Programación directa de bloques tecnología:
Análisis de avidez
Resumen
Este estudio se centra en las pruebas de programación directa de bloques
(metodología de programación directa de períodos múltiples) que planifica
la producción minera considerando el factor de descuento correcto de cada
bloque minero, lo que resulta en el pit final. Cada bloque es analizado
individualmente para definir el mejor período objetivo. Esta metodología
presenta una mejora de la metodología clásica derivada de la propuesta
inicial de Lerchs-Grossmann mejorada por Whittle. Este artículo presenta las
diferencias entre estas metodologías, especialmente enfocadas en la avidez
de los algoritmos. La avidez se define clásicamente por los algoritmos de
búsqueda voraz, con lo cual algunos de los algoritmos codiciosos más
famosos son Branch and Bound, Brutal Force y Randomized. Las estrategias
basadas en la heurística pueden acentuar la voracidad del sistema
optimizador. El algoritmo aplicado utiliza el recocido simulado combinado
con Tabu Search. El algoritmo más ávido puede seleccionar los bloques más
rentables en los primeros períodos, lo que lleva a un mayor valor presente
en los primeros períodos de operación de la mina. La aplicación de factores
de descuento a los bloques en el pit final de Lerchs-Grossmann tiene un
efecto acentuado con el tiempo, y este efecto puede hacer que los bloques
programados para el final de la vida útil de la mina sean inviables, lo que
representa una tendencia a una disminución de las reservas reportadas.
1. Introducción
Los pit anidados son el estándar real de programación de minas, que fue
introducido por Lerchs y Grossmann (Lerchs y Grossmann, 1965). La
metodología construye un análisis paramétrico de la reserva. Basado en la
reducción progresiva del precio de un producto para obtener pit más
pequeños, considerados como submúltiplos del pit final (Lerchs y
Grossmann, 1965). Estos pit representan un intento de determinar un
proceso de programación a través de formulaciones matemáticas (Meagher
y Dimitrakopoulus, 2014).
Esta metodología presenta dos limitaciones principales: la definición de los
retrocesos a través de los pit anidados puede presentar soluciones no
óptimas para el problema debido a la metodología del factor de descuento
de precio utilizado, y comúnmente hay un problema de brecha en las
soluciones espaciales entre los retrocesos consecutivos. La distribución de
masa incorrecta está relacionada con una metodología de factor de
descuento de precio para generar el retroceso. Johnson (1968) fue el
primero en proponer una formulación capaz de programar bloques
directamente para definir los límites del pit. Debido a las limitaciones
computacionales y las dificultades para desarrollar metodologías de
aproximación para simplificar el problema, esta metodología atrajo menos
atención de la comunidad académica en comparación con la propuesta de
Lerchs-Grossmann. En las últimas décadas, varios expertos desarrollaron
tácticas para utilizar este conocimiento con éxito (Almeida, 2013). En este
estudio, se realizaron pruebas para comparar estas metodologías que se
centran en la capacidad de extraer bloques de mayor ley al principio de la
vida de la mina, lo que se conoce como voracidad. Los resultados apuntan
a ventajas considerables de la metodología de Programación directa de
bloques en términos de planificación y economía minera, principalmente
debido al logro del VPN deseado con la extracción de cantidades de mineral
más bajas que es más fácil alcanzar los objetivos de producción con un valor
presente resultante más alto.
2. Classical methodology
El proceso de planificación de la mina generalmente se realiza a través de
una estrategia de abajo hacia arriba, mediante la cual se define inicialmente
el límite final del pit y luego los pit anidados. El objetivo de la primera etapa
es determinar qué bloques deben extraerse para maximizar las ganancias,
respetando las restricciones operativas (Askari y Awuah, 2009).
