Versión: 4.0 (Con Gestión de Tubos Aislados)
Autor: Sebastián Marinovic Leiva
División: Chuquicamata – Codelco (Chile)
Fecha: Octubre 2025 – Febrero 2026
Sistema de monitoreo predictivo para enfriadores de ácido sulfúrico en CAP-3 (Planta de Ácido Sulfúrico, Chuquicamata – Codelco), basado en fundamentos de transferencia de calor, análisis de ensuciamiento (fouling), criticidad operativa y modelos de Machine Learning para apoyar decisiones de operación y mantención.
- Secado – 632 tubos ZeCor-Z
- Absorción Intermedia – 883 tubos ZeCor-Z
- Absorción Final – 197 tubos ZeCor-Z
Detectar degradación térmica, ensuciamiento y condiciones anómalas en los enfriadores CAP-3, entregando:
- Indicadores térmicos (eficiencia y capacidad)
- Factor de fouling robusto (método dual v4.0)
- Índice de criticidad multifactorial (0–100)
- Predicciones y alertas con Machine Learning
- Gestión integral de tubos aislados ⭐
- Recomendaciones operacionales y de mantención priorizadas
Los enfriadores de ácido sulfúrico en CAP-3 son intercambiadores de calor de carcasa y tubos (shell & tube), donde el ácido sulfúrico circula por el lado carcasa y el agua de enfriamiento por el lado tubos. La transferencia de calor se rige por:
Q = ṁ × Cp × ΔT = U × A × ΔTLM
Donde:
| Símbolo | Descripción | Unidades |
|---|---|---|
| Q | Calor transferido | kcal/h |
| ṁ | Flujo másico | kg/h |
| Cp | Calor específico | kcal/kg·°C |
| ΔT | Diferencia de temperatura | °C |
| U | Coeficiente global de transferencia | kcal/h·m²·°C |
| A | Área de transferencia | m² |
| ΔTLM | Diferencia de temperatura media logarítmica | °C |
El coeficiente global depende de las resistencias térmicas en serie:
1/U = 1/h_i + 1/h_o + Rf_i + Rf_o + (e/k)
Donde h_i y h_o son los coeficientes de convección interno y externo, Rf_i y Rf_o las resistencias de ensuciamiento, e el espesor de pared del tubo y k la conductividad térmica del material (Perry, 2019; Hewitt, 2008).
El ensuciamiento es la acumulación de depósitos no deseados sobre las superficies de transferencia que genera una resistencia térmica adicional (Müller-Steinhagen, 2000). El factor de ensuciamiento se define como:
Rf = (1/U_sucio) − (1/U_limpio) [m²·K/W]
En enfriadores de ácido sulfúrico, las principales fuentes de fouling incluyen depósitos de sulfatos, corrosión del material de tubos y precipitación de sólidos disueltos.
| Estado | Rf (m²·K/W) |
|---|---|
| Limpio | < 0.0001 |
| Moderado | 0.0001 – 0.0005 |
| Alto | 0.0005 – 0.001 |
| Crítico | > 0.001 |
Referencia de validación: TEMA RCB-7.41 establece valores de referencia de Rf para agua de torre de enfriamiento en el rango detectado por el sistema (TEMA Standards, 10th Edition).
La eficiencia térmica mide qué tan bien el enfriador cumple su función respecto al diseño:
η = (Q_actual / Q_design_ajustado) × 100 [%]
Donde Q_actual = dT_acid × F_water y Q_design se ajusta automáticamente por tubos aislados. La interpretación es:
| Eficiencia | Estado |
|---|---|
| > 100% | Equipo limpio, condiciones mejores que diseño |
| 85–100% | Operación normal |
| 70–85% | Ligera degradación |
| < 70% | Requiere limpieza |
Factores que afectan la eficiencia: ensuciamiento interno (lado ácido), ensuciamiento externo (lado agua), temperatura agua de enfriamiento (variabilidad estacional), flujo de agua (demanda variable) y tubos aislados (reduce área efectiva) ⭐.
