Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROFESOR GUIA
RAFAEL EPSTEIN NUMHAUSER
MIEMBROS DE LA COMISIÓN
JOSÉ RAFAEL CORREA HAEUSSLER
JUAN D. VELÁSQUEZ SILVA
ANDRÉS WEINTRAUB POHORILLE
SANTIAGO DE CHILE
Septiembre, 2010
A mis padres.
A mi Nicole.
A mis amigos.
ii
Índice general
1. Introducción 1
2. Marco Teórico 5
2.2. Pseudocódigo de PH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
iii
ÍNDICE GENERAL
5. Conclusiones 37
A.1. Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
A.3. Parámetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
A.5. Restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
iv
ÍNDICE GENERAL
A.5.1. Extracción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
A.5.4. Capacidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
A.5.6. Contaminantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
A.6.4. Beneficios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
B. Árboles de Escenarios 49
v
ÍNDICE GENERAL
vi
Índice de figuras
1.1. Precio real del cobre refinado LME, deflactado por el PPI de EEUU mayo
2009. Fuente: COCHILCO [3] . . . . . . . . . . . . . . . . . . . . . . . . . . 1
3.3. Esquema de la operación minera en una mina de rajo abierto. Fuente: [10] . 17
4.3. Las variables fijadas durante PH son traspasadas al modelo estocástico con
no-anticipatividad implı́cita, en este caso formando un modelo infactible. . . 30
vii
ÍNDICE DE FIGURAS
C.1. Árbol de escenarios de precios futuros del cobre, donde se resalta el escenario
s2 . Instancia de 4 perı́odos y 5 escenarios. . . . . . . . . . . . . . . . . . . . 58
C.2. Formulaciones para un modelo estocástico con árbol de escenarios. Cada nodo
numerado representa variables de decisión para el perı́odo indicado. Instancia
de 4 perı́odos y 5 escenarios. . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
viii
Índice de Tablas
4.1. Parámetros del movimiento browniano para simular el precio futuro del cobre. 22
ix
ÍNDICE DE TABLAS
x
RESUMEN DE TESIS PARA OPTAR AL GRADO DE
MAGÍSTER EN GESTIÓN DE OPERACIONES Y AL
TÍTULO DE INGENIERO CIVIL INDUSTRIAL
POR: JAIME ANDRÉS GACITÚA CARAFÍ
FECHA: 06/10/2010
PROFESOR GUÍA: RAFAEL EPSTEIN NUMHAUSER
Se trabajó con una mina de cielo abierto, modelada como un conjunto de bloques, cada uno
caracterizado por su tonelaje, ley y localización. Las plantas de procesamiento del mineral se
modelan coma una red dirigida con transformaciones y capacidades. El modelo de planificación
busca la secuencia de extracción del yacimiento, los requerimientos de maquinaria y la carga
sobre la red de procesamiento que maximiza el valor presente del negocio.
El precio futuro del cobre, se modela como un movimiento browniano con reversión a la
media, y se implementa un método para generar un árbol de escenarios con probabilidades.
Combinando el modelo de planificación minera con el árbol de escenarios se plantea un modelo
de programación estocástica multiperı́odo. Este modelo permite optimizar las decisiones de
planificación considerando flexibilidad en las decisiones según como se comporte el precio futuro
del cobre.
Se utilizó PH como una heurı́stica de preproceso para fijar variables de decisión. Cada vez
que se completa una iteración, se fijan las variables que han logrado cumplir con el principio de
no-anticipatividad. Cuando se han fijado suficientes variables, se resuelve el modelo estocástico
compacto.
xi
Capı́tulo 1
Introducción
El precio futuro del cobre es una variable difı́cil de predecir con certeza. Al revisar su
historia en la Figura 1.1, no es claro que sea posible develar algún patrón o tendencia en la
trayectoria. El crecimiento de los paı́ses asiáticos y la especulación de los actores del mercado
son ejemplos de fuerzas impredecibles que afectan al precio futuro del metal.
Figura 1.1: Precio real del cobre refinado LME, deflactado por el PPI de EEUU mayo 2009.
Fuente: COCHILCO [3]
1
Capı́tulo 1: Introducción
Naturalmente las decisiones que tomarı́a un planificador serán distintas frente a un esce-
nario de precios por sobre 3USd/lb que bajo 1USd/lb, porque el desempeño económico del
negocio es altamente sensible al precio. La Tabla 1.1 ilustra lo sensible que son los excedentes
de CODELCO frente al precio del commodity.
Tabla 1.1: Precio del Cobre, Producción y excedentes de CODELCO. Fuentes CODELCO,
[4] [5], COCHILCO [3]
Si se duplica el precio del cobre, se duplican los excedentes de la estatal. Al no saber cual
escenario de precios se tendrá y considerando las alternativas que ofrece el yacimiento cada
año se deben enfrentar preguntas como ¿cuánto material extraer? ¿dónde extraer? ¿cuánto
inventario almacenar y de qué ley? ¿cuánto concentrado de cobre producir? Ofrecer respuestas
a estas preguntas es la motivación de esta tesis.
Una alternativa más sofisticada al análisis por escenarios consiste en plantear un modelo
de programación estocástica, el que considera todos los escenarios que interesa a la vez
y es capaz de llegar a la mejor solución de consenso por su cuenta. La ventaja adicional
es que este modelo considera la flexibilidad en las decisiones a medida que se va revelando
nueva información sobre los precios futuros. Este mecanismo es claramente más atractivo, sin
embargo, el problema de esta metodologı́a es que el modelo estocástico de planificación flexible
es computacionalmente intratable: se vuelve excesivamente grande para nuestras capacidades
actuales de computación.