La tecnología se llama de abajo hacia arriba porque el límite final del pit se
determina antes de construir los hoyos intermedios superiores (Meagher
y Dimitrakopoulus, 2014). Los límites finales del pit son la combinación de
bloques que maximizan el flujo de efectivo total descontado del proyecto y
respetan las restricciones de pendiente (Almeida, 2013). Las estrategias más
comunes adoptadas son: el algoritmo de Lerchs y Grossmann (LG) (Lerchs y
Grossmann, 1965) y el algoritmo de cono flotante (Pana, 1965). Después de
determinar el límite de pit final, es necesario construir el retroceso utilizando
el factor de descuento (SME, 2011). El pit final es la entrada de un proceso
llamado parametrización, que discretiza económicamente la serie de pit
anidados que define el espacio y que genera un flujo de caja descontado
creciente por pit (Whittle, 1999). El enfoque de parametrización cambia
iterativamente el valor económico de los bloques utilizando un factor de
ingresos y determina el límite de pit final en función de los valores de bloque
modificados (Askari y Awuah, 2009).
Esta parametrización da como resultado una serie de pit anidados con
diferente cantidad y calidad de material. El usuario selecciona el "mejor"
hoyo anidado como límite final del hoyo, pero esto se definió sin la
aplicación de factores de descuento (Pana, 1965). El grupo de pit anidados
más pequeños que el seleccionado se usará para definir las repeticiones. El
incremento de tonelaje entre dos pozos anidados posteriores representa un
retroceso. Los hoyos determinados mediante el enfoque de parametrización
aún tienen el valor disminuido por la aplicación de tasas de descuento.
Independientemente del tamaño del paso para cambiar el valor del bloque,
existe la posibilidad de que no haya una selección adecuada de retroceso,
de modo que el tonelaje del material se distribuya uniformemente entre los
retrocesos (Askari y Awuah, 2009).
3. Direct block scheduling
Una programación directa de períodos múltiples es una mejora de la
metodología clásica de Lerchs-Grossmann (Almeida, 2013). Es capaz de
reflejar los pasos desarrollados por una operación minera real, pasando por
los límites de minería de cada período de tiempo hasta que alcanza el pozo
final como consecuencia de períodos rentables. Como era de esperar, los
límites del pozo siguen una secuencia de arriba hacia abajo, que representa
un desarrollo real de la operación (Johnson, 1968). Esta formulación
representa un avance si se compara con las formulaciones comúnmente
utilizadas para optimizar los programas de producción minera. La
programación directa de bloques aplica los factores de descuento correctos
al flujo de caja durante los años de producción, lo que da como resultado
evaluaciones correctas del pronóstico del valor presente (Almeida, 2013). Los
esfuerzos de R. Dimitrakopoulus y sus colegas a lo largo de los últimos 20
años fueron una de las bases para unir la metodología propuesta por
Johnson (1968) y las técnicas de control de superficie desarrolladas por
Ramazan (2004) y Leite (2010).
Esta formulación considera cada bloque presente en el modelo como una
sola unidad para cada período de mina, no solo un grupo de unidades
dentro del pit final, según lo considerado por la teoría de precedencia
(Almeida, 2013).
La formulación se basa en una función objetivo y restricciones como las que
se producen en la programación de enteros mixtos (Dantzig y Thapa, 1997).
Ramazan (2012) aplicó una disposición de datos para minimizar las
limitaciones de incertidumbre y hacer factibles todos los escenarios posibles,
desarrollando el programa de enteros mixtos inicialmente propuesto por
Dantzig (1955), para considerar todos los períodos simultáneamente. La
optimización basada en períodos múltiples aplica heurística y otras
estrategias aproximadas para determinar la mejor solución (Leite y
Dimitrakopoulos, 2010). Por lo tanto, el cronograma definido para cada
período mejorará la precisión y tomará un período de tiempo más largo
para encontrar la solución, debido al gran esfuerzo computacional
requerido.
Figura 1 Mecanismo de análisis de precedencia x Multi-Período.
a. Formulación de programación directa de períodos múltiples
Ramazan (2012) propuso una formulación general para una Programación
de Período Múltiple capaz de maximizar el Valor Actual Neto (VPN) y
controlar el tonelaje de mineral, la ley y la producción objetivo.
Dónde: Bloque j en el período t.
MCjt = Costo minero del bloque j en el período t.
wjt = Porcentaje del bloque j enviado al vertedero de basura durante el período t.
SVt = Beneficio por tonelaje en el período t.
M = Número de modelos simulados.
bjt = Porcentaje de bloque extraído en el mismo período.
