You are on page 1of 128

Programa de Producción

La Secuencia de Extracción
• Define donde comienza
la mina y como
progresa en el tiempo.

• Generalmente se
diseña pensando en la
distribución de ley, no
la geomecánica ni la
geotécnica.
Definición de Secuencia
$3,000

$2,500 4
5
6

3 7
Pit Value $2,000
2 8
$1,500

$1,000 1

$500

$0
0 2,000 4,000 6,000 8,000 10,000 12,000

Pit Tonnes

2 1
3
Plan Minero
• Define el ¿qué?, ¿cuándo? y ¿cómo? se
extraerán los recursos en cada uno de los
períodos del negocio minero, Programa de
Producción
• Se cuantifican los recursos humanos y
materiales a utilizar
• Representa el plan de negocios de la
compañía
Discretización de la Envolvente
Económica
• Gruesa
– Caserones, Cruzado de producción en Hundimiento
por Paneles, Fases de rajo
• Fina
– Anillos de perforación, Puntos de extracción,
Intersección fase banco (o banco)
• A mayor discretización mayor será el tiempo en
resolver la secuencia operativa a utilizar
• Debe ser elegida en función de la selectividad
del método de explotación
Plan Minero
• Programa de preparación

• Programa de producción

• Flujo de Recursos
– Equipos.
– Servicios.
– Personal.
Programa de Producción
• Objetivo:
– Max. VAN.
– Max. vida mina.
– Max. fino.
– Min Costo
– Min Desviación
– ….
Programa de Producción
Rajo
• Maximizar el VAN enviando a planta las leyes altas primero, política
de leyes de corte
• Proveer un balance en el tiempo de los productos, cobre, fierro, etc.
• Proveer un balance en el movimiento de estéril y mineral en el
tiempo y que sea acorde a las flotas de equipo
• Definir las fases de modo de utilizar al máximo la infraestructura
minera definida
• Definir el ancho de explotación lo suficientemente amplio para
cumplir con la meta de producción y los equipos que la sostienen
• Identificar las aperturas de banco en el plan de producción de modo
de cuantificar confiablemente la meta de producción
• Manejo de pilas y rajos múltiples de modo de maximizar la
utilización de la envolvente económica.
Programas de Producción Utilizando
Programación Matemática
• Función objetivo
– Parámetros económicos
– Parámetros no deseados
– Variables reales, como tonelaje
– Variables enteras, acciones, cuando abrir el caserón,
cuando cerrarlo
• Restricciones
– Método de explotación, secuencia
– Producción por unidades mineras
– Contaminantes
– otros
Restricciones de extracción
– Vel. Desarrollo.
– Variables productivas del método de
explotación.
– Secuencia.
– Tonelaje procesamiento.
– Contaminantes.
– Costos.
–…
Diagrama conceptual de la
programación de la
producción
Recursos Método de
Recursos Secuencia
Económicos Expl.
3,500 1.80
3,000 1.60
%Cu 1.40
2,500

Tonelaje (mt)
1.20

BC

Ley Media
T1, l1
2,000 1.00

2
1,500 0.80
Au (ppm)

UBM 1
0.60
1,000
0.40
500 0.20
- 0.00

1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

1.1
1.2
1.3
1.4
Lc

3,500 1.80
3,000 1.60
%Cu 1.40
2,500
Tonelaje (mt)

1.20

Ley Media
2,000

Rajo
1.00

UBM 2 1,500
1,000
500
-
Au (ppm)
0.80
0.60
0.40
0.20
0.00
T2, l2 1
1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

1.1
1.2
1.3
1.4
Lc

3,500 1.80
3,000 1.60
%Cu 1.40
2,500
Tonelaje (mt)

1.20

UBM n
Ley Media

2,000 1.00
1,500
1,000
500
-
Au (ppm)
0.80
0.60
0.40
0.20
0.00
Tn, ln CyR n
1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

1.1
1.2
1.3
1.4

Lc
Diagrama conceptual de la
programación de la
producción
A1 A2 AT

UBM 1
Porcentajes de extracción de
Cada UBM en diferentes
períodos de tiempo
UBM 2

UBM n
Programa de Producción de un
Inventario de Recursos
vlc  Valorización del inventario de recursos
u lc , t  Proporción del inventario de recursos
que es extraído en periodo t
q Factor de actualización anual

N t 
Función Objetivo MAX  q vlc u (lc , t )
u ( l c ,t )
 t 1 
Restricciones
0  u(lc , t )  1 Proporción
N

 u (l , t )  1 Conservación de masa
t 1
c

 vT lc ulc , t   Tt t  1..N Tonelaje meta


lc

 v l ul , t   Lm(t ) t  1..N


lc
lm
c c Restricción de Leyes
Ejemplo de Programación de
Inventario de Recursos
Matriz de Decisiones
Valoración del Inventario Lc v (M$) A1 A2 A3 A4 A5 A6 A7 A8 A9 A10
0.1 (127.0) 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
Lc T (Mt) Ti Cu_i v (M$) 0.2 (739.3) 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.1 3320 23 0.135 (127.0) 0.3 (2,152.6) 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
0.4 1.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.2 3297 265 0.290 (739.3) 0.5 696.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.3 3032 1216 0.346 (2,152.6) 0.6 957.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.4 1816 645 0.445 1.5 0.7 926.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.5 1171 382 0.546 696.4 0.8 790.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.9 667.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.6 789 262 0.647 957.3 1 544.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.7 527 171 0.746 926.0 1.1 447.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.8 356 109 0.846 790.8 1.2 374.6 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.1 0.0 0.7
0.9 247 74 0.945 667.4 1.3 307.2 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.3 0.4 0.0
1.4 924.2 0.2 0.2 0.2 0.2 0.2 0.2 0.0 0.0 0.0 0.0
1 173 50 1.047 544.5
1.1 122 35 1.146 447.9
1.2 87 26 1.247 374.6
1.3 61 19 1.349 307.2
1.4 42 42 1.664 924.2
Restricciones Productivas y Resultado
C 12
CM 3.5 v (M$) A1 A2 A3 A4 A5 A6 A7 A8 A9 A10
CP 4.5 T 100.0 100.0 150.0 150.0 170.0 170.0 170.0 170.0 170.0 170.0
Rev Factor 18 lm 1.22 1.20 1.11 1.09 1.07 1.05 1.08 1.07 1.06 1.08
a 0.1 C 100 100 150 150 170 170 170 170 170 170
vi 1401 1367 1799 1735 1923 1854 1952 1926 1875 1950