En esta tesis se implementará una heurı́stica que permite resolver la versión estocástica
del modelo de planificación, ocupando una metodologı́a de agregación por escenarios. Se
resolverá el modelo de planificación para cada escenario de forma determinista y se mezclarán
las soluciones para llegar a una solución final. Esta mezcla puede ser interpretada como el
resultado de una reunión de planificadores que llega a consenso, esta vez considerando decenas
o cientos de escenarios [26]. La principal caracterı́stica de este método es que se logra eludir
2
Capı́tulo 1: Introducción
El objetivo central de esta tesis es ocupar una heurı́stica para lograr resolver un problema
estocástico de planificación minera, basándose en el método PH.
Dentro de este marco, lo primero que se hizo fue estudiar la teorı́a del método PH. Se
investigó la bibliografı́a y se hicieron múltiples reuniones con Roger Wets y David Woodruff,
ambos profesores de la Universidad de California en Davis.
Luego, se realizó una caracterización del precio futuro del recurso minero. Se aplicaron
técnicas matemáticas para describir la incertidumbre del precio futuro del cobre. Se utilizó un
modelo del tipo Browniano Geométrico con reversión a la media, como se ha hecho en tra-
bajos de tesis anteriores [12], [21]). En base al movimiento browniano, se generó un árbol de
escenarios para representar las posibles trayectorias del precio futuro del cobre. Un ejemplo
de árbol de escenarios se expone en la Figura 1.2.
3
Capı́tulo 1: Introducción
4
Capı́tulo 2
Marco Teórico
Los avances en modelos estocásticos para la minerı́a son más escasos pero no menos
importantes. Entre otros trabajos en programación estocástica se destaca el de Leite y Dimi-
trakopoulos, 2007 [16], donde utilizan Simulated Annealing para planificar el secuenciamiento
de un pit, considerando la incertidumbre en las leyes del mineral. Guajardo [12] propone un
modelo basado en programación dinámica estocástica para optimizar el timing de extracción
y Sauré [21] propone un enfoque de opciones reales para tratar decisiones de largo plazo en
minerı́a.
5
Capı́tulo 2: Marco Teórico
Donde f (·) es una función convexa y C es un conjunto convexo. Si se considera que las
decisiones del modelo deben tomarse hoy, pero se deben ejecutar dentro de un año1 , algunos
de los parámetros del modelo podrı́an resultar inciertos y con una volatilidad apreciable al
cabo de un año. Supongamos que ξ es uno de estos coeficientes inciertos en la función f (·)
y por su naturaleza resulta razonable modelarlo como una variable aleatoria con espacio de
probabilidad (Ξ, P ). Bajo este contexto, se propone el modelo que minimiza el valor esperado
de f (·):
Z
min E[f (x)] = f (x, ξ)dP (ξ) (2.2)
s.a. x ∈ C ⊂ IRn
Se considera
n que
o ξ es una variable discreta, luego se define el conjunto de posibles eventos
1 L
S = s , ..., s , llamados escenarios. Para cada escenario se podrı́a calcular la solución al
problema determinista,
x∗s = argmin {f (x, s)|x ∈ C} ∀s ∈ S (2.3)
Cada escenario ofrecerá una solución distinta, pero de alguna forma se debe llegar a
concenso porque hoy se debe tomar una decisión. Ocupando la solucion óptima de cada
escenario, se podrı́a llegar a una solución promedio: Si ps es la probabilidad de ocurrencia
del escenario s, entonces
ps · x∗s
X
x̂ := (2.4)
s∈S
puede interpretarse como la solución promedio (centroide) de las |S| soluciones. Esta es
una solución única y la que se podrı́a utilizar como la decisión a seguir.
Aunque la solución promedio parece ser razonable, 2.4 no necesariamente será la solución
1 Modelo de dos etapas
6
Capı́tulo 2: Marco Teórico
s∈S ps · f (xs , s)
P
min (2.5)
s.a. xs ∈ C ⊂ IRn ∀s ∈ S
xs = xs0 ∀s, s0 ∈ S (2.6)
Consecuencia de lo anterior, existe el incentivo a aumentar |S|, para ası́ dar mayor sustento
al análisis de escenarios. Sin embargo, cuando aumentamos el número de escenarios, el pro-
blema 2.5 se vuelve altamente complejo porque el número de variables y restricciones crece
exponencialmente debido a las restricciones de no-anticipatividad 2.6. Estas restricciones im-
ponen a que exista una sola solución final, la que en definitiva se debe tomar en el primer
perı́odo.
xs = x̂ ∀s ∈ S (2.7)
s , s) + P
s∈S ps · f (x s∈S ws · (xs − x̂)
P
min (2.8)
s.a. n
xs ∈ Cs ⊂ IR ∀s ∈ S
Donde los vectores ws son los multiplicadores de Lagrange de las restricciones de no-anticipatividad,
escritas como la ecuación 2.7. El problema está en encontrar w y x̂ que resuelvan óptimamente
el modelo estocástico 2.5. PH tiene por objetivo encontrar estos valores.
7
Capı́tulo 2: Marco Teórico
2.2. Pseudocódigo de PH
Definición de Iteraciones
1. INICIALIZACIÓN
Definir S, el conjunto de escenarios.
Definir ps ∀s ∈ S, la probabilidad de ocurrencia de cada escenario s.
Inicializar ν = 0, el contador de iteraciones.
Definir ρ > 0, parámetro de penalización.
Se define wν (s) = 0 ∀s ∈ S, vectores de precios duales de largo n. (n es la dimensión
del vector de decisiones x)
Se inicializa x̂ν = 0, el vector solución promedio.
