GT-CGP, 1 de 11

MODELO PROBABILSTICO DEL TRANSPORTE DE MINERAL EN

MINERA SUPERFICIAL


Gutierrez Mallqui, Manolo Ericson Moreano Rodriguez, Alvaro Villarreal Salazar,
Elias Soriano Contreras, Cristian
ericzons@hotmail.com ederm_5@hotmail.com elfo_ejvs@hotmail.com
soriano_uni@hotmail.com
Alfredo Marn Surez
alfredomaringeo@hotmail.com
Universidad Nacional de Ingeniera

GT-CGP, 2 de 11

RESUMEN

El marco terico de esta investigacin aplicada a la
ingeniera de minas est constituido por la aplicacin de
modelos matemticos probabilsticos con la ayuda de
lenguajes de simulacin discreta evento - evento. Estos
lenguajes de simulacin utilizan los conceptos del
Teorema de Lmite Central de A. Liapounov, de la
Teora de Colas, el mtodo de Monte Carlo de John Von
Neumann, entre otros, para aproximarse a la realidad.
El modelo matemtico probabilstico presentado en este
trabajo, se dise y program haciendo uso del lenguaje
de simulacin GPSS World versin estudiantil, para ser
aplicado en las operaciones de transporte de mineral a
tajo abierto.
El modelo ha sido desarrollado para reproducir y estudiar
la operacin del sistema de transporte de mineral en 12
guardias, en donde cada guardia tiene una duracin de 8
horas, permitindonos simular la produccin en toneladas
de mineral a travs del modelo, estimar el porcentaje de
utilizacin de los equipos de carguo: palas y cargadores
frontales, estimar la probabilidad de falla de los equipos
de carguo y transporte: palas y camiones, y estimar el
nmero de camiones que pueden presentarse en la cola
de cada unidad de carga y descarga.
Este modelo matemtico puede ser utilizado para el
diseo de nuevas rutas, diseo de una nueva flota de
transporte, entre otras aplicaciones; es decir, como una
herramienta de prediccin del comportamiento de futuras
operaciones de transporte de mineral en minera
superficial.
Este trabajo ha sido desarrollado por el Grupo de
Transporte del Centro Geoestadstico Peruano dirigido
por el profesor principal de los cursos de Geoestadstica
y Anlisis de Sistemas Mineros, Dr. Alfredo Marn
Surez, de la Escuela de Minas de la Facultad de
Ingeniera Geolgica, Minera y Metalrgica de la
Universidad Nacional de Ingeniera.


ABSTRACT

The theoretical framework used at the research, applied
to mine enginneering, consists on the application of
probabilistic mathematical models with the aid of
discrete simulation languages event - event. These
simulation languages uses the following concepts to
study the reality: the Central Limit Theorem of A.
Liapounov, the Queuing Theory, Monte Carlo method of
John Von Neumann, among others.
The probabilistic mathematical model mentioned in this
paper was designed and programmed by using the
simulation language GPSS World Student Version, to be
applied in ore transport operations of open pit.
The model has been design to study the operation of the
ore transport system of 12 guards where each guard has a
duration of eight hours, letting us: simulate the
production in tonnes of ore, estimate the percentage of
equipment to load use (shovels and loaders), estimate the
failure probability of transport and loading equipment
(shovels and trucks), and estimate the number of trucks
that can occur at the queue on each unit of loading and
unloading.
This mathematical model could be used for create new
routes, a new fleet of transport, among other applications;
it means use this model as a tool for predicting future
behavior of ore transport operations in surface mining.
This research has been done by the Grupo de Transporte
del Centro Geoestadstico Peruano led by the head
teacher of Geostatistics and Analysis of Mining Systems
courses, Dr. Alfredo Marn Surez, of the Escuela de
Minas of the Facultad de Ingeniera Geolgica, Minera
y Metalrgica of the Universidad Nacional de
Ingeniera.


