See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/280223544

Modelado matemtico y diseo ptimo del

proceso de lixiviacin en pilas

Research July 2015

DOI: 10.13140/RG.2.1.3948.9121

CITATIONS READS

0 1,943

2 authors:

Ivan Ernesto Guevara Broggi Pedro Camero Hermoza

Universidad Nacional San Antonio Abad del Cu Universidad Nacional San Antonio Abad del Cu
1 PUBLICATION 0 CITATIONS 1 PUBLICATION 0 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

optimal control for heap leaching process View project

All content following this page was uploaded by Ivan Ernesto Guevara Broggi on 21 July 2015.

The user has requested enhancement of the downloaded file.

 Congreso Internacional VI LATINOMETALURGIA

MODELADO MATEMATICO Y DISEO OPTIMO DEL PROCESO DE

LIXIVIACION EN PILAS

Mgt. Ing. Pedro Camero Hermozaa, Ivan Ernesto Guevara Broggia*

a Universidad Nacional de San Antonio Abad del Cusco, Per.

Resumen

La lixiviacin en pilas es uno de los procesos hidrometalrgicos ms importantes en la extraccin de cobre.

Alrededor del 20% de la produccin de cobre mundial se obtiene por la lixiviacin. En el presente estudio se
desarroll una metodologa para el diseo y la optimizacin del proceso de lixiviacin en pilas a travs del
modelado matemtico. El modelo incorpora la cintica de lixiviacin mineral, el transporte de reactivos, flujo
de soluciones, flujo de gas y la actividad microbiana, y ha sido desarrollado en Matlab/Simulink. A travs de
una rutina de estimacin de parmetros el modelo fue calibrado por medio de pruebas experimentales en
columnas de lixiviacin de sulfuros de cobre. Finalmente se aplicaron estrategias de diseo robusto,
demostrando la posibilidad de incrementar hasta en un 17% en la extraccin de cobre bajo ciertas
condiciones.
2015
Palabras clave: Lixiviacin en pilas, biolixiviacin, modelado matemtico, optimizacin

1. Introduccin

La industria minera debe afrontar la necesidad de procesar minerales con leyes cada vez ms
bajas frente a la demanda creciente de cobre a nivel mundial, en este escenario la lixiviacin en
pilas se perfila como una tecnologa de importancia creciente, debido a su capacidad para el
tratamiento de minerales complejos y de baja ley; de esta manera materiales que hasta hace
algn tiempo se consideraban desmonte pueden ser tratados de forma econmica (Davenport,
et al., 2011). Actualmente, la lixiviacin es uno de los procesos hidrometalrgicos ms
importantes en la extraccin de cobre, alrededor del 20% de la produccin de cobre mundial se
obtiene por este mtodo (Ghorbani, et al, 2011). Aunque el concepto de lixiviacin en pilas
parece ser muy simple, los sub-procesos que tienen lugar en el interior de la pila son complejos
y sus interacciones an no se comprenden completamente. Dicha falta de comprensin, surge
porque muchas de las investigaciones se han enfocado en sub-procesos especficos de forma
aislada,

* Autor correspondiente
E-mail: pecamher@yahoo.com (P. Camero H., Docente principal del Dpto. Acadmico de Metalurgia)
E-mail: hydromet_peru@yahoo.com (I. Guevara B., estudiante de Ingeniera Qumica)
1
 Congreso Internacional VI LATINOMETALURGIA

como la qumica, microbiologa, hidrodinmica, y no se han considerado las interacciones entre

estos sub-procesos (Watling, 2006). En sntesis, para explotar todo el potencial que ofrece la
lixiviacin en pilas, es necesario desarrollar modelos matemticos que adems ofrezcan
estrategias de diseo y optimizacin, para su implementacin en las operaciones industriales.

En los ltimos 30 aos se han desarrollado distintos modelos que varan en la cantidad de
fenmenos considerados y en la complejidad. Dichos modelos pueden clasificarse en las
categoras siguientes (Dixon D. G., 2003):

Modelos abiticos: aquellos que se encuentran limitados a situaciones donde no existe

regeneracin de reactivos en la pila. Han sido aplicados a la lixiviacin de xidos de
cobre y a la cianuracin de oro, destacando las publicaciones de Roman, Benner, &
Becker (1974) y Dixon & Hendrix, (1993).