El sistema implementa un método que combina dos enfoques complementarios en 8 pasos (Müller-Steinhagen, 2000; Perry, 2019):
Paso 1 – U aproximado
offset = 0.05 × ΔT_design
U_aprox = Q_actual / (ΔT_acid + offset)
Paso 2 – Resistencia actual
R_actual = 1 / (U_aprox + 0.0001)
Paso 3 – Resistencia limpia
U_limpio = Q_design / (ΔT_design + offset)
R_limpia = 1 / U_limpio
Paso 4 – Fouling por método directo (U)
F_U = (R_actual − R_limpia) × sensitivity
Donde sensitivity es un factor ajustable por tipo de enfriador:
- Secado = 1.2
- Absorción Intermedia = 1.0
- Absorción Final = 1.2
Paso 5 – Fouling por método indirecto (eficiencia)
F_η = (η_baseline − η_actual) / 100 × 0.001
Donde η_baseline es el promedio de las primeras 720 horas (30 días).
Paso 6 – Combinación ponderada
F_total = 0.7 × F_U + 0.3 × F_η
Paso 7 – Suavizado
Media móvil de 12 horas para reducir ruido.
Paso 8 – Escala visible
F_display = F_suavizado × 10,000 [×10⁻⁴ m²·K/W]
Resultado: Valores en ×10⁻⁴ m²·K/W (rango típico 0–15).
| Fouling (×10⁻⁴ m²·K/W) | Estado | Acción |
|---|---|---|
| 0.00 – 2.00 | ✅ Limpio | Operación normal |
| 2.00 – 5.00 | Ligero | Monitoreo continuo |
| 5.00 – 10.00 | Moderado | Limpieza en 30–60 días |
| > 10.00 | Alto | Limpieza urgente |
Ventajas del método dual:
- Robusto – no depende de una sola medición
- Sensible – detecta cambios graduales
- Adaptable – factor ajustable por equipo
- Filtrado – media móvil elimina falsos positivos
Score compuesto multifactorial (0–100) con pesos justificados:
Criticidad = 0.40 × f(T) + 0.30 × f(η) + 0.20 × f(conductividad) + 0.10 × f(fouling)
| Componente | Peso | Justificación |
|---|---|---|
| Temperatura | 40% | Factor más crítico (seguridad y calidad del producto) |
| Eficiencia | 30% | Indicador directo del desempeño |
| Conductividad | 20% | Indicador de calidad del agua (causa de fouling) |
| Fouling | 10% | Resultado de los demás factores |
| Rango | Nivel | Acción |
|---|---|---|
| 0–30 | 🟢 Baja | Operación normal |
| 30–60 | 🟡 Media | Monitoreo intensificado |
| 60–80 | 🟠 Alta | Planificar mantenimiento |
| 80–100 | 🔴 Crítica | Acción inmediata |
Cuando se detectan tubos rotos o con fugas, se aíslan mecánicamente (se tapan). Esto reduce el área efectiva de transferencia y la capacidad del enfriador. Hasta ahora, este impacto no se cuantificaba ni se ajustaban los cálculos.
A_tubo = π × D × L (D = 25.4 mm, L = 6.0 m)
A_efectiva = A_tubo × (N_total − N_aislados)
Factor_reducción = (N_total − N_aislados) / N_total
Q_design_ajustado = Q_design_base × Factor_reducción
Pérdida_capacidad = (1 − Factor_reducción) × 100 [%]
| Condición | Sin ajuste | Con 100 tubos aislados |
|---|---|---|
| Tubos operativos | 883 (100%) | 783 (88.7%) |
| Q_design (kcal/h) | 31,073 | 27,562 |
| Eficiencia si Q_actual = 26,500 | 85.3% |
96.1% ✅ equipo OK |
Beneficio clave: Diferencia correctamente entre ensuciamiento real y pérdida de área por tubos aislados, evitando falsos diagnósticos y decisiones erróneas de mantenimiento.
| Parámetro | Valor |
|---|---|
| Algoritmo | RandomForestRegressor |
| n_estimators | 100 |
| max_depth | 10 |
| Test split | 20% |
| RMSE típico | < 2 °C |
| R² típico | > 0.95 |
Features: T_acid_in_C, F_water, cond_uS_cm, FLUJO_CAP3, %VELOCIDAD_SOPLADOR
Target: T_acid_out_C
Isolation Forest para detección de anomalías (contamination = 5%): identifica temperaturas fuera de rango, combinaciones inusuales de parámetros y eventos súbitos no explicados.
