Curso: GE 120
Muestreo y QA/QC
EPIG
FIGMM
Tema 9:
Errores de Fluctuación de la Heterogeneidad
en Lotes Monodimensionales
Aplicación de Variogramas 1D
M. Sc. Samuel Canchaya Moya
scanchayam@uni.edu.pe
Flujos Mineralúrgicos
❑ Desde la roca al cátodo, a la barra de oro, al concentrado o cualquier otro
producto final; las operaciones y procesos mineralúrgicos se caracterizan por
tener FLUJOS de: mineral, soluciones preñadas, electrolitos, pulpas, etc.
❑ Ya sea se trate de fajas transportadoras, tuberías, mineroductos, etc.; están
presentes en las distintas operaciones y procesos de beneficio de mineral:
circuitos de conminución, flotación, cianuración, lixiviación, etc.
❑ En todos los casos muestreadores especialmente diseñados toman muestras
sistemáticas, generalmente a intervalos de tiempo específicos; generando un
conjunto de datos que varía con respecto al tiempo; la cual se denomina: data
cronológica, monodimensional o 1D.
❑ La Geoestadística, específicamente el VARIOGRAMA 1D, es de aplicación
simple pero muy efectiva en estos FLUJOS MINERALURGICOS, ya que
permite descomponer y cuantificar las variabilidades, interpretar el origen de sus
componentes: de corto plazo, cíclicas y de tendencias; para minimizar su origen y
optimizar la “performance” del proceso.
2
1
Flujos mineralúrgicos: Fajas
transportadoras: chancado
secundario y/o terciario
Mineroducto: Ejemplo de Flujo
mineralúrgico
2
Los errores de:
P. Gy y F. Pitard
2 cm
❑ FSE : Error fundamental
❑ GSE : Error de agrupamiento o segregación
❑ PIE1: Error de fluctuación de la heterogeneidad a corto plazo
❑ PIE2 : Error de fluctuación de la heterogeneidad a largo plazo
❑ PIE3 : Error de fluctuación periódica de la heterogeneidad
❑ IDE : Error de la delimitación de incrementos
❑ IEE : Error de extracción del incremento
❑ IWE: Error de ponderación de los incrementos
❑ IPE : Error de preparación
❑ INE: Error del Efecto de Pepita
Errores relacionados
con la heterogeneidad
de lotes
monodimensionales
TIPO CARACTERÍSTICAS OBSERVACIONES
PIE1 : Error de Tendencias espaciales no periódicas en Se originan por el efecto pepita,
fluctuación de la el material a muestrear, observables en errores sistemáticos de
heterogeneidad a corto periodos de tiempo cortos; debido a muestreo o análisis, etc. Se
plazo (h1) heterogeneidad a pequeña escala: h1 reconocen con el variograma.
PIE2 : Error de Suele haber tendencias espaciales no Tendencias, “drifts” o
fluctuación de la periódicas en el material a muestrear; fluctuaciones de largo plazo.
heterogeneidad a largo originadas por la heterogeneidad Suelen ser reconocibles con el
plazo (h2) introducida por tendencias de amplio variograma.
rango: h2
PIE3 : Error de Técnicas de procesamiento pueden ser Resultados sesgados de
fluctuación periódica afectados por factores que varían naturaleza desconocida.
de la heterogeneidad periódicamente como las estaciones o Fácilmente reconocibles con el
(h3) la temperatura. Es la heterogeneidad variograma
6
introducida por fenómenos cíclicos.
