UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

ESCUELA PROFESIONAL DE INGENIERÍA ELECTRÓNICA

TESIS

Modelo de redes neuronales para maximizar la cobertura de

camiones en chancadoras para Soc. Minera Cerro Verde S.A.A.

PARA OPTAR POR EL TÍTULO PROFESIONAL DE INGENIERO

ELECTRÓNICO

AUTOR:

Bach. Chiarot Villegas, Teddy Vinicio

ASESOR:

Ing. Segura Altamirano, Segundo Francisco

ORCID: 0000-0002-0103-7222

LAMBAYEQUE – PERÚ
2022
 UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

ESCUELA PROFESIONAL DE INGENIERÍA ELECTRÓNICA

Modelo de redes neuronales para maximizar la cobertura de camiones

en chancadoras para Soc. Minera Cerro Verde S.A.A.

TESIS

PARA OPTAR POR EL TÍTULO PROFESIONAL DE

INGENIERO ELECTRÓNICO

PRESENTADO POR:

_______________________________________

Bach. Chiarot Villegas, Teddy Vinicio

Tesista

ASESORADO POR:

_______________________________________

Ing. Segura Altamirano, Segundo Francisco

Asesor
 UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

ESCUELA PROFESIONAL DE INGENIERÍA ELECTRÓNICA

Modelo de redes neuronales para maximizar la cobertura de camiones en

chancadoras para Soc. Minera Cerro Verde S.A.A.

TESIS

PARA OPTAR POR EL TÍTULO PROFESIONAL DE

INGENIERO ELECTRÓNICO

APROBADA POR EL SIGUIENTE JURADO:

_______________________________________

M.Sc. Chiclayo Padilla, Hugo Javier

PRESIDENTE

_______________________________________

Mg.Ing. Romero Cortez, Óscar Ucchelly

SECRETARIO

_______________________________________

Mg.Ing. Nombera Lossio, Martín Augusto

VOCAL
I
II
III
 IV

DECLARACIÓN JURADA DE ORIGINALIDAD

El investigador principal Teddy Vinicio Chiarot Villegas y Segundo Francisco Segura

Altamirano, asesor del trabajo de investigación “MODELO DE REDES NEURONALES

PARA MAXIMIZAR LA COBERTURA DE CAMIONES EN CHANCADORAS PARA

SOC. MINERA CERRO VERDE S.A.A.”, declaramos bajo juramento que este trabajo no ha

sido plagiado, ni contiene datos falsos. En caso se demostrará lo contrario, asumimos

responsablemente la anulación de este informe y por ende el proceso administrativo a que

hubiera lugar.

Que puede conducir a la anulación del título o grado emitido como consecuencia de este

informe.

Lambayeque, 22 de julio del 2022

______________________________

Nombre el investigador: Bach. Teddy Vinicio Chiarot Villegas.

______________________________

Nombre del asesor: Ing. Segundo Francisco Segura Altamirano.

 V

Agradecimientos

En primer lugar, a Dios por darme vida y fuerzas para lograr esta desafiante meta. Luego, al

Ing. Francisco Segura Altamirano quien en base a su experiencia y conocimiento me asesoró

y encaminó en el desarrollo y obtención de los resultados alcanzados. A la empresa Soc.

Minera Cerro Verde S.A.A., por permitirme utilizar su información para este proyecto de

Tesis. Finalmente, a mi fiel amiga Ghiara Siesquen por su apoyo incondicional durante este

difícil proceso.

Gracias por todo.

Teddy Vinicio Chiarot Villegas

 VI

Dedicatoria

Dedico esta tesis a mis abuelitos Vinicio Chiarot Mendoza y Elsa Azcárate Balmaceda

quienes me apoyaron durante mis estudios y desde el cielo contemplan y celebran mis logros,

a mis abuelitos Jose Villegas Camacho e Irma Manrique Olaya, quienes son fuente de

inspiración y perseverancia, además reforzaron mi fuerza de voluntad para realizar esta tesis.

Finalmente, a mi Familia que me han apoyado durante mis estudios y siempre están

orgullosos de mis logros.

Gracias, por tanto.

Teddy Vinicio Chiarot Villegas

 VII

Resumen

Actualmente, durante los procesos de refrigerio y cambio de turno en las operaciones de la

mina, se presentan retrasos en los equipos de acarreo, provocando una caída en el suministro

de mineral en los chancadores a menos del 82% en promedio en una hora regular. Por ello,

desarrollé un modelo de redes neuronales de aprendizaje profundo por refuerzo tipo Q-

learning que asegura al menos el 90% del suministro de mineral, para lo cual generé un

entorno de simulación análogo al entorno real, con datos obtenidos del análisis de la situación

actual, permitiéndome probar a los agentes, en este caso los camiones, en diferentes

escenarios considerando como acciones la selección de los equipos de carga y como

recompensa el tiempo de ciclo, el tiempo de cola en los destinos y el tipo de material cargado,

con estos resultados, entrené una red neuronal profunda, con la cual verifiqué que la solución

propuesta asegura una cobertura de camiones en la trituradora superior al 90% durante las

horas de refrigerio y cambios de turno, con tiempos de ejecución promedio menores a un

milisegundo.

Palabras clave: aprendizaje profundo por refuerzo, aprendizaje tipo Q, ciclo de acarreo,

Dispatch, redes neuronales.

 VIII

Abstract

During the lunch break and shift change processes in the mine operations, there are delays in

the hauling equipment, causing a drop in ore supply in the crushers to less than 82% on

average in a regular hour. Therefore, we developed a model of deep learning neural networks

by Q-learning type reinforcement that ensures at least 90% of the ore supply, for which they

generated a simulation environment analogous to the real environment, with data obtained

from the analysis of the current situation, allowing us to test the agents, in this case, the

trucks, in different scenarios considering as actions the selection of the loading equipment

and as a reward the cycle time, the queue time at the destinations and the type of material

loaded, with these results, we train a deep neural network, with which we verify that the

proposed solution ensures truck coverage in the crusher greater than 90% during lunch break

and shift changes, with average execution times of less than one millisecond.

Keywords: Deep reinforcement learning, Q-type learning, mine haulage, Dispatch, Neural

networks.
 IX

Índice general

Introducción ............................................................................................................................... 1

Capítulo I ................................................................................................................................... 2

Aspectos De La Investigación ................................................................................................... 2

1.1 Planteamiento de la Investigación ............................................................................... 2

1.1.1 Síntesis de la Situación Problemática................................................................... 2

1.1.2 Formulación del Problema de investigación ........................................................ 3

1.1.3 Hipótesis .............................................................................................................. 3

1.1.4 Objetivos .............................................................................................................. 3

1.2 Diseño Teórico ............................................................................................................ 4

1.2.1 Antecedentes Internacionales............................................................................... 4

1.2.2 Antecedentes Nacionales ..................................................................................... 7

1.2.3 Definición y Operacionalización de Variables .................................................... 7

1.3 Diseño Metodológico .................................................................................................. 8

1.3.1 Diseño de contrastación de hipótesis. .................................................................. 8

1.3.2 Población y Muestra ............................................................................................. 9

1.3.3 Técnicas, Instrumentos, equipos y materiales. ..................................................... 9

Capítulo II ................................................................................................................................ 10

Marco Teórico.......................................................................................................................... 10

2.1 Modelo Biológico de las Neuronas ........................................................................... 10

2.2 Redes Neuronales Artificiales RNA ......................................................................... 10

 X

2.2.1 Estructura ........................................................................................................... 12

2.2.2 Fases de una red neuronal .................................................................................. 13

2.3 Aprendizaje automático............................................................................................. 13

2.4 Aprendizaje por refuerzo........................................................................................... 14

2.4.1 Componentes...................................................................................................... 14

2.4.2 Función de la recompensa .................................................................................. 15

2.4.3 Aprendizaje Q .................................................................................................... 16

