Documentos de Académico
Documentos de Profesional
Documentos de Cultura
09-Incertidumbre y La Planificacion Minera
09-Incertidumbre y La Planificacion Minera
Planificación Minera
Tutor: Enrique Rubio erubio@ing.uchile.cl
Auxiliares: Fernando Peirano fpeirano@gmail.com,
Marcelo Vargas vargas.v.marcelo@gmail.com
GeoMinería al Negocio
Ley $/acción
Tons
Tiempo
Modelo Conceptual
Ley
Tons
Tiempo
Problemas Encontrados
• Los volúmenes en que se discretiza el yacimiento para planificar la
producción no contiene la granularidad requerida para convertirse
en una guía operacional
• El proceso de construcción del programa de producción es a
posteriori de definir la envolvente económica, secuencia y
probablemente leyes de corte
• Lo anterior posee optimizaciones parciales que no cumplen con un
óptimo global.
• El proceso de optimización secuencial toma decisiones que obligan
a simplificar el calculo de un programa de producción
• Los algoritmos se han simplificado para realizar el cálculo en
función de un valor predeterminado del bloque. No incorpora
restricciones en los contaminantes
• Lo anterior se traduce en tener malas reconciliaciones de los planes
de producción
Evolución de Computadores y
Algoritmos de Busqueda
• Los computadores han aumentado su
velocidad en 1000
• Los algoritmos de busqueda de
optimalidad en CPLEX 1000
• Entonces es tiempo de resolver el
problema de planificación utilizando
técnicas de secuenciamiento de bloques
Diagrama Conceptual de
Secuenciamiento de Bloques
Ley
Tons
Tiempo
Ejemplo de Aplicación a Rajo
Abierto
Modelo de Optimización
max bi ,t xi ,t xi ,t 1
I ,T
• Modelo Generalizado de i ,t
Caccetta y Hill (2003).
s.a.
• “An Application of Branch ci
k
i ( xi ,t xi ,t 1 ) U tk t 1..T
and Cut to Open Pit Mine xi ,t 1 xi ,t t 1..T
Scheduling” ( xi ,t xi ,t 1 ) X i ,t
xi,t binario
bi ,t Valor presente de extraer el bloque i en el periodo t
X i ,t Unión de las variables binarias asociadas a los bloques que preceden al bloque i
Resolución
• Algoritmos de búsqueda de mejor solución
relajada y mejor primer IP
• Minimización de GAP para alcanzar
optimalidad
• Restricción de minimos eliminada del
modelo de Caccetta y Hill
• Agregación
• Trabajo conjunto con grupo de Adolfo
Ibañez
Parámetros iniciales
• Se realiza una optimización con ángulos de talud
constante de 45 grados y parámetros económicos
adjuntos
• Ritmo de producción 30
Mtpa mina y 29.2Mtpa
proceso
Sección Este
Programa de Producción
Whittle
CM 0.9
45,000,000 0.80 CP 3.69
RFCu 10.42
40,000,000 0.70 RFAu 6.53
35,000,000 0.60 disc rate 0.1
30,000,000
VAN: 507.4 M$
Programa de Producción IP
Sección Norte
Sección Este
Programa de Producción IP
35,000,000 0.90 CM 0.9
CP 3.69
0.80
30,000,000 RFCu 10.42
0.70
RFAu 6.53
VAN: 633.9 M$
Problemas de la Aproximación
IP
• Asume el destino de cada bloque
conocido, bi,t
• Límite de producción inferior desconocido
no contenido en la formulación
• No considera el hecho de tener ley de
corte geometalurgicas
• No considera stocks en la formulación
• No considera restricciones geométricas de
operación del rajo
Ejemplo de Mina Kiruna
Ejemplo del Modelo de
Transición Rajo Subte
Problema
• Cuando realizar la transición
rajo subterránea
• La metodología tradicional
considera la optimización