2. ITERACIÓN INICIAL (ν = 0)
Calcular xνs , solución de cada escenario s ∈ S:
f ν (x, s) = f (x, s)
xνs ∈ argmin {f ν (x, s) : x ∈ Cs }
x̂ν = ps xνs
X
s∈S
Actualizar w,
wν+1 (s) = wν (s) + ρ (xνs − x̂ν )
Avanzar ν := ν + 1
3. ITERACIONES PH (ν > 0)
Calcular xνs ∀s ∈ S,
1
2
f ν (x, s) = f (x, s) + wν (s)x + ρ
x − x̂ν−1
2
νs v
x ∈ argmin {f (x, s) : x ∈ Cs }
8
Capı́tulo 2: Marco Teórico
Actualizar x̂ν ,
x̂ν = ps xνs
X
s∈S
Actualizar w,
wν+1 (s) = wν (s) + ρ (xνs − x̂ν )
Avanzar ν := ν + 1
4. Volver a paso 3, a menos que se cumpla el criterio de término que se explica a conti-
nuación.
Criterio de término
Es de esperar que en la práctica esta igualdad no se logre cumplir por motivos numéricos.
En ese caso resulta natural definir una vecindad dentro de la cual se puede asumir la igualdad.
Dado > 0 si se cumple X
νs
x − x̂ν−1
< (2.10)
s∈S
se ha logrado la convergencia y x̂ν−1 será una solución que satisface todas las restriccio-
nes del modelo estocástico. La expresión 2.10 asegura factibilidad, sin embargo no asegura
optimalidad (ver [17]).
Término cuadrático
1
2
ρ
x − x̂ν−1
(2.12)
2
9
Capı́tulo 2: Marco Teórico
El nuevo modelo con T > 2 etapas será más grande que el de la sección pasada y además
se tendrá que definir una estructura de información temporal. Esta estructura de información
tendrá que representar qué datos va conociendo el tomador de decisiones y cuándo los conoce.
Si estamos en el perı́odo t, el tomador de decisiones sólo debe conocer la información y
decisiones hasta el perı́odo t.
Sea Xt la decisión que deberá tomarse en el perı́odo t. Las variables de decisión, separadas
por perı́odos tomarán la forma
Dentro del espacio de polı́ticas posibles, existe una restricción fundamental ligada al con-
cepto de no-anticipatividad: si los escenarios s y s0 son idénticos hasta el perı́odo t, entonces
las polı́ticas de decisión (X1 (s), .., Xt (s)), (X1 (s0 ), .., Xt (s0 )) también deben ser idénticas. El
tomador de decisiones no sabe si está observando el escenario s o el s0 por lo tanto no hay
motivo para tomar decisiones distintas. Lo anterior asegura que la polı́tica de decisiones en
ningún momento depende de información futura.
Desde el punto de vista matemático, para todo perı́odo t se genera una partición del
10
Capı́tulo 2: Marco Teórico
El problema estocástico multiperı́odo que se resolverá busca una polı́tica X : S → IRn·T que
cumpla
X
min ps · f (X(s), s) (2.14)
s∈S
s.a. X ∈ N ∩C
C = {X|X(s) ∈ Cs ∀s ∈ S} (2.16)
donde X
pA := ps (2.18)
s∈A
Cuando se resuelva cada escenario, se obtendrá una polı́tica admisible. Una polı́tica que tam-
bién sea implementable se obtendrá asignando a las variables de cada escenario el promedio
11
Capı́tulo 2: Marco Teórico
Figura 2.1: Árbol de decisiones visto como escenarios agrupados en conjuntos de información
Definición de Iteraciones
1. INICIALIZACIÓN
Definir S, el conjunto de escenarios.
Definir ps ∀s ∈ S, la probabilidad de ocurrencia de cada escenario s.
Definir las particiones Pt ∀t, en base a la estructura del árbol de escenarios. Esto
definirá qué escenario(s) pertenece(n) a cada uno de los conjuntos de información
A ∈ Pt ∀t.
Inicializar ν = 0, el contador de iteraciones.
Definir ρ > 0, parámetro de penalización.
Se define W ν (s) = 0 ∀s ∈ S, vectores de precios de largo n. (n es la dimensión del
vector de decisiones x)
12
Capı́tulo 2: Marco Teórico
2. ITERACIÓN INICIAL (ν = 0)
Calcular X ν (s), solución de cada escenario s ∈ S:
f ν (x, s) = f (x, s)
X ν (s) ∈ argmin {f ν (x, s) : x ∈ Cs }
Actualizar solución promedio para cada escenario y perı́odo, de acuerdo a los conjuntos
de información A ∈ Pt ∀t:
s∈A
X̂tν (s) = X̂tν (A) ∀s ∈ A ∀A ∈ Pt ∀t
Calcular siguiente W ,
Wtν+1 (s) = Wtν (s) + ρ Xtν (s) − X̂tν (s)
Avanzar ν := ν + 1
3. ITERACIONES PH (ν > 0)
Calcular X ν (s) ∀s ∈ S,
T
1
2
f ν (x, s) = f (x, s) + Wtν (s)xt + ρ
xt − X̂tν−1 (s)
X
t=1 2
X ν (s) ∈ argmin {f v (x, s) : x ∈ Cs }
Actualizar solución promedio para cada escenario y perı́odo, de acuerdo a los conjuntos
de información A ∈ Pt
s∈A
X̂tν (s) = X̂tν (A) ∀s ∈ A ∀A ∈ Pt ∀t
Calcular siguiente W ,
Wtν+1 (s) = Wtν (s) + ρ Xtν (s) − X̂tν (s)
13
Capı́tulo 2: Marco Teórico
Avanzar ν := ν + 1
4. Volver a paso 3 a menos que se cumpla el criterio de término que se explica a conti-
nuación.
Criterio de término
El criterio de término es similar al modelo de dos perı́odos, pero esta vez la condición se
aplicará a cada conjunto de información, tomando la forma
Cuando se cumpla 2.20, el método habrá encontrado una solución admisible e implemen-
table.
Es de esperar que en la práctica esta igualdad no se logre cumplir por motivos numéricos.