tendencia = (T_actual − T_30d_atrás) / 30 [°C/día]
días_hasta_límite = (T_máx − T_actual) / tendencia
| Días hasta límite | Clasificación |
|---|---|
| < 30 | 🔴 Crítico |
| 30–90 | 🟡 Alerta |
| > 90 | 🟢 Normal |
El sistema se despliega como un dashboard interactivo en Streamlit con 7 módulos (tabs):
| Tab | Módulo | Descripción |
|---|---|---|
| 1 | ⭐ Config. Tubos Aislados | Formulario de ingreso, vista previa de impacto, tabla resumen y gráfico de barras apiladas |
| 2 | Análisis Térmico | Evolución de temperaturas, ΔT, eficiencia vs. diseño, detección de desviaciones |
| 3 | Ensuciamiento (Fouling) | Método dual robusto v4.0, tendencia temporal, clasificación por umbrales |
| 4 | Criticidad | Score multifactorial, mapa de calor, clasificación por niveles |
| 5 | Predicción ML | Random Forest + Isolation Forest, proyección de días hasta mantenimiento |
| 6 | Recomendaciones | Acciones priorizadas por nivel de criticidad y enfriador |
| 7 | Panel Resumen | Vista ejecutiva de los 3 enfriadores, gauge de criticidad, tabla comparativa con colores |
| Capa | Implementación |
|---|---|
| Adquisición | Extracción periódica desde PI System (API/connector) + validación de calidad |
| Procesamiento | Python (pandas/numpy) · feature engineering · cálculo fouling/ΔT · scoring |
| Persistencia | CSV/Parquet local + backup en nube (S3 o equivalente) |
| Aplicación | Streamlit (dashboard interactivo, 7 módulos) |
| Alertas | Reglas + umbrales + salida a correo/Telegram/Teams |
- PI System (SCADA): >100 tags de proceso e instrumentación.
- Registros de lavados: Histórico de lavados químicos/mecánicos (planificación + ejecución).
- Datos de mantenimiento/condición: demister, bombas, válvulas, etc.
- Base de pérdidas operacionales: Factorial de Pérdidas Fusión HF (vínculo CAP-3 → Fusión).
| Variable | Descripción |
|---|---|
T_acid_in_C / T_acid_out_C |
Temperatura ácido entrada/salida (°C) |
T_water_in_C / T_water_out_C |
Temperatura agua entrada/salida (°C) |
F_water |
Caudal de agua de enfriamiento (m³/h) |
cond_uS_cm |
Conductividad del agua (µS/cm) |
dT_acid |
Delta de temperatura del ácido (°C) |
FLUJO_CAP3 |
Flujo de proceso CAP-3 |
%VELOCIDAD_SOPLADOR |
Velocidad del soplador (%) |
CARGA_HORNO_FLASH |
Carga del horno Flash |
EQUIPOS_CPS_EN_SERVICIO |
Equipos CPS en servicio |
FLUJO_TORRE_ENFRIAMIENTO_4 |
Flujo torre de enfriamiento N°4 |
FLUJO_AGUA_DESMIN_BHZ_305 |
Flujo agua desmineralizada BHZ-305 |
Variables derivadas (feature engineering): ΔT por equipo, medias móviles (rolling 12h), tasas de cambio (dT/dt), indicadores de ensuciamiento, baseline de eficiencia (primeras 720h).
Para aumentar la precisión de los indicadores térmicos, fouling y predicción ML, se prioriza integrar instrumentación crítica adicional desde PI System:
- Termocuplas / RTD de entrada y salida de agua por enfriador
- Termocuplas / RTD de entrada y salida de ácido por enfriador
- Presiones diferenciales (ΔP) asociadas a circuitos y equipos
- Caudales reales (agua/ácido) con mayor resolución temporal
- Conductividad y calidad de agua (variables causales de fouling)
- Variables operacionales complementarias (sopladores, carga HF, CPS en servicio, etc.)
