Estrategía Esta situación se repite en muchísimas plantas de alimentos balanceados.
Dos instalaciones con la misma fórmula, los mismos equipos y procedimientos producen pellets con calidades físicas muy distintas.
¿Por qué ocurre esto?
El Modelo Multidimensional Multivariable de Calidad de Pellet (MMCP) propone una explicación.
La calidad del pellet es el resultado de cómo interactúan entre sí siete dimensiones del proceso. Cuando esas dimensiones funcionan de manera coherente, la calidad aparece.
Cuando alguna falla o se desordena, el sistema entero sufre.
“La calidad del pellet no se optimiza en dimensiónes individuales. Se estabiliza en el sistema.”
El problema de fondo. Pensar el pellet como si fuera un resultado de interacción lineal.
En los últimos años, la industria de alimentos balanceados ha evaluado la calidad física del pellet principalmente a través de dos indicadores de referencia: el PDI (Índice de Durabilidad del Pellet) y el porcentaje de finos.
Eso está bien. El problema empieza cuando creemos que eso es suficiente.
Para mejorar estos números, se ajustaba una variable por vez. Temperatura de acondicionamiento, granulometría, relación L/D de la matriz, porcentaje de humedad, etc.
Este enfoque tiene un límite claro.
Si ajusto una variable sin considerar cómo interactúa con las demás, puedo estar tapando un problema o incluso creando uno nuevo.
Un ejemplo concreto.
Si subo la temperatura del acondicionador, pero la harina llega con poca humedad, el almidón no gelatiniza igual. El calor está, pero falta el agua. El PDI baja, y el operador no entiende por qué, porque la temperatura parece estar bien.
El MMCP responde a esto, planteando que la calidad del pellet es una propiedad emergente del sistema. Es decir, no existe en ninguna variable aislada. Existe cuando todo el sistema funciona de manera coherente.
Las siete dimensiones del proceso.
El MMCP organiza el proceso de Peletizado en siete dimensiones. Cada una representa un conjunto de variables que influyen sobre cómo se forma el pellet.
La ecuación conceptual del modelo es:
Qp = f(Ds,Dh,Dt,Dm,Dx,Da,Do)
El modelo puede expresarse de manera simplificada en forma multiplicativa:
Qp ˜ ? (Di)
Donde Di representa el estado de cada dimensión del sistema.
Esta formulación refleja la naturaleza no compensatoria del proceso.
El colapso de cualquier dimensión reduce la calidad global del pellet, independientemente del estado de las demás.
Resumen de las siete dimensiones
1. Ds. Estructural. Granulometría. Tamaño de partícula, uniformidad, presencia de fibra insoluble gruesa.
2. Dh. Hídrica. Humedad de las materias primas, aporte de vapor, humedad post-acondicionamiento y post-enfriado.
3. Dt. Térmica. Temperatura en el acondicionador, calidad del vapor, transferencia de calor.
4. Dm. Mecánica. Presión de compactación, ajuste del rodillo-matriz, flujo de entrada al peletizador.
5. Dx. Matricial. Geometría de la matriz (relación L/D), estado de desgaste.
6. Da. Aditivos. Aglutinantes (en caso de usarse) y su efecto sobre la cohesión del pellet.
7. Do. Estabilidad operativa. Variabilidad real durante la producción. Humedad entre lotes, calidad del vapor, operador, cambios de fórmula no comunicados, etc.
El punto más importante del modelo no es la lista de dimensiones, sino entender cómo interactúan entre sí.
El efecto de una dimensión cambia según el estado de las demás.
Tres interacciones tienen especial relevancia industrial:
1. Agua × Calor (Dh × Dt). La gelatinización del almidón necesita ambos
El almidón es el principal agente de cohesión natural del pellet. Para que gelatinice y forme esa red cohesiva, necesita dos cosas al mismo tiempo: temperatura suficiente y agua libre disponible.
¿Qué pasa si falta el agua? Aunque la temperatura del acondicionador esté perfecta, el almidón no gelatiniza. El PDI cae.
La causa puede ser tan sencilla como que ese día había poca humedad ambiental y la harina llegó más seca de lo normal.
Esto ocurre frecuentemente en días con baja humedad relativa. La harina puede llegar al acondicionador con 0,5 a 1,5 puntos porcentuales menos de humedad que en días húmedos, sin que ningún sistema de control lo detecte automáticamente.
2. Desgaste de matriz × Aditivos (Dx × Da). El diagnóstico equivocado sale caro
Con el uso, los orificios de la matriz se desgastan: el diámetro aumenta, la relación L/D efectiva disminuye, y la presión de compactación baja. El pellet pierde cohesión, el PDI cae.
