Caracterización de Chatarra Metálica como Base para la Aplicación de Procesos de Logística Inversa en el Estado De México
DOI:
https://doi.org/10.61384/r.c.a..v6i3.2089Palabras clave:
caracterización física, chatarra metálica, economía circular, Estado de México, logística inversa, valorización de residuosResumen
La generación de residuos metálicos plantea desafíos para su recuperación, clasificación y reincorporación a los procesos productivos. La logística inversa permite organizar el flujo de materiales recuperables y favorecer su valorización conforme a los principios de la economía circular. El objetivo del estudio fue caracterizar física y operativamente distintos tipos de chatarra metálica para aportar criterios técnicos a un esquema de logística inversa orientado a su recuperación y clasificación en el Estado de México. Se analizaron 30 muestras distribuidas en seis categorías: IPR, PTR, placa de 1/4", lámina de 1/8", malla ciclónica galvanizada calibre 12.5 y flecha. Se registraron la masa, las dimensiones y los tiempos de medición y pesaje. El volumen y la densidad se examinaron como variables complementarias cuando la geometría de las piezas permitió estimarlos de manera confiable. Los resultados mostraron diferencias entre los materiales y en los tiempos requeridos para su caracterización. La masa, las dimensiones y la configuración geométrica permitieron establecer criterios de diferenciación, mientras que el análisis de los tiempos reveló variaciones en la complejidad operativa. Se concluye que la caracterización sistemática puede apoyar la estandarización de la recepción, clasificación y almacenamiento de la chatarra, así como la planificación de su recuperación y transporte
Citas
Agrawal, S., Singh, R. K., & Murtaza, Q. (2015). A literature review and perspectives in reverse logistics. Resources, Conservation and Recycling, 97, 76–92. https://doi.org/10.1016/j.resconrec.2015.02.009
Broadbent, C. (2016). Steel’s recyclability: Demonstrating the benefits of recycling steel to achieve a circular economy. The International Journal of Life Cycle Assessment, 21(11), 1658–1665. https://doi.org/10.1007/s11367-016-1081-1
Brunner, P. H. (2011). Urban mining: A contribution to reindustrializing the city. Journal of Industrial Ecology, 15(3), 339–341. https://doi.org/10.1111/j.1530-9290.2011.00345.x
Cui, J., & Zhang, L. (2008). Metallurgical recovery of metals from electronic waste: A review. Journal of Hazardous Materials, 158(2–3), 228–256. https://doi.org/10.1016/j.jhazmat.2008.02.001
Daigo, I., Murakami, K., Tajima, K., & Kawakami, R. (2023). Thickness classifier on steel in heavy melting scrap by deep-learning-based image analysis. ISIJ International, 63(1), 197–203. https://doi.org/10.2355/isijinternational.ISIJINT-2022-331
Díaz-Romero, D. J., Van den Eynde, S., Sterkens, W., Engelen, B., Zaplana, I., Dewulf, W., Goedemé, T., & Peeters, J. R. (2022). Simultaneous mass estimation and class classification of scrap metals using deep learning. Resources, Conservation and Recycling, 181, Article 106272. https://doi.org/10.1016/j.resconrec.2022.106272
European Commission. (2020). A new Circular Economy Action Plan: For a cleaner and more competitive Europe (COM/2020/98 final). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:52020DC0098
Gao, Z., Sridhar, S., Spiller, D. E., & Taylor, P. R. (2020). Applying improved optical recognition with machine learning on sorting Cu impurities in steel scrap. Journal of Sustainable Metallurgy, 6(4), 785–795. https://doi.org/10.1007/s40831-020-00300-8
Ghisellini, P., Cialani, C., & Ulgiati, S. (2016). A review on circular economy: The expected transition to a balanced interplay of environmental and economic systems. Journal of Cleaner Production, 114, 11–32. https://doi.org/10.1016/j.jclepro.2015.09.007
Govindan, K., & Soleimani, H. (2017). A review of reverse logistics and closed-loop supply chains: A Journal of Cleaner Production focus. Journal of Cleaner Production, 142, 371–384. https://doi.org/10.1016/j.jclepro.2016.03.126
Govindan, K., Soleimani, H., & Kannan, D. (2015). Reverse logistics and closed-loop supply chain: A comprehensive review to explore the future. European Journal of Operational Research, 240(3), 603–626. https://doi.org/10.1016/j.ejor.2014.07.012
Graedel, T. E., Allwood, J., Birat, J.-P., Buchert, M., Hagelüken, C., Reck, B. K., Sibley, S. F., & Sonnemann, G. (2011). What do we know about metal recycling rates? Journal of Industrial Ecology, 15(3), 355–366. https://doi.org/10.1111/j.1530-9290.2011.00342.x
Gundupalli, S. P., Hait, S., & Thakur, A. (2017). A review on automated sorting of source-separated municipal solid waste for recycling. Waste Management, 60, 56–74. https://doi.org/10.1016/j.wasman.2016.09.015
Haupt, M., Vadenbo, C., & Hellweg, S. (2017). Do we have the right performance indicators for the circular economy? Insight into the Swiss waste management system. Journal of Industrial Ecology, 21(3), 615–627. https://doi.org/10.1111/jiec.12506
Kirchherr, J., Reike, D., & Hekkert, M. (2017). Conceptualizing the circular economy: An analysis of 114 definitions. Resources, Conservation and Recycling, 127, 221–232. https://doi.org/10.1016/j.resconrec.2017.09.005
Koyanaka, S., & Kobayashi, K. (2010). Automatic sorting of lightweight metal scrap by sensing apparent density and three-dimensional shape. Resources, Conservation and Recycling, 54(9), 571–578. https://doi.org/10.1016/j.resconrec.2009.10.014
Mesina, M. B., de Jong, T. P. R., & Dalmijn, W. L. (2007). Automatic sorting of scrap metals with a combined electromagnetic and dual energy X-ray transmission sensor. International Journal of Mineral Processing, 82(4), 222–232. https://doi.org/10.1016/j.minpro.2006.10.006
Reck, B. K., & Graedel, T. E. (2012). Challenges in metal recycling. Science, 337(6095), 690–695. https://doi.org/10.1126/science.1217501
Rogers, D. S., & Tibben-Lembke, R. S. (1999). Going backwards: Reverse logistics trends and practices. Reverse Logistics Executive Council.
Schäfer, M., Faltings, U., & Glaser, B. (2023). DOES: A multimodal dataset for supervised and unsupervised analysis of steel scrap. Scientific Data, 10, Article 780. https://doi.org/10.1038/s41597-023-02662-6
Secretaría de Medio Ambiente y Recursos Naturales. (2026). Diagnóstico Básico para la Gestión Integral de los Residuos 2026. Gobierno de México. https://www.gob.mx/semarnat/documentos/diagnostico-basico-para-la-gestion-integral-de-los-residuos-dbgir-2026
World Steel Association. (2024). World Steel in Figures 2024. https://worldsteel.org/data/world-steel-in-figures/world-steel-in-figures-2024/
Xu, W., Xiao, P., Zhu, L., Zhang, Y., Chang, J., Zhu, R., & Xu, Y. (2023). Classification and rating of steel scrap using deep learning. Engineering Applications of Artificial Intelligence, 123, Article 106241. https://doi.org/10.1016/j.engappai.2023.106241
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Luis Fernando Miranda Rodríguez, Jarumi Aguilar Guggembuhl, Eulalia Ventura Mojica, Rebeca Reyes de la Rosa
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
