Autor: Sebastián Marinovic Leiva
División: Chuquicamata – Codelco
Gerencia: Fundición
Superintendencia: Planta de Ácido y Oxígeno
Iniciativa: Concurso “Me pongo la camiseta por Chuqui” – Sindicato 3
Tipo: Innovación operacional y confiabilidad de activos
Este repositorio documenta el desarrollo e implementación de un sistema digital de monitoreo predictivo para los enfriadores de ácido sulfúrico de la planta CAP-3, integrando modelos de ingeniería térmica, análisis de ensuciamiento y criterios objetivos de criticidad operacional.
Los enfriadores de ácido sulfúrico CAP-3 (Torre de Secado, Torre de Absorción Intermedia y Torre de Absorción Final) son activos críticos del circuito de absorción. Su degradación térmica por ensuciamiento (fouling) y variaciones en la calidad del agua de enfriamiento generan:
- Incremento de temperatura del ácido, con riesgo para la seguridad del proceso.
- Operación fuera de condiciones óptimas de diseño.
- Mantención reactiva y mayores costos operacionales.
- Limpiezas químicas mal temporizadas.
- Reducción de disponibilidad y eficiencia global de planta.
- Mayor probabilidad de eventos no programados.
Desarrollar una herramienta digital que permita:
- Detectar tempranamente la degradación térmica.
- Priorizar limpiezas químicas en base a criterios objetivos.
- Reducir riesgos operacionales.
- Optimizar costos de mantención.
- Entregar soporte técnico cuantitativo a la toma de decisiones.
Se desarrolló un dashboard web en Streamlit (Python) que:
- Integra datos históricos de proceso y operación.
- Aplica modelos de ingeniería térmica en tiempo casi real.
- Calcula KPIs críticos por ventana de operación válida.
- Construye un Índice de Criticidad (0–100) como principal criterio de decisión.
- Analiza tendencias solo bajo condición cargada.
- Genera reportes PDF ejecutivos automáticos.
La carga térmica se calcula mediante el balance energético del agua de enfriamiento:
Q = ṁ · Cp · (T_out − T_in)
Donde:
- ṁ: flujo másico de agua [kg/s]
- Cp: calor específico del agua [J/kg·K]
- T_out, T_in: temperatura de salida y entrada del agua [°C]
En el sistema:
- Q se reporta como promedio de ventana (MW)
- Se compara contra Q de diseño ajustado para evaluar sobrecarga térmica
LMTD = (ΔT₁ − ΔT₂) / ln(ΔT₁ / ΔT₂)
Cálculo robusto con:
- Validación de ΔT positivos
- Manejo de casos cercanos para evitar inestabilidad numérica
U = Q / (A · LMTD)
En el sistema:
- Se calcula U real promedio
- Se compara con condición limpia
- Se expresa como % de desempeño térmico
Rf = (1 / U_real) − (1 / U_limpio)
Características:
- Filtrado por condición operacional válida
- Escalado a unidades visibles (×10⁻⁴ m²·K/W)
- Suavizado para reducción de ruido
Índice compuesto para priorización operacional:
- Temperatura: 30%
- Fouling: 35%
- Eficiencia térmica: 25%
- Días sin lavado: 10%
Clasificación:
- 0–30: Baja 🟢
- 30–60: Media 🟡
- 60–80: Alta 🟠
- 80–100: Crítica 🔴
El análisis se realiza solo cuando el equipo está cargado, definido por:
- Flujo de agua ≥ umbral mínimo de diseño.
- Salto térmico ácido positivo.
- Temperaturas dentro de rangos físicos.
- Velocidad de soplador sobre umbral operacional.
Esto evita diagnósticos erróneos en períodos de baja carga.
Se calculan pendientes solo bajo condición cargada:
- Pendiente de Rf (ensuciamiento).
- Pendiente de temperatura de salida.
Además, se estima días a condición crítica cuando la tendencia es positiva y estable.
El Machine Learning se utiliza como apoyo analítico, no como decisor principal.
- Tipo: aprendizaje supervisado.
- Modelos: Random Forest y Gradient Boosting.
- Objetivo: anticipar tendencias y escenarios críticos.
El ML:
- Proyecta deterioro térmico
- Estima días a condición crítica
- Refuerza la priorización basada en criticidad
Si no existe data suficiente:
- El ML se desactiva automáticamente
- El sistema continúa operando solo con ingeniería y reglas
Proyecto de optimización operacional sin CAPEX, desarrollado internamente.
| Concepto | Costo |
|---|---|
| Desarrollo | 0 USD |
| Licencias | 0 USD |
| Infraestructura | 0 USD |
| Instrumentación | 0 USD |
CAPEX total: 0 USD
- Reducción de paros no programados
- Optimización de limpiezas químicas
- Extensión de vida útil de equipos
- Reducción de consumo energético
- Mejora de confiabilidad operacional
Beneficio anual estimado: ≈ 600,000 USD
- ROI: Infinito
- Payback: Inmediato
ENF_AC_DCH/
├── app.py # Aplicación principal Streamlit
├── acid_coolers_CAP3_synthetic_2years.csv # Datos históricos de operación (ejemplo / dataset sintético)
├── chemical_washes_CAP3.csv # Historial de lavados químicos
├── Documentacion_Tecnica_v5.md # Documentación técnica del modelo y fundamentos de ingeniería
├── Manual_Usuario_Dashboard_v5.md # Manual de uso del dashboard y guía operativa
├── Analisis_Economico_ROI_v5.md # Justificación económica y análisis de beneficios (ROI)
├── requirements.txt # Dependencias del proyecto
└── README.md # Documentación general del proyecto
- Python 3.9+ recomendado
pip install -r requirements.txt
streamlit run app.py