INTRODUCCIN

En este mundo globalizado, que desde el ao 2008 a raz
de la especulacin de las hipotecas norteamericanas sufre
una crisis mundial, financiera e industrial; y como
consecuencia los precios de los metales cayeron
originando grandes prdidas de dinero en nuestras
empresas mineras, tal situacin oblig a muchas
empresas a detener sus operaciones y a otras a reducir sus
operaciones de explotacin del mineral. Tambin motiv
a reflexionar acerca de la importancia de la ciencia y la
tecnologa, el diseo y el planeamiento, en concreto, de
la ingeniera ante este tipo de situaciones. Pues las
empresas con mayor desarrollo de ingeniera en sus
operaciones, lograron enfrentar la crisis mejorando sus
procesos y reduciendo sus costos, a fin de prepararse para
incrementar sus ganancias en el periodo de recuperacin
que siempre se da en la economa mundial.
Una de las tcnicas que utiliza la ingeniera y que ayuda
a mejorar los procesos industriales es la simulacin, esta
tcnica nos permite estimar el nmero de camiones que
deben operar en el tajo y su distribucin. Y como bien
sabemos, un camin ms o un camin menos o una mala
distribucin de los camiones, generan tiempos no
productivos de la pala, tiempos no productivos del
camin, colas, bajas eficiencias; en conclusin grandes
prdidas de dinero para la empresa minera.
En el presente trabajo se muestra un ejemplo de lo que se
puede lograr al aplicar la tcnica de la simulacin a la
minera.




GT-CGP, 3 de 11

1. PLANTEAMIENTO DEL PROBLEMA

En la minera debido a que se cuenta con equipos de
elevado costo de adquisicin, elevado costo operativo y
elevado costo de mantenimiento; se busca mejorar la
eficiencia de estos equipos.
El proceso de carguo y transporte del material que
resulta de la voladura de rocas requiere el empleo de
estos equipos dentro de un sistema llamado sistema de
transporte de mineral.
A continuacin describiremos un sistema de transporte
de mineral en minera superficial para ser estudiado:
En la mina QORI ALLPA que explota mineral de oro
por el mtodo de explotacin superficial, se tiene un tajo
en el cual operan dos palas SH001 y SH002 y las cuales
realizan el minado de los bancos 3920 y 3910
respectivamente. En esta mina la proporcin de material
y su destino se definirn de acuerdo a la cantidad de
material que se obtiene de la secuencia de minado, en
este tajo en particular la proporcin de desmonte mineral
es 1:17, en el tajo se utiliza los camiones CAT 793B y
CAT 793C de 234 tn y salen de un punto conocido como
garaje.
El carguo de camiones en las Palas se realiza mediante
el mtodo frontal cuts, que consiste en que la pala
atiende a los camiones por ambos lados, siendo el ancho
mnimo operativo de 60 m.
El ancho de vas es de 36 m, debido a ello tenemos
circulacin de camiones en ambos sentidos.
En este sistema ocurren fallas de camiones y fallas de las
palas.
La asignacin de camiones a cada pala se realiza,
primero buscando la pala que se encuentre libre, si las
dos palas estn ocupadas se procede a buscar la de menor
cola.
Algunas preguntas que resultan al plantear este problema
son las siguientes:
Cul es el nmero de camiones que deben operar en este
tajo?




Figura 1. Eleccin del nmero de camiones que deben
operar en el tajo.

A qu pala debe dirigirse el camin en caso de estar
ambas palas ocupadas y con la misma cantidad de
camiones esperando en la cola?







Figura 2. Eleccin de la poltica de operacin de los
camiones que operan en el tajo.

Con qu combinacin de camiones y poltica de
operacin se obtiene la mayor produccin?

Como consecuencia de la problemtica expuesta, nos
planteamos los siguientes objetivos con los cuales se
inicia nuestro trabajo

2. OBJETIVOS

2.1 Objetivos generales

Desarrollar la metodologa para construir un
modelo probabilstico del transporte de mineral en
minera superficial.
Construir el modelo de simulacin del sistema de
transporte de la mina QORI ALLPA.