¿Cuál es el error más común?
Atribuir esa caída a la fórmula y cambiarla. En algunos casos agregar más aditivo sin saber que el problema es la herramienta.
3. Presión × Humedad (Dm × Dh): Cuando el problema se amplifica solo. Si la harina entra al peletizador con menos humedad de la óptima, el material es más seco y duro. Esto genera mayor fricción dentro de los canales de la matriz, sube la temperatura del canal, y acelera el desgaste de la herramienta.
El mismo evento que baja la calidad del pellet hoy también daña la capacidad de producir bien mañana.
Un déficit hídrico no corregido a tiempo impacta sobre el producto actual y deteriora la dimensión matricial de forma progresiva (Lemos et al, 2025).
¿Qué significa que el sistema sea “coherente”?
La coherencia del proceso es la condición en la que todas las dimensiones operan dentro de rangos compatibles entre sí. No perfectas, no en máximo rendimiento individuales, compatibles entre sí.
El MMCP describe tres estados posibles del sistema:
Coherencia plena. PDI= 90%. Variabilidad s < 2% .Mantener el sistema estable
Coherencia parcial. PDI Aceptable. Variabilidad s entre 2 y 4%. Dimensión limitante
Incoherencia sistémica. PDI< 85%. Variabilidad s > 4%. Intervención multidimensional
Dos plantas pueden tener el mismo PDI promedio y ser completamente distintas.
Una con PDI 92 ± 1,5% funciona en coherencia plena.
Otra con PDI 91 ± 4,5% tiene mucho más producto fuera de especificación, aunque el promedio parezca similar.
El rol de los aditivos, no solo subir el promedio.
La forma habitual de evaluar un aditivo de Peletización es medir si sube el %PDI.
El MMCP propone una mirada diferente. El valor real de un aditivo está en su capacidad de reducir la variabilidad del PDI turno a turno.
Por ejemplo: Una planta que usa un aditivo mejorador de calidad de pellet y obtiene PDI 88 ± 1,5% tiene mejor desempeño industrial que una planta sin aglutinante que obtiene PDI 89 ± 4,5%.
La segunda rechaza mucho más producto fuera de especificación a pesar de tener mejor promedio.
Este cambio de perspectiva modifica el análisis de costo-beneficio.
El operador experto.
Hay algo que los modelos formales raramente capturan. El conocimiento del operador experimentado. Ese técnico que lleva años en la prensa sabe, casi instintivamente, qué combinaciones funcionan. Escucha los rodillos, mira el pellet en caliente, percibe la temperatura de la matriz.
Lo que ese operador tiene en la cabeza es, exactamente, el mapa de interacciones del sistema.
El problema es que ese conocimiento no está escrito en ningún lado. Cuando se va, se lleva consigo el modelo implícito. La planta pierde estabilidad sin entender bien por qué.
No es una exageración. Ese conocimiento debe ser cuidado, documentado y transferido.
¿Qué cambia en la práctica con este modelo?
Para diagnosticar caídas de PDI.
En lugar de buscar la variable culpable, el diagnóstico por dimensiones permite identificar qué parte del sistema está fuera de rango.
Un PDI bajo con temperatura correcta puede indicar un problema hídrico, o un desgaste de matriz, o ambos.
Sin diagnóstico multidimensional, la intervención puede ser incorrecta o ineficaz.
Conclusiones
El MMCP no reemplaza el PDI ni descarta el conocimiento existente. Lo reordena.
Cambia la forma de entender el proceso. La calidad del pellet no es el resultado de un parámetro bien ajustado. Es la manifestación del estado del sistema.
Más de 96 variables pueden influir en el proceso, pero ninguna explica por sí sola lo que ocurre en planta.
Cuando las dimensiones son coherentes, la calidad aparece. Cuando no lo son, el sistema se vuelve inestable.
La calidad del pellet es la radiografía de la planta.
“Cuando el sistema alcanza coherencia, la calidad emerge. No antes.”
Referencias principales.
Abdollahi, M. R., Ravindran, V., & Svihus, B. (2024). Animal Feed Science and Technology, 308, 115892.
Cheng, H., Mathai, J. K., & van der Poel, A. F. B. (2025). Journal of Food Engineering, 384, 112201.
Kampman, D., Jensen, L. B., & Engberg, R. M. (2024). Poultry Science, 103(4), 103521.
Lemos, B. J., Sakomura, N. K., & Figueiredo, A. N. (2025). Biosystems Engineering, 241, 15–27.
Mathai, J. K., Cheng, H., & van der Poel, A. F. B. (2024). Animal Feed Science and Technology, 312, 116001.