2.5 Cadena de Markov .................................................................................................... 19

2.5.1 Proceso de recompensa y decisión ..................................................................... 19

2.5.2 Utilidades y problemas relacionados al modelo oculto ..................................... 20

2.6 Sistema de gestión de flota minera ............................................................................ 21

2.6.1 Componentes...................................................................................................... 21

2.6.2 Proceso de acarreo ............................................................................................. 22

Capítulo III ............................................................................................................................... 27

Diseño Del Sistema .................................................................................................................. 27

3.1 Situación Actual de la Empresa Sociedad Minera Cerro Verde S.A.A. ................... 27

3.1.1 Equipos operativos ............................................................................................. 27

3.1.2 Cambio de turno................................................................................................. 30

3.1.3 Refrigerio ........................................................................................................... 32

3.1.4 Análisis de camiones operativos por hora ......................................................... 34

3.2 Diseño Elaborado En Python .................................................................................... 40

 XI

3.2.1 Librerías y módulos ........................................................................................... 41

3.2.1.1 Simpy .......................................................................................................... 41

3.2.1.2 Numpy ........................................................................................................ 41

3.2.1.3 PyTorch ...................................................................................................... 42

3.2.1.4 Pygame ....................................................................................................... 43

3.2.1.5 Matplotlib ................................................................................................... 44

3.2.1.6 Módulos y bibliotecas internas de Python .................................................. 44

3.2.2 Designación del tiempo de acarreo y equipos .................................................... 45

3.2.2.1 Cuadre de camiones y carga de palas ......................................................... 45

3.2.2.2 Descarga en botaderos y chancadoras ........................................................ 47

3.2.2.3 Demora de los equipos por Refrigerio y Cambio de Turno en la mina ...... 48

3.2.3 Proceso de la red neuronal ................................................................................. 50

3.2.3.1 Modelo de la red neuronal .......................................................................... 50

3.2.3.2 Eventos discretos ........................................................................................ 54

3.2.3.3 Entrenamiento de la red .............................................................................. 56

Capítulo IV............................................................................................................................... 57

Pruebas Y Resultados .............................................................................................................. 57

4.1 Resultado del entrenamiento de la red ...................................................................... 57

4.2 Visualización de eventos en la mina ......................................................................... 58

4.3 Prueba de la red ......................................................................................................... 59

Conclusiones ............................................................................................................................ 64
 XII

Recomendaciones .................................................................................................................... 66

Bibliografía .............................................................................................................................. 67

Anexos ..................................................................................................................................... 70
 XIII

Índice De Tablas

Tabla 1 Variable independiente ................................................................................................ 7

Tabla 2 Variable dependiente ................................................................................................... 8

Tabla 3 Diseño de Red Neuronal – ENTRADAS A LA RED................................................... 51

Tabla 4 Valor Q para cada par observación acción .............................................................. 52

 XIV

Índice De Figuras

Figura 1 Estructura de la neurona.......................................................................................... 10

Figura 2 Modelo de una red RNA ........................................................................................... 11

Figura 3 Estructura de una red neuronal secuencial ............................................................. 12

Figura 4 Categorías del Machine Learning (aprendizaje automático) .................................. 13

Figura 5 Componentes del aprendizaje por refuerzo.............................................................. 14

Figura 6 Recompensa y penalización del aprendizaje por refuerzo ....................................... 16

Figura 7 Metodología de aprendizaje tipo Q .......................................................................... 17

Figura 8 Estrategia de probabilidad ........................................................................................ 18

Figura 9 Modelo del clima ...................................................................................................... 19

Figura 10 Proceso de decisión ................................................................................................ 20

Figura 11 Sistema FCS: a) consola gráfica y b) unidad central ............................................ 21

Figura 12 Dispatch en Operación........................................................................................... 22

Figura 13 Pantalla de transacciones ...................................................................................... 23

Figura 14 Ciclo de acarreo ..................................................................................................... 24

Figura 15 Mensaje de llegada................................................................................................. 24

Figura 16 Mensaje de carga ................................................................................................... 25

Figura 17 Camión pasa por un punto intermedio o de comunicación.................................... 25

Figura 18 Distribución de rutas y tajos .................................................................................. 27

Figura 19 Distribución de palas y cargadores ....................................................................... 28

Figura 20 Ubicación de las chancadoras ............................................................................... 28

Figura 21 Distribución de los botaderos ................................................................................ 29

Figura 22 Distribución de camiones en el recorrido de la empresa minera .......................... 29

Figura 23 Proceso de detención de equipos durante el Cambio de turno .............................. 31

Figura 24 Parqueos para realizar cambio de turno en la mina. ............................................ 31

 XV

Figura 25 Línea Temporal del Proceso de cambio de turno Operadores ingresantes ........... 32

Figura 26 Proceso de decisión para detener los equipos ....................................................... 33

Figura 27 Estrategia para la detención de quipos en tres turnos ........................................... 33

Figura 28 Detención de camiones durante turno noche ......................................................... 34

Figura 29 Categorías de tiempos para cálculo de Utilización y Disponibilidad de Equipos 35

Figura 30 Uso de Camiones operativos por hora en el turno día .......................................... 36

Figura 31 Uso de Camiones operativos por hora en el turno noche ...................................... 36

Figura 32 Uso de palas operativas por hora en el turno día.................................................. 37

Figura 33 Uso de palas operativas por hora en el turno noche ............................................. 37

Figura 34 Cantidad de descargas en chancadoras por hora en turno día ............................. 38

Figura 35 Cantidad de descargas en chancadoras por hora en turno noche......................... 38

Figura 36 Cobertura de chancadoras demoras aguas arriba (turno día) .............................. 39

Figura 37 Cobertura de chancadoras demoras aguas arriba (turno noche) ......................... 39

Figura 38 Impacto de las demoras aguas arriba en la chancadora C1 ................................. 40

Figura 39 Diseño del sistema .................................................................................................. 41

Figura 40 Dimensiones del array (numpy) ............................................................................. 42

Figura 41 Visualización en Pygame........................................................................................ 43

Figura 42 Diagrama en Matplotlib ......................................................................................... 44

Figura 43 Histograma para tiempos de cuadre de camiones en palas ................................... 46

Figura 44 Histograma para tiempos de carga de camiones en Palas .................................... 46

Figura 45 Histograma para tiempos de carga de camiones en Cargadores .......................... 47

Figura 46 Histograma para tiempos de descarga de camiones en los botaderos .................. 47

Figura 47 Histograma para tiempos de descarga de camiones en Chancadoras .................. 48

Figura 48 Histograma para Tiempos de demora de refrigerio en camiones.......................... 49

Figura 49 Histograma para Tiempos de demora de Cambio de Turno en camiones Turno día
 XVI

.................................................................................................................................................. 49

Figura 50 Histograma para Tiempos de demora de Cambio de Turno en camiones Turno noche

.................................................................................................................................................. 50

Figura 51 Interacción de aprendizaje con refuerzo y modelo de redes neuronales ............... 51

Figura 52 Diseño de Red Neuronal – SALIDAS DE LA RED ................................................ 52

Figura 53 Arquitectura de la red neuronal ............................................................................. 53

Figura 54 Estrategia Epsilon greedy utilizada para el entrenamiento de la red ................... 56

Figura 55 Resultados de la función de pérdida (Error Cuadrático Medio) ........................... 57

Figura 56 Cantidad de descargas totales al día por cada época de entrenamiento .............. 58

Figura 57 Simulación de eventos discretos de la mina ........................................................... 59

Figura 58 Situación de los camiones: a) Operativos y b) Abastecimiento en las palas ......... 60

Figura 59 Fila de camiones en la chancadora ....................................................................... 61

Figura 60 Demoras Aguas Arriba en las chancadoras por hora en entorno de simulación .. 62

Figura 61 Uso de chancadoras por hora en entorno de simulación ...................................... 62

Figura 62 Análisis de tiempo de respuesta del modelo Q-learning profundo ........................ 63

Introducción

El presente proyecto de tesis tiene como fin realizar un modelo de redes neuronales para

maximizar la cobertura de camiones en chancadoras para Soc. Minera Cerro Verde S.A.A.