En ese caso resulta natural definir una vecindad dentro de la cual se puede asumir la igualdad.
Dado > 0 si se cumple X
Xt (s) − X̂tν−1 (s)
<
ν
(2.21)
s∈S,t∈T
se ha logrado la convergencia y X̂ ν−1 (s) será una solución que satisface todas las restriccio-
nes del modelo estocástico. La expresión 2.21 asegura factibilidad, sin embargo, no asegura
optimalidad (ver [17]).
14
Capı́tulo 3
15
Capı́tulo 3: Descripción del Problema Minero y Modelación
corresponden a bloques de distinto tamaño y que serán las unidades más pequeñas sobre las
cuales se decide la explotación en el largo plazo. La figura 3.2 muestra una representación de
los bancos en una expansión.
La principal decisión de largo plazo en esta etapa es definir el orden en el cual serán
extraı́dos los bancos, considerando restricciones fı́sicas y operacionales.
A través de la perforación, tronadura y carguı́o del material, se van extrayendo los bancos
del yacimiento. El material extraı́do es enviado a la red de procesamiento de material, descrito
16
Capı́tulo 3: Descripción del Problema Minero y Modelación
Figura 3.3: Esquema de la operación minera en una mina de rajo abierto. Fuente: [10]
a continuación.
Al salir del chancador, la roca puede ser enviada a la planta de molienda o a la planta de
lixiviación. El proceso de molienda disminuye aún más el tamaño de la roca y la prepara para
el proceso de concentrado. En la planta de lixiviación se riega el material con una solución
ácida, obteniéndose como resultado una solución con altas concentraciones de cobre.
Por otro lado, el material que sale del proceso de lixiviación se enviado a la planta de
17
Capı́tulo 3: Descripción del Problema Minero y Modelación
extracción por solvente y electro obtención (SxEw). Primero, la extracción por solvente eli-
mina las impurezas de la solución de cobre. El fluı́do resultante se le llama Avance. Luego,
la planta de electro obtención aplica procesos electro quı́micos al Avance, las partı́culas de
cobre forman una lámina de cobre de alta pureza, la cual es comercializada.
18
Capı́tulo 3: Descripción del Problema Minero y Modelación
19
Capı́tulo 4
Aplicación de PH al modelo de
planificación
A continuación se muestran los pasos seguidos para llevar a la práctica la teorı́a descrita
en los capı́tulos anteriores. Primero se describe la generación de escenarios, luego la aplicación
del método PH y finalmente los principales resultados númericos.
El precio futuro del cobre es el parámetro del modelo considerado incierto y se imple-
mentó una metodologı́a para generar escenarios de precios futuros del cobre.
20
Capı́tulo 4: Aplicación de PH al modelo de planificación
argumento económico: Si el precio está por sobre la media de largo plazo, proyectos mineros
comenzarán a volverse rentables y se activarán, aumentando la oferta. Por otra parte, si el
precio está por debajo de la media, se cerrarán operaciones mineras y la oferta decaerá.
En esta sección se introduce un proceso de difusión del tipo browniano geométrico, si-
guiendo la lı́nea del trabajo de Sauré [21] y que originalmente fue publicado por Shwartz
[22].
Donde
Al momento se tiene una caracterización analı́tica de la incertidumbre del precio futuro del
cobre, sin embargo el modelo recién descrito no es compatible con el modelo de planificación
minera, porque el precio se modela a tiempo continuo y el modelo de planificación estocástica
está definido a tiempo discreto, con perı́odos. A continuación se muestra una metodologı́a
para realizar simulaciones a tiempo discreto de este proceso, lo cual será de utilidad para
generar un árbol de escenarios.
σ2
dXt = κ(µ − − Xt )dt + σdzt (4.2)
2κ
21
Capı́tulo 4: Aplicación de PH al modelo de planificación
σ2
E(Xt ) = e−κt X0 + (1 − e−κt )(µ − ) (4.3)
2κ
σ2
Var(Xt ) = (1 − e−2κt ) (4.4)
2κ
Dixit & Pindyck [7] y Gillespie [9] publican las ecuaciones que permiten simular el proceso
de Xt en un ambiente a tiempo discreto, con intervalos ∆t :
s
σ2 1 − e−2κ∆t
Xt = Xt−1 e−κ∆t + (1 − e−κ∆t )(µ − ) + σ N (0, 1) (4.5)
2κ 2κ
Parámetro Valor
S0 2,00
µ 0,55
κ 0,4
σ 0,3
Tabla 4.1: Parámetros del movimiento browniano para simular el precio futuro del cobre.
Una vez obtenida una expresión para simular el precio futuro del cobre, se procede a
generar un árbol de escenarios para alimentar el modelo de programación estocástica.
22
Capı́tulo 4: Aplicación de PH al modelo de planificación
Lo que en definitiva interesa hacer es, comenzando con una distribución continua conocida,
ajustar de la mejor forma una distribución discreta.
1. Se comienza definiendo,
3. El nodo raı́z tendrá N1 hijos que pertenecerán al perı́odo 2, con precios S = {S1 , S2 , .., SN1 }
y sus correspondientes probabilidades serán p = {p1 , p2 , .., pN1 }.
El problema en este momento es decidir S y p de forma de representar de la mejor
forma la distribución de probabilidades del modelo 4.1 para el perı́odo 2
Tanto el modelo de precios como la distribución (S, p) tienen su propia esperanza,
varianza, asimetrı́a y kurtosis las cuales se utilizarán como medida de similitud. La
23
Capı́tulo 4: Aplicación de PH al modelo de planificación
función que se utilizará para medir la calidad del ajuste será la suma cuadrática de la
diferencia de estas magnitudes. Para formalizar lo anterior, sea,
4
αj (fj (S, p) − V ALj )2
X
mı́n (4.7)
S,p
j=1
Si ≥ 0 ∀i = 1, ..., N1
pi ≥ 0 ∀i = 1, ..., N1
N1
X
pi = 1
i=1
4. El modelo anterior entregará los precios y las probabilidades de los N1 nodos para el
perı́odo 2.