3
Analogía con el Prisma de Newton
La descomposición de la
Prisma de Newton
Variabilidad Total en sus
componentes
Variabilidad local (0)
()
()
Función Variograma ()
M. Sc. 7
Samuel Canchaya
Curso: GE 120 Muestreo
y QA/QC
Ejemplo de aplicación de la Variografía 1D
en Faja de producción de Fe
(Tomado de Minnitt & Pitard, 2008)
M. Sc. Samuel Canchaya
canmoysa@gmail.com
4
Variograma de la producción de Fe
Análisis del variograma
Símbolo Fuente de variabilidad Valor %
V[0] Variabilidad aleatoria; representa la variabilidad total del 0.146 20.4
muestreo y la variabilidad de medición del proceso
V[1] La variabilidad de para h=1 0.198
V[proceso] La diferencia entre V[0] y V[1] 0.052 9.7
V[cíclica]+ y V[cíclica]- representan los límites superior e
inferior de la variabilidad cíclica (0.404 –
V[ciclica] 0.146)/2
Amplitud del ciclo: la mitad de la variabilidad cíclica total
= 0.129 20.5
V[sill] Variabilidad promedio del proceso, medido a través de toda 0.455
la data
V[trend] Es la diferencia entre V[sill] – V[0] 0.312 49.4
10
10
5
Distribución de los componentes de
variabilidad
11
11
Conclusiones Ejemplo
Faja de Producción de Fe V[0]
V[trend] V[p]
V[cíclica]
❑ El alto valor de la Variabilidad aleatoriaV(0), sugiere
que existe un error en el muestreo y que las
características del producto no son bien comprendidas.
Habría que realizar tests de heterogeneidad.
❑ La naturaleza cíclica de la data y los variogramas sugieren que el intervalo de
muestreo debiera ser optimizado. Para esto se debe implementar un muestreo piloto
de alta densidad: v. gr. cada 30 mins por 3 días (144 datos); para analizar la
variabilidad local e identificar ciclos adicionales dentro de los ya conocidos, para
identificar sus causas y poder minimizarlos.
❑ La reducción de la variabilidad de larga escala permite mejorar las especificaciones
del producto y una mayor eficiencia en el control de los costos, a través de disminuir
las necesidades del “blending”.
12
12
6
Ejemplo de aplicación de la Variografía 1D
Variable: % Finos – Canchadora Terciaria
Tomado de Canchaya (2019)
M. Sc. Samuel Canchaya
scanchayam@uni.edu.pe
13
Ejemplo de aplicación de Variografía 1D % de Finos (- malla 100)
Compósito diario
% Finos – Canchadora Terciaria Chancadora Terciaria
Fecha Días -100
3/1/2006 1 10.73
3/2/2006 2 15.38
3/3/2006 3 10.85
3/4/2006 4 11.73
3/5/2006 5 16.28
3/6/2006 6 16.74
3/7/2006 7 15.97
3/8/2006 8 13.82
3/9/2006 9 14.84
3/10/2006 10 15.98
3/11/2006 11 17.17
3/12/2006 12 18.30
3/13/2006 13 15.83
3/14/2006 14 14.66
3/15/2006 15 13.98
3/16/2006 16 12.55
3/17/2006 17 14.93
5/22/2006 79 12.10
5/23/2006 80 10.67
5/24/2006 81 11.12
5/25/2006 82 10.43
5/27/2006 83 11.00
5/28/2006 84 15.46
14
7
% Finos Chancadora Terciaria
Caracterización Estadística
Estadístico Valor
Media 12.93
Mediana 12. 20
Desviación 1.955
estándar
Varianza 3.82
Rango 8.83
Mínimo 9.47
Máximo 18.30
n 84
15
% Finos Chancadora Terciaria
Gráfico de Variabilidad
15% (límite de especificación)
16
16
8
Ejemplo de aplicación del
Variograma 1D
dsds
2A
() = C
C
() = 2A/2
C0 = Variabilidad Local C1
() = C1 – C0
17
17
Variab. Valor %
Detalles del análisis del V(0) 1.77 38.4
variograma ampliado V() 0.25 5.4
V() 0.255 5.5
V() 2.33 50.6
Total 4.605 99.9
Símbolo Fuente de variabilidad Valor
V[0] Variabilidad aleatoria; representa la variabilidad 1.77
total del muestreo y la variabilidad de medición
del proceso
V[1] La variabilidad para h = 1 2.02
V[proceso] La diferencia entre V[0] y V[1] 0.25
V[cíclica]+ y V[cíclica]- representan los límites
superior e inferior de la variabilidad cíclica (2.28-1.77) /
V[cíclica] 2 = 0.255
Amplitud del ciclo: la mitad de la variabilidad
cíclica total
V[trend] Se puede medir en cualquier paso h, pero es 4.10-1.77=
18
preferible hacerlo en el alcance 2.33
18
9
Componentes de la Variabilidad total de un
Flujo Mineralúrgico
❑ (0) : Variabilidad aleatoria local.