Por ende, se propone los siguientes esquemas capitulares:

En el Capítulo I se expone los ASPECTOS DE LA INVESTIGACIÓN que indican la

situación problemática con relación al costo de la industria minera y sistema de gestión de

flota hacia algunas empresas, entre ellas está Soc. Minera Cerro Verde S.A.A. Por

consiguiente, se enlistan los objetivos y diseño teórico del presente trabajo.

En el Capítulo II se detalla el MARCO TEÓRICO, el cuál brinda información esencial sobre

las redes neuronales, tipos de aprendizaje, cadenas de Markov y sistema de gestión de flotas

mineras Dispatch.

En el Capítulo III se realiza el DISEÑO DEL SISTEMA que abarca la situación actual de la

empresa minera y el desarrollo específico del modelo de la red neuronal elaborado en Python.

En el Capítulo IV se presentan los RESULTADOS, el cuál muestra las pruebas de

funcionamientos del modelo.

Finalmente, se destacan las CONCLUSIONES Y RECOMENDACIONES del trabajo

basados en los objetivos específicos y desarrollo del proyecto práctico.

 2

Capítulo I

Aspectos De La Investigación

1.1 Planteamiento de la Investigación

1.1.1 Síntesis de la Situación Problemática

Dentro de los costos más altos de la industria minera se encuentran los costos asociados al

acarreo y carguío de mineral. Los costos operativos de acarreo y carguío en minas de tajo

abierto representan aproximadamente el 50 % del costo total. Por ende, los desafíos para

cumplir los planes diarios de tonelaje en la actividad minera se encuentran en periodos en los

que se tiene déficit de camiones y palas. Estos tiempos, se traducen en una menor capacidad

para mover material, ya sea como desmonte para continuar con el avance la mina o material

llevado a los procesos de chancado (Moradi Afrapoli y Askari-Nasab, 2019).

Una correcta gestión de los recursos ayuda de manera notable, lo que conlleva a que la gran

mayoría de la actividad minera cuente con un sistema de gestión de flota. Este tiene la

intención de maximizar la producción de la mina, minimizar el uso de stockpiles, alimentar la

chancadora de acuerdo con los objetivos y cumplir con las restricciones de mezcla de leyes.

Sin embargo, los sistemas de gestión de flota cuentan con múltiples opciones que son

configuradas por el operador del sistema de gestión de flota bajo su criterio y experiencia

entre ellas se pueden mencionar la utilización y prioridades en las palas y chancadoras. Las

decisiones de despacho impactan considerablemente la eficiencia de la operación y son de

extrema importancia ya que una gran parte de los costos de la minería están asociados con las

actividades de camión pala (de Carvalho & Dimitrakopoulos, 2021; Moradi Afrapoli y

Askari-Nasab, 2019).

Existen muchas empresas que ofrecen sistemas de gestión de flota minera, entre ellos los que

ofrecen mayor demanda están el Modular Mining Systems, Jigsaw Software y Wenco
 3

instalados en 200, 130 y 65 mineras; respectivamente. Sin embargo, Micro mine con sistema

Pitram y Caterpillar con CAT MINESTAR FEET son los próximos líderes en sistemas de

gestión de flotas mineras (Moradi Afrapoli y Askari-Nasab, 2019).

En Perú, la gran minería también utiliza diferentes softwares de gestión de flota, dentro de los

más importantes se encuentran el Modular Mining Systems, Jigsaw Software y Cat Minestar

que cuentan con oficinas en Lima y son los principales proveedores de este tipo de software.

En Arequipa, la empresa Sociedad Minera Cerro Verde S.A.A. cuenta con el software de

gestión de flota de Modular Mining Systems S.R.L., en esta empresa se ha identificado que

durante el cambio de turno, refrigerio y periodos de voladura se tienen déficit de camiones y

de equipos de carguío representando estos momentos desafíos que son manejados por el

operador de despacho de acuerdo con su criterio y experiencia.

1.1.2 Formulación del Problema de investigación

¿Cómo un modelo de redes neuronales puede maximizar la cobertura de camiones en

chancadoras para Soc. Minera Cerro Verde S.A.A. durante periodos de baja capacidad de

acarreo?

1.1.3 Hipótesis

El uso de un Modelo de Redes Neuronales de aprendizaje profundo por refuerzo Q- learning

con un tiempo de procesamiento menor de cinco minutos permite maximizar la cobertura de

camiones en chancadoras y asegurar al menos un 90 % de cobertura de camiones durante

horas de baja capacidad de acarreo.

1.1.4 Objetivos

• Objetivo General

Demostrar que un modelo de redes neuronales de aprendizaje profundo por refuerzo

Q-learning con un tiempo de procesamiento menor de cinco minutos asegure al

menos un 90 % de cobertura de camiones durante horas de baja capacidad de acarreo.

 4

• Objetivos Específicos.

➢ Realizar un estudio de la cobertura de camiones en chancadoras durante los periodos

de baja capacidad de acarreo como son el refrigerio y cambio de turno.

➢ Identificar las variables que sirvan como recompensa y otorguen penalización en el

modelo de redes neuronales.

➢ Diseñar e implementar un entorno que permita entrenar el modelo de redes

neuronales.

➢ Realizar simulaciones y analizar la cobertura de camiones en chancadoras luego de

implementar el modelo de redes neuronales.

1.2 Diseño Teórico

1.2.1 Antecedentes Internacionales

• Según (Zhang et al., 2020), El dinamismo del proceso de despacho es uno de los
temas centrales de la optimización de operaciones en industrias tradicionales como la

minería, ya que busca la asignación inteligente de los recursos adecuados en el

momento y lugar adecuado. La automatización basada en datos está remodelando este

campo. En su artículo, sugieren un innovador enfoque de aprendizaje profundo por

refuerzo multiagente para resolver el problema de dinamismo del proceso de

despacho. En su artículo demuestran que el método propuesto supera

significativamente al método más adoptado por la industria en un 5.56% en términos

de productividad.

• Según (De Carvalho y Dimitrakopoulos, 2021) desarrolló el proyecto “Integrating

Production Planning with Truck-Dispatching Decisions through Reinforcement

Learning While Managing Uncertainty” cuya finalidad es mejorar la adherencia al

plan operativo y la utilización de la flota en un complejo contexto minero. Varias

fuentes de incertidumbre operativa que surgen de las actividades de carga, transporte

 5

y descarga pueden influir en la estrategia de despacho. Dada una secuencia fija de

extracción de los bloques de mineral proporcionada por un plan de corto plazo, un

modelo de simulador de eventos discretos emula la interacción que surgen de estas

operaciones mineras. La repetición continua de este simulador y una función de

recompensa, asociando un valor de puntuación a cada decisión de despacho, generan

experiencias de muestra para entrenar un modelo de aprendizaje profundo por

refuerzo de Q-learning. Los resultados muestran que el método basado en DDQN

proporciona un flujo de procesamiento en los molinos con mayor throughput así

mismo genera colas más cortas en diferentes destinos lo que demuestra una mejor

utilización de la flota.