Modelos de biolixiviacin: incluyen la presencia de bacterias ferro- y sulfo-oxidantes,

cuya accin permite la generacin y regeneracin de reactivos en la pila (regeneracin
de iones frrico y de cido respectivamente). En esta categora, destaca el modelo
HeapSim, descrito en las publicaciones de Bouffard & Dixon (2009) y en Petersen &
Dixon (2007), con una descripcin sistemtica de los principales procesos que ocurren
en el interior de la pila, es uno de los ms completos. Por otra parte, los modelos
multidimensionales, ofrecen un enfoque distinto del proceso, por medio de la aplicacin
de la fluido-dinmica computacional CFD (computing fluid dynamics) a la lixiviacin, que
confiere al modelo la habilidad de simular estructuras espaciales en las pilas; en estos
modelos destacan el modelo desarrollado por la Universidad de Swansea (Bennett,
2012) y el modelo desarrollado por CSIRO (Commonwealth Scientific and Industrial
Research Organisation) (Leahy & Schwarz, 2009).

Aunque los modelos desarrollados han llegado a describir con xito el proceso de lixiviacin en
pilas, su uso generalizado en la industria minera presenta dificultades importantes. Una amplia
proporcin de los modelos no han sido calibrados frente a datos de laboratorio, lo cual hace que
los modelos sean menos confiables como herramientas predictivas, por otra parte, aquellos
modelos que fueron calibrados llevaron a cabo ajustes por medio de prueba y error, lo que
constituye una procedimiento ineficiente. Pocos estudios han abordado el tema de la
optimizacin del proceso de lixiviacin en pilas. Publicaciones tales como (Padilla, Cisternas, &
Cueto, 2008) y (Trujillo et al., 2014), plantean metodologas para optimizar el proceso de
lixiviacin en pilas, sin embargo hacen uso de modelos y condiciones de proceso bastante
simplificadas. Finalmente, es necesario aclarar que hasta el momento no se han llevado a cabo
estudios acerca de la aplicacin de las tcnicas de diseo robusto en la lixiviacin en pilas.
2
 Congreso Internacional VI LATINOMETALURGIA

En el presente estudio se desarroll una metodologa para el diseo y la optimizacin del

proceso de lixiviacin en pilas a travs del modelado matemtico, esta tarea se llev a cabo en
tres etapas que se describen a continuacin:

Modelo matemtico: El conjunto de ecuaciones propias del modelo fueron evaluadas por
mtodos numricos y programadas en el entorno de Matlab/Simulink. Considera los
principales sub-procesos que tienen lugar en el interior de la pila, que incluyen la cintica de
lixiviacin mineral, el transporte de masa, la hidrodinmica, el transporte de oxgeno a travs de
la pila y la actividad bacteriana.

Estimacin de parmetros: Para la implementacin del modelo a un mineral en particular, es

necesario llevar a cabo pruebas experimentales de lixiviacin (a escala de laboratorio o planta
piloto) y ajustar el modelo a dicha muestra, a este proceso se le conoce como calibracin. A
travs del uso de algoritmos de minimizacin del error, se desarroll una calibracin rpida y
eficiente, lo que facilita la aplicacin del modelo a una amplia variedad de casos.

Diseo robusto: El diseo robusto consiste en determinar una solucin ptima que
permanezca insensible a posibles cambios en el entorno. El proceso de lixiviacin en pilas, es
especialmente sensible a los cambios en el entono debido a los mltiples sub-procesos que se
desarrollan en la pila. Aspectos tales como la heterogeneidad del material, la falta de
uniformidad en la distribucin de soluciones y la evaporacin, factores ambientales, entre otros,
hacen que la optimizacin del proceso, sea una tarea compleja y de difcil aplicabilidad. Por otra
parte, la optimizacin convencional es especialmente sensible a pequeos cambios en las
condiciones de operacin, por ello resulta necesario aplicar los conceptos del diseo robusto a
la lixiviacin en pilas, que ofrecen una solucin al problema de la incertidumbre y la variabilidad
caracterstica de este proceso, ya que permiten que la pila opere de forma ptima aun en
condiciones desfavorables para el proceso.