❑ () : Variabilidad del proceso 50.6 % 38.4 %
V0
Vproceso
Vcíclico
Vtrend
❑ (): Variabilidad cíclica 6%
5.4 %
❑ () : Variabilidad de tendencia o “trend”
19
19
Gran variabilidad local y trend
Muscovita ultrafina V0
38% Vproceso
51%
Vcíclico
Vtrend
5%
6%
Límite de especificación 15%
cuarzo
muscovita
Variabilidad de tendencia: ser
ultra-
Causada por cambio no programado de frente de minado, fina
con presencia de sericita ultrafina. 50 µ
20
10
Variabilidad local:
Error en el muestreo primario en fajas en movimiento
21
21
Variabilidad local:
Error en el muestreo primario en fajas en movimiento
22
22
11
Geometría del corte en línea
Modificado a partir de Pitard (2009)
23
23
Equipo recomendado:
Muestreador tipo Vezin cuando el material hace cascada
Flujo principal de caída debe
caer dentro de esta área
Muestra
24
Esquematizado a partir de Pitard (2009)
24
12
El problema de los analizadores en línea
Analizadores químicos (FRX, AAN; Gamma,
ETC.) y mineralógicos (NIR, DRX, QEMSCAN,
EMISOR/DETECTOR ETC.), sólo hacen lectura superficial y de un
material sumamente segregado, tanto
granulométricamente y como por diferencia de
densidad.
Análisis duplicados con métodos más
representativos indican sesgos notables.
Tomado de Canchaya (2018) 25
25
Referencias
❑ Canchaya S. (2018) Curso de Muestreo y QA/QC.- Curso Taller dictado para el staff de profesionales de
Antamina. Promovido por Sampling OK SAC. Lima. Agosto 2018.
❑ Canchaya S. (2019) Diplomado de Geometalurgia.- Curso de 3 módulos promovido por Sampling OK SAC.
Lima. Abr. A Mayo 2018.
❑ David M. (1977) Geostatistical Ore Reserve Estimation.- Elsevier (Amsterdam); 364 p.
❑ Gy P. (1998) Sampling for Analytical Purposes.- John Wiley Sons Inc. (New York); 153 p.
❑ Journel A. G. & Huijbregths Ch. J. (1978) Mining Geostatistics.- Academic Press Inc. (London); 600 p.
❑ Matheron G. (1965) Les variables Régionalisées et leur Estimation.- Une application de la théorie des
fonctions aléatoires aux sciences de la nature.- Masson et Cie (Paris); 305 p.
❑ Minnitt R. C. A. & Pitard F. F. (2008) Application of variography to the control species in material process
streams: %Fe in an iron ore product.- J. Southern African Inst. Min. Metall. 108: 109-122 p.
❑ Pittard F. F. (2006) Chronostatistics: A powerful, Pragmatic, New Science for Metallurgists.- AusIMM
Processds. Metall Plant. Design and Operating Strategies Conference, Perth, Australia; 22 p.
❑ Pittard F. F. (2009) Pierre Gy’s Theory of Sampling and C. O. Ingamells´Poisson Process Approach.- Doctorl
Thesis Aalborg niversity, Campus Esberg, Denmark, June 2009; 329 p.
26
26
13