• Según (Bnouachir et al., 2020) desarrolló el tema “Intelligent Fleet Management

System for Open Pit Mine” donde menciona que los sistemas de gestión de flotas

actualmente cuentan con una arquitectura de control tradicional. Además, se convierte

en un cuello de botella crítico en entornos abiertos y dinámicos donde la escalabilidad

y la autonomía son factores clave para su éxito. En este artículo, se propone una

arquitectura inteligente distribuida del Sistema de Gestión de Flotas para una mina a

cielo abierto que permite el control de los vehículos mineros en tiempo real, de

acuerdo con los requerimientos de los usuarios. Enriquecido por una capa de

inteligencia posible gracias al uso de algoritmos de inteligencia artificial de alto

rendimiento y un mecanismo de percepción confiable y eficiente basado en

tecnologías de IoT y gobernado por un sistema de decisión inteligente e integrado que

permite que el sistema de gestión de flota mejore su agilidad. Finalmente, este estudio

propuso un modelo compuesto por tres capas: la capa del vehículo, la capa de

procesamiento y la capa de decisión. Implementaron la primera versión de esta

arquitectura y la probaron en la mina experimental Benguerir para mejorar y ampliar

 6

su alcance de aplicación.

• Según (Baek y Choi, 2020) que desarrolló el tema “Deep Neural Network for

Predicting Ore Production by Truck-Haulage Systems in Open-Pit Mines” utiliza un

modelo de red neuronal profunda y el sistema de camiones a cielo abierto con el

propósito de predecir el material durante el día. Se emplea como nodos de entrada, las

condiciones de transporte y los tiempos de operación. Para verificar la eficacia del

método propuesto, se generaron datos de entrenamiento para los modelos DNN

procesando los datos de paquetes recolectados durante 2 meses. Finalmente, los

resultados obtenidos en el estudio predijeron que la producción de mineral de la

mañana y tarde es 11,40 y 8,87 %; respectivamente. Además, el error entre las

producciones de mineral real y prevista en un día es de aproximadamente 4,17 %. Por

consiguiente, se espera que el método de predicción de la producción de mineral

propuesto pueda eliminar los problemas encontrados por 6 los métodos

convencionales de simulación de sistemas de transporte de camiones basados en

algoritmos complejos.

• Según (Moradi Afrapoli y Askari-Nasab, 2019) desarrollo el tema “En Mining fleet

management systems: a review of models and algorithms” tiene como objetivo revisar

los modelos y algoritmos de los sistemas de gestión de flotas mineras. El propósito es

comprender los algoritmos detrás de los sistemas de gestión de flotas y las soluciones

académicas propuestas para identificar cualquier brecha en la literatura actual y

abrir oportunidades y establecer preguntas de investigación sobre la planificación

operativa integrada de simulación y optimización. Además, se revisa los sistemas de

gestión de flotas industriales y los principales algoritmos; este sistema abarca tres

problemas, tales como: despacho en tiempo real, optimización de la producción y ruta

corta. Finalmente, las limitaciones de los algoritmos se documentan bajo términos de

 7

viabilidad y optimización. Los resultados permiten evaluar los vínculos lógicos entre

los componentes principales de un marco de planificación operativa de simulación y

optimización con la teoría actual de los sistemas de gestión de flotas.

1.2.2 Antecedentes Nacionales

• En “Aplicación de redes neuronales artificiales para la predicción de la recuperación

de planta concentradora en Minsur S.A. – Unidad San Rafael” (Carrión, 2018) se

plantea que la problemática yace en la escases de mineral debido al tonelaje y algunas

leyes, por lo que se hace necesario buscar un método de optimización de los procesos

a fin de obtener recuperaciones de mineral en la planta concentradora. Para ello, se

indaga modelos como la regresión lineal y el backpropagation que se aplican en el

procesamiento de minerales, este último genera una distribución de pesos a través del

aprendizaje.

1.2.3 Definición y Operacionalización de Variables

• Se tiene una variable independiente X denominada como el modelo de redes

neuronales y una variable dependiente Y que es la cobertura de camiones en

chancadoras, se detalla en las Tablas 1 y 2; respectivamente.

Tabla 1

Variable independiente

Variable Definición Operacionalización Indicadores Instrumento

Modelo de Modelo Se usará un modelo de Valor de la función de Se realizarán

redes matemático que Redes Neuronales de pérdida simulaciones en
neuronales emula la forma aprendizaje profundo un ambiente de
de trabajo de las por Refuerzo Q- Tiempo de ejecución del pruebas en el que
neuronas learning. Su frecuencia algoritmo se tendrá en
biológicas de operación será cada cuenta el tiempo
vez que haya un de ejecución del
camión descargue y algoritmo y los
necesite asignación a resultados
las palas, el tiempo de obtenidos
procesamiento debe ser
menor a cinco minutos.
 8

Tabla 2

Variable dependiente

Variable Definición Operacionalización Indicadores Instrumento

La cobertura Se define como Garantizar la cobertura Tiempo de la chancadora Se medirá a

de camiones el tiempo en el de la chancadora por sin camiones través de
en que la camiones al menos un estudios para ver
chancadoras chancadora 90 % del tiempo Cantidad de camiones en el impacto que se
cuenta con disponible. Se evitará cola en palas tiene en colas de
camiones del sobre coberturas de las palas, colas de
total de tiempo palas y las chancadoras Cantidad de camiones en chancadoras y lo
disponible de la con camiones con el cola en chancadoras principal la
chancadora fin de generar colas de cobertura de
camiones controladas camiones en
chancadora

1.3 Diseño Metodológico

1.3.1 Diseño de contrastación de hipótesis.

El desarrollo del presente proyecto contempla un estudio sobre la situación actual de Soc.

Minera Cerro Verde, donde se analiza el tiempo que la chancadora tiene camiones cada hora

cuando es impactado por el déficit de equipos durante horas de refrigerio y cambio de turno.

Luego, se procede con el diseño del modelo de red neuronal de aprendizaje por refuerzo

profundo Q-learning. Para el caso del entorno, se extrae del estudio de la situación actual la

cantidad de equipos, los tiempos del ciclo de acarreo y demoras durante refrigerio y cambio

de turno para ser simulados. Los agentes son definidos como los camiones, las posibles

acciones serán equivalentes a la cantidad de palas, por lo que el camión solo tendrá opción a

elegir una pala y la recompensa, priorizará el movimiento de material mineral sobre el estéril

y penalizará colas en palas y chancadoras. Se entrenará la red, probando distintas

configuraciones de hiper-parámetros mediante el lenguaje de programación Python.

Finalmente, se realizarán pruebas en el entorno de simulación con la red entrenada para

comparar los tiempos que las chancadoras no tuvieron camiones con el estudio realizado de la

situación actual, también se realizará una prueba de tiempo de ejecución del algoritmo.
 9

1.3.2 Población y Muestra

• Se tiene una población finita de 3 chancadoras.

• La muestra corresponde al mismo número de la población, debido a que es un estudio

de caso.

1.3.3 Técnicas, Instrumentos, equipos y materiales.

Como sustento teórico se empleará los modelos de redes neuronales por lo cual se hará uso de

síntesis bibliográfica respaldada por libros. Además, se utilizará un software que permita

generar un entorno en el cual pueda desarrollarse el aprendizaje profundo por refuerzo Q-

learning. Por consiguiente, se cuenta con el software de Modular Mining Systems

denominado Dispatch. Finalmente, para realizar simulaciones se hará uso de Python, el cual

mediante otras librerías compatibles se procederá con las simulaciones y entrenamiento de la

red neuronal.
 10

Capítulo II

Marco Teórico

2.1 Modelo Biológico de las Neuronas

La neurona es una célula que está en el sistema nervioso, la cual funciona como unidad

principal del tejido. Además, dirige los estímulos capaces de comunicarse entre sí, lo que no

hace el resto de las células corporales. Así mismo, el cerebro humano posee más 100 mil

millones de neuronas, junto con un promedio aproximado de 7 mil conexiones sinápticas con

otras neuronas (Hagan et al., 2014). Por otro lado, las neuronas se distinguen de otras debido

a la estructura tal como se indica en la Figura 1, donde se compone de los siguientes

elementos (Andrade Tepán, 2013):

• Las dendritas (medio de entrada) son pequeñas ramificaciones encargadas de hacer

sinapsis con las terminaciones del axón de otras neuronas.