VAN $10,628
Programa de Producción de
Múltiples UBMs
vi Valorización de UBM i
ui, t  Proporción de la UBM i que es extraído en periodo t

bi, t  Variable o parámetros binarios que permiten


asignar o definir secuencia
q
Factor de actualización anual
N 
Función Objetivo MAX  q t vi u i, t bi, t 
u ( i ,t ),b i ,t 
 t 1 

Restricciones 0  u (i, t )  1 0  b(i, t )  1 Proporción


N

 ui, t bi, t   1 i  1..M


t 1
Conservación de masa
bi 1, t 1  bi, t  i  1..M, t  1..N Secuencia Minera
 v ui, t   T t  1..N
i
T
i t Tonelaje meta

 v lmi ui, t   Lm(t ) t  1..N Restricción de Leyes


i
Ejemplo Secuencia 5 Rajos
Programar 5 Rajos
• 62 Mt/a de cobre fino
• 42 Mt/a de cobre de sulfuros
• 20 Mt/a de cobre en óxidos
• Chancado 14.2 Mt/a
• Mov mina max 36 Mt/a
Componentes
UBM Pushback Mov Total Ore Total Waste Total Fino Total
M1 1 26,402,763 10,978,474 15,424,288 68,867
M1 2 15,514,912 7,752,800 7,762,112 53,138
M2 1 17,324,876 10,895,447 6,429,429 50,288
M2 2 28,542,238 16,208,035 12,334,202 54,937
M3 1 18,581,157 4,180,503 14,400,653 28,990
M4 1 24,420,593 18,290,551 6,130,041 88,091
M4 2 25,709,988 8,856,439 16,853,549 43,940
M4 3 83,735,907 14,168,759 69,567,146 78,690
M4 5 32,582,447 5,315,842 27,266,604 50,887
M4 6 12,533,236 5,336,910 7,196,326 47,542
M4 7 21,750,275 7,465,511 14,284,764 49,478
M4 8 33,395,272 5,905,978 27,489,293 42,288
M4 9 64,285,838 12,942,225 51,343,612 95,420
M4 10 17,195,931 11,880,632 5,315,298 44,001
M4 11 34,940,115 9,220,957 25,719,156 48,581
M5 1 34,051,660 11,284,073 22,767,586 50,643

Cubicación de diferentes unidades básicas mineras, de acuerdo


a algún nivel de discretización ad-hoc para aplicar el método de
explotación
Restricciones de Secuencia
UBM Pushback Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9 Y10 Y11 Y12
M1 1 1 1 1 1 1 1 1 1 1 1 1 1
M1 2 1 1 1 1 1 1 1 1 1 1 1 1
M2 1 1 1 1 1 1 1 1 1 1 1 1 1
M2 2 0 1 1 1 1 1 1 1 1 1 1 1
M3 1 0 0 1 1 1 1 1 1 1 1 1 1
M4 1 0 0 0 1 1 1 1 1 1 1 1 1
M4 2 0 0 0 1 1 1 1 1 1 1 1 1
M4 3 0 0 0 0 1 1 1 1 1 1 1 1
M4 5 0 0 0 0 1 1 1 1 1 1 1 1
M4 6 0 0 0 0 0 1 1 1 1 1 1 1
M4 7 0 0 0 0 0 1 1 1 1 1 1 1
M4 8 0 0 0 0 0 0 0 1 1 1 1 1
M4 9 0 0 0 0 0 0 0 1 1 1 1 1
M4 10 0 0 0 0 0 0 0 0 1 1 1 1
M4 11 0 0 0 0 0 0 0 0 1 1 1 1
M5 1 0 0 0 0 0 0 0 0 1 1 1 1
Matriz de Decisiones

Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9 Y10 Y11 Y12 sum pond


M1 0.33 0.50 0.17 - - - - - - - - - 1.00
M1 0.41 - 0.59 - - - - - - - - - 1.00
M2 0.05 - - - 0.26 0.35 0.33 - 0.01 - - - 1.00
M2 - 0.50 0.35 - 0.00 - - 0.04 - - 0.11 - 1.00
M3 - - - - - - - - - 0.60 - 0.32 0.92
M4 - - - 0.45 - - - 0.27 0.27 - 0.01 - 1.00
M4 - - - 0.52 0.48 - - - - - - - 1.00
M4 0.14 - - - 0.04 0.20 0.29 0.13 0.20 - - - 1.00
M4 - - - - 0.47 0.05 - - 0.31 0.17 - - 1.00
M4 - - - - - - 0.47 - - 0.07 0.23 0.23 1.00
M4 - - - - - 0.53 0.01 - - - - - 0.54
M4 - - - - - - - - - - - - -
M4 0.19 - - - - - - 0.26 - 0.21 0.16 0.18 1.00
M4 - - - - - - - - 0.13 0.28 - 0.07 0.48
M4 - - - - - - - - - - - - -
M5 - - - - - - - - - - 0.57 0.43 1.00
Matriz de Restricciones
Productivas
Y1 Y2 Y3 Y4 Y5 Y6
Prod Fino 47,000 62,000 62,000 62,000 62,000 62,000
Meta Fino 47,000 62,000 62,000 62,000 62,000 62,000
Prod Fino Ox 5,000 31,255 20,374 32,000 20,000 20,000
Meta Fino Ox 62,000 62,000 62,000 32,000 20,000 20,000
Prod Fino Sulf 42,000 30,745 41,626 30,000 42,000 42,000
Meta Fino Sulf 42,000 42,000 42,000 42,000 42,000 42,000
Ore Sulf Prod 6,200,000 4,620,303 6,095,057 5,230,387 5,396,053 6,200,000 5,
Ore Sulf Meta + 6,200,000 6,200,000 6,200,000 6,200,000 6,200,000 6,200,000 6,
Ore Sulf Meta -
Ore Ox Prod 1,138,662 9,000,000 5,939,281 7,505,113 4,915,715 4,660,954 4,
Ore Ox Meta + 9,000,000 9,000,000 9,000,000 9,000,000 9,000,000 9,000,000 9,
Ore Ox Meta -
Mine Prod 15,929,663 27,521,545 23,490,648 24,167,333 36,000,000 36,000,000 36,
Mine Prod + 36,000,000 36,000,000 36,000,000 36,000,000 36,000,000 36,000,000 36,
Mine Prod -
Programa de Producción
40
Millions

35

30

25
Movimiento Mina (tons)

20

15

10

-
Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9 Y10 Y11 Y12

M1 M2 M3 M4 M5
Programa de Producción de
Sulfuros
7.0
Millions

6.0

5.0

4.0
Prod. Sulf. (tons)

3.0

2.0

1.0

-
Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9 Y10 Y11 Y12

M1 M2 M3 M4 M5
Programa de Producción
40
Millions

35

30

25
Movimiento Mina (tons)

20

15

10

-
Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9 Y10 Y11 Y12

M1 M2 M3 M4 M5 Year
Programa de Producción

Reservas mineras
Categorización de Reservas
• De acuerdo a su nivel de confiabilidad en la
extracción de la reserva
– Ley.
– Factores económico financieros.
– Sistema minero.
– Proceso metalúrgico.
– Sistema sustentable.
• Se dividen en
– Probadas.
– Probables.
Inventario de Recursos Y
Reservas
1200 Mt
0.5 Cu 3.00
5.27 Mt Cu
1,400
2.50
1,200
Millions

Ley Media (%Cu)


1,000 2.00
600 Mt
800 0.55 Cu
2.88 Mt Cu 1.50
600
Tonelaje (t)

1.00
420 Mt
400 0.77 Cu
2.75 Mt Cu
0.50
200
- 0.00
0.28

0.54

0.80

1.07

1.33

1.60

1.86

2.12

2.39
0.28 COG Ley De Corte (%Cu)

Recursos <> Reservas


Programación Matemática
Alexandra Newman, PhD, Profesor Asistente
Departamento de Negocios Colorado School of
Mines
Contenidos
• Programación lineal
• Programación lineal entera
• Programación lineal entera mixta
• Modelos de red
• Programación no lineal
Programación lineal
Considere el siguiente problema:

x es el vector de variables de decisión, A,


c y b son parámetros conocidos de
dimensiones mxn, 1xn y mx1
respectivamente
Programación lineal en
minería
• Mezcla de materiales con determinadas
características.
• Bajo una secuencia determinada, calcular
el programa de producción.
• Asignación de equipos a actividades
determinadas dado el tiempo total
disponible.
• Decisiones tácticas de envío de
producción a planta de procesamiento.
Problema genérico de PL

Maximize Z  2 A  3B
subject to : A6
A B7
2B  9
 A  3B  9
A,B  0
Solución gráfica
8

7
A+B=7
6
-A+3B=9
5 2B=9

B 4 2A
+3 optimo A=6
B=
12
3

2 2A 2A
+3 region factible +3
B= B=
2A 6 18
+3
B= 1
0
0
0 1 2 3 4 5 6 7 8
A
Ejemplo 1: programación
lineal
• La compañía Metalco requiere producir
una nueva aleación de 40% estaño, 35%
zinc y 25% de plomo a partir de las
aleaciones disponibles presentadas en la
tabla 1. Formule el problema de
programación lineal que permita encontrar
las proporciones de materiales disponibles
a mezclar para generar esta nueva
aleación a un costo mínimo.
Ejemplo 1: programación
lineal
Tabla 1: propiedades de las aleaciones disponibles
Soluación 1a: programación
lineal
Sea Xi la proporción utilizada de la aleación
i {i=1,2,3,4,5}
Soluciones al problema de
optimización lineal
Si Ax=b es:
– Un sistema determinado, entonces x es
único.
– Un sistema sobredeterminado, entonces x no
existe
– Un sistema subdeterminado, entonces
pueden existir un set de valores factibles para
x.
Programación lineal en 2
dimensiones
• La intersección de las restricciones Ax=b de una
región factible.
• Pueden moverse evaluaciones paralelas de la
función objetivo (hacia arriba para un problema
de maximización, hacia abajo para un problema
de minimización) hasta que alguna de las
realizaciones toque el último punto de la región
factible.
• Este “punto extremo” es la solución óptima.
Problema con solución óptima
única
Problema con múltiples
soluciones óptimas
Problema “desbordado”
Problema infactible
Dos algoritmos de optimización
lineal
• Método Simplex: teóricamente tiene
performance exponencial, pero en la
práctica es “bueno” (sólo revisa los puntos
extremos, y usualemtne no todos).
• Método del punto interior: teóricamente
tiene performance polinomial, en la
práctica es adecuado para problemas
grandes.
Método Simplex
Método del punto interior
Solucion 1b: programación
lineal
• Costo mínimo: $23.46

– Aleación 1: 0.043
– Aleación 2: 0.283
– Aleación 3: 0.674
Programación lineal entera
Considere el siguiente sistema:

y es el vector de variables de decisión, A,


c y b son parámetros conocidos de
dimensiones mxn, 1xn y mx1
respectivamente
Programación lineal entera en
minería
• Delinear un depósito mineral, determinar
la envolvente económica.