Kst = Mineral recuperado en la pila de stock en el modelo simulado s.
dsut-1 = exceso de producción de mineral.
dsl t-1 = deficiencia en la producción de mineral.
C = costo.
o = objetivo de producción de mineral.
g = objetivo de producción de grado.
u = límite superior.
l = límite inferior.
La Parte 1 de la función objetivo explica el VAN esperado obtenido al extraer las
fracciones b i t de los bloques i durante el período t y procesar los bloques durante el
mismo período.
La Parte 2 compensa la pérdida esperada de VPN de las fracciones wjt de los bloques
minados durante el mismo período t pero enviados a la reserva, con el costo respectivo
MCjt.
La Parte 3 representa el VAN esperado obtenido de las cantidades de mineral Kst
procesadas de la reserva durante el período t, y SV t es la ganancia por tonelada
generada. P representa el número de períodos, N es el número total de bloques, u es el
número de bloques considerados para el almacenamiento; y M el número de modelos
simulados.
Las penalizaciones aplicadas a la función de beneficio obligan al sistema a encontrar una
solución capaz de cumplir con los requisitos, pero si no se puede alcanzar la solución
deseada, se presenta la solución factible más cercana. DBS puede considerar cada bloque
de mineral individualmente porque maximiza la suma de los bloques.
La formulación de Lerchs-Grossmann considera la suma de las ramas del nodo. La
capacidad de agregar cada bloque individualmente facilita la determinación de la
solución óptima, ya que el sistema es libre de alcanzar todos los bloques extraíbles y no
se limita a una restricción de gráfico local (Almeida, 2013).
b. Algoritmo de recocido simulado
El recocido simulado es un algoritmo heurístico para resolver problemas de
convergencia difíciles. Este algoritmo admite el paso de búsqueda local y la
optimización global basada en conceptos de recocido metalúrgico. Esta
metodología comienza el proceso en una solución genérica seguida de una
búsqueda local en el vecindario. La extensión de la búsqueda local se basa
en conceptos de temperatura; una temperatura alta significa un alto
crecimiento del valor de beneficio de la función. Lejos del valor óptimo, la
temperatura tiende a aumentar para demostrar qué selección de un bloque
contribuye al aumento de la función de beneficio. La temperatura disminuye
si la solución alcanza un valor constante, lo que indica convergencia local.
Se ejecuta otra ejecución para garantizar que la solución no sea sostenida
por la atracción local (Glover y Kochenberger, 2003).
c. Búsqueda Tabu
Tabu Search se clasifica como una metodología dinámica de vecindario,
actualizada de acuerdo con el historial de búsqueda reciente. Este paso es
responsable de suministrar el recocido simulado, ubicando las soluciones
factibles en un espacio restringido. Cada interacción proporciona una
solución para ser investigada por el sistema de optimización. La solución
rechazada por el sistema compone la prioridad Tabu, y la solución
reprobada en el proceso recursivo se pospone para ser probada
nuevamente (Nogholi, 2015).
d. Avidez de programación directa de períodos múltiples
La mayoría de los algoritmos de optimización son ávidos y buscan minerales
de mayor ley en los períodos iniciales de extracción. El DBS tiende a ser más
ávido en comparación con la metodología clásica, debido a la capacidad de
analizar cada bloque individualmente. Mediante metodologías de recocido
simulado y búsqueda tabú, es capaz de encontrar bloques de mayor
calificación que proporcionarían mayores ingresos. Debido a la capacidad
de analizar cada bloque individualmente, es posible elegir minar primero los
bloques más ricos. Si los bloques más ricos se extraen primero, el valor actual
neto aumenta. Estas estrategias matemáticas representan la posibilidad de
establecer un factor de descuento económico adecuado durante la
secuenciación del bloque minero (Ramazan y Dimitrakopoulos, 2012).