secuencial del rajo y luego la
subterránea como cambia esta
decisión al ser tomada
simultáneamente
• El yacimiento es dividido en
estratos horizontales y luego la
decisión es definir cuales son
extraídos con rajo y cuales con
un método subterráneo
Criterios
• Cada estrato se extrae
solamente con un método
de explotación pero
puede ser extraído en
múltiples periodos
• Pueden quedar estratos
sin extraer entre las dos
operaciones y en debajo
del piso de la subterránea
Formulación
• Restricciones max cˆs yˆ s ,t c~s ~
y s ,t t
s ,t
– Un estrato se extrae
solamente una vez del
sistema ĉs Valor de extraer estrato s por rajo
– Secuencia de estratos rajo yˆ s ,t Se extrae estrato s por rajo en periodo t
– Secuencia de estratos c~s Valor de extraer estrato s por subte
subte ~
y Se extrae estrato s por subte en periodo t
– No existe minería s ,t
HOD constraintSurface strata Grade on Crown pillar Underground Grade Underground NPV Horizon Run time
(# strata) mined surface strata strata mined underground footprint length (seconds)
10 1-50 0.4 NA None NA 51-80 1,335,611,724 150 7498
15 1-31 0.4 32-82 87-83 0.6 88 1,332,126,781 150 9720
20 1-25 0.4 26-48 60-49 0.6 71-88 1,324,602,020 150 68507
40 1-29 0.4 none 76-30 0.6 77-88 1,336,894,990 150 4881
Incertidumbre y la
Planificación Minera
Incertidumbre….
• La pregunta es cuál de los modelos en
que se sustentan la planificación minera
está equivocado
• A lo mejor todos……
• Los modelos son solo una representación
de la realidad o del recurso natural
• Es importante incorporar variabilidad en
los modelos
Incertidumbre……
Wh
a
ti
s
P
r
od
uc
t
i
on g
o
in
go
n?
P
a
r
ame
t
er
W
e
a
w
e
r
e
l
l
d
o
!
!
i
n
!
!
g R
e
a
l
B
e
ha
v
io
ur
?M
i
n
F
o
r
e
e
c
p
l
a
a
s
t
n
ni
ng
C
u
rr
en
t T
i
me
T
i
me
Fuentes de Incertidumbre
• Yacimiento y geología, leyes
• Mercados, precios
• Tecnológica
• Entorno
Incertidumbre de leyes
Variabilidad método
gráfico
Grade samples
Block Model
Historical tons
Draw Management
Variabilidad
• Supongamos un bloque de la mina que
posee una ley de oro en el rango 0.15-0.3
ppm
• Al aplicar una ley de corte de 0.12 ppm,
todo el mineral es extraído
• Después de la reconciliación, la ley varía
en el intervalo 0-0.5 ppm.
• Se extrajo 25% de lastre a diferencia de
mineral
Conceptos generales
• Simulaciones geoestadísticas condicionales
permiten generar múltiples modelos de leyes
equiproblables e independientes.
• Es una herramienta que permite incorporar la
variabilidad de las leyes para
• Categorización de recursos
• Análisis de riesgo
• Planes de producción
• Control de operaciones
• Reconciliación mina-planta
• Equivalente a la predicción de precios en el
largo plazo con análisis de escenarios.
Ejemplos
• Simulaciones para generar leyes
estimadas
Planificación estratégica
• Simulaciones para determinar la
incertidumbre en el beneficio generado
por un proyecto.
Diseño de limites
• Simulaciones de leyes para optimización
de caserones
Proyección anual de leyes
• Simulaciones para determinar la incertidumbre
en la ley media esperada por año.
• También se puede utilizar para chequear los resultados de
un ejercicio de estimación.
• Mina subterránea: se considera la ley media de cada
caserón a explotar según una secuencia definida.