• Programación de la producción de largo


plazo.

• Toma lógica de decisiones: precedencias,


restricciones: secuenciamiento de rajos.
Ejemplo 2: programación
entera
• W.R. Grace extrae fosfatos desde estratos
numerados de i=1 en la superficie hasta
i=n en el nivel más profundo. Cada estrato
debe extraerse antes que el siguiente
estrato pueda ser extraído, pero sólo
algunas capas contienen suficiente
mineral para justificar su procesamiento
para la generación de 3 productos
(j=1,2,3).
Ejemplo 2: programación
entera
• La compañía puede estimar a partir de sondajes
las cantidades de aij de producto j disponible en
cada estrato, la fracción bij de BPL (medida del
contenido de fosfato) y la fracción pij de
contaminante. La compañía desea maximizar la
generación de productos manteniendo un BPL
promedio para cada producto con a lo menos bj
y la concentración de contaminante promedio
máxima de pj. Formule un problema de
programación lineal entera que modele esta
situación.
Ejemplo 2: programación
entera
Tabla 2: cantidad disponible, BPL y proporción de contaminante de cada
estrato.
Solución 2a: programación
entera
Sea xi=1 si se extrae el estrato i, 0 en caso contrario
Sea yi=1 se se procesa el estrato i, 0 en caso contrario
Programación lineal entera
Algoritmo de optimización
entera
• Ahora existe un número finito de soluciones factibles.
• Se podrían enumerar dichas soluciones, evaluarlas en la
función objetivo y escoger la mejor de todas.
• Lo anterior podría tomar un tiempo considerable.
• De hecho, aunque los algoritmos convencionales usan
técnicas más “inteligentes” para reducir esta
enumeración, los algoritmos aún tienen un performance
teórico exponencial.
• En la práctica, los problemas de programación entera
requieren muchísimo mayor tiempo para encontrar una
solución óptima que los problemas de programación
lineal.
Solución 2b: programación
entera
• Producción máxima: 12

– Extraer estratos 1, 2, 3 y 4
– Procesar estratos 3 y 4
Programación entera mixta
• Considere el siguiente sistema:

x es un vector de variables de decisión (nx1), y


es un vector de variables de decisión (n’x1) y A,
E, c, d y b son parámetros conocidos de
dimensiones mxn, 1xn, 1xn’ y mx1
respectivamente,
Programación entera mixta en
minería
• Programación de producción con
decisiones de secuencia y tonelaje.

• apoyar decisiones en desarrollos con


restricciones de tonelaje.

• Resolución de modelos combinados de


programación.
Ejemplo 3: programación entera
mixta
• Una planta de acero a recibido la orden de
producir 25 toneladas de acero. El acero debe
contener 5% de carbón y 5% de molibdeno (en
peso). El acero se produce combinando 3 tipos
de metal: lingotes, chatarra y aleaciones.
Existen 4 tipos de lingotes disponibles para
comprar. El peso (t), costo por tonelada,
contenido de carbón y molibdeno de cada
lingote se muestran en la tabla 3. pueden
comprarse 3 tipos de aleaciones. Las
propiedades de las aleaciones están en la tabla
4. la chatarra puede comprarse a un costo de
100$/t.
Ejemplo 3: programación entera
mixta
• La chatarra contiene 3% de carbon y 9%
de molibdeno. Formule el modelo de
programación entera mixta cuya solución
permita producir el pedido con las
características establecidas.
Tabla 3: propiedades de los lingotes
Ejemplo 3: programación entera
mixta

Tabla 4: propiedades de las aleaciones


Solucion 3a: Programación
entera mixta
• S= cantidad de chatarra comprada (t)
• Ai= cantidad comprada de la aleación i
(i=1…3)(t)
• yi=1 si el lingote i es comrpado(i=1…4), 0
en caso contrario.
• xi=cantidad utilizada del lingote i
(i=1…4)(t)
Solucion 3a: programación
entera mixta
Algoritmo de optmización lineal
entera mixta
• Se resuelven de la misma manera que los
problemas de programación lineal.
Solución 3b: programación
entera mixta
• Costo mínimo: $3,894

– Chatarra: 4.28t
– Aleación 1: 5.8t
– Cantidad de lingotes 1, 2, 3 y 4: 5, 3, 2, 2.92
respectivamente (t).
– Todas las variables yi son 1.
Modelos de red
Considere el siguiente sistema:

A es el set de arcos, xij es el flujo en el arco (i,j),


cij es el costo por unidad en el arco (i,j), sj es la
oferta del nodo j, dj es la demanda del nodo j, lij
es el mínimo flujo en el arco (i,j) y uij es el flujo
máximo en el arco (i,j).
Modelos de red en minería
• Asignar recursos a tareas.

• Decisiones de reemplazo de equipos.

• Secuenciamiento de bloques con


estructuras especiales.

• Determinación de pit final.


Beneficios de los modelos de
red
• Rápida resolución.

• Pueden mostrarse gráficamente.