En sntesis, la presente investigacin permitir:

Determinar el diseo ptimo de una pila de lixiviacin
Diagnosticar los posibles problemas durante la operacin
Adaptar con relativa facilidad el modelo a diferentes muestras minerales en corto tiempo y
Cuantificar el impacto de las principales variables durante la operacin

2. Metodologa

A travs de algoritmos de ajuste de parametros se puso a prueba la capacidad predictiva del

modelo desarrollado, posteriormente se determinaron los impactos de las principales variables
3
 Congreso Internacional VI LATINOMETALURGIA

en el proceso, y finalmente se aplicaron criterios de diseo robusto lo que conduce a una

operacin ptima.

2.1. Descripcin del modelo

La pila de lixiviacin puede considerarse como un reactor de lecho de partculas, que opera bajo
condiciones no estacionarias de flujo insaturado, la solucin lixiviante es aplicada en la
superficie de la pila y gotea a travs de los intersticios de las partculas minerales. Los reactivos
se difunden a travs de los poros y fisuras de las partculas, cuyo contenido metlico es
gradualmente extraido por las reacciones. Con el fin de describir la pila en trminos que faciliten
la aplicacin de las ecuaciones de transporte, es necesario delimitar el sistema de estudio en
sub-sistemas.Resulta conveniente clasificar los sub-sistemas en niveles de: grano mineral,
partcula mineral, aglomerado y pila, de acuerdo a Ogbonna, Petersen, y Laurie (2006), como
se ilustra en la fig.1.

Figura 1. Diagrama esquemtico de una pila de lixiviacin, y las diferentes escalas del modelo. [Fuente: (Guevara Broggi,
2014)] I) Escala de pila, donde se lleva a cabo el movimiento macroscpico de soluciones que transportan las especies disueltas
hacia y desde el lecho mineral. II) Escala de aglomerado, el conjunto de partculas de diferente tamao que constituyen los
aglomerados interaccionan con la solucin estacionaria. III) Escala de partcula mineral, donde se lleva a cabo el transporte
difusivo de especies disueltas, y IV) Escala de grano mineral, escala microscpica donde se disuelven los granos minerales

2.2. Datos experimentales

Para la calibracin del modelo y el posterior anlisis de los resultados, se utilizaron los datos
experimentales obtenidos de estudios de lixiviacin realizados en columnas, con muestras ROM
(run of mine) de la divisin Collahuasi perteneciente a la compaa minera Anglo American
Chile, publicados por Martnez Barrios (2012). Dichas pruebas se realizaron por un periodo de
350 das bajo condiciones tpicas de operacin (ver Tabla 1). Los datos experimentales

4
 Congreso Internacional VI LATINOMETALURGIA

disponibles de las pruebas de lixiviacin de Collahuasi son la extraccin de cobre, la

concentracin de cobre en el efluente, la concentracin de ion ferroso en el efluente, el pH del
efluente y el Eh (potencial) del efluente.

Tabla 1. Parmetros del mineral de Collahuasi

Caractersticas minerales Unidad Referencias
Densidad mineral 0 1.55 [ton/m3] (Martnez Barrios, 2012)
Condiciones operativas
Tasa de riego s 4.9 [L/m2h] (Martnez Barrios, 2012)
Altura de la pila Z 6 [m] (Martnez Barrios, 2012)
Granulometra Rl 40 [mm] (Martnez Barrios, 2012)
Temperatura de operacin T 23 [C] (Martnez Barrios, 2012)
Concentraciones de alimentacin
[Fe+3] CFe+3 0.9 [g/L] (Martnez Barrios, 2012)
[Fe+2] CFe+2 3.4 [g/L] (Martnez Barrios, 2012)
[Cu+2] CCu+2 0.1 [g/L] (Martnez Barrios, 2012)
[H+] CH2SO4 9.8 [g/L] (Martnez Barrios, 2012)
Mesfilos Ferro-oxidantes Nf0 106 [cel/L] (Martnez Barrios, 2012)
Contenido mineral
Covelita CuS 0.2 [%] (Martnez Barrios, 2012)
Calcopirita CuFeS2 0.07 [%] (Martnez Barrios, 2012)