Average Grades vs. Year
0,9000 Sim_01
Sim_02
Sim_03
Sim_04
0,8000 Sim_05
Sim_06
Sim_07
Sim_08
Sim_09
0,7000 Sim_10
Sim_11
Sim_12
Sim_13
Grade
0,6000 Sim_14
Sim_15
Sim_16
Sim_17
Sim_18
0,5000 Sim_19
Sim_20
Sim_21
Sim_22
0,4000 Sim_23
Sim_24
Sim_25
Avg_Sim
Kriging
0,3000
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Year
Reconciliación mina planta
• Simulaciones para determinar si discrepancias entre
mina y planta son relevantes
• Mediante bandas de error
Reconciliation Data - Confide nce Inte rvals
1,300
1,200
1,100
1,000
BM
0,900
DH
0,800
0,700
0,600
0,500
nov-00 ene- 01 f e b-01 ab r- 01 jun -01 jul-0 1 sep -01 nov-01 dic - 01
Mo n t h
XV Planificación con
Incertidumbre
Planificación Minera
• Considerar varios modelos de bloques
equiprobables de las simulaciones
• Optimizar con algún método
• La intersección de ellos entrega una
confiabilidad de un 100% de los
recursos contenidos en la envolvente
Programa de Producción con un
Modelo de Incertidumbre
• Optimizar la programación
– Utilizando algún modelo de programación
lineal de la producción.
– Basado en el resultado anterior.
– Se deben incorporar los parámetros
económicos
• Precios
• Costos
• Inversiones
Algoritmo de Producción
• Optimización combinatorial
– Generar un solo programa de producción
tomando en cuenta los generados en el punto
anterior
– La idea principal es perturbar un programa de
producción sub-optimo hasta que algunas
características predefinidas se emparejen, en
un nivel aceptable, mediante alguna función
objetivo.
Caso estudio
• Caso Base utilizando un modelo tradicional
– Se predicen una variabilidad de hasta 1,3 MTon por
año
– Mostrando repercusiones en la planta metalúrgica.
Caso estudio
• Un análisis de riesgo del caso base, utilizando una serie
de modelos de bloques.
– Se predicen una variabilidad de hasta 0,4 MTon por año
– Esta desviación es bastante menor y puede ser controlada con
otras alternativas.
Caso estudio
• Incertidumbre en VAN
– Modelo tradicional versus análisis de riesgo
Resumen
• Las realizaciones se pueden utilizar para
ranquear las diferentes realizaciones
– Por ley media
– Contenido de fino
– Variabilidad
• Escoger algunas de las realizaciones
Mean
0 VAN
VAR
XVI Teoría de Confiabilidad
Incertidumbre Tecnológica
• Existe una falta de información de cómo el
macizo rocoso se comporta al interior del
sistema minero
– Leyes
– Dilución
– Estabilidad
– Continuidad
– Costos
Motivación
Actual Production
Forecast Production
1200000
1000000
Tons/month
800000
600000
200000
tanto confiable. 0
Jan,01
May,01
Jul,01
Mar,02
May,02
Jul,02
Sep,02
Jan,03
Mar,03
Nov,00
Mar,01
Sep,01
Nov,01
Jan,02
Nov,02
May,03
9000
8000
Over Draw
7000
6000
5000
Actual Tons
4000
3000
2000
1000
Under Draw
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000
Forecasted Tons
Confiabilidad y estrategias de
producción
• Así como reliability theory es utilizada de modo
de justificar diferentes estrategias de cómo las
hormigas se organizan de modo de recopilar
alimento
• Lo mismo puede ser utilizado para analizar las
decisiones operacionales tomadas en la
planificación de corto plazo
• También aquellas decisiones tomadas o
involucradas en la planificación de largo plazo y
el diseño de la mina
Teorema de confianza
(Reliability)
• El teorema de confianza dice que se puede
analizar la probabilidad de falla de un sistema a
través del conocimiento de las distribuciones de
falla de los elementos que componen el sistema
• El mismo concepto puede ser aplicado a la
planificación de minas, el que un plan se cumpla
(o no), depende de que una serie de
subprocesos y sus componentes se lleven a
cabo de una manera adecuada
Teorema de confianza
• La aplicación de la teoría de confianza es
aplicable en minería, dado que un sistema
minera esta conformado por subprocesos que
poseen probabilidad de falla estimables
• Desde que un equipo minero vacía en un pique
o camión hasta que llega al punto de carguío
devuelta, se producen una serie de acciones
• Cada una de estas acciones debe ser realizada
de modo de cumplir el ciclo productivo
Analogía
• Si se conoce la distribución probabilistica de
falla de los componentes de un sistema minero
como:
– Piques
– Puntos de extracción
– Cruzados
• La probabilidad de falla del sistema puede ser
estimada en función de las componentes o
subsistemas y las relaciones entre si.