• En cambio, el axón (medio de salida) forma parte de las células Schwann encargadas

de trasladar los estímulos nerviosos desde el cuerpo de estas.

Figura 1

Estructura de la neurona

Nota: Tomado de (Andrade Tepán, 2013)

2.2 Redes Neuronales Artificiales RNA

La red RNA se define como una norma matemática que busca imitar la conducta del cerebro

humano, el cual forma un sistema que cuente con las facultades de representar actividades
 11

inteligentes, es decir, que cuente con la capacidad de poder aprender y resolver tareas

asignadas. En la Figura 2 se visualiza que la variable 𝑥𝑗 = {𝑥1 , 𝑥2 , . . , 𝑥𝑛 } es una

representación de las entradas de la red RNA, el cual se encarga de recibir toda la

información, previo a la colocación de los pesos expresados como 𝑤𝑖𝑗 = {𝑤1𝑗 , 𝑤2𝑗 , . . , 𝑤𝑛𝑗 }.

Mientras tanto, en el núcleo se desarrollan todas las actividades que permiten resolver la

salida de la neurona, este proceso depende mucho de la red con la que se esté trabajando. Por

último, la salida se encarga de reintegrar la respuesta de la neurona (Toral Barrera, 2018).

Figura 2

Modelo de una red RNA

A continuación, se detalla los componentes internos de la neurona en una red RNA (Toral

Barrera, 2018):

• Regla de propagación: incorpora la investigación procedente de las neuronas

artificiales, facilitando la estimación eventual postsináptico de la neurona. Además,

establece el posible resultado de correlación de las neuronas, tal como se expresa en la

Ecuación 1.
𝑛

𝑛𝑒𝑡𝑖 (𝑡) = ∑ 𝑤𝑖𝑗 × 𝑥𝑗 (𝑡) Ec. 1

𝑗=1

• Función de activación 𝑎𝑖 (𝑡): abastece la situación permanente de activación de la

neurona, es decir, esta se encarga del funcionamiento de la neurona basado en el

 12

potencial 𝑛𝑒𝑡𝑖 (𝑡) al estado de implementación de la neurona anterior 𝑎𝑖 (𝑡 − 1), tal

como se expresa en la Ecuación 2. Sin embargo, se suele obviar el estado anterior

𝑎𝑖 (𝑡 − 1) ya que en la mayoría de los modelos no es necesario el uso esta variable.

𝑎𝑖 (𝑡) = 𝑓 (𝑎𝑖 (𝑡 − 1), 𝑛𝑒𝑡𝑖 (𝑡)) → 𝑎𝑖 (𝑡) = 𝑓 (𝑛𝑒𝑡𝑖 (𝑡)) Ec. 2

• Función de salida: como su nombre lo indica, simboliza la salida vigente de la

neurona y se expresa en base a la activación vista en la Ecuación 3.

𝑦𝑖 (𝑡) = 𝑎𝑖 (𝑡) = 𝑓 (𝑛𝑒𝑡𝑖 (𝑡)) Ec. 3

2.2.1 Estructura

En general, las redes neuronales presentan varias etapas ya sea de entrada, ocultas y de salida,

tal como se presenta en la Figura 3; es importante recalcar que la fase oculta puede contener

múltiples capas. Para mejor sustentación, se describen el significado de cada etapa

mencionada (Ruiz et al., 2001):

Figura 3

Estructura de una red neuronal secuencial

• Capa Entrada: recibe información (datos) directamente de fuentes externas a la red.

• Capas Ocultas: son dependientes de la red ya que no presentan un contacto directo

con el entorno externo y el número de grados ocultos son de un valor mayor e igual a

cero. Además, las neuronas se conectan de diferentes maneras; por ejemplo, en la

Figura 3 se dice que las capas están totalmente conectadas.

 13

• Capa de salida: transmite la información de la red al exterior.

2.2.2 Fases de una red neuronal

Las redes neuronales contienen una fase de entrenamiento y otra de validación, en la primera

se define el tipo de estructura de la red, luego pasa a través de una serie de capas

transformadas y activadas a fin de lograr el entrenamiento adecuado. Finalmente, la solución

presenta mejores resultados cuando se utiliza una gran cantidad de datos en la entrada. Sin

embargo, ante nuevos casos el entrenamiento de la red pueda que no sea aceptable, por lo que

se genera la fase de validación y escoge un segundo conjunto de datos para controlar el

proceso de aprendizaje. De esta forma, la red neuronal procesa información que no le fue

entregada en el proceso de entrenamiento (Toral Barrera, 2018).

2.3 Aprendizaje automático

El aprendizaje automático forma parte de la inteligencia artificial, el cual brinda al ordenador

la facultad de aprender sin la necesidad de ser programados. Así mismo, emplea algoritmos

para localizar patrones de los datos y lograr construir un modelo predicción o clasificación

para la resolución de problemas específicos. Ante ello, los algoritmos se rigen bajo tres

formas de aprendizaje, supervisado, por refuerzo y no supervisado vistos en la Figura 4

(Torres.AI, 2021).

Figura 4

Categorías del Machine Learning (aprendizaje automático)

 14

El aprendizaje de tipo supervisado utiliza un modelo capaz de aprender y hacer mapeos

unitarios, es decir, una entrada/salida. Además, cuenta con etiquetas que implican usar datos,

entre ellos donde se incluye la solución en la fase de entrenamiento. En caso de que el

aprendizaje sea no supervisado, los datos no cuentan con etiquetas y por tanto el algoritmo

debe clasificar la información por sí mismo. Por último, se tiene el aprendizaje por refuerzo,

el cual es una ciencia que establece programas computarizados y muestran una inteligencia

parecida a la inteligencia humana (Torres.AI, 2021).

2.4 Aprendizaje por refuerzo

El aprendizaje por refuerzo desarrolla un modelo como agente que sondea un campo

desconocido y establece los hechos a desarrollar mediante la prueba y error. En pocas

palabras, este modelo debe aprender solo a través de recompensas y castigos mediante las

acciones realizadas por el agente (Torres.AI, 2021).

2.4.1 Componentes

A través de la Figura 5 se observa los componentes principales del aprendizaje por refuerzo y

se describen a continuación (Lapan, 2018):

Figura 5

Componentes del aprendizaje por refuerzo

 15

• Agente: se encarga de la interacción con el entorno efectuando ciertas acciones,

tomando investigación y a su vez recibiendo recompensas por el mismo. En resumen,

el agente resuelve problemas de forma más eficiente.

• Entorno o ambiente: es un factor que se limita ya sea por las retribuciones (adquiridos

del entorno), acciones (desarrolladas por el agente o ingresos al ambiente) y

observaciones (información extra de las recompensas que adquiere el agente).

• Recompensa: es un valor cuantitativo positivo o negativo que se obtiene del entorno y

que brinda una retroalimentación al agente.

• Acción: es un comportamiento del agente desarrolla en el entorno y pueden ser

rotaciones aceptadas por el juego u actividades. En el aprendizaje por refuerzo existen

dos tipos de acciones, discretas y continuas. La primera se conforma como un grupo

finito de cosas excluyentes en las que un agente pueda desplazarse de izquierda a

derecha o viceversa. Por otro lado, las acciones continuas cuentan con valores

relacionados con la acción, como por ejemplo la acción del volante de conducción de

automóviles con ángulo de dirección y dirección diferente.

• Observaciones: se desarrolla como una parte referencial que el entorno le proporciona

al agente e indica que es lo que sucede a su alrededor, este tipo de información es

significante para la nueva recompensa ya que contiene datos sobre los premios o

castigos, junto con la puntuación adquirida.