5. El mecanismo anterior se repite para calcular los hijos de los N1 nodos recién definidos.
Se deben actualizar los valores V ALj , j = 1, .., 4 según el perı́odo que se esté calculando
y el precio del nodo padre. Este proceso se repite hasta llegar a las hojas del árbol en
el perı́odo T .
Las magnitudes V ALj , j = 1, .., 4 , que alimentan el modelo 4.7 se debieron actualizar
constantemente. Cada vez que fue necesario actualizar, se simuló una muestra de M realiza-
ciones con la ecuación 4.6 y sobre ello se calcularon los momentos con las fórmulas conocidas
de estadı́stica. Por ejemplo, para el nodo raı́z, la simulación para el perı́odo 2 se hace con la
24
Capı́tulo 4: Aplicación de PH al modelo de planificación
ecuación 4.6 y los parámetros de la Tabla 4.1. Se hacen las simulaciones considerando ∆t = 1
y se obtiene la muestra Ŝ = {sm }M m=1 . Se calculan entonces,
M
1 X
V AL1 = sm
M m=1
M
1 X
V AL2 = (sm − V AL1 )2
M m=1
PM 3
1 m=1 (sm − V AL1 )
V AL3 =
M (V AL2 )3/2
PM 4
1 m=1 (sm − V AL1 )
V AL4 = −3
M (V AL2 )2
Con el modelo 4.7 se buscan los precios y probabilidades (S,p) para el perı́odo 2. Debido a
la naturaleza no lineal de modelo 4.7, se calculan varios óptimos locales comenzando desde
distintas soluciones iniciales, buscando encontrar la solución de mejor calidad. Una vez en-
contrado el mejor óptimo local, se tendrá los precios y probabilidades de los N1 nodos del
perı́odo 2. Sobre cada uno de estos nodos se repite el mismo proceso anterior.
Perı́odo(t) Nt
P 2010 5
P 2011 3
P 2012 2
P 2013 2
P 2014 2
P 2016 2
P 2018 2
P 2022 2
P 2026 −
Tabla 4.2: Número de ramificaciones por nodo en cada perı́odo. El último perı́odo es 2026,
por lo tanto no tiene ramificaciones.
Con la estructura de la tabla 4.2 se llega a un total de 960 escenarios1 . En el Anexo B.1
se muestra un gráfico del árbol de escenarios resultante.
1 Corresponde a la cantidad de hojas del árbol de la tabla 4.2: 960 = 5 · 3 · 2 · 2 · 2 · 2 · 2 · 2
25
Capı́tulo 4: Aplicación de PH al modelo de planificación
Una vez definido el modelo de planificación y el árbol de escenarios de precios futuros del
cobre, se combinan para formular un modelo de programación estocástica.
26
Capı́tulo 4: Aplicación de PH al modelo de planificación
Tabla 4.3: Agregación de perı́odos para pasar reducir el problema 19 perı́odos a uno de 9
perı́odos.
Perı́odos Fusionados Perı́odos Originales
P2010 P2010
P2011 P2011
P2012 P2012
P2013 P2013
P2014
P2014
P2015
P2016
P2016
P2017
P2018
P2019
P2018
P2020
P2021
P2022
P2023
P2022
P2024
P2025
P2026
P2026 P2031
P2041
el principio de no-anticipatividad. Todas las variables que han llegado a acuerdo se declaran
fijadas para las iteraciones siguientes.
La tabla 4.4 muestra el impacto de hacer Hot-Start y fijado de variables. Mientras mayor
el número de escenarios, se tarda cada vez más en resolver cada modelo determinista, debido
a que hay más variables sobre las cuales se debe imponer el principio de no-anticipatividad
entonces hay mas términos de penalización cuadrática.
Para todas las instancias, Hot-Start reduce los tiempos de resolución a la mitad. Esto
se debe principalmente porque el solver comienza con una solución conocida la que permite
adelantar el trabajo de cálculo.
A la versión con Hot-Start se agrega fijar variables. Fijar variables se vuelve relevante
cuando el número de escenarios es grande. Para las instancias de 8 y 16 escenarios, se aumenta
27
Capı́tulo 4: Aplicación de PH al modelo de planificación
al doble el tiempo para resolver cada escenario. Para 65 escenarios, el tiempo disminuye
en más de 70 %. Llama la atención que fijar variables aumente el tiempo de resolución.
Una explicación es que la rutina de identificar y fijar las variables que han cumplido la
no-anticipatividad tarda un tiempo considerable.
# de Escenarios
Estrategia 8 16 65
Caso base 20,7 45,8 1.587
Con Hot-Start 10,8 10,9 896,1
Con Hot-Start, Fijando Variables 20,5 20,0 257,7
Tabla 4.4: Tiempo promedio en segundos de resolución de cada escenario determinista con
penalizaciones PH, según estrategia y cantidad de escenarios |S|. Instancia de 105 bloques.
Solución de cada escenario al 5 % de GAP.
Una vez resuelto el problema del tiempo de ejecución, realizaron experimentos para ob-
servar el comportamiento del método. Para medir la evolución de PH a medida que avanzan
las iteraciones, se calcula la desviación cuadrática a la solución promedio (g),
s∈S,t∈T
Este indicador representa la distancia entre las soluciones de cada escenario a los valores
promedio y permite conocer el avance en la convergencia del método PH en cada iteración.