Parmetros de transporte*
Difusividad Fe+3 DFe+3 10-8 [m2/s] (Ogbonna N. , 2006)
Difusividad Fe+2 DFe+2 10-8 [m2/s] (Ogbonna N. , 2006)
Difusividad Cu+2 DCu+2 10-8 [m2/s] (Ogbonna N. , 2006)
Difusividad H+ D H+ 10-8 [m2/s] (Ogbonna N. , 2006)
Coef. de transferencia de masa k nbfi 0.1 [1/min] (Ogbonna N. , 2006)
Parmetros biolgicos*
Constante de Monod para Fe+2 K Fe 0.0001 [mol/L] (Ogbonna N. , 2006)
Constante de Monod para O2 K O2 5x10-5 [mol/L] (Ogbonna N. , 2006)
Factor de inhibicin de crecimiento KI 1012 [cel/L] (Ogbonna N. , 2006)
Lmite de cido K acid 0.01 [mol/L] (Ogbonna N. , 2006)
Tasa de decaimiento k e /k g 0.01 --- (Ogbonna N. , 2006)
Adsorcin mxima Namax 1.5x109 [cel/g] (Ogbonna N. , 2006)
Constante de adsorcin Ka 67x10-12 [L/cel] (Ogbonna N. , 2006)
Temperatura mnima viable Tmin 10 [C] (Ogbonna N. , 2006)
Temperatura mxima viable Tmax 45 [C] (Ogbonna N. , 2006)
Temperatura ptima Topt 38 [C] (Ogbonna N. , 2006)
Rendimiento bacteriano yFe 2x1013 [cel/mol Fe] (Ogbonna N. , 2006)

2.3. Estimacin de parmetros

La estimacin del conjunto de parmetros toma la forma de un problema de optimizacin

(Carvalho et al., 2015). La respuesta obtenida por el modelo en un tiempo dado ( ()) es
comparada con el valor experimental ( ()), el error en cada instante es:
() = () () ( 1)
Para la estimacin de parmetros del modelo se utiliz como funcin objetivo el ndice de
performance del integral de error cuadrado (ISE) en su forma discreta:

5
 Congreso Internacional VI LATINOMETALURGIA

= [ ()]2 ( 2)

De acuerdo a consideraciones tericas los exponentes topolgicos y las constantes de reaccin

son los parmetros ms adecuados para el ajuste en la lixiviacin (Petersen & Dixon, Modeling
zinc heap bioleaching, 2007). En el presente ajuste se incluye a la constante de crecimiento
bacteriano, debido a la presencia de bacterias en las pruebas experimentales de Collahuasi.
Los resultados se muestran a continuacin:

Tabla 2. Parmetros utilizados en la calibracin del modelo

Intervalo de prueba Valor final
Parmetro Smbolo Unid. Valor inicial
Mnimo Mximo de ajuste*
Cte. de reaccin calcopirita [1/d] 0.01 0.00001 0.01 0.003735
Cte. de reaccin covelita [1/d] 50 0.1 150 126.66
Exp. topolgico calcopirita [1/d] 0.667 0.667 2.5 0.97424
Exp. topolgico covelita [1/d] 0.667 0.667 2.5 1.8543
Cte. de crecimiento bacteriano [1/d] 2 0.24 2.4 2.3945

El procedimiento de estimacin de parmetros, se llev a cabo con el mtodo de mnimos

cuadrados no lineales utilizando el algoritmo Levenberg-Marquardt en Matlab. El
procedimiento iterativo permiti determinar la existencia de un mnimo local tal como se aprecia
en la fig. 2.

Figura 2. Variacin de la funcin ISE durante el proceso

iterativo de ajuste de parmetros

Figura 3. Variacin de los parmetros durante el

proceso iterativo de ajuste de parmetros

6
 Congreso Internacional VI LATINOMETALURGIA

Finalmente, es posible comparar la extraccin experimental y la del modelo, donde se aprecia

un buen ajuste particularmente desde los 50 das, periodo en el cual la accin oxidativa de las
bacterias se encuentra plenamente desarrollada.