2.4.2 Función de la recompensa

Para iniciar, se conoce que los agentes siempre empiezan en “blanco”, eso implica que

ingresan sin ningún tipo de conocimiento ni mucho menos conocen el tipo de

comportamiento que deben desarrollar. Luego, el agente empieza a tomar acciones aleatorias

y mediante ellas recibe pistas que le permiten reconocer si lo que está desarrollando es

correcto o erróneo, por lo que recibe un premio o castigo; respectivamente, como se aprecia
 16

en la Figura 6 (Lapan, 2018).

Figura 6

Recompensa y penalización del aprendizaje por refuerzo

Se sitúa un ejemplo, donde la acción del agente premia con 100 puntos cuando llega a la

meta, entonces existe mayor probabilidad de que vuelva elegir ese camino. Sin embargo, si le

cambian el camino hacia el objetivo el agente puede generar equivocaciones. En resumen, lo

que se busca es alcanzar un equilibrio entre examinar lo desconocido y los recursos del

entorno. De ese modo, el agente debe analizar el medio e ir aprendiendo durante el

desplazamiento para obtener premios y evitar en lo posible los castigos (Bagnato, 2020).

2.4.3 Aprendizaje Q

Q-Learning es parte de la metodología del aprendizaje por refuerzo, el cual combate las

dificultades de aprendizaje para el control de agentes autónomos. Esto se produce por medio

de pruebas y error dentro de un entorno dinámico, el cual brinda una señal que permita

mejorar cada una de las acciones realizadas. Además, cuenta con la posibilidad de solucionar

problemas de decisión, donde el beneficio de una acción está sujeta a una cadena de

decisiones markovianos. En tiempo real, el agente se encuentra en cierta posición 𝑠0 del

entorno, luego toma una acción 𝑎0 generando un nuevo estado y recompensa 𝑟0 , y así

sucesivamente tal como se presenta en la Figura 7 (Printista et al., 2000).

 17

Figura 7

Metodología de aprendizaje tipo Q

El agente desarrolla una serie de acciones cuyos valores son definidos por la función de

recompensa a lo largo del tiempo, como resultado el agente decide que acción tomar durante

cada paso para maximizar el valor de recompensa. En general, se habla del entorno y tarea sin

influencias externas previas, por lo que satisface la propiedad markoviana y se definen como

un conjunto de estados 𝑆 y acciones 𝐴 posibles, probabilidades de transición 𝑃(𝑠, 𝑎, 𝑠′),

recompensas esperadas 𝑅(𝑠, 𝑎, 𝑠′) y acumuladas 𝑅𝑡 en el futuro, vistos en la Ecuación 4;

donde 𝛾 es un factor de descuento cuyo valor oscila entre 0 a 1 (Printista et al., 2000).

𝑆 = {𝑠0, 𝑠1 , 𝑠2, … , 𝑠𝑛 }
𝐴 = {𝑎0 , 𝑎1 , 𝑎2 , … , 𝑎𝑛 }
𝑃 (𝑠, 𝑎, 𝑠 ) = 𝑃{𝑠𝑡+1 = 𝑠 ′|𝑠𝑡 = 𝑠, 𝑎𝑡 = 𝑎}
′
Ec. 4
𝑅(𝑠, 𝑎, 𝑠 ′) = 𝐸{𝑟𝑡+1 |𝑠𝑡 = 𝑠, 𝑎𝑡 = 𝑎, 𝑠𝑡+1 = 𝑠′}2
∞

𝑅𝑡 = ∑ 𝛾 𝑘 𝑟𝑡+𝑘+1
{ 𝑘=0

Aplicando los métodos de la teoría de control, se aplica un algoritmo capaz de efectuar

mejores predicciones en cada episodio, cuyo valor ∝ ∈ (0, 1) va actualizando los valores de

𝑄(𝑠, 𝑎), tal como se observa en la Ecuación 5. Este factor suele reducirse paso a paso o

mantenerse firme, dependiendo de si se trabaja o no en un entorno estático (Printista et al.,

2000).

𝑄 (𝑠, 𝑎) = 𝑄(𝑠, 𝑎)+∝ [𝑟 + 𝛾𝑚𝑎𝑥𝑎′ 𝑄(𝑠 ′, 𝑎′ ) − 𝑄(𝑠, 𝑎)] Ec. 5

 18

El aprendizaje por refuerzo emplea ciertos criterios, detallados a continuación (Buedo

Risueño, 2020):

• Define un número de episodios, el cual va registrando en una lista los valores de

pérdida.

• Se establece acciones aleatorias bajo alguna política, por ejemplo, se puede tomar una

dirección hacia delante, atrás, izquierda o derecha de un camino (ver Figura 7).

• Cada acción 𝑎 conlleva una recompensa 𝑟 y se genera un nuevo estado 𝑠𝑡+1 .

• Reúne la transición (𝑠, 𝑎, 𝑟, 𝑠 ′) en el almacén de la experiencia (ver Figura 8),

brindando actualizaciones por lotes en línea; donde cada experiencia se genera basado

en probabilidades, tomando como valor 𝜀 para designar acciones y posteriormente,

guardarlos en una lista. Por consiguiente, se descompone en tensores de mini lotes

separados y realiza la iteración de esta y calcula las actualizaciones de los valores Q

del mini lote. Luego, se almacena en una matriz final (𝑌) y se almacena el estado 𝑠 de

cada memoria en una variable 𝑋 para formar un mini lote de entrenamiento por lotes

(Zai y Brown, 2020).

Figura 8

Estrategia de probabilidad

• Luego, cuantifica el valor de Q acumulado.

 19

• Y determina la función de pérdida a través del descenso del gradiente, el cuál

disminuye el error dado en la predicción de la red neuronal.

2.5 Cadena de Markov

Los modelos ocultos de Markov forman parte de una estrategia matemática probabilística

para definir procesos y estados que no son notables y mensurables de forma directa, al

contrario, esto se da a través de efectos externos e indagación (Marcano, 2010).

Además, se lo puede definir como a un conjunto de estados finitos, es decir, las

observaciones forman secuencias de una cadena. Por ejemplo, el clima de una ciudad puede

ser un día de lluvia o sol, el cual conforma un estado, una secuencia de esa observación a lo

largo del tiempo conforma una cadena de estados. Pues bien, se pretende conocer la

probabilidad de los días lluviosos en verano e invierno y hacer inclusión de la temporada. Al

tener un día soleado, se presenta una probabilidad del 80% de que al siguiente día sea

soleado, mientras que existe un 20% de probabilidad de que el siguiente día sea lluvioso; por

otro lado, al ver un día lluvioso, se presentara un 10% de probabilidad de una mejora en el

clima, a su vez un 90% de que el siguiente día se lluvioso, ver la Figura 9 (Lapan, 2018).

Figura 9

Modelo del clima

2.5.1 Proceso de recompensa y decisión

Para entregar las recompensas, se generaliza el modelo de Markov por lo que necesita agregar

un valor a la transición de un estado a otro y capturar la dinámica del sistema. Las

 20

recompensas se expresan de varias maneras, entre ellas la más generalizada es mediante la

determinación de una matriz cuadrada bidimensional con el propósito de conseguir

recompensas buenas o malas. Por medio de la Figura 10 se observa una matriz tridimensional

conformada de los estados (origen, destino) y acciones; Sin embargo, se lo puede generalizar

como una matriz de 2 dimensiones. (Lapan, 2018).

Figura 10

Proceso de decisión

Los agentes no observan las transiciones del estado, al contrario, cuentan con la facilidad de

poder escoger una acción activa. Es decir, para cada estado, no se cuenta con una lista de

números, pero si se cuenta con una matriz donde la magnitud de profundidad cuenta con las

acciones del agente, mientras que la otra medida es el estado de destino, la cual salta después

de la ejecución (Lapan, 2018).