Una red

A = {(1,3),(2,3),(3,4),(4,5)}
Xij= flujo en el arco (i,j)
Formulación del problema de
red
Ejemplo 4: modelos de red
• El gerente del distrito de Whiskey Coal Mining
Company desea maximizar el beneficio de las
operaciones del distrito. La producción de la
mina #1 son embarcadas a las plantas #1 y/o
#2; sin embargo, la mina #2 sólo puede enviar
carbón hacia la planta #2. Las producciones,
esquemas de transportes, capacidades y costos
están en las tablas 5-7. La planta #1 genera $4
de beneficio por tonelada y la planta #2 genera
$5 de beneficio por tonelada. Dibuje el diagrama
de flujo de costo mínimo cuya solución
maximice el beneficio.
Modelos de red
Tabla 5: capacidad (t) y costos de cada mina

Tabla 6: capacidad (t) y costos de transporte mina-planta


Modelos de red

Tabla 7: capacidad de cada planta


Solución 4a: modelos de red
Solución 4a: modelos de red
• Los costos de extracción de cada mina y el costo de
transporte de mineral de las minas a las plantas están
dados por los arcos desde la fuente (S) hacia las minas
y los arcos desde las minas hacia las plantas
respectivamente. Los beneficios generados por cada
planta están dados por costos negativos en los arcos
que conectan el sumidero (T). Los límites mínimos y
máximos en las capacidades de las minas y en los arcos
de conexión entre minas y plantas están dados en los
arcos desde la fuente a las minas y desde las minas a
las plantas, respectivamente. Las capacidades de las
plantas están dadas en los arcos que conectan con el
sumidero.
Resolviendo el problema de
red
• Existen algoritmos muy rápidos (polinomiales)
para resolver problemas de red.
• Los incrementos en performance (comparados
con herramientas para resolver problemas de
programación lineal) son significativos para
modelos grandes.
• Si el modelo es pequeño, o las soluciones
rápidas no son necesarias, pueden utilizarse los
mismos algoritmos que en los problemas de
programación lineal.
Solucion 4b: modelos de red
• Costo mínimo: $4
– Mina 1: extraer 6t, enviar 2t a la planta 1 y 4t
a la planta 2.
– Mina 2: extraer 2 toneladas y enviarlas a la
planta 2.
– Planta 1: procesar y vender 2 toneladas de
carbon
– Planta 2:procesar y vender 6 toneladas.
Introducción a AMPL/Cplex
• Modelo
– Sets, definen el espacio en que se mueven las variables. Típicamente:
• bloques I
• Tiempo T
– Parámetros que son coeficientes en la función objetivo y restricciones
• Aij, Bij,Cij,Rt
– Variables que son las proporciones o enteros a buscar en el modelo de
optimización
• Xij, Dijt
– Formulación de la función objetivo con las variables y parámetros
anteriores
– Formulación de las restricciones con las variables y parámetros
anteriores
• Datos
– Matrices con datos para alimentar los parámetros del modelo y algunos
sets que permitan adherir heurística en la optimización
Programación Matemática
AMPL
Ejemplo de Aplicación de Modelo
Geo Metalúrgico en la
Programación de la Producción
Descripción del problema
SAG

B11 B12 B13 B14 B1n


B21 B22 B23 B24 B2n
B31 B32 B33 B34 B3n N/S
B41 B42 B43 B44 B4n
Bm1 Bm2 Bm3 Bm4 Bmn

No
• Para un período dado varios bloques están
disponibles para ser extraídos de acuerdo a la
Where
secuencial LTP.
•En la planificación de mediano plazo aquellos
bloques deben ser ubicados en alguna etapa de
procesamiento.
Descripción del problema

SAG

B11 B12 B13 B14 B1n


B21 B22 B23 B24 B2n
B31
B41
B32
B42
B33
B43
B34
B44
B3n
B4n
N/S $
Bm1 Bm2 Bm3 Bm4 Bmn

No
Where
Aproximación Heurística
• Bloques con el más alto valor al SAG y el
resto a cubrir el tonelaje en el N/S.
Rev. Factor 14 Total Block
% Cu Alloc COG
Met. Recov. 0.87 Revenue (k$)
tons/block 7800 0.35% 33.3 -
SAG Cap 3 0.39% 37.1 -
N/S 2 0.34% 32.3 -
1.40% 133.0 SAG
Total Block 2.20% 209.0 SAG
% Cu Alloc COG
Total Block Revenue (k$) 1.88% 178.6 SAG
0.35% = %Cu*Rev.
33.3
factor* -
Revenue Met. Recov 0.46% 43.7 N/S
0.39% 37.1 - 0.51% 48.5 N/S
0.34% 32.3 -
0.45% 42.8 -
1.40% 133.0 SAG
2.20% 209.0 SAG
Total Revenue 612.8
1.88% 178.6 SAG
0.46% 43.7 N/S
0.51% 48.5 N/S
Descripción del Problema
• Maximizar el beneficio del molino a través
de ubicar varios bloques en dos líneas de
procesamiento; SAG and N/S, sin exceder
sus capacidades.
– El número de bloques corresponde con un
mes de producción de la mina.
– Cada bloque tiene una renta diferente
dependiendo de su destino (SAG, N/S).
– La capacidad del molino está dada por su
disponibilidad en el tiempo.
Tamaño del producto afecta la
recuperación metalúrgica

Kelebek S., 2000, Analysis of Andina data on


the effect of primary grind size on the recovery
of Cu with implications on processing tonnage,
An internal Queen’s University report for
Metalica, Santiago Chile.
Tamaño de alimentación típico
y flujo de salida

S.Morrell1 & W.Valery, 2000. INFLUENCE OF FEED SIZE


ON AG/SAG MILL PERFORMANCE. SAG 2001, CIM.
Modelo de diferentes
características de molienda.

