El desarrollo de la modelación numérica ha permitido avanzar hacia predicciones más precisas del comportamiento del macizo rocoso sometido a cargas explosivas, proporcionando herramientas avanzadas para el análisis, optimización y validación de diseños de voladura.
Estas metodologías permiten representar fenómenos complejos asociados a la propagación de ondas, generación de fracturas y mecanismos de fragmentación, complementando los enfoques empíricos tradicionales.
Modelos Constitutivos
La comunidad científica cuenta con el modelo Johnson-Holmquist (JH-2), el cual ha sido validado para simular el comportamiento dinámico de rocas bajo cargas explosivas, reproduciendo tanto la zona de trituración como la propagación de fisuras radiales.
La implementación de este modelo en códigos de elementos finitos como LS-DYNA permite simular el proceso completo de fragmentación, incluyendo la interacción entre la onda de choque y los gases de detonación.
El modelo JH-2 constituye una de las herramientas más utilizadas para representar el comportamiento de materiales rocosos sometidos a condiciones extremas de carga explosiva.
Reducción de Modelos 3D a 2D
Recientes avances han demostrado que es posible simplificar problemas tridimensionales a un estado cuasi-plano de deformación 2D, reduciendo el tiempo computacional en más de 100 veces con errores inferiores al 10% en la predicción de longitudes de fisura y zonas de trituración.
Esta simplificación se logra ajustando la energía del explosivo para modelos 2D y aplicando condiciones de contorno adecuadas que permiten preservar el comportamiento representativo del sistema.
Simulación de Retardos Múltiples
La modelación numérica ha permitido demostrar que existe un tiempo de retardo óptimo entre filas de barrenos, típicamente comprendido entre 8 y 15 milisegundos, que maximiza la fragmentación.
Este comportamiento se produce al permitir que las ondas de tensión generen daño acumulativo dentro del macizo rocoso sin producir interferencias destructivas entre los eventos de detonación.
Aprendizaje Automático en Predicción de Fragmentación
Las técnicas de machine learning han emergido como herramientas complementarias para mejorar la precisión predictiva de los modelos de fragmentación, especialmente cuando se integran grandes volúmenes de datos operacionales.
Redes neuronales artificiales (ANN), máquinas de soporte vectorial (SVM) y algoritmos genéticos han demostrado capacidades superiores a los modelos empíricos tradicionales cuando se entrenan con datos de campo suficientes.
Estos enfoques han alcanzado coeficientes de determinación superiores a 0.95 en la predicción de parámetros de fragmentación como P80 y distribución granulométrica.