2.5.2 Utilidades y problemas relacionados al modelo oculto

Los procedimientos del entorno producen salidas o datos que son tratados como señales

discretas o continuas; así mismos son o no estacionarias dependiendo de cómo varíen o no las

propiedades estadísticas. Además, existe la necesidad de realizar modelos para dichas señales

con el objetivo de que se puedan describir teóricamente, simular, controlar, hasta lograr

construir los procesos generadores. En el momento que se desarrolla un modelo oculto de

Markov 𝑀 y la sucesión de observaciones 𝑦 = {𝑦(1), 𝑦(2), . . , 𝑦(𝑡), . . 𝑦(𝑇)} se presentan tres

problemas muy frecuentes, tales como (Maldonado, 2012):

 21

• La evaluación para calcular eficientemente la probabilidad de que las observaciones

sean generadas por el modelo 𝑃(𝑦/𝑀).

• La decodificación para detectar la secuencia de estados y obtener un máximo

𝑃(𝑦/𝑀).

• Y el entrenamiento para medir el mejor conjunto y maximizar 𝑃(𝑦/𝑀).

2.6 Sistema de gestión de flota minera

Como se ha mencionado en el Apartado 1.2.1 existen diversos softwares de administración

minera a gran escala; en este caso se menciona sobre el sistema Dispatch que presenta

características ya sea para la comunicación de datos, sensor de posicionamiento global GPS

para palas, perforadoras y tractores, delegar asignaciones automáticas a camiones de acarreo

en las minas a cielo abierto, entre otras (MMS, 2016).

2.6.1 Componentes

Dispatch es un sistema con funciones óptimas y confiables por lo que contiene diversos

componentes, entre los principales están (MMS, 2016):

• Un sistema computarizado de campo PTX, compuesto de una consola gráfica y la

unidad central, visto en la Figura 11.a) y b); respectivamente, los cuales son instalados

en los camiones, equipos auxiliares, palas y trituradoras.

Figura 11

Sistema FCS: a) consola gráfica y b) unidad central

Nota: Tomado de Modular Mining Systems (MMS, 2016)

 22

• Tecnologías GPS e infrarroja IR.

• El enlace de radio de datos, un computador base en el centro de información cuyo

propósito es dar asignaciones automáticas a los camiones de acarreo, tal como se

presenta en la Figura 12.

Figura 12

Dispatch en Operación

Nota: Tomado de Modular Mining Systems (MMS, 2016)

2.6.2 Proceso de acarreo

El proceso de acarreo parte del inicio de turno, donde cada operador ingresa al sistema

Dispatch para posterior registro tanto del usuario como del camión, pala o chancadora, estos

datos son enviados al centro de información. Una vez confirmado el registro, se envía un
 23

mensaje al operador sobre la continuidad y revisiones obligatorias del equipo. Por

consiguiente, se indica una pantalla de transacciones en la Figura 13, donde el operador y

equipo está listo para proceder con el ciclo de acarreo.

Figura 13

Pantalla de transacciones

Nota: Tomado de Modular Mining Systems (MMS, 2016)

A continuación, se describe una serie de pasos en la Figura 14 para un típico ciclo de acarreo

(MMS, 2016):

• De entrada, se observa como el camión va hacia la pala y una vez que entre al área de

cobertura de la baliza, este informa a Dispatch (despliega un mensaje en la pantalla de

transacciones al operador) que el camión ha llegado a su primer destino, tal como se

indica en la Figura 14.

• Por consiguiente, se procede con la carga al camión y una vez completado este

proceso, es informado al sistema Dispatch.

 24

Figura 14

Ciclo de acarreo

Nota: Tomado de Modular Mining Systems (MMS, 2016)

Figura 15

Mensaje de llegada

Nota: Tomado de Modular Mining Systems (MMS, 2016)

 25

• Luego, el software examina a que chancadora debe enviar la carga, esto lo hace

acorde al material registrado y disponibilidad de las zonas de descarga, como se ve en

la Figura 16.

Figura 16

Mensaje de carga

Nota: Tomado de Modular Mining Systems (MMS, 2016)

• Previo a que llegue el camión a la chancadora, pasa por una baliza virtual intermedia

(punto de comunicación), cuya función es de monitorear el tiempo que se tarda

durante el ciclo de acarreo, tal como se observa en la Figura 17.

Figura 17

Camión pasa por un punto intermedio o de comunicación

Nota: Tomado de Modular Mining Systems (MMS, 2016)

• Pasa un tiempo y el camión llega al destino final que es la chancadora; ante ello, el

software ha determinado en tiempo real el proceso de acarreo. Finalmente, el camión

pasa por otro punto intermedio, previo a la llegada a otra pala y así sucesivamente se
 26

repite el ciclo.

Existen descansos tales como el refrigerio de los operadores, cambio de turno,

mantenimiento, reabastecimiento de combustible y procesos de voladura que se producen en

las minas, por lo que Dispatch realiza cálculos de optimización y asignación antes de que los

operadores entren al sistema (MMS, 2016).

 27

Capítulo III

Diseño Del Sistema

3.1 Situación Actual de la Empresa Sociedad Minera Cerro Verde S.A.A.

Sociedad Minera Cerro Verde S.A.A es una de las empresas más conocidas del sector minero

en Perú, el cual está enfocada a la extracción/producción del cobre y molibdeno en un 18.2 y

27%; respectivamente (Cerro Verde, 2022).

3.1.1 Equipos operativos

Actualmente, la empresa minera cuenta dispone de 110 camiones, 13 palas, 2 cargadores, y 3

chancadoras primarias, los cuales se encuentran distribuidos entre los tajos de Santa Rosa y

Cerro verde, tal como se presenta en la Figura 18. Además, cuenta con una integración entre

los tajos de Santa Rosa y Cerro Verde.

Figura 18

Distribución de rutas y tajos

En la Figura 19 se observa la distribución de las palas y cargadores, donde es importante

mencionar, que las palas pueden cambiar de ubicación dependiendo de la necesidad operativa

y el plan de minado diario.

 28

Figura 19

Distribución de palas y cargadores

En cambio, las chancadoras son posiciones fijas, es decir, no cambian de ubicación, tal como

se presenta en la Figura 20.

Figura 20

Ubicación de las chancadoras

Por medio de la Figura 21 se observa algunos botaderos, donde se aloja el material estéril o

contenido de bajo rendimiento, los cuales son apilados en montones fuera del área de
 29

procesos.

Figura 21

Distribución de los botaderos

Por último, a través de la Figura 22 se observa como los camiones se encuentran distribuidos

en la mina acorde al plan operativo, estos a su vez son controlados por la configuración del

sistema Dispatch.

Figura 22

Distribución de camiones en el recorrido de la empresa minera

 30

El propósito de la actividad minera consiste en trasladar el material con ley de mineral a las

chancadoras. Actualmente, la cantidad de equipos se encuentran eficientemente

dimensionados permitiendo mantener el objetivo de cubrir a la chancadora cuando todos los

equipos se encuentran operativos. De igual manera no todos los camiones van a la

chancadora, debido a que, para el avance de la mina es necesario ir descubriendo el mineral,

por lo cual, se requiere desplazar el material estéril, más conocido como desmonte, todos los

días. Durante las horas en las que se cuenta con el total de los equipos, no hay dificultad para

cubrir a la chancadora con camiones, sin embargo, existen ciertos periodos de tiempo cuyos

equipos operativos se detienen ya sea para hacer el relevo de operador (cambio de turno) o

debido al refrigerio. Por consiguiente, las chancadoras bajan su cobertura de camiones y se

presenta un déficit de camiones y palas en la mina.

3.1.2 Cambio de turno

Las actividades de la mina se realizan las 24 horas del día, siendo distribuidas en dos fases

horarias de 12 horas, por lo que se tiene el cambio de turno a las 07:30 horas y 19:30 horas,

en cada uno de estos eventos, se detienen todos los camiones y palas de manera sistemática.