El método devuelve la mejor solución para un programa de minería de t
períodos, y luego se incluye un nuevo período t + 1 en el proceso de
optimización. Por lo tanto, el proceso determina inicialmente la solución
para los períodos t, y luego determina la solución para el período t + 1. Los
períodos de minería t y t + 1 tienen sus límites comparados, basados en el
método de recocido simulado: los bloques fronterizos se intercambian entre
los dos períodos y, si representa un aumento del VPN, el intercambio se
mantiene. Esta formulación se ejecuta sucesivamente y los resultados
obtenidos por un proceso de optimización se utilizan como supuestos
limitantes para los siguientes procesos (Almeida, 2013). En cada período t +
1, los efectos del factor de descuento en el VPN aumentan, mejorando la
diferencia entre los bloques extraídos al comienzo y al final de la vida útil de
la mina. Esto obliga al algoritmo a seleccionar los bloques más rentables en
los períodos iniciales, lo que resulta en un proceso ávido si se compara con
la metodología clásica. Las zonas de mayor grado probablemente se
extraerán lo antes posible, aumentando el VPN.
Un segundo efecto de la voracidad está relacionado con los límites finales
del hoyo. Los bloques cierran el límite final de Lerchs-Grossmann (Lerchs y
Grossmann, 1965) y disminuirán las ganancias debido al aumento de
descuento con el tiempo, en comparación con una programación de
períodos múltiples, que puede resultar en convertir un bloque factible en
inviable. La voracidad resultante de la correcta aplicación de los factores de
descuento puede conducir un proceso de programación capaz de promover
una tasa de súper extracción de zonas de mayor grado del depósito
(Edmundo, 2014).
e. Factor de descuento
Como es imposible extraer todo el depósito al mismo tiempo, se requerirá
que las compañías procesen fracciones de mineral en el futuro, y esto
requiere el ajuste del valor de este mineral, una vez que pierde valor con el
tiempo. El valor de este mineral en el futuro se llama valor presente, y se
estima ajustado mediante la aplicación de un factor de descuento donde x
es el costo o el resultado de interés, r es la tasa de descuento yt representa
el número de períodos.
La práctica de descuento tiende a tener un mayor impacto en los valores
actuales cuando se aplica a tasas elevadas o a períodos de tiempo más
largos. El VPN es la suma de todos los valores actuales de un proyecto. Por
lo tanto, mayores descuentos penalizan el VPN debido a la disminución de
los valores actuales (Edmundo, 2014).
4. Real application study
Este estudio utilizó datos de un depósito de Hierro formado en el período
Pre-Cámbrico, y ubicado dentro del área "Quadrilátero Ferrífero" de Minas
Gerais, Brasil. Esta formación es un ejemplo típico del cinturón de piedra
verde, formado por rocas volcánicas Meta y sedimentos Meta (CPRM, 2014).
Las características principales del modelo de bloques se presentan en la
Tabla 1. Para establecer la ruta de planta apropiada, el material se clasificó
en dos grupos de acuerdo con la Tabla 2.
Esta aplicación compara el pozo final obtenido mediante la optimización y
la programación del depósito utilizando la metrología basada en el
algoritmo de Lerchs-Grossman (Lerchs y Grossmann, 1965) y el pozo
anidado (Whittle, 1999), conocido como metodología clásica.
El objetivo de producción de mineral se estableció en 40 millones de
toneladas por año. Como se discutió anteriormente en este documento, se
supone que la optimización alcanzará el grado más alto posible en todas las
aplicaciones desarrolladas, en un intento por maximizar el VPN.
Estas metodologías se compararán para determinar cómo DBS enfrenta el
problema de optimización. El pozo final se optimizó utilizando el software
Micromine, basado en la metodología Lerchs-Grossmann. Para probar la
programación directa de bloques, se utilizó el software Simsched. La función
de beneficio es idéntica en ambos software. Las dos aplicaciones
desarrolladas son:
1. Lerchs-Grossmann, ejecutado en Micromine;
2. Programación directa de bloques, ejecutada en Simsched.
Para establecer los parámetros técnicos y económicos utilizados por los
sistemas, es necesario construir la función de beneficio. La función es la suma
de los costos y gastos para minar el bloque. Los parámetros utilizados se
presentan en la Tabla 3 y la Tabla 4.
El objetivo principal es probar la avidez de las metodologías; Algunos
parámetros operativos posiblemente limitan esta avidez. La relación de tira
y el control de pendiente limitados pueden influir en los resultados porque
el objetivo es eliminar rápidamente grandes cantidades de mineral rico.