Cuando este valor es cero, se ha obtenido una solución factible al modelo estocástico. En
la figura 4.1 se observa que en general el método logra disminuir g. Para las instancias con
más escenarios, la convergencia es más lenta. A medida que crece el número de escenarios
se comenzará con mayores desviaciones cuadráticas porque existen más variables sobre las
cuales se debe imponer el principio de no-anticipatividad. En particular, la instancia de 8
escenarios comienza con una desviación cuadrática de 0,98, mientras que la instancia de 65
escenarios comienza con una desviación cuadrática de 17,86.
Las iteraciones PH logran acercar las variables de cada escenario a cumplir la no-anticipatividad,
sin embargo las pruebas demuestran que el método no es capaz de obtener una solución ente-
ra factible con la cual concluir. Para obtener una solución al modelo estocástico se realizaron
iteraciones PH y luego se realizó un crossover al modelo estocástico, (PH+crossover):
28
Capı́tulo 4: Aplicación de PH al modelo de planificación
Figura 4.1: Evolución de la desviación cuadrática a la solución promedio (g) Método PH para
instancias de 8, 16 y 65 escenarios. Se incluye en el cálculo sólo las variables binarias.
1. PH: Se realiza una cierta cantidad de iteraciones del método PH, fijando las variables
que alcanzan a cumplir el principio de no-anticipatividad. Se almacenan las variables
que fueron fijadas.
Todas las variables que han cumplido la no-anticipatividad durante las iteraciones PH son
fijadas y entregadas al modelo estocástico, como muestra la figura 4.3. El problema es que
en el modelo de planificación, la variable binaria z(t, s) representa la extracción del bloque z.
Cuando z(t, s) = 1, indica que para el escenario s se extrae el bloque z en el perı́odo t; en caso
contrario valdrá 0. De acuerdo al modelo de planificación, un bloque se debe extraer una y
solamente una vez para el horizonte de planificación, lo cual conduce a una infactibilidad: La
solución en el primer perı́odo no puede ser z(1) = 1 porque en los escenarios A,B el bloque
se extraerı́a 2 veces. La solución tampoco puede ser z(1) = 0 porque para los escenarios C,D
el bloque z no se extraerı́a en ningún perı́odo.
2 Ver Anexo C
29
Capı́tulo 4: Aplicación de PH al modelo de planificación
Figura 4.3: Las variables fijadas durante PH son traspasadas al modelo estocástico con no-
anticipatividad implı́cita, en este caso formando un modelo infactible.
30
Capı́tulo 4: Aplicación de PH al modelo de planificación
a la solución del problema estocástico compacto con variables binarias relajadas4 . El tamaño
del modelo estocástico compacto de 173 bloques se muestra en la tabla 4.5
El solver utilizado para todas las instancias es CPLEX 12.1 y el lenguaje de modelación
es GAMS 23.3.1. Se trabajó con un PC Intel i7 2.67ghz 12gb RAM.
El valor del parámetro ρ se fijó en 0,00001, porque se logra un buen balance entre velocidad
de convergencia5 y el tiempo que tarda resolver cada escenario. Mientras mayor el valor de ρ
es más costoso resolver cada escenario porque las penalizaciones cuadráticas y el coeficiente
w toman mayor importancia. Cuando se está en la iteración n, gracias al Hot-Start cada
escenario tomará como punto de partida la solución obtenida en la iteración n − 1. Si ρ es
“pequeño” la nueva solución será relativamente parecida a la solución de Hot-Start y la tarea
del solver será ligera; si ρ es “grande” la solución en la iteración n puede ser muy distinta a la
solución de partida, exigiendo mayor trabajo encontrar el nuevo punto óptimo al problema.
Por otro lado, el avance en convergencia es más lento si ρ es pequeño porque las soluciones
de cada escenario cambiarán relativamente poco dentro del espacio factible.
Se comenzó realizando 5 iteraciones PH y luego crossover, los resultados para las instancias
de 105 bloques y 173 bloques se muestran en las tablas 4.6 y 4.7.
Para la instancia de 105 bloques, los resultados sugieren que PH comienza a ser útil a
medida que el número de escenarios crece. Para la instancia de 8 escenarios, resulta mejor
enfrentar el modelo estocástico directamente. Para la instancia de 16 escenarios PH+crossover
comienza a ser competitivo. Para la instancia de 65 escenarios resolver el modelo estocástico
directamente no produce solución factible, mientras que PH+crossover logra una solución de
buena calidad en menos de 5 horas.
Para la instancia de 173 bloques, PH+crossover supera en todos los casos la alternativa
de ejecutar el modelo estocástico directamente. Para 65 escenarios, el solver no es capaz de
obtener la solución al problema relajado, en cambio, con PH+crossover se obtiene en 5 horas
4 El dominio de la variable binaria deja de ser el conjunto {0, 1}, y pasa a ser el intervalo [0, 1]
5 La velocidad de convergencia se mide a través del indicador g, introducido en la sección 4.2.2
31
Capı́tulo 4: Aplicación de PH al modelo de planificación
una solución entera factible que está a menos del 1,25 % de GAP.
Los resultados obtenidos indican que para las instancias analizadas bastaba con resolver
los escenarios por separado y luego hacer crossover para obtener buenos resultados. No se
requirió esfuerzo con iteraciones PH ya que solamente significan costo en tiempo y no se gana
en calidad de solución.
32
Capı́tulo 4: Aplicación de PH al modelo de planificación
33
Capı́tulo 4: Aplicación de PH al modelo de planificación
34
Capı́tulo 4: Aplicación de PH al modelo de planificación
35
Capı́tulo 4: Aplicación de PH al modelo de planificación
36
Capı́tulo 5
Conclusiones
El precio futuro del cobre se modela como un movimiento browniano con reversión a la
media y se implementa un método de ajuste de momentos para generar un árbol de escenarios.