2.2 Objetivos especficos

Encontrar el menor nmero de camiones que
permita obtener la mayor produccin reduciendo
los tiempos ociosos de las palas y camiones.
Encontrar la mejor distribucin de camiones que
permita obtener la mayor produccin reduciendo
los tiempos ociosos de las palas y camiones.


3. MARCO TERICO

Las teoras matemticas entre ellas la Teora de la
probabilidad y la Teora de colas, en conjunto con los
procedimientos cientficos como la tcnica de la
simulacin y el mtodo de Monte Carlo; permiten, a
travs de la informtica, construir un Lenguaje de
Simulacin.
Este bagaje de conocimientos, sintetizados en el
Lenguaje de Simulacin, son utilizados para disear un
modelo probabilstico del sistema de transporte de
mineral.

GT-CGP, 4 de 11









Figura 3. Esquema que representa la interaccin de los
conceptos matemticos y las herramientas informticas
utilizadas en este trabajo.


4. METODOLOGA DE TRABAJO APLICADA A
UNA MINA MODELO

4.1. Descripcin del sistema de transporte de la mina
QORI ALLPA

El tajo en estudio presenta los siguientes componentes:

4.1.1. Planes de explotacin (frentes)
Frente 3910.- Este frente se ubica en el nivel 3910 m,
hasta aqu llegan ambos tipos de camiones (CAT 793B y
CAT 793C). En este lugar trabaja la pala SH002, el
mineral de este frente es trasladado al Pad de Lixiviacin
y el desmonte al Botadero. Este frente est a una
distancia aproximada de 232 m del CRUCE (siguiendo la
ruta del camin).

Frente 3920.- Este frente se ubica en el nivel 3920 m,
hasta aqu llegan ambos tipos de camiones (CAT 793B y
CAT 793C). En este lugar trabaja la pala SH001, el
mineral de este frente es trasladado al Pad de Lixiviacin
y el desmonte al Botadero. Este frente est a una
distancia aproximada de 680 m del CRUCE (siguiendo la
ruta del camin).

4.1.2. Botadero de desmonte
En este botadero hasta 3 camiones pueden descargar el
desmonte simultneamente. El botadero se ubica en el
nivel 4010, a una distancia, siguiendo la ruta del camin,
de 1600 m del CRUCE.

4.1.3. Zona de descarga de mineral (Pad de lixiviacin)
En este Pad hasta 3 camiones pueden descargar el
mineral simultneamente. El Pad se ubica en el nivel
3980, a una distancia, siguiendo la ruta del camin, de
3600 m del CRUCE.

4.1.4. Zona de salida de camiones (garaje)
Los camiones salen del garaje los das Lunes en la
primera guardia, y no regresan; esto debido al cambio
en caliente que consiste en trasladar al personal que
ingresa al tajo hasta el lugar donde se ubica su equipo. La
flota consta de 12 camiones, 5 camiones CAT 793B y 7
camiones CAT 793C. El garaje se ubica en el nivel 3950
y est a 30m del tajo.
En este sistema se est considerando la falla de camiones
y palas, la falla de camiones se asume que ocurre despus
de que el camin ha descargado el material a transportar;
en el caso de las palas, la falla puede ocurrir en cualquier
momento, y cuando una pala falla los camiones se
dirigen a la otra pala.











Figura 4. Vista panormica de la mina QORI ALLPA.

4.2. Recoleccin de datos para el modelo probabilstico

Se requieren los siguientes datos del sistema de
transporte de mineral:
Mapa de rutas de los equipos del sistema de
transporte pala camin, con sus respectivas
pendientes.
Tiempos de viaje de los camiones por tramos.
Tiempos de servicio de todas las palas.
Tiempos de descarga en el botadero y en el pad de
lixiviacin.
Cdigos de las maquinarias con sus respectivas
capacidades.
Descripcin de la operacin en una guardia.
Descripcin de cantidades de material a
transportar en cada frente de trabajo.
Relacin desmonte - mineral en cada frente de
trabajo.
Descripcin de los caminos: cruces, tipo de va,
restricciones, etc.