5. Resultados
El objetivo de este estudio fue analizar la avidez de cada metodología y
comparar. La Figura 2 muestra los resultados obtenidos en cada escenario
para el movimiento de masa total, utilizando una precisión numérica similar
para ambos métodos. El sistema basado en la metodología de Lerchs-
Grossmann divide los bloques para alcanzar la producción de mineral
propuesta, pero el DBS solo considera la extracción de todo el bloque en un
período de tiempo, y esto asegura la mayor confiabilidad del DBS. La
confiabilidad aumenta debido a que SDB extrae solo bloques enteros
porque esto proporciona una mayor confiabilidad de grado en comparación
con los subbloques. Debido a la capacidad de la Programación directa de
bloques para extraer bloques de mayor ley primero, puede anticipar el
desperdicio involucrado en el acceso a los valores de bloques mayores.
Analizando ambos resultados, está claro que ambas metodologías tienden
a posponer la eliminación de residuos, lo que confirma la avidez de estos
métodos.
Las Figuras 3, 4 y 5 confirman la mayor voracidad de la metodología SDB,
alcanzando calificaciones más altas en los períodos iniciales. La capacidad
de seleccionar bloques de mayor grado en los primeros períodos es el
resultado de factores combinados, como la aplicación de recocido simulado,
búsqueda tabú y factores de descuento correctos. La calificación obtenida
en los años iniciales es capaz de proporcionar un mayor valor presente y
compensar el tonelaje de residuos extraídos en el período inicial.
Una consideración importante es la capacidad de SDB para suavizar las
transiciones de masa entre los períodos. Se evitan los picos de material
manipulado para ayudar a la operación minera (Almeida, 2013). La voracidad
de la metodología DBS proporciona una gran diferencia para la planificación
de la mina, pero con un VPN acumulado similar: el DBS proporciona valores
presentes más altos en los años iniciales cuando la vida útil esperada de la
minería es de 40 años; cinco años menos que la vida útil esperada obtenida
a través de la metodología clásica.
Últimos períodos que se penalizan con mayores descuentos económicos, y
puede ocurrir una disminución del valor del bloque debido al aumento del
valor del factor de descuento debido. Los bloques ubicados en los bordes
del pozo final de Lerchs-Grossmann probablemente no se han extraído
utilizando la metodología de programación directa de bloques.
6. Conclusión
DBS ha demostrado ser una tecnología prometedora, debido a la capacidad
de alcanzar el mismo orden de VPN generado por la metodología de
Lerchs-Grossmann, utilizando factores de descuento correctos y
considerando bloques enteros extraídos en cada período. El VPN de DBS
puede lograr un valor similar en un período de tiempo más corto en
comparación con Lerchs-Grossmann. La programación directa de bloques
permite la aplicación de factores de descuento adecuados y alcanza valores
más altos en los primeros períodos mineros. La aplicación del factor de
descuento adecuado es más importante para limitar los bloques,
posiblemente ocurriendo una reducción del valor presente y esto puede
transformar los bloques minados factibles en inviables, lo que lleva a la
reducción de las reservas disponibles. Por lo tanto, existe una tendencia para
la metodología clásica para sobreestimar las reservas y subestimar la ley del
mineral.
Los modelos heurísticos basados en el recocido simulado pueden analizar
cada bloque por separado, y la búsqueda Tabu puede encontrar un grupo
de soluciones cercanas al óptimo global, debido a las formulaciones
matemáticas. Estos mecanismos pueden encontrar una solución con mayor
valor presente en los períodos iniciales, debido a la capacidad de buscar y
descubrir soluciones ávidas o bloques de mayor grado. La aplicación del
factor de descuento correcto hace que la diferencia entre los valores de los
bloques sea más evidente debido al valor progresivo decreciente de los
bloques a lo largo del tiempo. Este factor correcto y la heurística aplicada
son responsables de programar el bloque que se extraerá en el período más
rentable, conducir a los beneficios mencionados y resaltar la voracidad para
extraer los bloques más rentables, respetando las restricciones objetivo.