- Mejor estimación de
Q,U,ΔTLMy fouling real - Menor ruido en el score de criticidad
- Menos falsos positivos en anomalías
- Mejor desempeño predictivo (Random Forest / modelos futuros)
| Parámetro | Secado | Abs. Intermedia | Abs. Final |
|---|---|---|---|
| T° entrada diseño (°C) | 75 | 77 | 71 |
| T° salida diseño (°C) | 65 | 66 | 63 |
| ΔT diseño (°C) | 10 | 11 | 8 |
| T° salida máxima (°C) | 70 | 72 | 68 |
| Caudal agua diseño (m³/h) | 900 | 990 | 960 |
| Q diseño base (kcal/h) | 13,232 | 31,073 | 7,188 |
| N° tubos totales | 632 | 883 | 197 |
| Material tubos | ZeCor-Z | ZeCor-Z | ZeCor-Z |
| Diámetro tubo (mm) | 25.4 | 25.4 | 25.4 |
| Longitud tubo (m) | 6.0 | 6.0 | 6.0 |
| Factor sensibilidad fouling | 1.2 | 1.0 | 1.2 |
- Histórico sintético: 2 años (~17,500+ registros por enfriador, frecuencia horaria).
- Proyección operacional: ≥ 1,000,000 filas/año con datos reales de PI.
| Fase | Alcance | Plazo | Equipo clave |
|---|---|---|---|
| Fase 1: Preparación | Recopilación datos, validación tags PI, definición umbrales | 2 semanas | Ing. Procesos + Esp. PI |
| Fase 2: Desarrollo | Implementación módulos, integración PI, testing interno | 4 semanas | Ing. Procesos |
| Fase 3: Piloto | Validación con operadores, ajuste parámetros, calibración ML | 4 semanas | Operadores + Mantención |
| Fase 4: Despliegue | Capacitación formal, documentación, go-live | 2 semanas | Todos |
| Total | 12 semanas |
Resumen ejecutivo económico: Con datos de presupuesto 2026 (valorización de cobre fino y ley 29,89%), el sistema proyecta un beneficio neto anual de ~US$ 657 mil y un VAN de ~US$ 2,49 MM (5 años, 10%), manteniendo CAPEX = 0 y OPEX anual de US$ 1.000.
La condición de alta temperatura del ácido / circuito de enfriamiento en CAP-3 se asocia directamente a pérdidas de disponibilidad que impactan la producción de Fusión (HF).
Fuente: Base "Factorial Pérdidas Fusión HF" (año 2025, filtro: Unidad=PAS, Falla contiene "Disponibilidad CAP III"):
| Indicador | Valor 2025 |
|---|---|
| Eventos registrados | 33 |
| Pérdidas de Fusión asociadas | 6,255.35 ton/año |
| Duración acumulada | 132.88 h |
| Participación sobre pérdidas totales | 2.71% |
| Concepto | Impacto |
|---|---|
| Paro no programado (por evento) | US$ 50,000 – 80,000 |
| Paros anuales (3–4 eventos) | US$ 200,000 – 300,000 |
| Limpieza química (por evento) | US$ 15,000 – 25,000 |
| Retubing completo | US$ 150,000 – 200,000 |
| Horas mantención (400–500 HH/año) | US$ 50/HH promedio |
| Concepto | Monto (US$) |
|---|---|
| Desarrollo software (análisis, diseño, programación, testing) | 0 |
| Licencias software (open source) | 0 |
| Servidor (infraestructura existente) | 0 |
| Capacitación (operaciones + mantención) | 0 |
| Integración PI System + ajuste + soporte | 0 |
| TOTAL INVERSIÓN (CAPEX) | 0 |
| OPEX anual (nube: almacenaje/respaldos) | 1,000/año |
| Concepto | Valor |
|---|---|
| Evitar 2 paros no programados | 120,000/año |
| Optimizar 2 limpiezas químicas | 30,000/año |
| Extensión vida útil tubos (+20%) | 30,000/año |
| Total beneficio anual | 180,000/año |
| ROI primer año | ∞ (CAPEX = 0) |
| Payback | Inmediato |
| Concepto | Valor |
|---|---|
| Evitar 3–4 paros no programados | 240,000/año |
| Optimizar 3 limpiezas químicas | 50,000/año |
| Extensión vida útil + reducción HH | 50,000/año |
| Total beneficio anual | 340,000/año |
| ROI primer año | ∞ (CAPEX = 0) |
| Payback | Inmediato |
Con escenario de mejora del 70% sobre pérdidas atribuibles a CAP-3:
Toneladas de fusión evitadas/año = 6,255.35 × 0.70 = 4,378.74 ton/año
- 41.176 ton de cobre fino = US$ 20,7 MM
- Ley de cobre presupuesto 2026 = 29,89%
- La fusión se convierte a cobre fino equivalente usando la ley presupuestada.