Figura 4. Resultados de la calibracin del modelo para los datos de extraccin de Collahuasi.
Donde se comparan los resultados del modelo frente a los datos experimentales

Figura 5. Resultados de la calibracin del modelo con los datos de la lixiviacin en columna del mineral de
Collahuasi. a) Concentracin de cobre disuelto en el efluente, b) Concentracin de ion ferroso en el efluente, c) pH
en la solucin efluente y d) Variacin del potencial Eh en el efluente

7
 Congreso Internacional VI LATINOMETALURGIA

2.4. Medicin de importancia de variable

En el desarrollo del modelo resulta indispensable identificar el impacto de las variables de

entrada en la respuesta del proceso, a este procedimiento se le denomina medicin de
importancia de variable o anlisis de sensibilidad (Hamby, 1994). La extraccin fue evaluada
frente a la variacin de los siguientes parmetros y sus rangos de operacin ms comunes
reportados en la bibliografa tal como se aprecia en la Tabla 3:

Tabla 3. Principales parmetros y sus rangos de operacin [Fuente: (Davenport et al., 2011)]

Caso base Valores de prueba

Parmetro Smbolo Unidades
( )* Inferior Superior
Radio de partcula R [cm] 4.4 1 7
Altura de la pila Z [m] 6 4 9
Flujo de lixiviante us [L/m2h] 4.9 10 25
Ion frrico [Fe+3 ] [mol/L] 0.9 0.1 8
Ion ferroso [Fe+2 ] [mol/L] 3.4 0.1 10
cido sulfrico [H2 SO4 ] [mol/L] 9.8 5 15
Bacterias Fe oxidantes N0 [cel/cm3]** 106 105 108
Temperatura Top [C] 23 10 30
* Se identifica como caso referencial en este caso los resultados del ajuste a la columna de Collahuasi

A continuacin se aprecia los resultados de la simulacin del anlisis de sensibilidad, donde se

pusieron a prueba los parmetros de la Tabla 3, evaluando la extraccin en cada caso.

Figura 6. (Arriba izq.) Efecto de temperatura en la extraccin de cobre. (Arriba der.) Efecto de la granulometra en la
extraccin de cobre. (Abajo izq.) Efecto de la altura de la pila en la extraccin de cobre. (Abajo der.) Efecto de la variacin
del flujo de lixiviante en la extraccin de cobre.

8
 Congreso Internacional VI LATINOMETALURGIA

Figura 7. (Arriba izq.) Efecto de la concentracin de cido en la extraccin de cobre. (Arriba der.) Efecto de la
concentracin de ion frrico en la extraccin de cobre. (Abajo izq.) Efecto de la concentracin de ion ferroso en la
extraccin de cobre. (Abajo der.) Efecto de la inoculacin de bacterias en la extraccin de cobre.

2.4.1. ndice de importancia local (LIM)

El ndice de Importancia Local (LIM, Local importance measure) permite determinar las
variables con mayor impacto en el proceso. Se utiliz la siguiente relacin (Wei, 2015):

=
( ) ( 3)
( )
Donde = ( , , ) representa el conjunto de valores de referencia de los parmetros
de entrada, el vector n-dimensional de parmetros de entrada y E representa la respuesta
del modelo (extraccin de cobre). Los valores fijos se utilizan como referencia para el clculo
del ndice LIM. El ndice mide el cambio de la respuesta del modelo E cuando la entrada es
perturbada desde un punto , cuando las dems entradas permanecen fijas.

Figura 8. ndices de Importancia de variable, donde se aprecian los parmetros con mayor influencia en la extraccin de
cobre. (T=temperatura, Z=altura de la pila, US=flujo de lixiviante, Fe (III) y Fe (II)=concentracin de in frrico y ferroso en la
alimentacin, Acido=concentracin de cido en la alimentacin, R=tamao de partcula, N0=bacterias en la alimentacin)
9
 Congreso Internacional VI LATINOMETALURGIA

2.5. Optimizacin y diseo robusto

Desde el punto de vista prctico la determinacin exacta del punto de operacin ptimo,
presenta el inconveniente de ser sensible a pequeos cambios debido a las variaciones e
incertidumbres de los parmetros durante la operacin (Beyer & Sendhoff, 2007). Debido a esto
surge el concepto de diseo robusto, el cual permite determinar una solucin ptima que
permanece relativamente insensible a la variacin del entorno. La aplicacin de los conceptos
del diseo robusto a la lixiviacin en pilas, ofrece una solucin al problema de la incertidumbre y
la variabilidad caracterstica de este proceso.