2
3

Modelamiento del material de salida de la mina (MOTC)


y el tipo de roca (RT)
El Modelo
Valorando los bloques de
mineral
• Rec. Metalúrgica de bloques como una
función del MOTC y RT
Rik  f k MOTC i , RTi  For all k=1..K processes and i=1..I
blocks

• Tiempo para procesar un bloque como


función de el MOTC.
Ti k  f k MOTC i  For all k=1..K processes and i=1..I
blocks

• Renta del bloque


Re vik  F ( Rik , P, g i ,...) For all k=1..K processes and i=1..I
blocks
Construyendo el modelo
• Dimensiones
– Número de bloques N
• Parametetros
– Rentas por características del proceso: R SAGi R NSi
– Tiempo por bloque para diferentes características de
procesamiento: TSAG TNS
– Tiempo máximo disponible en los molino: T NSi T SAGi

• Variables
– Bloque enviado a el SAG o no. vi
– Bloque enviado a la N/S o no. wi
Construyendo el modelo
• Función objetivo
– Maximizar la renta en el N 
Max  R SAGi  vi  R NSi  wi 
período en estudio vi , wi
 i 1 

• Restricciones N

– Tiempo de procesamiento  T SAG  v   TSAG


i 1
 i i

disponible. N

– Límites.  T NS  v   TNS
i 1
 i i

vi  wi  1  i  1..N
vi , wi binary var iables (optional)
Prototipo (algunos Bloques)
• Usando la misma aproximación heurística de extracción, pero
valorando la extracción de mineral usando la aproximación MOTC y
RT.
• También agregando una restricción en la disponibilidad temporal del
molino.
Recovered Cu Metal Rates Total Block Revenue Process Time
% Cu Alloc COG
(klb/hr) (k$) (min)
SAG N/S SAG N/S SAG N/S
0.35% 45.0 17.1 26.6 25.7 0.7 1.8 -
0.39% 49.5 18.8 28.2 27.2 0.7 1.8 -
0.34% 45.0 17.1 24.7 23.8 0.7 1.8 -
1.40% 125.2 53.5 151.4 141.3 1.2 2.5 SAG
2.20% 177.2 75.6 237.8 221.9 1.2 2.5 SAG
1.88% 157.9 68.1 227.3 214.2 1.2 2.5 SAG
0.46% 46.1 23.3 55.4 49.8 1.5 2.7 N/S
0.51% 50.6 25.6 61.5 55.3 1.5 2.7 N/S
0.54% 52.8 26.7 64.0 57.6 1.5 2.7 -

Real Prod.
Cap.
Total SAG 3.5 <= 3.0 86%
Total N/S 5.4 <= 4.3 79% La restricción de tiempo es
rota, luego la aproximación
Total Revenue 615.9 eurística no es confiable.
Solución usando la IP
Recovered Cu Metal Rates Total Block Revenue Process Time
Alloc
% Cu (klb/hr) (k$) (min)
SAG N/S SAG N/S SAG N/S
0.35% 45.0 17.1 26.6 25.7 0.7 1.8 SAG
0.39% 49.5 18.8 28.2 27.2 0.7 1.8 N/S
0.34% 45.0 17.1 24.7 23.8 0.7 1.8 -
1.40% 125.2 53.5 151.4 141.3 1.2 2.5 N/S
2.20% 177.2 75.6 237.8 221.9 1.2 2.5 SAG
1.88% 157.9 68.1 227.3 214.2 1.2 2.5 SAG
0.46% 46.1 23.3 55.4 49.8 1.5 2.7 -
0.51% 50.6 25.6 61.5 55.3 1.5 2.7 -
0.54% 52.8 26.7 64.0 57.6 1.5 2.7 -

Total SAG 3.0 <= 3.0


Total N/S 4.3 <= 4.3

Total Revenue 660.2

• No intuitiva
• Toma en consideración la renta de la
productividad como $/tiempo
Aplicación en Grasberg
PT Freeport Indonesia
Grasberg Open Pit
PT Freeport Indonesia
• Ubicado West Papua
• El depósito porfírico de
Grasber se ubica en el
Nor-Weste de el distrito
minero de Erstsberg,
contiene la más
grandes reservas de
oro.
• Una de las tres más
grandes reservas de
rajo abierto en el
mundo.
Modelando el ambiente.
• 1x2 km pit
• 800 m profundidad
• Producción
– Mineral 260 Ktpd
– Esteril 340 Ktpd
• Leyes
– 2.5%Cueq
• 15 Palas, 10
cargadores
• 105 camiones
Tamaño del problema
• 2 opciones de procesamiento SAG y una
línea de molienda convencional N/S.
• 72,000 parámetros.
• 18,000 bloques necesitan ser planificados
en un período de un año en una base
mensual.
• 36,000 variables.
• 54,000 restricciones.
Supuestos
• La Heurística fue usada para reducir el tamaño
del problema en alrededor un 30% en donde las
restricciones temporales dejaron fuera los
bloques de alto tiempo de procesamiento y baja
ley.
• El modelo trabaja con una secuencia pre-
definida.
• El problema fue resuelto usando la plataforma
Front Line Premium Solver Platform con el
método Interval Branch and Bound
• El modelo corrió alrededor de 35 hrs.
Database
BLOCKS

x y z MOTC TYPE TONNES CU AU CuEq


1 1 1 3 3 7725 0.14% 0.06 0.19%
1 1 1 3 3 7665 0.42% 0.06 0.47%
1 1 1 3 3 9217 0.43% 0.1 0.50%
1 1 1 3 3 9160 0.35% 0.077 0.41%
1 1 1 3 3 8883 0.26% 0.117 0.34%
1 1 1 3 3 8984 0.24% 0.092 0.30%
1 1 1 3 3 10179 0.26% 0.08 0.32%
1 1 1 3 3 10493 0.28% 0.077 0.33%
1 1 1 3 3 10162 0.27% 0.073 0.32%
1 1 1 3 3 10962 0.29% 0.075 0.34%
Modelos Geo-Minero-
Metalurgicos
• Modelos MOTC
MOTC SAG tph Size MOTC N/S tph Size
1 8931 23.18 1 3510 30.25
2 7671 16.38 2 3510 30.25
3 6241 8.66 3 3510 30.25

• Modelo de Rec. Met.