GT-CGP, 5 de 11

Cantidad de material que ingresa en el pad de
lixiviacin y en el botadero.
Caractersticas de las lneas de espera en el
botadero y en el pad de lixiviacin.
Luego de recolectar estos datos ubicamos la entrada de
los camiones al sistema (i.e. el garaje), los servicios (e.g.
pala, pad de lixiviacin, botadero); finalmente los tramos,
que son los trayectos por los que se desplazan los
camiones.
Tambin identificamos la Lgica y Tiempos de
operacin, y los parmetros de los equipos (e.g.
capacidad del camin).
Tomamos los tiempos de operacin de los equipos (i.e.
camin, pala), estos tiempos se clasifican en tres
categoras: tiempos de entrada al sistema, tiempos de
viaje por tramo y tiempos de servicio.
Una vez recolectados los datos, realizamos el
Tratamiento estadstico que consiste en construir las
Tablas de frecuencias y la Funcin de distribucin
acumulada para proceder a realizar una prueba de bondad
de ajuste.
En paralelo al tratamiento estadstico, elaboramos el
diagrama de bloques que es plasmar la lgica del sistema
de transporte. Dicho diagrama se codifica en el lenguaje
de simulacin GPSS.
El programa codificado es corrido varias veces para
obtener resultados que sirven para validar el modelo.
Luego de la validacin se procede con el anlisis de
sensibilidad, buscando reducir costos y aumentar la
produccin.










Figura 5. Representacin grfica del proceso
metodolgico aplicado en la construccin del modelo
probabilstico.

4.2.1. Ubicacin de las zonas de recoleccin de datos
Ubicamos la entrada de camiones al sistema, que en este
caso es el Garaje, el dato a recolectar en este lugar es el
tiempo entre llegadas de camiones.

Figura 6. Representacin grfica del ingreso de los
camiones al sistema de transporte de mineral.

Tambin ubicamos los tramos por donde se trasladan los
camiones, en estos lugares se toman los tiempos de viaje.

Figura 7. Representacin grfica del traslado de los
camiones en el sistema de transporte de mineral.

Finalmente ubicamos los servicios como por ejemplo la
pala, en estos lugares se toman los tiempos de servicio.


Figura 8. Representacin grfica del carguo de camiones
en el sistema de transporte de mineral.

4.2.2. Obtencin de tiempos

4.2.2.1. Si se dispone de un sistema de administracin de
equipos con tecnologa GPS.
Estos sistemas (i.e. Jigsaw, Dispatch) recolectan datos
como el cdigo del equipo, la velocidad instantnea, el
estado del equipo y la fecha y hora cada 3 segundos. Los
tiempos de operacin de los camiones, en este caso, se
calculan a partir de velocidades instantneas extradas de
la base de datos de estos sistemas de despacho.



GT-CGP, 6 de 11

Tabla 1. Datos proporcionados por el sistema de
administracin con tecnologa GPS.
Flota
Veloci
dad
(Km)
Fecha y
Hora
N
Satel
ites
X (m) Y (m)
Z
(m)
Estado
Cat
793B 20
03/12/2009
8:08 9
1675
5
2710
1
406
2 Vaco
Cat
793B 29
03/12/2009
8:09 8
1699
0
2715
3
408
1 Vaco
Cat
793B 23
03/12/2009
8:09 8
1720
4
2710
8
409
6 Vaco
Cat
793B 39
03/12/2009
8:10 6
1748
7
2710
3
408
1 Cargado
Cat
793B 37
03/12/2009
8:10 6
1775
1
2694
8
406
2 Cargado
Cat
793B 35
03/12/2009
8:11 9
1793
6
2669
0
402
9 Cargado
Cat
793B 37
03/12/2009
8:11 7
1790
7
2640
4
398
7 Cargado
Cat
793B 43
03/12/2009
8:12 8
1809
4
2630
0
396
0 Cargado

