Evaluación de los efectos de la corrosión del acero en ambientes mineros mediante la aplicación de IA
Barra lateral del artículo
Contenido principal del artículo
Resumen
Uno de los principales problemas que sufren las instalaciones mineras de sulfuros son las pérdidas económicas debidas a la corrosión del acero, que se ve acelerada y agravada por el contacto con las aguas ácidas que se generan en estas minas cuando los sulfuros entran en contacto con el oxígeno y el agua. Esta generación de aguas ácidas, a su vez, se ve acelerada por la presencia de bacterias acidófilas. Para conocer con más detalle este proceso de corrosión y la interacción entre el acero y el agua ácida, se llevó a cabo un experimento de laboratorio en el que se introdujeron placas de acero al carbono en dos soluciones diferentes durante 26 días: una solución ácida de mina con alto contenido en Fe2+/Fe3+ (PO) y otra solución ácida de agua de otra mina con alto contenido en Fe3+/Fe2+ (PH). Cada 24 horas se midieron los parámetros fisicoquímicos y se tomaron muestras de agua para realizar un análisis de los elementos disueltos. Los resultados de estas mediciones se procesaron mediante un modelo de IA basado en la lógica difusa. Se pudo observar que, en ambos casos, se produjo un aumento del pH, así como de las concentraciones de Fe y, en particular, de Fe2+, como consecuencia de la oxidación de las placas de acero. Proporcionalmente, el aumento de la concentración de Fe fue mayor en PO que en PH porque en este último se produjeron precipitados de Fe. El aumento de Fe2+ fue proporcionalmente mucho mayor en PH y especialmente en las primeras horas de exposición, porque se partía de una menor concentración inicial de este ion. Por otro lado, las concentraciones de Cu disminuyeron a lo largo del experimento, como resultado de un proceso electroquímico que genera una precipitación de Cu junto con hidróxidos de Fe. Esta disminución es menor en PH debido a que la elevada acidez total lo mantiene en disolución durante más tiempo. Con la aplicación de una herramienta de inteligencia artificial ha sido posible evaluar los efectos de la corrosión del acero en ambientes mineros, corroborando y ampliando lo obtenido previamente mediante estadística clásica.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
CC BY-NC-SA 4.0)
El lector puede compartir, copiar y redistribuir el material en cualquier medio o formato, siempre y cuando cumpla con las siguientes condiciones:
-
Atribución (BY): Debe dar crédito adecuado al autor original, proporcionando un enlace a la licencia y señalando si se han realizado cambios.
-
No Comercial (NC): No puede utilizar el material con fines comerciales. Esto significa que no puede venderlo ni obtener ganancias directas de su uso.
-
Compartir Igual (SA): Si adapta, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
Recuerda que esta licencia no afecta los derechos legales del autor, como el derecho moral o las excepciones de uso justo.
Citas
Lindsay M.B., Moncur M.C., Bain J.G., Jambor J.L., Ptacek C.J., Blowes D.W., “Geochemical and mineralogical aspects of sulfide mine tailings”, Applied Geochemistry 57, 157-177. https://doi.org/10.1016/j.apgeochem.2015.01.009 (2015)
Javaherdashti R., Nikraz H., “On the role of deterioration of structures in their performance; with a focus on mining industry equipment and structures”, Materials and Corrosion 61, 885-890. https://doi.org/10.1002/maco.200905515 (2010)
Liu X., Wang Y., Song Y., Liu W., Zhang J., Li N., Dong K., Cai Y., Han E., “The respective roles of sulfate-reducing bacteria (SRB) and iron-oxidizing bacteria (IOB) in the mixed microbial corrosion process of carbon steel pipelines”, Corrosion Science 240, 112479 https://doi.org/10.1016/j.corsci.2024.112479 (2024)