Más acerca de confiabilidad
• El análisis de confiabilidad puede ser
utilizado para definir y priorizar diferentes
escenarios o estrategias productivas
• Escenarios por ejemplo
– Cuantas frentes tener en producción
– Cuantos niveles deben estar en operación en
cualquier momento del plan
– Cuantos abanicos deben ser perforados de
modo de asegurar la producción de mediano
plazo
Formulación de confiabilidad
• Producto que el análisis de sistema se basa en cadenas
de subproductos enlazadas entre ellas es posible utilizar
la analogía con sistemas eléctricos
• Existen diferentes maneras de organizar los
subprocesos de modo de alcanzar un objetivo deseado
• Cada uno de los procesos debe ser efectuado en su
totalidad de modo de pasar al siguiente en la secuencia
• Supongamos que existen 3 procesos los cuales están
encadenados en una secuencia. Pro ejemplo
perforación, tronadura, carguío.
Sistema en series
1 2 3
h( pi ) p1 p2 p3
Sistemas paralelos
1 2 3
h( pi ) 1 (1 p1 ) (1 p2 ) (1 p3 )
Sistema paralelo serie
1 2 3
1 2 3
h( pi ) 1 (1 p1 p2 p3 ) 2
Sistemas series paralelo
1 2 3
1 2 3
h( pi ) 1 (1 p1 ) 2 1 (1 p2 ) 2 1 (1 p3 ) 2
Concepto de Redundancia
Activa
XC _ T arg et
k
dptYield
Número de puntos
necesarios para cumplir
la meta productiva
o flexibilidad operacional
System Reliability
mitiga el efecto de la 0.6
• Donde
n
R XC (k , n) pt (1 pt )
i k sS in ts ts '
Diseño 1
Los caserones del nivel
inferior se conectan
directamente con un único
cruzado de acarreo. Los
caserones del nivel
superior se conectan a
éste por medio de un
único pique de traspaso
Diseño 2
Existen dos cruzados de
acarreo para retirar el
material a superficie. Uno
para el nivel inferior y otro
para el nivel superior. Los
caserones respectivos se
conectan directamente a
éstos.
Diseño 3
Cada caserón del nivel
superior posee un pique
de traspaso al nivel
inferior, donde se sitúa el
cruzado de acarreo. Los
caserones del nivel
inferior se conectan
directamente a éste.
R = 0.81
Costo = 11.25 MUS$
R = 0.95
Costo = 13.25 MUS$
R = 0.82
Costo = 17.25 MUS$
Aplicación de Rajo Abierto
• En una explotación a rajo abierto posee actualmente 3
frentes en operación. 2 en estéril y una en mineral.
Camión
Frente de estéril 1
Frente de estéril 2
Frente de mineral
Parámetros
DATOS
EQUIPO CONFIABILIDAD
Pala 1 0.8
Pala 2 0.85
Pala 3 0.87
Camión 1 0.7
Camión 2 0.75
Camión 3 0.77
Camión 4 0.8
Camión 5 0.82
Camión 6 0.82
Camión 7 0.85
Camión 8 0.85
Camión 9 0.87
Camión 10 0.87
Camión 11 0.9
Camión 12 0.95
Solución
• Microsoft Solver para maximizar confiabilidad
bajo ciertas restricciones.
