Tendencias tecnológicas en la industria de procesamiento de minerales, primeros pasos para la metalurgia del futuro.
INTRODUCCIÓN
La industria de metalúrgica desempeña un papel importante en la economía, ya que es una fuente de empleo y generación de ingresos, además de suministrar materias primas esenciales a sectores como la construcción y la manufactura.
El crecimiento de esta área ha estado en gran medida relacionado con la adopción de nuevas tecnologías en las plantas de recuperación metalúrgica: la digitalización y sus beneficios son indiscutibles. Al incorporar estas nuevas tecnologías, se logran alcanzar objetivos estratégicos, se mejora la sostenibilidad y la salud laboral, entre otras ventajas. Además, permite la reducción del consumo energético, la optimización de recursos y procesos, la gestión y disminución de gastos, menor cantidad de ausencias laborales, incorporación de ciclos de producción más cortos y en general mayor eficiencia en la productividad.
El presente y futuro de la industria están estrechamente ligados a la innovación y los avances tecnológicos, así como al desarrollo de la Industria 5.0, que consiste en potenciar la colaboración entre maquinaria cada vez más potente y exacta y el potencial único y creativo del ser humano; en las siguientes líneas analizaremos algunas de las tendencias tecnológicas más prometedoras que se han vislumbrado en la industria del procesamiento de minerales y su impacto en la eficiencia y calidad de los productos de esta.
Avances recientes en flotación
La innovación siempre ha sido una parte esencial del procesamiento de minerales. Procedimientos fundamentales como la flotación y la extracción por solventes tienen una historia de 100 y 50 años, respectivamente. Aunque la flotación ha tenido un impacto significativo, aún enfrenta desafíos, ejemplo de ello es la flotación eficiente de partículas en tamaños extremos, es decir, muy finos o muy gruesos. En los últimos años, iniciativas como la celda Novacell, que funciona con flujos más bajos que las celdas de flotación de agitación mecánica convencionales, permiten la flotación de partículas de más de 150 micrómetros.
Cálculos sencillos indican que, utilizando dicho dispositivo de flotación (capaz de funcionar a 400-800 micras) la energía requerida para la molienda por bolas (así como los medios) se reduce bastante considerablemente (Batterham, 2013).
Planta de NovaCell, diseño, ingenieria y produccion por Jord - Proporciona una flotación eficaz de partículas gruesas y finas en un solo dispositivo. Cuando se implementa en los circuitos de beneficio, el consumo de energía de molienda se reduce significativamente (hasta en un 40%) y la recuperación de agua aumenta significativamente debido a la mejora de la eficiencia de deshidratación (Imagen de Jord International Pty Ltd).
Predicción y control de procesos avanzados
El control optimizado y la supervisión de procesos serán fundamentales para lograr un producto de mayor calidad con un menor consumo de energía, agua y tiempo. El objetivo es desafiante debido a la complejidad de las operaciones. En el caso de los procesos de flotación, por ejemplo, se deben tener en cuenta las propiedades del material, los factores fisicoquímicos de la pulpa generada y la hidrodinámica para controlar de manera adecuada el grado del concentrado obtenido (L. Bergh, 2016).
Se han realizado nuevos avances para complementar la función de los sistemas de Control Proporcional Integral Derivativo (PID), lo que ha permitido un progreso significativo en esta área y se espera que esta tendencia continúe. Algunos ejemplos incluyen técnicas avanzadas de control como sistemas expertos, análisis de imágenes, redes neuronales artificiales y, especialmente, el control predictivo basado en modelos (Quintanilla, Neethling, & Brito-Parada, 2021).
El modelado y la simulación de sistemas multifásicos son indudablemente importantes para el procesamiento de minerales, pero es crucial considerar el factor mineralógico para reducir la incertidumbre en los modelos generados. La creación de modelos de procesamiento puede basarse en balances de masa que tengan en cuenta la mineralogía (Baum, 2014). La capacidad de realizar simulaciones y predicciones se basa generalmente en el modelado físico, como la dinámica de fluidos computacional (CFD, por sus siglas en inglés), donde se aplican las leyes físicas (por ejemplo, las leyes de conservación de masa, energía y momento) sin necesidad de utilizar datos históricos.
Sistemas de lixiviacion y otros desarrollos prometedores
Se están desarrollando nuevas tecnologías de procesamiento de minerales para satisfacer la creciente demanda de cobre y otros metales necesarios para la transición energética. Estas tecnologías incluyen la recuperación de partículas de mayor tamaño (como las que hablamos anteriormente), la lixiviación de sulfuros y la optimización del proceso mediante el uso del aprendizaje automático. Al ampliar el rango de tamaños de partículas aceptables, estas tecnologías están mejorando la recuperación de metales y aumentando el rendimiento, lo que puede tener beneficios ambientales y generar un valor económico significativo.