Metallurgical Recoveries for SAG Processing line Metallurgical Recoveries for N/S Processing line
MOTC/TYPE 1 2 3 4 MOTC/TYPE 1 2 3 4
1 96.5% 86.4% 76.2% 86.4% 1 95.5% 83.8% 73.5% 83.8%
2 97.5% 88.9% 78.8% 88.9% 2 95.5% 83.8% 73.5% 83.8%
3 98.7% 91.8% 81.7% 91.8% 3 95.5% 83.8% 73.5% 83.8%
Disponibilidad de molinos
800
Processing Time Available (hrs)

750

700

650

600

550

500

450

400
Jan Feb Mar Aprl May Jun Jul Aug Sep Oct Nov Dec

TSAG "TN/S" Month


Resultados
• Optimización Heurística sin restricciones
2,300 M$

• Restricción Heurística de disponibilidad de


tiempo para el procesamiento.
2,175 M$

• Modelo de optimización IP
2,296 M$
Leyes de corte por MOTC y
Procesamiento
SAG Cut-Off grade by Material Type
SAG t1 SAG t2 SAG t3 NS
Jan 0.42% 0.91% 1.17% 0.35%
Feb 0.36% 0.79% 2.05% 0.38%
Mar 0.30% 0.40% 0.56% 0.39%
Aprl 0.41% 0.51% 0.59% 0.29%
May 0.29% 0.47% 0.49% 0.37%
Jun 0.27% 0.34% 0.70% 0.33%
Jul 0.36% 0.42% 0.71% 0.45%
Aug 0.31% 0.53% 0.73% 0.31%
Sep 0.32% 0.36% 0.73% 0.40%
Oct 0.35% 0.39% 0.79% 0.43%
Nov 0.34% 0.39% 0.89% 0.39%
Dec 0.35% 0.66% 0.86% 0.32%

Leyes de corte fijas para características


de multi-procesamiento no funcionan.
Ley de corte real como función
del tiempo de procesamiento
4.50%

4.00%

3.50%
S1
3.00%
S2
2.50%
Grade

S3
2.00% NS1
NS2
1.50%
NS3
1.00%

0.50%

0.00%
0.00 0.50 1.00 1.50 2.00 2.50 3.00
Time
Resultado Heurístico para la
secuencia de la producción
Grade

SAG NS

NS NW
NS

NW

Time

• El gráfico es retroalimentado con el algoritmo


de secuenciamiento y se repite el ciclo.
Ciclo de planificación minera

Production Promise
LTP

Contracts
Re MTP
Modeling
Facilities and
OP. Equipment
Performance STP

OP. DB. Operation


Comentarios
• Modelos Geo Minero Metalúrgicos pueden ser
útiles para integrarse a la cadena de valor.
• Aproximación Heurística puede ser mejorada
usando Investigación de Operaciones.
• Tonelaje es una mala restricción, una más
realista es el tiempode procesamiento
disponible.
• Una estrategia de leyes de corte fija para
colocar bloques de mineral en diferentes
alternativas de procesamiento no funciona.
Optimización No Lineal
R
Metallurgical Recovery
T+: Maximum feasible mill throughput

T*: Design mill throughput


T-: Minimum feasible mill throughput

T- T* T+ Mill Throughput

• Función Objetivo
– La misma pero con la relación lineal del tratamiento
• Restricciones
– Restricciones relacionadas con el tonelaje y no el tiempo de
proceso
Formulación
• Función Objetivo
 N 
Max  R SAGi  vi  f  SAG  R NS i  wi  f  NS  
vi , wi
 i 1 

• Sujeto a
 N 
f  SAG  a1    Ti  vi   b1
 i 1  Funciones que definen el ajuste de acuerdo al
 N

f  NS  a 2    Ti  wi   b2 tonelaje a tratar por línea de proceso
 i 1 
 N 
  Ti  vi   T* SAG  (1  t )
 i 1 
 N

  Ti  wi   T* NS  (1  t ) Capacidades de procesamiento acotadas por la
 i 1 
 N

tolerancia máxima a tratar en cada línea de
  Ti  vi   T* SAG  (1  t ) proceso y su capacidad de diseño.
 i 1 
 N 
  Ti  wi   T* NS  (1  t )
 i 1 
vi  wi  1  i  1..N
Resultados
• El despacho de bloques depende del tiempo de
procesamiento, la ley de mineral y la dureza del
mineral (MOTC)
4.50%

4.00%

3.50%
S1
3.00%
S2
2.50%
Grade

S3
2.00% NS1
NS2
1.50%
NS3
1.00%

0.50%

0.00%
0.00 0.50 1.00 1.50 2.00 2.50 3.00
Time
Despacho de Bloques Programa de
Producción Mensual
• Esta optimización posee un
potencial de mejora de 30
M$/a si se materializa de Grade

acuerdo al modelo
SAG NS
• Esta aplicación fue
desarrollada para una mina
que explota mineral sulfurado
NS NW
de cobre con ley equivalente
de 2.3 %Cu y un ritmo de 320 NW
Ktpd
Time
Planificación de minas a rajo
abierto con agregación
Fase-Banco-Rango
Patricio Prieto V.
Sebastián Troncoso B.
Antecedentes
• Yacimiento Cu-Au con
altas concentraciones de
arsénico.

• Penalizaciones por
arsénico en concentrado.