Al contar con las velocidades instantneas, calculadas
cada tres segundos por el sistema de despacho con GPS,
se pueden clasificar estos datos segn:
La pendiente del tramo por el cual pasa el camin.
Las condiciones de trabajo del camin (i.e. secas,
hmedas).
El tipo de camin.
El estado del camin en el momento del clculo de
su velocidad. (i.e. vaco, cargado)
Luego de clasificados estos datos, se procede a construir
un polgono que contenga el tramo de la carretera por la
que transita el camin. Esto con el objetivo de
seleccionar el conjunto de velocidades instantneas que
han sido calculadas dentro del polgono.
Finalmente se asume una hiptesis de conservacin de la
velocidad instantnea a lo largo del polgono. Debido a
esta consideracin aplicamos un anlisis de Montecarlo y
simulamos velocidades instantneas basndonos en la
funcin de distribucin de cada tramo. Con estas
velocidades calculamos los tiempos de viaje del camin
que sern empleados por el modelo para simular el
sistema real.

Figura 9. Representacin grfica del polgono.


Figura 10. Representacin grfica del polgono que
contendr las velocidades instantneas calculadas por el
sistema de despacho.

4.2.2.2. Si no se dispone de un sistema de administracin
de equipos con tecnologa GPS.
Los tiempos en este caso deben ser tomados en el campo
utilizando un cronmetro.
En ambos casos los tiempos obtenidos se clasifican en
tres categoras que son:

Tiempos de entrada al sistema
En la presente tabla se muestran los tiempos que deben
ser tomados, la diferencia entre los tiempos de llegada de
los camiones, es la variable aleatoria que nos permite
simular el ingreso de camiones al sistema.

Tabla 2. Tiempos de entrada al sistema tomados del
campo con un cronmetro.


















Donde:


GT-CGP, 7 de 11

- Tiempo de entrada al sistema del objeto,
para nuestra aplicacin el camin. Para


-Tiempo de entrada al sistema del
objeto.

-Diferencia de tiempos, para este caso:



Tiempos de viaje por tramos
Se delimitan los tramos y se toman los tiempos al pasar
el camin por el punto inicial y el punto final del tramo,
la diferencia entre los tiempos es la variable aleatoria;
tiempo de viaje, que nos permite simular el traslado de
los camiones de un lugar a otro.

Tabla 3. Tiempos de viaje por tramos tomados del campo
con un cronmetro.








Donde:
- Tiempo en el punto, punto inicial de un
tramo determinado, al pasar el objeto (camin
en nuestra aplicacin). Para

- Tiempo en el punto, punto final
del mismo tramo, al pasar el objeto.


- Diferencia de tiempos, para este caso:



Tiempos de servicio
Se toman los tiempos al ingresar y al salir el camin del
servicio, la diferencia entre los tiempos es la variable
aleatoria; tiempo de servicio, que nos permite simular el
tiempo en que un camin es atendido por una pala.


Tabla 4. Tiempos de servicio tomados del campo con un
cronmetro.








Donde:


- Tiempo de entrada al servicio (carga o descarga) del
objeto (camin).
Para


- Tiempo de salida del servicio (carga o
descarga) del objeto (camin).


- Diferencia de tiempos, para este caso:




Figura 11. Representacin grfica del sistema de
transporte de mineral de la mina QORI ALLPA.