Estéril 1
Mineral
Estéril 2
Time
Draw point reconciliation
10,000
Forecast Production
600,000 6,000
5,000
400,000
4,000
200,000
3,000
1,000
Jul,01
Jul,02
Nov,02
Nov,00
Mar,01
May,01
Sep,01
Nov,01
Sep,02
Jan,03
Jan,01
Jan,02
Mar,02
May,02
Mar,03
May,03
0
0 1,000 2,000 3,000 4,000 5,000 6,000 7,000 8,000 9,000 10,000
Forecasted Tons
Large Deformations
at Draw point Brow
1.5 m
Colapses
Pillar Damage
Operational Upsets and
Production Capacity
• Operational upsets
affect production
1,000,000
900,000
capacity of a mine
design 700,000
600,000
500,000
400,000
300,000
W(T), (events/t)
1.2E-03
1.0E-03
• Rate of occurrence of 8.0E-04
geotechnical events 6.0E-04
– Collapse 4.0E-04
2.0E-04
– Large convergence 0.0E+00
– Oversize - 50,000 100,000 150,000 200,000
– Hang ups M1 M2 M3 Cumulative tonnage drawn (t)
– Wet muck
• Similar bahaviour to a
repairable mechanical
component
• Individual component
reliability leads to the Reliability Block Diagrams
reliability of the system as a 1
whole (a)
1 2 3
(b)
2
1 2 3
1 2 3
1 2 3
1 2 3
a)
b)
Series
Parallel
R 1 1 r1r2 r3
2
R 1 1 r1 1 1 r2 1 1 r3
2 2 2
c) Series Parallel Hoyland and Rausand, 1994
d) Parallel series
f
Reliability of a Mining
Component
f
U-Curve Dp p
i i R (t )
Component Reliability
Mean
t t ip t RiDp(tip )
Mean
t ip t
Mean
Production Conditional
Pbb. Distribution
Stochastic Approach to
Production Planning
• The probability of
achieving the production
target is a function of: 1.0
15 months
0.9
20 months
0.8 30 months
– Tonnage planned
Actual Reliability
0.7
objective 0.6
0.5
– Production infrastructure 0.4
0.2
0.1
0.0
0.0 5.0k 10.0k 15.0k 20.0k 25.0k 30.0k 35.0k
• ESZ Expansion
– Incorporates 540 draw points
– A third haulage crosscut
– A second crusher
The Process> Mine Wide
Reliability Block Diagram
1. Mine wide reliability block
diagram HC 2 (CX-W)
HC1 (CX-E)
2. Data Collection
3. Production Modeling
HC 3 (CX-S)
Cr 1
Cr 2
4. Discrete event simulation
models
LPs-West LPs-East
LP12..LP01J, LPN1 LP13 to LP24 and LPS4
5. Validation
LPs-South HC2
HC1
LP06S..LP01JS
6. Reliability Estimates HC3
Production drifts:
13…27
Production drifts:
1L,1K,1J..12
The Process> Data Collection
Historical Tons
1. Mine wide reliability block
Draw Point Name Tcum,Mar07
P27-01W 204,708
P27-02W 214,126
diagram P27-03W
P26-01E
214,891
185,484
P26-02E 192,023
P26-03E 191,927
P26-04E 233,375
models
P26-03E 113 65 103 121 311 63
P26-04E 154 32 113 151 415 348
P26-01W - - - - - -
P26-02W 123 161 154 312 363 95
P26-03W 123 161 154 141 135 95
P26-04W 154 97 133 131 93 95
P26-05W 317 290 246 302 363 379
5. Validation
P26-06W - - - 141 270 211
P25-01E 0 0 0 0 0 0
Daily Status
Draw Point Name
4/1/2007 4/2/2007 4/3/2007 4/4/2007 4/5/2007 4/6/2007 4/7/2007
Events (1/t)
3E-04
2E-04
2. Data Collection 2E-04 Apr07 to May08
1E-04
5E-05
0E+00
3. Production Modeling
40,000
20,000