• Restricción en la cantidad
de arsénico en el mineral
de envío a planta.
Motivación
120 1000
900
100

• Metodología
800
700

Tonelaje (Mt/año)
80

“estándar” genera
600

As (ppm)
60 500
400

programas de 40
300
200
20
producción inviables. 0
VAN: 840.5 MUS$ 100
0

– Lerchs y Grossmann. 1
Mineral
2
Waste As
3 4
As Limit
5
Periodo (años)

– Milawa balanced. 120 1.2

100 1

Tonelaje (Mt/año) 80 0.8

• Restricción directa

Cu (%), Au (ppm)
60 0.6

(limits) no resuelve. 40 0.4

20 0.2
VAN: 840.5 MUS$
0 0
1 2 3 4 5
Mineral Waste Cu Au Periodo (años)
Motivación
120 160

140
100
• Aplicación de leyes de 120

Tonelaje (Mt/año)
80
100
corte al generar

As (ppm)
60 80

envolvente económica 40
60

40
– Reducción drástica de 20
20
VAN: 183.9 MUS$
VAN. 0 0
1 2 3 4 5
– Escenarios inviables. Mineral Waste As As Limit Periodo (años)

120 250

• Relación As-VAN. 100


Tonelaje (Mt/año) 200

80
150

As (ppm)
60
• Prueba y error no 40
100

asegura optimalidad. 20
50

VAN: 505.1 MUS$


0 0
1 2 3 4 5
Mineral Waste As As Limit Periodo (años)
Objetivo
• Calcular un plan de producción alineado
con los objetivos estratégicos de la
compañía, respetando la concentración
máxima de arsénico en el mineral de
envío a planta (150 ppm).

• Maximización de VAN.
Alcances
• Minería a cielo abierto.

• Programa de producción anual.

• Se analizan los 5 primeros años de


explotación.
Metodología
• Selección de envolvente • Selección de caso potencialmente
factible
económica.
– Valorización de bloques con
penalidad por arsénico.
– Valorización de bloques sin
• Discretización envolvente penalidad por arsénico.
económica. – Aplicación de leyes de corte para
As en L&G
(200,300,400,500ppm).
• Modelo de optimización.
• Selección de envolventes para
sustentar 5 años de producción a:
– 25Ktpd
• Programa de producción. – 50 Ktpd
– 75 Ktpd
– 100Ktpd
Metodología

150 Envolvente económica


Capacidad planta Roca Mineral CuT Au As
Caso E/M
(Ktpd) (Mt) (Mt) (%) (ppm) (ppm)
Caso 5 100 515.9 184.9 1.79 1.05 0.43 125.0
Metodología
• Discretización en 5 fases:
• Selección de envolvente FASE
Roca
(Mt)
Mineral
(Mt)
E/M
Cu
(%)
Au
(ppm)
As
(ppm)
económica. 1 93.5 29.4 2.18 1.22 0.54 173.81
2 115.0 34.0 2.39 1.22 0.52 126.62
3 84.8 32.2 1.63 1.04 0.43 129.89
4 135.0 51.1 1.64 0.96 0.39 109.99

• Discretización envolvente 5 87.7 38.1 1.30 0.89 0.34 102.08

económica. • Cada fase subdividida en


bancos.
• Modelo de optimización. • Cada banco subdividido
en rangos:
• Programa de producción.
Metodología
• Cada FBR
posee:

– Tonelaje.
– Ley de Cu.
– Ley de Au.
– Ley de As.
– Valor.
Metodología – Modelo de
optimización (fragmento)

Variables de decisión
Metodología – Modelo de
optimización (fragmento)
Metodología 140 1.2

120 1

• Selección de envolvente 100

Tonelaje (Mt/año)
0.8

Cu (%), Au (ppm)
80
económica. 60
0.6

0.4
40

0.2
• Discretización envolvente
20
VAN: 714.9 MUS$
0 0

económica. 1
Mineral
2
Waste
3
Cu Au
4 5
Periodo (años)

140 160

• Modelo de optimización. 120 140

120
100
Tonelaje (Mt/año) 100
80

As (ppm)
80

• Programa de producción. 60
60
40
40
20 20
VAN: 714.9 MUS$
0 0
1 2 3 4 5
Mineral Waste As As Limit Periodo (años)
Secuencia

Periodo
1 2 3 4 5
Fase 1 1 0 0 0 0
Fase 2 1 1 0 0 0
Fase 3 1 1 1 0 0
Fase 4 0 0 1 1 1
Fase 5 0 0 0 0 1

Fases activas por periodo


Análisis de resultados
• Selección de material
a procesamiento
– 33% del tonelaje
procesado posee As
sobre 150ppm.
– 6.5Mt procesadas que
fueron catalogadas
como estéril en L&G.
– 9.8Mt procesadas con
valor económico
negativo (valorización
independiente)
Leyes
3
Ley de CU (%), ley de Au (ppm)

2.5
• En todos los periodos se
2 procesa al menos una
1.5 FBR sin leyes de Cu o
1 Au.
0.5
• ¿ley de corte 0?
0
1 2 3 4 5
min Cu max Cu min Au max Au Periodo (años)

1800
1600
Ley de CU (%), ley de Au (ppm)
• En todos los periodos se 1400
procesan FBRs de alta 1200
1000
cocentración de 800
arsénico. 600
400
• En la globalidad 200
0
igualmente se cumplen
1 2 3 4 5
las restricciones. min As max As Periodo (años)
Conclusiones
• El plan calculado tiene un VAN de 714.9MUS$ y captura
un 85% del valor presente neto del plan de producción
sin restricción de As (840.5MUS$).
• La secuencia y la selección del material a
procesamiento no están ligadas a una ley de corte, sino
que se determinan de acuerdo a la maximización de una
función objetivo y respetando determinadas
restricciones.
• En resumen, la aproximación propuesta logró
incrementar el VAN (en un 288%) y las reservas del
depósito (en un 30%), con respecto al caso factible que
limita la concentración de arsénico en los bloques de
alimentación a planta a 200ppm.
• Discretización.
Aplicación de Modelación
Matemática al Cálculo de Alturas
de Columnas
Traer paper de Rubio

You might also like