4.2.3. Lgica de operacin
Un ejemplo de lgica de operacin, es el que se muestra
en el CRUCE, al cual llegan camiones sin carga y deben
ser direccionados a una de las dos palas, en este sistema
se elige como prioridad la pala que est desocupada y en
caso de que ambas palas estn ocupadas se elige la pala
que tenga la menor cantidad de camiones esperando en la
cola.
A esta secuencia de eleccin por prioridades le llamamos
la lgica de operacin del sistema.
4.2.3. Parmetros de los equipos
Equipos de Carguo

GT-CGP, 8 de 11

Entre los parmetros que se consideran para el modelo,
estn la capacidad de la cuchara y la disponibilidad
mecnica de la pala.
Equipos de Transporte
Tambin son considerados la capacidad de la tolva y la
disponibilidad mecnica del camin.

4.3. Tratamiento estadstico

4.3.1. Tabla de frecuencias
Al obtener el conjunto de datos de tiempos; por ejemplo,
tiempos de atencin de una pala, se procede a construir la
Tabla de Frecuencias.
En esta tabla se aprecian: las frecuencias absolutas, las
frecuencias relativas y las frecuencias relativas
acumuladas; que describen el comportamiento
probabilstico de la variable aleatoria, tiempo de viaje de
un camin en un tramo.

Tabla 5. Tabla de Frecuencias de los tiempos de viaje de
un camin en un Tramo.

4.3.2. Histograma
El histograma indica entre qu valores est una variable
aleatoria y la frecuencia con que se presenta cada valor;
es decir, es la aproximacin basada en datos reales a la
ley de distribucin de esa variable aleatoria.

Figura 12. Histograma de la variable aleatoria tiempo de
viaje del camin.

4.3.3. Funcin de distribucin acumulada
La funcin de distribucin acumulada, representa la
acumulacin de probabilidad de que un evento suceda.
Esta funcin, es la que permite realizar el mtodo de
Monte Carlo, para la generacin ilimitada de valores de
una variable aleatoria que cumplen con una ley de
distribucin determinada.


Figura 13. Funcin de distribucin acumulada de la
variable aleatoria tiempo de viaje del camin.

4.3.4. Pruebas de Bondad de ajuste Chi cuadrado y
Kolmogorov Smirnov
Las Pruebas de la Bondad de Ajuste nos permiten saber
cun bien se ajusta una muestra concreta de una
poblacin determinada a un comportamiento terico, es
decir, puedo conocer el porcentaje de error al aproximar
el comportamiento estadstico de una cantidad de datos a
una funcin de distribucin cualquiera. Entre las pruebas
ms difundidas estn: la Chi Cuadrado y la
Kolmogorov Smirnov. En este trabajo la distribucin
terica utilizada es la Distribucin Normal.
Para desarrollar estas pruebas ser necesario obtener
previamente las Frecuencias Relativas y Frecuencias
Relativas Acumuladas de la muestra, razn por la cual se
construye la tabla de frecuencias.
i CATEGORiA FAbs FR FAbs_Acu FR_Acu
1 x<= 5.89 3 0.00 3 0.00
2 5.89 < x<= 6.78 2 0.00 5 0.01
3 6.78 < x<= 7.67 4 0.01 9 0.01
4 7.67 < x<= 8.56 11 0.02 20 0.03
5 8.56 < x<= 9.44 85 0.13 105 0.17
6 9.44 < x<= 10.33 465 0.74 570 0.90
7 10.33 < x<= 11.22 35 0.06 605 0.96
8 11.22 < x<= 12.11 19 0.03 624 0.99
9 12.11 < x 8 0.01 632 1
___
632
Media= 9.93
Desviacin Estndar = 0.85

GT-CGP, 9 de 11

Figura 14. Resultados de las Pruebas de Bondad.

4.4. Construccin del diagrama de bloques

El diagrama de bloques, es la representacin de la lgica
del sistema.
Aqu mostramos el diagrama de bloques correspondiente
al sistema de transporte de mineral de la mina QORI
ALLPA.
















Figura 15. Diagrama de bloques del modelo
probabilstico.

4.5. Codificacin en el lenguaje de simulacin GPSS

Este lenguaje de simulacin de propsito general,
pertenece a los lenguajes de simulacin discreta evento-
evento, fue diseado por Geofrey Gordon de la empresa
IBM, en la dcada de 1960.