Tabla 4. Principales parmetros que presentan variabilidad durante la operacin en la lixiviacin en pilas

Intervalo de incertidumbre
Parmetro Smbolo Unidades Valor nominal*
Mnimo Mximo
Temperatura [C] 25 20 25
Flujo de soluciones [L/m2h] 5 5 10
Ion Frrico en la alimentacin [ +3 ] [g/L] 1 1 6

Tabla 5. Principales parmetros de diseo en la lixiviacin en pilas y sus valores ptimos

Intervalo de prueba
Parmetro Smbolo Unidades Valor Inicial Valor Optimo*
Mnimo Mximo
Altura de la pila [m] 6 3 9 4.429
Acido en la
[2 4 ] [g/L] 9.8 5 15 14.927
alimentacin
Dimetro de
[cm] 4.4 1 2.5 1.005
partcula
* La aplicacin de los criterios de diseo robusto al modelo, permitieron evaluar el impacto de la incertidumbre de los parmetros
de la Tabla 4 en la extraccin de cobre, la optimizacin se llev a cabo por el mtodo de la gradiente (Steepest descent)
implementado en Matlab, con el objetivo de maximizar la extraccin de cobre.

Se obtuvo una respuesta que demuestra el gran impacto de las condiciones en la extraccin,
especialmente la temperatura. Puede observarse que la respuesta optimizada y el caso base
tienden a tener el mismo valor a partir de los 150 das, momento en que la covelita ha
reaccionado completamente, esto se debe a que la velocidad de reaccin de la covelita se
incrementa debido a las condiciones favorables que impone el diseo optimo (menor
granulometra, mayor acidez, mayor disponibilidad de ion frrico por accin bacteriana), sin
embargo la calcopirita de carcter refractario es insensible a dichos cambios (ya que su
cintica de disolucin tiene como etapa controlante al transporte de reactivos y no a la
disponibilidad de estos). Finalmente, se puede apreciar que el diseo optimo encontrado
responde adecuadamente a la variacin de los parmetros (ver fig. 10), con incrementos
sustanciales en la extraccin, que van desde 10% al 17%.

Figura 9. Respuesta optimizada

del modelo comparada con el
caso base

10
 Congreso Internacional VI LATINOMETALURGIA

Figura 10. Efecto de la variacin de las condiciones de operacin en la respuesta ptima del proceso. (Arriba izq.) Efecto
de la concentracin de ion frrico en la extraccin. (Arriba der.) Efecto de la temperatura en la extraccin. (Abajo izq.)
Efecto del flujo de lixiviante en la extraccin. (Abajo der.) Medicin del error para cada instante de tiempo la respuesta
ptima y el caso base ante la variacin de la temperatura, ion frrico y flujo de lixiviante.

3. Conclusiones
La aplicacin del modelo a las pruebas experimentales de lixiviacin en columna, demostr
ser una herramienta til para el diseo y optimizacin del proceso.
La rutina de estimacin de parmetros no slo permite el ajuste adecuado en la extraccin
de cobre, sino que adems se observa un buen ajuste respecto a las concentraciones en el
efluente de cobre e ion ferroso, de igual forma para el pH y Eh.
El anlisis de sensibilidad permite observar la importancia de cada uno de los parmetros
analizados, esto resulta de mucha importancia para llevar a cabo estrategias de diseo
Finalmente, la aproximacin al diseo robusto nos da una idea de las condiciones
necesarias para una operacin ptima, teniendo en cuenta las incertidumbres propias del
proceso
4. Perspectivas futuras
Debe evaluarse la capacidad predictiva del modelo, a escala de laboratorio, planta piloto
y a escala industrial a traves de varias pruebas experimentales, asimismo implementar
los resultados optimizados para demostrar su validez
Deben incluirse variables econmicas para llevar a cabo la optimizacin, lo que
conduciria a obtener diseos de mayor aplicabilidad en la industria

11
 Congreso Internacional VI LATINOMETALURGIA

5. Referencias

Ahmadi, A., Ranjbar, M., Schaffie, M., & Petersen, J. (2012). Kinetic modeling of bioleaching of copper sulfide concentrates in
conventional and electrochemically controlled systems. Hydrometallurgy 127-128, pgs. 16-23.