Valor Cu fino = 20,700,000 / 41,176 = 502.72 US$/ton Cu fino
Cu fino evitado/año = 4,378.74 × 29.89% = 1,308.81 ton Cu fino/año
Beneficio bruto anual = 1,308.81 × 502.72 = US$ 657,962.68/año
Beneficio neto anual = 657,962.68 − 1,000 (OPEX nube) = US$ 656,962.68/año
VAN = Beneficio neto anual × 3.7908
VAN = 656,962.68 × 3.7908 = US$ 2,490,414.14
| Indicador | Valor |
|---|---|
| Toneladas de fusión evitadas/año | 4,378.74 ton/año |
| Ley de cobre presupuestada | 29.89% |
| Cobre fino recuperable estimado | 1,308.81 ton Cu fino/año |
| Valor unitario Cu fino estimado | 502.72 US$/ton |
| Beneficio bruto anual | 657,962.68 |
| OPEX anual nube | 1,000.00 |
| Beneficio neto anual | 656,962.68 |
| VAN 5 años @10% | 2,490,414.14 |
Interpretación: Con los supuestos de valorización y ley informados para presupuesto 2026, el caso de negocio del sistema CAP-3 mantiene un beneficio anual alto y un VAN > US$ 2,49 MM, con CAPEX = 0 y payback prácticamente inmediato.
Nota metodológica: Este cálculo transforma las toneladas de fusión evitadas en toneladas de cobre fino equivalentes usando la ley presupuestada (29,89%), y luego valoriza el cobre fino con la relación presupuestaria indicada.
ENF_AC_DCH/
├── script.py # Dashboard Streamlit (7 tabs)
├── requirements.txt
├── data/
│ ├── acid_coolers_CAP3_synthetic_2years.csv # Dataset principal ácido (3 enfriadores, 2 años)
│ └── t_water_in_out_CAP3_synthetic_2years.csv # Dataset agua enfriamiento (sep=";", decimales ",")
├── docs/
│ ├── Documentacion_Tecnica_ACTUALIZADA.pdf # Documentación técnica
│ ├── Propuesta_Marinovic_ACTUALIZADA.pdf # Propuesta + caso de negocio
│ └── Analisis_Economico_CAP3_VAN.pdf # Análisis económico VAN
└── README.md
- Python 3.9+
- Streamlit
- Pandas / Numpy
- Plotly
- Scikit-learn
pip install -r requirements.txtstreamlit run script.py- Cargar dataset histórico (los CSV se leen automáticamente desde el directorio local).
- Seleccionar enfriador y rango de fechas en la barra lateral.
- Tab 1: Configurar tubos aislados (si aplica) para recalcular baseline automáticamente.
- Tabs 2–5: Revisar métricas térmicas, fouling, criticidad y predicciones ML.
- Tab 6: Consultar recomendaciones priorizadas de operación/mantención.
- Tab 7: Vista ejecutiva comparativa de los 3 enfriadores para decisión rápida.
- Exportar datos filtrados en CSV desde el módulo de recomendaciones o resumen (según configuración del dashboard).
| Test Case | Condición | Resultado esperado |
|---|---|---|
| 1 | Q_actual = Q_design | η = 100% ✅ |
| 2 | Q_actual = 80% Q_design | η = 80% ✅ |
| Test Case | Condición | Resultado esperado |
|---|---|---|
| 1 | Equipo limpio | Rf ≈ 0 ×10⁻⁴ ✅ |
| 2 | Equipo sucio | Rf > 5 ×10⁻⁴ ✅ |
| Test Case | Condición | Resultado esperado |
|---|---|---|
| 1 | 0 tubos aislados | Factor = 1.0, Q_design = base ✅ |
| 2 | 50 tubos (Secado) | Factor ≈ 0.921, Q_design ajustado coherente ✅ |
| 3 | Todos aislados | Factor = 0, sistema alerta error ✅ |
- Comparar predicciones vs. mediciones reales durante 1 mes.