60,000
80,000
100,000
120,000
160,000
180,000
220,000
260,000
280,000
320,000
340,000
140,000
200,000
240,000
300,000
-
Cumulative Tonnage Drawn (t)
6,000
2,000
14
10
12
16
2
8
-
# of Expected Events
The Process> West Haulage
Drift Simulation Models
1. Mine wide reliability block
diagram
2. Data Collection
3. Production Modeling
2
R = 0.91
1,400,000
5. Validation 1,200,000
SD=128,563
1,000,000
800,000
6. Reliability Estimates 600,000
400,000
200,000
-
0 2 4 6 8 10 12 14 16 18
HC1 HC2 Arena Simulation # Ore Passes
The Process> Model Validation
1. Mine wide reliability block
diagram Validation of reliability estimates from Nov 2000 to May 2008
100%
90%
2. Data Collection 80%
Frequency (%)
70%
60%
50%
3. Production Modeling 40%
30%
20%
10%
4. Discrete event simulation 0%
10%
20%
30%
40%
50%
60%
80%
100%
1%
70%
90%
models
Mine HCs OPs Panel Dpts
5. Validation
6. Reliability Estimates
Output: Reliability Estimates
90,000 100%
• Simulate a given production
Reliability (% )
60,000 70%
Nov,08
Nov,07
Jan,08
Jan,07
Jul,07
Jul,08
May,0
May,0
Sep,0
Mar,0
Sep,0
Mar,0
2013
2009
2011
2015
2017
2019
• Life of Mine Reliability
Estimates
100%
90%
80%
Mine Reliability
70%
60%
• Production Bottlenecks 50%
40%
30%
20%
10%
0%
- 20,000 40,000 60,000 80,000 100,000
Production Rate (t/d)
Output: What if? Scenarios
Ore pass 3 months
construction delay
2,250 1.0
Reliability
1,250
1,000
0.7
1.0 60 750
0.9
50 500 0.6
Jan-08 Feb-08 Mar-08 Apr-08 May-08 Jun-08 Jul-08 Aug-08 Sep-08 Oct-08 Nov-08 Dec-08
0.5 30
0.4 XC-E XC-W XC-S System reliability LP06 Closed
20
0.3
0.2
10
0.1
0.0 0 Ore pass lost
0 25 50 75 100 125 150 175 200
2,250 1.00
1 ore pass 2 ore passes Serie3 Panel planned tonnage (Kt)
2,000
0.90
Planned tonnage (Kt/month)
1,750
1,500 0.80
Reliability
1,250
0.70
1,000
750 0.60
500
0.50
250
- 0.40
Jan-08 Feb-08 Mar-08 Apr-08 May-08 Jun-08 Jul-08 Aug-08 Sep-08 Oct-08 Nov-08 Dec-08
80 1=1.73+27
70 N=65
60 R2=0.4
50
40
30
20
10
0
0 5 10 15 20 25 30 35 40 45 50 55
3 (MPa)
Mining Systems through
Reliability Modeling
• Mining Systems: Holistic
approach to mine Geology Mine
planning Design
• It would be measured by
Equipment
HC3 Reliability Analysis
Production (t/m)
1,000,000
Reliability (%)
50%
800,000
t
40%
Production
600,000 30%
400,000 20%
200,000 10%
Scheduling
- 0%
2014
2024
Aug,0
Aug,0
Aug,1
2012
2016
2018
2020
2022
Feb,1
Feb,0
Apr,08
Dec,0
Dec,0
Apr,10
Dec,1
Apr,09
Oct,08
Oct,09
Oct,10
Jun,08
Jun,09
Jun,10
Nominal Tons Planned Tons
• Tires Performance is an
important component of
the mining system
Closing Remarks
• The production capacity of a large massive underground mining
system depends on:
– Mine design
– Development sequence of dpts, ore passes, production and
haulage drifts
– Intrinsic productivity of mining components to deliver ore
– Rate of geotechnical events of different mining components