Barriga Vilca, A. (2013). Studies on the curing and leaching kinetics of mixed copper ores. Vancouver, Canada: Master of applied
science Thesis - University of British Columbia.

Bartlett, R. W. (1998). Solution Mining Leaching and Fluid Recovery of Materials (Segunda ed.). New York: Taylor & Francis.

Bennett, C. R., McBride, D., & Gebhardt, J. E. (2012). A comprehensive model for copper sulphide heap leaching Part 1 Basic
formulation and validation through column test simulation. Hydrometallurgy, 127-128, pgs. 150-161.

Beyer, H.-G., & Sendhoff, B. (2007). Robust optimization - A comprehensive survey. Computer methods in applied mechanics
and engineering(196), pgs. 3190-3218.

Bouffard, S. C. (2003). Understanding the heap biooxidation of sulfidic refractory gold ores. Vancouver: Ph.D. Thesis - University
of British Columbia.

Bouffard, S. C., & Dixon, D. G. (2009). Modeling pyrite bioleaching in isothermal test columns with HeapSim model.
Hydrometallurgy, 95, pgs. 215-226.

Carvalho, E. P., Martnez, J., Martnez, J. M., & Pisnitchenko, F. (2015). On optimization strategies for parameter estimation in
models governed by partial differential equations. Mathematics and Computers in Simulation(114), pgs. 14-24.

Crank, J. (1975). The mathematics of diffusion (2da Ed. ed.). Londres: Oxford University Press.

Cross, M., Bennett, C. R., Croft, T. N., McBride, D., & Gebhardt, J. E. (2006). Computational modeling of reactive multi-phase
flows in porous media: Applications to metals extraction and environmental recovery processes. Minerals Engineering
19, pgs.1098 - 1108.

Davenport, W. G., Schlesinger, M. E., King, M. J., & Sole, K. C. (2011). Extractive Metallurgy of Copper (5ta ed.). Oxford, UK:
Elsevier Ltd.

Dixon, D. G. (2000). Analysis of heat conservation during copper sulphide heap leaching. Hydrometallurgy 58, pgs. 27-41.

Dixon, D. G. (2003). Heap Leach Modeling - The current state of the art. Hydrometallurgy 2003 - Vol 1 (pgs. 289-314). TMS.

Dixon, D. G., & Hendrix, J. L. ( 1993). A general model for leaching of one or more solid reactants from porous ore particles.
Metallurgical Transactions B, 24b, pgs. 157-169.

Dixon, D. G., & Hendrix, J. L. (1993). A mathematical model for heap leaching of one or more solid reactants from porous ore
pellets. Metallurgical Transactions B, 24B, pgs. 1087-1102.

Dixon, D. G., & Petersen, J. (2003). Comprehensive Modelling Study of Chalcocite Column and Heap Bioleaching. Copper 2003 -
Volume VI: Hydrometallurgy of copper (Book 2), pgs. 493-516.

Ghorbani, Y., Becker, M., Mainza, A., Franzidis, J., & Petersen, J. (2011). Large particlr effects in chemical/biochemical heap
leach processes - A review. Minerals Engineering 24, Pgs. 1172-1184.

Guevara Broggi, I. E. (2014). Modelo matemtico del proceso de lixiviacin en pilas. Seminario de Investigacin Acadmica -
Universidad Nacional de San Antonio Abad del Cusco.

Hamby, D. M. (1994). A review of techniques for parameter sensitivity analysis of environmental models. Environmental
Monitoring and Assement(32), pgs. 135-154.

Himmelblau, D. M., & Bischoff, K. B. (1976). Anlisis y simulacin de procesos. Madrid: Editorial Revert, S.A.

Jansen, M., & Taylor, A. (2003). Overview of gangue mineralogy issues in oxide copper heap leaching. Alta Copper 2003
Conference, (pg. 18). Perth, Western Australia.