Figura 16. Cdigo en GPSS.

4.6. Corridas del programa y validacin del modelo
probabilstico

Para validar nuestro modelo elegimos una variable de
estado, que en este caso es el tonelaje de mineral
producido durante los 4 das de operacin.
Para este sistema de transporte de mineral, se simul la
operacin durante 4 das (12 guardias). Estos son los
resultados al final de los 4 das.
La corrida del modelo arroj un tonelaje de mineral de
457 470 tn que representa un 99.0% del tonelaje real del
sistema.

Tabla 6. Validacin del modelo utilizando la variable de
estado Tonelaje por 4 das.

Tonelaje
por 4 das
(tn)
Aproximacin
(%)
Modelo 457470 99.0
Sistema real 462090





Prueba de Bondad de Ajuste
Chi-Cuadrado y Kolmogorov-Smirnov
GL = 6
DistribuciOn Xchi DM(k-s)
Normal 21.368419 0.219418
NOTA 1:
Busca en una tabla un Xchi con
una Confiabilidad (1 - alfa)
que sirva como referencia.
alfa.- Nivel de significancia.
NOTA 2:
Confiabilidad
(Por ciento)
90 95 99
0.048529 0.054098 0.064838

GT-CGP, 10 de 11

N Cam. 793B Pro. ($) TO tot. ( $) Ing. Net. ($)
12 8119019 170032 6566884
13 8524564 178187 6849098
14 8844945 189422 7043069
15 9761478 209782 7824066
16 10138635 273614 8022216
17 10410350 343993 8108377
18 10588790 431659 8083976
19 10799674 642126 7969218
20 10844284 781512 7759266
21 10706399 946905 7340812
22 10483349 1238342 6711150
Tabla 7. Tonelaje de las zonas de descarga arrojado por
el modelo durante un periodo de 4 das.
Zonas de descarga Tonelaje (tn)
Pad de lixiviacin 457 470
Botadero 73 710

4.7. Anlisis de sensibilidad utilizando el modelo

Considerando un sistema de transporte de mineral
administrado mediante una tecnologa GPS (que incluye
los algoritmos de Programacin Lineal, Programacin
Dinmica y de la Mejor Ruta), se tiene una distribucin
variable de los camiones que procedemos a estudiar
mediante nuestro modelo de simulacin.
El anlisis de sensibilidad, para una distribucin variable
de camiones en la mina QORI ALLPA durante un
periodo de 4 das equivalente a 12 guardias, arroja los
siguientes resultados.

Tabla 8. Ingreso Neto para las combinaciones de los dos
tipos de camiones.







Tabla 9. Ingreso Neto sin considerar camiones 793C

El primer campo corresponde al Nmero de camiones
793B. El segundo corresponde a la Produccin de
mineral en dlares. Seguidamente tenemos el Tiempo
Ocioso Total en dlares. El Tiempo Ocioso Total es la
suma de los tiempos ociosos de los camiones y de las
palas.
Finalmente observamos el Ingreso Neto en dlares. Este
Ingreso Neto corresponde a la produccin de mineral en
dlares restado de la prdida de dinero por tiempos
ociosos totales, y de los costos debido al empleo de los
camiones.
Para las 404 alternativas que se presentan, observamos
que el mayor Ingreso Neto corresponden a 17 camiones
del tipo 793B y ninguno del tipo 793C. Mayor Ingreso
Neto implica mayor produccin y menor tiempo ocioso.