37
Capı́tulo 5: Conclusiones
perı́odo t, entonces las soluciones deben ser idénticas desde el perı́odo 1 hasta el perı́odo t,
para todo perı́odo t. El método comienza resolviendo cada escenario de precios por separado
y de manera independientemente. De acuerdo a las soluciones obtenidas en cada escenario,
se introduce un sistema de penalizaciones con el objetivo de forzar a los escenarios a cumplir
con el principio de no-anticipatividad. Se vuelve a resolver cada escenario y se vuelven a
actualizar las penalizaciones, proceso que se repite hasta cumplirse la no-anticipatividad.
En esta tesis se utiliza PH como una heurı́stica de preproceso para reducir el espacio
factible del modelo estocástico. A través del método se analiza la solución determinista para
cada escenario e iterativamente se fijan variables de decisión. Una vez se han fijado suficientes
variables, se procede a resolver el modelo estocástico compacto con variables fijadas. A esta
metodologı́a se le llamó PH+crossover.
Al realizar descomposición por escenarios, se debe aplicar alguna metodologı́a para res-
catar el principio de no-anticipatividad. En la sección 4.2.2 se observó que las penalizaciones
introducidas por el método PH son efectivas en forzar que la solución de cada escenario cum-
pla con el principio de no-anticipatividad. Por ejemplo, para una instancia de planificación
con 65 escenarios y 105 bloques, al realizar 3 iteraciones PH el error por incumplimiento de
no-anticipatividad se logra reducir en un 40 % para las variables binarias.
Esta tesis abordan problemas con 105 y 173 bloques, mientras que actualmente los mo-
delos deterministas consideran instancias reales de miles de bloques. El desafı́o serı́a resolver
de forma estocástica instancias de mayor tamaño. Para este caso, se deben enfrentar dos
problemas: 1.el tiempo de resolución de cada escenario y 2.el tamaño del modelo estocástico
resultante, que en esta tesis se utiliza para concluir con una solución estocástica factible.
38
Capı́tulo 5: Conclusiones
Existen otras fuentes de riesgo en minerı́a, como por ejemplo la ley de los bancos de la
mina. Se podrı́an resolver modelos similares al de este estudio, considerando la incertidumbre
en la ley del yacimiento.
La definición del árbol de escenarios podrı́a ser estudiada más a fondo. En esta tesis se
planteó un movimiento browniano con reversión a la media y luego se estimó un árbol de
escenarios a través de una heurı́stica del tipo ajuste de momentos. Se podrı́a estudiar cual
es el mejor modelo para describir el precio futuro del cobre, mejorar las estimaciones de los
parámetros que dan origen al movimiento browniano y eventualmente aplicar técnicas más
sofisticadas para generar el árbol de escenarios.
Las inversiones en el ámbito minero son de gran volumen y pueden involucrar riesgo im-
portante. Se plantea resolver problemas similares al de esta tesis, incorporando decisiones de
inversión como por ejemplo, aumentar la capacidad productiva en la red de procesamiento
adquiriendo una planta de chancado adicional o una planta concentradora de mayor capaci-
dad.
Una de las bondades del método PH es que admite la paralelización al resolver el modelo de
cada escenario. La reducción en tiempos de ejecución pueden ser importantes al implementar
una versión en paralelo.
39
Bibliografı́a
[1] Amaya, J., Espinoza, D., et al. A scalable approach to optimal block scheduling.
In Proceedings of 35th APCOM (Vancouver, Canada, 2009).
[2] Camus, J., and Pesce, J. Curso: Planificación Minera. Programa de Postı́tulo en
Innovación Tecnológica para la Minerı́a, 1995.
[3] COCHILCO. Boletı́n mensual cochilco, Junio 2009.
[4] CODELCO. Memoria anual, 2005.
[5] CODELCO. Memoria anual, 2007.
[6] Crainic, T. G., et al. Progressive hedging-based metaheuristics for stochastic net-
work design. CIRRELT 03 (2009), 1–18.
[7] Dixit, A., and Pindyck, R. Investment Under Uncertainty. Princeton University
Press, 1994.
[8] Dupacova, J., Consigli, G., and Wallace, S. Scenarios for multistage stochastic
programs. Annals of Operations Research 100 (2000), 25–53.
[9] Gillespie, D. T. Markov Processes: An introduction for Physical Scientists. Academic,
1991.
[10] Goic, M. Formulación e implementación de un modelo de programación matemática
para la planificación de largo plazo en minerı́a a cielo abierto. Master’s thesis, Departa-
mento de Ingenierı́a Industrial, Universidad de Chile, 2003.
[11] Growe-Kuska, N., Heitsch, H., and Romisch, W. Scenario reduction and scenario
tree construction for power management problems. Power Tech Conference Proceedings,
IEEE Bologna 3 (2003), 7.
[12] Guajardo, M. Programación dinámica estocástica en un problema de planificación
minera. Master’s thesis, Departamento de Ingenierı́a Industrial, Universidad de Chile,
2007.
40
BIBLIOGRAFÍA
[13] Hochreiter, R., and Pflug, G. C. Financial scenario generation for stochastic
multi-stage decision processes as facility location problems. Annals of Operations Re-
search 152 (2007), 257–272.
[14] Hoyland, K., and Wallace, S. Generating scenario trees for multistage decision
problems. Management Science 47 (2001), 295–307.
[15] Lane, K. The Economic Definition of Ore: Cut-off Grades in Theory and Practice.
Mining Journal Books Ltd., 1988.
[16] Leite, A., and Dimitrakopoulos, R. Stochastic optimization model for open pit
mine planning: application and risk analysis at copper deposit. Mining Technology 116
(2007), 109–118.
[17] Mulvey, J. M., and Vladimirou, H. Applying the progressive hedging algorithm
to stochastic generalized networks. Annals of Operations Research 31 (1991), 399–424.