12
 Congreso Internacional VI LATINOMETALURGIA

Leahy, M. J., & Schwarz, M. P. (2009). Modeling jarosite precipitation in isothermal chalcopyrite bioleaching columns.
Hydrometallurgy, 98, pgs. 181-191.

Martnez Barrios, M. P. (2012). Calibracin, validacin y aplicacin del modelo Heapsim para estimar la produccin de cobre de
Los Bronces y Collahuasi. Santiago de Chile: Tesis para optar al grado de Ingeniera Civil Qumica - Universidad de Chile.

MathWorks Inc. (Version R2012a). Matlab product help.

McBride, D., Croft, T. N., Cross, M., Bennett, C., & Gebhardt, J. E. (2014). Optimization of a CFD - Heap leach model and
sensitivity analysis of process operation. Minerals Engineering, 57-64.

Mellado, M. E., & Cisternas, L. A. (2008). An analyticalnumerical method for solving a heap leaching problem of one or more
solid reactants from porous pellets. Computers and Chemical Engineering 32, Pgs. 23952402.

Ogbonna, N. (Marzo de 2006). Mathematical modelling of agglomerate scale phenomena in heap bioleaching. M.A.Sc. Thesis -
University of Cape Town.

Ogbonna, N., Petersen, J., & Laurie, H. (Junio de 2006). An agglomerate scale model for the heap bioleaching of chalcocite. The
Journal of The South African Institute of Mining and Metallurgy, 106, pgs. 433-442.

Padilla, G. A., Cisternas, L. A., & Cueto, J. Y. (2008). On the optimization of heap leaching. Minerals Engineering, 21, pgs. 673-
678.

Pantelis, G., Ritchie, A. M., & Stepanyants, Y. A. (2002). A conceptual model for the description of oxidation and transport
processes in sulphidic waste rock dumps. Applied Mathematical Modelling 26, pgs. 751- 760.

Petersen, J. (2010). Modelling of bioleach processes: connection between science and engineering. Hydrometallurgy, 104, pgs.
404-409.

Petersen, J., & Dixon, D. G. (2002). Systematic modelling of heap leach processes for optimisation and design. EPD Congress
2002 - Fundamentals of advanced materials for energy conversion (pgs. 757-771). TMS.

Petersen, J., & Dixon, D. G. (2007). Modeling zinc heap bioleaching. Hydrometallurgy(85), pgs. 127-143.

Roman, R. J., Benner, B. R., & Becker, G. W. (1974). Diffusion model for heap leaching and its aplication to scale-up. AIME
Transactions Vol. 256, pgs. 247-252.

Sidborn, M., Casas, J., Martnez, J., & Moreno, L. (2003). Two-dimensional dynamic model of a copper sulphide ore bed.
Hydrometallurgy, 71, pgs. 67-74.

Trujillo, J. Y., Cisternas, L. A., Glvez, E. D., & Mellado, M. E. (2014). Optimal design and planning of heap leaching process.
Application to copper oxide leaching. Chemical Engineering Research and Design, 308-317.

Wadsworth, M. E. (1986). Cintica de los procesos en metalurgia extractiva. (M. E. Wadsworth, & Y. H. Sohn, Edits.) Mexico:
Trillas.

Wadsworth, M. E., & Madsen, B. W. (1981). A mixed kinetic dump leaching model for ores containing a variety of copper
sulphide minerals. Bureau of mines report of investigation - United States Department of the Interior.

Watling, H. R. (2006). The bioleaching of sulphide minerals with emphasis on copper sulphides - A review. Hydrometallurgy, 81,
pgs. 81-108.

Wei, P., Lu, Z., & Song, J. (2015). Variable importance analysis: A comprehensive review. Reliability Engineering and System
Safety(142), pgs. 399-432.

Xu, J., Fan, C., & Teng, H. H. (2012). Calcite disolution kinetics in view of Gibbs free energy, dislocation density, and pCO2.
Chemical Geology, 322-323, pgs. 11-18.

Young, C. A., Dahlgren, E. J., & Robins, R. G. (2003). The solubility of copper sulfides under reducing conditions.
Hydrometallurgy, 68, pgs. 23-31.

13

View publication stats