5. CONCLUSIONES

Se desarroll la metodologa para construir un
modelo probabilstico del transporte de mineral en
minera superficial, que si bien ha sido
desarrollada para una mina modelo, es
perfectamente aplicable a una mina real, incluso a
una mina subterrnea.
El modelo de simulacin para 4 das equivalente a
12 guardias de trabajo, nos da un tonelaje total de
531 180 tn, con una aproximacin del 99% con
respecto al tonelaje de mineral producido en la
mina, de los cuales 457 470 tn corresponden al
mineral descargado en el pad de lixiviacin y
73 710 tn de desmonte descargado en el botadero.
Realizando el anlisis de sensibilidad utilizando el
modelo con el objetivo de estimar la cantidad de
camiones que origine el mayor Ingreso Neto, se
recomienda utilizar 17 camiones del tipo 793B y
ningn camin del tipo 793C. Esto significa
incrementar 12 camiones del primer tipo y
eliminar todos los del segundo.
N Cam. 793B N Cam. 793C Ing. Net. ($)
0 17 5956708
1 16 6098130
2 15 6230126
3 14 6337089
4 14 6335917
5 11 6530010
6 11 6595567
17 0 8108377
16 1 7937228
16 2 7941364
13 3 7644416
14 4 7628711
12 5 7516206
12 6 7420501
11 7 7173900
10 8 7025774

GT-CGP, 11 de 11

Con esta nueva flota de camiones se obtiene un
tonelaje de mineral de 584 766 tn que expresado
en dlares origina un Ingreso Neto de $ 8 108
000. Este valor comparado con el sistema actual
cuyo Ingreso Neto es $ 5 453 000, genera un
incremento en la ganancia de $ 2 655 000 que
expresado en porcentaje es 49%, en slo 4 das de
trabajo.
Cuando ambas Palas estn ocupadas y existe igual
nmero de camiones en las colas, la lgica de
atencin en el punto llamado CRUCE debe ser
que el camin se dirija a la pala ms cercana ya
que nos genera un incremento en el ingreso neto
de $ 113 550, que expresado en porcentaje es
1.21%.
Aplicando la tcnica de la simulacin a la
industria minera podremos predecir cul debe ser
el mejor nmero y distribucin de camiones en el
sistema de transporte, con el fin de obtener mayor
produccin al menor costo, y en consecuencia
obtener una alternativa que nos d un mayor
Ingreso Neto.
La tcnica de la simulacin est basada en la
teora de probabilidades, teora de colas, anlisis
estadstico y lenguaje de programacin, es decir,
este conjunto de conocimientos cientficos
resuelven problemas de ingeniera muy complejos
y por lo tanto genera mayores ganancias para las
empresas mineras.


6. REFERENCIAS

Alfredo Marn Surez, Simulacin con GPSS,
Cuarto seminario latinoamericano de
investigacin operativa aplicada a la industria
minera O.E.A., Santiago de Chile (1974).
Eder de la Cruz, Modelo Probabilstico de
Transporte de Mineral en el Tajo Ral Rojas, 29
Convencin Minera-Perumin 2009, TT-110
Final (2009).
Alfredo Marn Surez, Apuntes del curso
Anlisis de Sistemas Mineros, FIGMM
Universidad Nacional de Ingeniera, Lima
(2008).
Juan Carlos Sotelo, Apuntes del curso
Simulacin, FIIS Universidad Nacional de
Ingeniera, Lima ( 2008).
Thomas. H. Naylor, et al, Tcnicas de
simulacin en computadoras, John Wiley &
Sons, Inc (USA), Mxico (1971)
Maurice Boudot, Lgica Inductiva y
Probabilidad, Libraire Armand Colin, Pars
(1978).
I. Bronshtein y K. Semendiaev, Manual de
Matemticas para ingenieros y estudiantes, Mir,
Mosc (1973).
M. Azarang, Simulacin y Anlisis de Modelos
Estocsticos,p1890,McGraw-HillInteramericana
Editores, Mxico .D.F., Mxico (1996).
G.P.Wadsworth, Aplicaciones de la teora de
Probabilidades y Variables Aleatorias, p 3499,
Editorial Alhambra, Madrid, Madrid (1978).
McFarlane Mood, Alexander. Introduccin a la
teora de la Estadstica, Mc Graw Hill, USA
(1950).