Los sistemas de recuperación en los circuitos de molienda, como el sistema CiDRA P29, permiten recuperar partículas directamente del circuito de molienda, lo que aumenta el rendimiento del molino de bolas en un 20 por ciento. La recuperación de partículas de mayor tamaño, como el sistema HydroFloat de Eriez, amplía el rango de tamaños de partículas durante el proceso de flotación, mejorando las posibilidades de recuperación para las partículas más grandes. Si estas tecnologías se implementan en toda la industria, podrían agregar entre 1,2 y 4,6 millones de toneladas métricas de producción anual de cobre para 2032 (De Losada, 2023).
La lixiviación de sulfuros ofrece una oportunidad para recuperar el cobre de materiales que actualmente se consideran residuos y tienen una calidad inferior al grado de alimentación del molino. Las tecnologías de lixiviación de sulfuros primarios, como el sistema Nuton de Rio Tinto y el sistema basado en catalizadores de Jetti Resources, están siendo desarrolladas para recuperar el cobre de los sulfuros primarios. Si se superan los obstáculos actuales para finales de la década, podría haber una producción adicional de cobre refinado de 2,4 millones de toneladas métricas por año para 2032 (De Losada, 2023).
La optimización del proceso mediante el aprendizaje automático aporta un nivel de precisión y consistencia al procesamiento de minerales. Al garantizar que las plantas de procesamiento funcionen de manera consistente en su capacidad máxima, el aprendizaje automático puede aumentar la recuperación de metales en un 2 a 4 por ciento y el rendimiento en un 5 a 15 por ciento. Estas mejoras ofrecen un aumento en la producción global de las minas existentes y planificadas, con una estimación de medio a un millón de toneladas métricas de cobre refinado para 2032 (Crooks, y otros, 2023).
Planta piloto de tecnología Nuton en el Centro de Desarrollo Técnico de Rio Tinto en Bundoora, Australia (Imagen de Rio Tinto).
Resumen y conclusiones
La era digital y la denominada Industria 5.0 están introduciéndose en la minería a través de diversas tecnologías. En el ámbito del procesamiento de minerales, se prevé, por ejemplo, que sistemas de Inteligencia Artificial (IA) tengan la capacidad de supervisar y ajustar los procesos según sea necesario (McCoy & Auret, 2019). En estas aplicaciones, las estrategias de computación flexible son fundamentales, ya que implican sistemas capaces de adaptarse, aprender y llevar a cabo tareas de manera autónoma en un entorno caracterizado por la imprecisión y la incertidumbre (Cisternas, Lucay, & Botero, 2020). Esperamos ver en el futuro nuevas tecnologías capaces de adaptarse de forma particular a los problemas de cada yacimiento con el fin de ofrecer soluciones únicas a cada mina, con lo que se espera la productividad y eficiencia se dispare en la recuperación de los minerales de interés.
Referencias
Batterham, R. J. (2013). Major Trends in the Mineral Processing Industry,” vol. 158, no. 2. BHM Berg- und Hüttenmännische Monatshefte, 42–46.
Baum, W. (2014). Ore characterization, process mineralogy and lab automation a roadmap for future mining. Miner. Eng, 60, 69-73.
Cisternas, L., Lucay, F., & Botero, L. (2020). Trends in modeling, design, and optimization of multiphase systems in minerals processing. Minerals, 10(1).
Crooks, S., Lindley, J., Lipus, D., Sellschop, R., Smit, E., & Van Zy, S. (2023). Bridging the copper supply gap. McKinsey’s Metals & Mining Practice. Recuperado de: https://www.mckinsey.com/industries/metals-and-mining/our-insights/bridging-the-copper-supply-gap#/
De Losada, F. (2023). Nuevas tecnologías para atender la creciente demanda de cobre. B2B Prime. Recuperado de: https://www.linkedin.com/pulse/nuevas-tecnolog%C3%ADas-para-atender-la-creciente-demanda-de-de-losada/?originalSubdomain=es
L. Bergh. (2016). Artificial Intelligence in Mineral Processing Plants: An Overview, in International Conference on artificial Intelligence: technologies and Applications ., (pp. 278–281).
McCoy , J., & Auret, L. (2019). Machine learning applications in mineral processing: A Review,. Miner. Eng., 132, 95-109.
Quintanilla, P., Neethling, S., & Brito-Parada, P. (2021). Modelling for Froth flotation control: A Review. Miner. Eng, 10-18.
Comentarios
Registrate o Inicia Sesión para comentar y obtener Cursos de pago gratis