamiento térmico de carburizado y temple de una pieza de acero, donde la temperatura y tiempo de tratamiento, el contenido de carbono superficial y el coeficiente de difusión varían durante el proceso; dicho modelo se implementó en la aplicación computacional CONDUCT (acrónimo de “heat CONduction and DUCT flow”) y se validó a partir de datos de la literatura y de mediciones experimentales sobre una pieza de acero de baja aleación.

 

4. Precipitación en Aleaciones

Los modelos de simulación son usados en la industria de las aleaciones de aluminio, para controlar la cinética de precipitación de fases como la dispersión de partículas de Al3Mg2. Lo cual ayuda a mejora la resistencia y durabilidad de las aleaciones.

En aleaciones como el aluminio y el titanio, estas precipitaciones pueden repercutir en propiedades como la resistencia a alta temperatura.

Según Agelet de Saracibar, López, Ducoeur, Chiumenti, de Meester (2012), proponen un modelo que permite estimar la energía de activación efectiva para la disolución de los precipitados con endurecimiento y la obtención de la curva maestra de la disolución utilizando redes neuronales. Este modelo se basa en el modelo cinético de disolución de precipitados para aleaciones de aluminio con endurecimiento presentada por Myhr y Grong (1991).

La metodología propuesta se ha aplicado a diferentes aleaciones de aluminio, incluyendo las AA6005AT6, AA7449T79 y AA2198T8.

 

Figura 6: Modelo de disolución de precipitados de Myhr y Grong (1991)

 

Figura 7: Arquitectura 1:1:1 con una neurona en la capa oculta – 1:3:1 con 3 neuronas en la capa oculta

 

Figura 8: Curva maestra – energía de activación efectiva para la aleación de aluminio AA7449T79 utilizando una red neuronal con arquitectura 1:1:1.

 

 

5. Cinética de lixiviación en hidrometalurgia

La cinética de lixiviación es un aspecto importante en el diseño y optimización de procesos metalúrgicos. Los metalurgistas se ayudan de modelos de simulación para predecir como los minerales o concentrados se comportan en un entorno de lixiviación en función de diferentes parámetros y condiciones, con el fin de maximizar la recuperación metálica.

 

• Modelos cinéticos de lixiviación

La lixiviación es una reacción heterogénea en la cual un sólido reacciona con una solución para formar productos, que pueden ser líquidos o sólidos. La reacción química puede ser modelada cinéticamente en una relación matemática, la elección del modelo dependerá del caso de lixiviación.

 

Figura 9: a) Modelo cinético de núcleo sin reaccionar (NSR) para partícula con tamaño constante. b) Modelo cinético para partícula con tamaño decreciente

 

El modelo NSR se asemeja al proceso de lixiviación, dado su control por difusión en la capa porosa o por reacción química en la superficie del núcleo.

En este apartado es importante mencionar a los modelos de transporte de masa. Estos son aquellos modelos que se centran en la difusión y el transporte de especies químicas en sistemas hidrometalurgicos. Ayudan a entender como los reactivos y los productos se mueven a través de un sistema y como esto afecta a la cinética de la extracción de oro.

 

Figura 10: Resumen de modelos cinéticos tanto para NSR y partícula de tamaño decreciente, considerando las expresiones del tipo integral y diferencial.

 

En la lixiviación de minerales, este modelo se utiliza para entender como los reactivos lixiviantes se desplazan a través de la matriz porosa y reaccionan.

Brindan información de cómo los componentes disueltos se transportan dentro del sistema. Logrando predecir la distribución de concentraciones de especies químicas a lo largo del tiempo.

 

Figura 11: Modelo iónico del sistema de simulación unidimensional de una pila de lixiviación.

 

 

• Software de simulación

Además de los modelos matemáticos ya mencionados, los metalurgistas utilizan softwares de simulación, para desarrollar modelos detallados de procesos hidrometalurgicos de oro.

METSIM es un software empleado ampliamente en metalurgia, especialmente en hidrometalurgia. Estos algunos de las funciones que nos proporciona este software:

1. Simulación de plantas metalúrgicas.

2. Modelización de flujos de procesos.

3. Balance de energía y masa.

4. Modelización termodinámica.

5. Optimización de procesos.

6. Análisis de escenarios.

 

 

Figura 12: Diagrama de flujo de proceso de lixiviación en pilas.

 

 

BENEFICIOS DE LOS MODELOS DE SIMULACIÓN EN METALURGIA

El modelado de la cinética de transformaciones de fase en metalurgia, presenta las siguientes ventajas:

1. Optimización de procesos

El conocimiento de la cinética de las transformaciones de fase permite a los ingenieros diseñar y optimizar procesos de producción de metales y aleaciones. También se obtiene información del comportamiento de los materiales bajos cambios de temperatura, presión y composición química.

2. Reducción de costos

Al predecir las transformaciones de fase, evitamos la formación de defectos y perdida de material durante la producción. Lo que genera una gran disminución de los costos de reprocesamiento, lo que a su vez tiene impacto positivo en la rentabilidad.

3. Desarrollo de nuevos materiales

Permite a los investigadores diseñar aleaciones avanzadas y materiales con características superiores para aplicaciones específicas, como conductores de alta eficiencia, impulsando la innovación en la metalurgia física.

4. Eficiencia energética

La optimización de procesos a través del modelado no solo conduce a la eficiencia y calidad, también contribuye a la eficiencia energética, reduciendo así el consumo de recursos y la huella ambiental en el sector metalúrgico.

 

 

REFERENCIAS

Agelet de Saracibar, C., López, R., Ducoeur, B., Chiumenti, M., de Meester, B. (2012). A numerical model for the simulation of precipitates dissolution of hardened aluminium alloys using neural networks. International Centre for Numerical Methods in Engineering.

Martínez, F. (2019). Simulación numérica del tratamiento térmico de carburizado y temple de aceros de baja aleación (Tesis de maestría). Posgrado Interinstitucional de Ciencia y Tecnología, México.

Martínez, Y., Collazo, R., Autie, M., Valín, J. (2020). Modelación de propiedades y transformaciones de fase a altas temperaturas de aceros 2.25Cr-1Mo. Universidad Tecnológica de la Habana José Antonio Echeverría.

Díaz, Y. (2016). Solidificación dinámica de metales y aleaciones. Instituto Superior Politécnico José Antonio Echevarría.

Guevara, I., Camero, P. (2015). Modelado y diseño optimo del proceso de lixiviación en pilas. En VI Latinometalurgia - Metalurgia, Competitividad y Desarrollo Sostenible. Cusco

Ojeda, S. (2021). Simulación del proceso de lixiviación para aglomerados de cobre en medio sulfato – cloruro (Tesis de grado). Universidad Técnica Federico Santa María, Chile.

Lasillo, E., Rempel, C., Holtzapple, A. Development of accurate metal production forecasts for a heap leach project using METSIM®dynamic simulation and defensible column leach testing data.