Qiming, M., Wenqing Q., Binghua Y., Lin L., “Ferrous iron oxidation efficiency and kinetics by indigenous iron-oxidizing bacteria in acid mine drainage Environmental”, Technology & Innovation 36, 103785 https://doi.org/10.1016/j.eti.2024.103785 (2024)
Leduc D., Leduc L.G., Ferroni G.D., “Quantification of bacterial populations indigenous to acidic drainage stream”, Water Air and Soil Pollution 135, 1-21. https://doi.org/10.1128/aem.63.11.4516-4522.1997 (2002)
Sarmiento A.M., Nieto J.M., Olias M., Canovas C.R., “Hydrochemical characteristics and seasonal influence on the pollution by acid mine drainage in the Odiel river Basin (SW Spain)”, Applied Geochemistry 24(4), 697-714. https://doi.org/10.1016/j.apgeochem.2008.12.025 (2009)
Yi Y., Sun J., Zhang S., Yang Z,. “Assessment of Chinese sturgeon habitat suitability in the Yangtze River (CHINA): Comparison of generalized additive model, data-driven fuzzy logic-based model, and preference curve model”, Journal of Hydrology 536, 447-456. https://doi.org/10.1016/j.jhydrol.2016.03.005 (2016)
Martín del Brío B., Sanz-Molina A., Redes neuronales y sistemas borrosos. Ra-Ma, Madrid (2006)
Rodier J., Legube B., Merlet N., L’analyse de L’eau, Dunod, Paris. (2016)
Parkhurst D.L., “User’s guide to PHREEQC – a computer program for speciation, reactionpath, 1D-transport, and inverse geochemical calculations”, Water-Resources Investigation Report 95, 4227. https://doi.org/10.3133/wri954227 (1995)
Ball J.W and Nordstrom D.K., “User's manual for WATEQ4F, with revised thermodynamic data base and text cases for calculating speciation of major, trace, and redox elements in natural Waters”, USGS Numbered Series. Open-File Report 91,183. https://doi.org/10.3133/ofr91183 (1991).
Kirby C.S, Cravotta III C.A., “Net alkalinity and net acidity 2: Practical considerations”, Applied Geochemistry 20, 1941–1964. https://doi.10.1016/j.apgeochem.2005.07.003 (2005).
Farkhadov M., Eliseev A., Petukhova N., “Explained Artificial Intelligence Helps to Integrate Artificial and Human Intelligence Into Medical Diagnostic Systems: Analytical Review of Publications”, IEEE 14th International Conference on Application of Information and Communication Technologies (AICT), Tashkent (2020)
Kaufman L., Rousseeuw P.J., Finding Groups in Data: An Introduction to Cluster Analysis, Wiley & Sons, New York (2009)
Hathaway R., Bezdek J., “Switching regression models and fuzzy clustering”. IEEE Transactions on Fuzzy Systems 1, 195–204, https://doi.10.1109/91.236552 (1993)
Aroba J., “Advances in the decision making in software development projects”, PhD Thesis, University of Sevilla, Spain (2003).
Sugeno M., Yasukawa A., “A fuzzy-logic based approach to qualitative modeling”, IEEE Transactions on Fuzzy System 1, 7-31 (1993).
Höppner F., Klawonn F., “A contribution to convergence theory of fuzzy c-means and derivatives”, IEEE Transactions on Fuzzy System 11, 682-694, https://doi.10.1109/tfuzz.2003.817858 (2003)
Fukuyama Y., Sugeno M., “A new method of choosing the number of clusters for fuzzy means method”, Proceedings of the 5th Fuzzy Systems Symposium 247-250 (1989)
Sánchez-España J., Ilin A., Yusta I., “Metallic copper (Cu[0]) obtained from Cu2+-rich acidic mine waters by two different reduction methods: crystallographic and geochemical aspects”, Minerals 12, 322. https://doi.org/10.3390/min12030322 (2022)
Sarmiento A.M., Rodriguez-Perez A.M., Davila J.M., de la Torre M.L., “Effect of acid mine drainage on the mechanical properties of AISI 1020 carbon steel and AW6060 aluminium”, Journal of Materials Research and Technology 32, 541-549. https://doi.org/10.1016/j.jmrt.2024.07.099 (2024)
Caldeira C.L., Ciminell, V.S.T., Osseo-Asare K., “The role of carbonate ions in pyrite oxidation in aqueous systems”, Geochimica et Cosmochimica Acta 74,1777–1789. https://doi.10.1016/j.gca.2009.12.014 (2010)