- Ajustar factores de sensibilidad por equipo si corresponde.
- Reentrenar modelos ML periódicamente con datos nuevos.
- Validar umbrales de criticidad con operadores en terreno.
| Fase | Plazo | Iniciativas |
|---|---|---|
| Fase 2 | 6–12 meses | Integración SAP PM (OT automáticas), alertas email/SMS, dashboard móvil, reportes semanales automáticos |
| Fase 3 | 12–24 meses | Deep Learning (LSTM series temporales), optimización multi-objetivo, gemelo digital, integración con torres y convertidores |
| Fase 4 | 24+ meses | IA generativa para reportes, realidad aumentada para mantención, edge computing tiempo real, replicación divisional |
- Integración de instrumentación crítica para mejorar resultados del modelo (termocuplas de entrada/salida de agua y ácido, presiones diferenciales, caudales, conductividad y variables operacionales complementarias).
El sistema es 100% replicable a otros equipos con esfuerzo marginal (arquitectura ya desarrollada):
- Torres de Absorción
- Convertidores (monitoreo temperatura lecho catalítico)
- Secadores de Gas (control punto de rocío)
- Enfriadores de Aire (eficiencia compresores)
Este repositorio incluye documentación de soporte en PDF dentro de la carpeta docs/:
- Documentación Técnica: fundamentos, ecuaciones, metodología y arquitectura.
- Propuesta del Proyecto: caso de uso, alcance, implementación y beneficios.
- Análisis Económico VAN: sensibilidad económica y evaluación financiera del proyecto.
- Crear la carpeta en tu proyecto local:
mkdir docs-
Copiar los documentos dentro de
docs/(PDF, PPT, DOCX, etc.). -
Verificar estructura:
ls -R- Agregar archivos a Git:
git add docs/- Confirmar cambios:
git commit -m "Agrega documentación técnica y económica en carpeta docs"- Subir a GitHub:
git push origin mainSi usas la interfaz web de GitHub, también puedes entrar al repositorio, presionar Add file → Upload files y arrastrar una carpeta (o sus archivos) dentro de
docs/.
- Perry, R.H. & Green, D.W. (2019). Perry's Chemical Engineers' Handbook, 9th Edition. McGraw-Hill.
- Hewitt, G.F., Shires, G.L. & Bott, T.R. (2008). Heat Exchanger Design Handbook. Begell House.
- Müller-Steinhagen, H. (2000). Fouling of Heat Exchangers: Fundamentals and Mitigation. Publico Publications.
- TEMA (2019). Standards of the Tubular Exchanger Manufacturers Association, 10th Edition.
- Susto, G.A., Schirru, A., Pampuri, S., McLoone, S. & Beghi, A. (2015). Machine Learning for Predictive Maintenance: A Multiple Classifier Approach. IEEE Transactions on Industrial Informatics, 11(3), 812–820.
- Bott, T.R. (1995). Fouling of Heat Exchangers. Elsevier Science.
- Incropera, F.P., DeWitt, D.P., Bergman, T.L. & Lavine, A.S. (2007). Fundamentals of Heat and Mass Transfer, 6th Edition. John Wiley & Sons.
- Pedregosa, F. et al. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
- Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32.
- Liu, F.T., Ting, K.M. & Zhou, Z.H. (2008). Isolation Forest. IEEE International Conference on Data Mining, 413–422.
- Codelco (2020). Especificaciones Técnicas Enfriadores CAP-3. Documentación interna, División Chuquicamata.
- Streamlit Documentation.
Sebastián Marinovic Leiva
Ingeniero de Procesos
Superintendencia Planta de Ácido y Oxígeno
Gerencia de Fundición – División Chuquicamata, Codelco Chile
📧 sebamarinovic.leiva@gmail.com
📱 +56 9 7624 3605
"Primera implementación de monitoreo predictivo con gestión integral de tubos aislados en enfriadores de ácido sulfúrico CAP-3, División Chuquicamata."