[18] Pranevicius, H., and Sutiene, K. Scenario tree generation by clustering the simu-
lated data paths. In Proceedings 21st European Conference on Modeling and Simulation
(2007).
[19] Rockafellar, R. T., and Wets, R. J.-B. Scenarios and policy aggregation in
optimization under uncertainty. Mathematics of Operations Research 16 (1991), 119–
147.
[20] Santibáñez, P. Metodologı́a para la evaluación y optimización de planes mineros
de largo plazo. Master’s thesis, Departamento de Ingenierı́a Industrial, Universidad de
Chile, 2000.
[21] Sauré, D. Enfoque de opciones reales para la optimización de los planes mineros de
largo plazo. Master’s thesis, Departamento de Ingenierı́a Industrial, Universidad de
Chile, 2003.
[22] Shwartz, E. S. The stochastic behavior of commodity prices: Implications for valuation
and hedging. The Journal of Finance 52, 3 (July 1997), 923 – 973.
[23] Watson, J.-P., and Woodruff, D. Progressive hedging innovations for a class
of stochastic mixed-integer resource allocation problems. Computational Management
Science (July 2010), 1–16.
[24] Wets, R. J.-B. The aggregation principle in scenario analysis stochastic optimization.
Algorithms and model formulations in mathematical programming (1989), 91–113.
[25] Whittle, G. Pit optimization, strategic mine planning software, Agosto 2009.
http://www.gemcomsoftware.com/products/whittle/modules/default.asp.
[26] Woodruff, D. Progressive hedging for multi-stage stochastic logistic problems. In Pro-
gressive Hedging for multi-stage stochastic logistic problems, Charla CGO (Abril 2009).
41
Anexos A
A.1. Conjuntos
P (i): Conjunto de bancos de expansiones que deben ser explotados antes que i por en-
contrarse en la misma expansión que i, pero en una cota superior a él.
42
Anexos A: Modelo Matemático de planificación de mina de rajo abierto
R(i): Conjunto de bancos de expansiones que deben ser explotados antes que i por razones
de seguridad.
A.3. Parámetros
43
Anexos A: Modelo Matemático de planificación de mina de rajo abierto
A.5. Restricciones
A.5.1. Extracción
Precedencia entre los bancos de una misma expansión, de modo que los bancos superiores
se exploten antes que los inferiores.
X X
ziu ≤ zju ∀i, ∀j ∈ P (i), ∀t (A.2)
u≤t u≤t
Precedencia entre los bancos de expansiones ubicadas en la misma pared del rajo, de
modo de respetar las condiciones de seguridad.
X X
ziu ≥ zju ∀i, ∀j ∈ R(i), ∀t (A.3)
u≤t u≤t
44
Anexos A: Modelo Matemático de planificación de mina de rajo abierto
habilitado. X
xnmt = αnmu ∀n, m, t (A.5)
u≤t
fnmk0 t ∀n, k 0 , t
XX X
CTnkk0 fmnkt = (A.7)
m k m
A.5.4. Capacidades
45
Anexos A: Modelo Matemático de planificación de mina de rajo abierto
XXX
fmnkt ≤ CAP Vnt xnt ∀n ∈ V (A.11)
m k t
Conservación de flujo en las horas del equipo tipo e disponibles en cada perı́odo.
Las horas requeridas cada perı́odo debe ser menor o igual que las horas disponibles.
A.5.6. Contaminantes
46
Anexos A: Modelo Matemático de planificación de mina de rajo abierto
X X XX XX
CI = δ(t) cαnt αnt + cαnmt αnmt + CInveg HrCeg (A.17)
t n n m e g
!
X X XX
CF = δ(t) cxnt xnt + cxnmt xnmt (A.18)
t n n m
X X X XX XXX
CV = δ(t) czit zit + cpnt fnmkt + cfnmkt fnmkt (A.19)
t i n m k n m k
A.6.4. Beneficios
X X X X
B= δ(t) (Pkt − Dkt ) fnmkt (A.20)
t k n∈N T m
F O = B − CI − CF − CV (A.21)
47
Anexos A: Modelo Matemático de planificación de mina de rajo abierto
48
Anexos B
Árboles de Escenarios
49
Anexos B: Árboles de Escenarios
50
Anexos B: Árboles de Escenarios
Perı́odo 2010 2011 2012 2013 2014 2016 2018 2022 2026
2,00 2,00
1,54
1,53 1,72 1,92 2,14 2,37 2,63
1,36
1,19 1,03 0,89 0,76 0,70 0,70
51
Anexos B: Árboles de Escenarios
52
Anexos B: Árboles de Escenarios
Perı́odo 2010 2011 2012 2013 2014 2016 2018 2022 2026
2,23
1,77
1,72
1,36
1,35 1,52 1,71 1,50 1,68
1,19
1,03 0,89 0,76 0,70 0,70
53
Anexos B: Árboles de Escenarios
54
Anexos B: Árboles de Escenarios
55
Anexos B: Árboles de Escenarios
56
Anexos C
Dado el árbol de decisión de la figura C.1, existen dos formulaciones posibles que permiten
cumplir con la no-anticipatividad.
57
Anexos C: Modelo estocástico compacto y extendido
Figura C.1: Árbol de escenarios de precios futuros del cobre, donde se resalta el escenario s2 .
Instancia de 4 perı́odos y 5 escenarios.
En la formulación implı́cita o compacta cada nodo del árbol de precios tendrá aso-
ciado un set de variables de decisión. Las variables de cada nodo son compartidas
por todos los escenarios y ası́ la no-anticipatividad se cumplirá implı́citamente. Figura
C.2(a).
58
Anexos C: Modelo estocástico compacto y extendido
Figura C.2: Formulaciones para un modelo estocástico con árbol de escenarios. Cada nodo
numerado representa variables de decisión para el perı́odo indicado. Instancia de 4 perı́odos
y 5 escenarios.
59