Con la finalidad de no dejar desbastecida a la chancadora, cada uno de estos eventos no se

puede ejecutar en un solo paso y por lo tanto se realiza el cambio de turno en dos rondas

separadas en el tiempo. La Figura 23 muestra un gráfico de la distribución en el tiempo cada

minuto de la detención de equipos durante las horas de cambio de turno, se puede apreciar las

dos rondas.
 31

Figura 23

Proceso de detención de equipos durante el Cambio de turno

En la Figura 24 se indica los parqueos para detener los equipos durante las horas de cambio

de turno.

Figura 24

Parqueos para realizar cambio de turno en la mina.

 32

Finalmente, en la Figura 25 mostramos un gráfico donde se aprecia el proceso y la línea de

tiempo de los eventos acontecidos durante el cambio de turno para los operadores

ingresantes.

Figura 25

Línea Temporal del Proceso de cambio de turno Operadores ingresantes

3.1.3 Refrigerio

Durante las actividades en la mina se realiza una detención operativa de los equipos cuando

llega la hora de los refrigerios, de igual manera que en cambio de turno, no se pueden detener

todos los equipos en una sola ronda, por lo que en este caso los equipos son detenidos en tres

rondas en los horarios de 11:30-12:30, 12:30-13:30 y 13:30-14:30; el cual detiene

aproximadamente un tercio de la flota en cada ronda de parada en los equipos. La Figura 26

muestra el proceso de toma de decisión de los supervisores para seleccionar a los equipos que

bajan en cada una de las rondas.

 33

Figura 26

Proceso de decisión para detener los equipos

La Figura 27 muestra la línea de tiempo de la detención operativa de equipos al refrigerio y

su regreso a la operación.

Figura 27

Estrategia para la detención de quipos en tres turnos

 34

Finalmente, en la Figura 28 se muestra un gráfico de cada minuto durante el proceso de

refrigerio donde se identifica la distribución de camiones con la demora categoría refrigerio.

Figura 28

Detención de camiones durante turno noche

3.1.4 Análisis de camiones operativos por hora

Para calcular el tiempo operativo de los camiones en la empresa minera, se hace uso del

sistema Dispatch, cada camión cuenta con una pantalla abordo, en la cual, codifican sus

categorías para poder obtener un correcto cálculo de porcentaje de disponibilidad y

porcentaje de utilización de los equipos. Por medio de la Figura 29 se observa como el

tiempo calendario 𝑇𝐶 se distribuye en el tiempo disponible 𝑇𝐷 y malogrado (no disponible); a

su vez, cada uno de ellos tienen subcategorías, como en el caso del tiempo disponible que se

divide en el tiempo Operativo 𝑇𝑂 , Demoras Operativas y demoras no operativas, estás

subcategorías nos permiten calcular, cuanto del tiempo disponible fue usado el equipo, a esto

se le llama utilización del equipo.

 35

Figura 29

Categorías de tiempos para cálculo de Utilización y Disponibilidad de Equipos

El cálculo de la disponibilidad 𝐷% expresado en porcentaje se define como la razón entre el

tiempo disponible y calendario, tal como se presenta en la Ecuación 6.

𝑇𝐷 Ec. 6
𝐷% = × 100 [%]
𝑇𝐶

En cambio, para determinar el porcentaje de utilización 𝑈% se define como la relación entre

el tiempo operativo 𝑇𝑂 y disponible 𝑇𝐷 , visto en la Ecuación 7.

𝑇𝑂 Ec. 7
𝑈% = × 100 [%]
𝑇𝐷

En segunda instancia, se ha realizado un estudio basado en la información del mes de abril

del presente año (2022), con el propósito de calcular la cantidad de camiones operativos en

mina por hora; donde se establece los tiempos 𝑇𝑂 de todos los camiones en cada hora, lo cual

nos permite estimar la cantidad de camiones operativos en la empresa minera durante esa

hora. Por medio, de las Figuras 30 y 31 se observa como disminuye la cantidad de camiones

durante el proceso de cambio de turno y refrigerio ya sea en el turno día o noche. A pesar de

que los horarios son similares para los eventos de cambio de turno y refrigerio, los turnos día
 36

y noche presentan características distintas.

Figura 30

Uso de Camiones operativos por hora en el turno día

Figura 31

Uso de Camiones operativos por hora en el turno noche

Los operadores de palas de igual manera realizan el cambio de turno y refrigerio, en estos

casos los operadores suelen tener algunos relevos con el propósito de que en todo momento

haya palas operativas. Sin embargo, por simple inspección se observa en las Figuras 32 y 33

como baja de una a cuatro unidades la cantidad de palas disponibles.

 37

Figura 32

Uso de palas operativas por hora en el turno día

Figura 33

Uso de palas operativas por hora en el turno noche

Estos procesos mencionados se reflejan de igual manera, en el tonelaje por hora alimentado a

las chancadoras, en las Figuras 34 y 35 en los turnos día y noche, respectivamente,

mostramos la cantidad de camiones descargados por hora en las chancadoras.

 38

Figura 34

Cantidad de descargas en chancadoras por hora en turno día

Figura 35

Cantidad de descargas en chancadoras por hora en turno noche

En las chancadoras existe un evento denominado “Demoras Aguas Arriba” que indica el

porcentaje de tiempo en el que NO hubo camiones en las chancadoras. Además, se analiza

este evento en una de las chancadoras para verificar el impacto en los horarios de cambio de

turno y refrigerio. Los resultados los podemos ver en las Figuras 36 y 37.
 39

Figura 36

Cobertura de chancadoras demoras aguas arriba (turno día)

Figura 37

Cobertura de chancadoras demoras aguas arriba (turno noche)

En el mes de abril del 2022 se observa el impacto (12 %) que tiene en la utilización de una de

las chancadoras el evento de Demoras Aguas Arriba, es decir, el tiempo que la chancadora no

tuvo camión, tal como se presenta en la Figura 38.

 40

Figura 38

Impacto de las demoras aguas arriba en la chancadora C1

3.2 Diseño Elaborado En Python

De acuerdo con la teoría revisada en el apartado 2.4, se diseña el modelo de redes neuronales

de aprendizaje por refuerzo profundo Q-learning. Inicialmente definimos el entorno, el cual

utiliza información del apartado 3.1 junto con información de un estudio de tiempos de ciclo

de acarreo. Luego, pasamos a definir los agentes, en nuestro caso serán los camiones. Para el

caso de las acciones, se considera la posibilidad de dirigirse a las palas disponibles.

Finalmente, se define una ecuación para la recompensa (ver Figura 39).

Usaremos el lenguaje de programación de código abierto Python, junto con algunas librerías

que nos permitirán simular el proceso en el tiempo necesario y la librería Pytorch de Python

que nos permitirá entrenar el modelo de red neuronal.

 41

Figura 39

Diseño del sistema

3.2.1 Librerías y módulos

3.2.1.1 Simpy

Es una biblioteca que ayuda a la simulación de eventos discretos y emplea funciones de

Python para modelar componentes activos denominados agentes, clientes o vehículos. Los

procesos van dentro de un entorno, donde los agentes interactúan entre sí y con él, por lo que

se crean sucesos y rendimientos 𝑦𝑖𝑒𝑙𝑑. Por ejemplo, cuando se produce un acontecimiento en

el proceso, este último se suspende y se reanuda cuando ocurre el evento. Entre sus

características, se puede emplear un tiempo de espera 𝑡𝑖𝑚𝑒𝑜𝑢𝑡 para que el proceso se apague

y se produzca el evento mencionado. Finalmente, se crea un método denominado

Environment o entorno para crear todos los demás sucesos pertenecientes al proceso (Simpy,

2020).

3.2.1.2 Numpy

La librería Numpy tiene como finalidad el análisis de datos y cálculo numérico en un alto
 42

volumen de datos, estos a su vez se representan mediante una estructura denominada Array

que dependerá del número de dimensiones (1D, 2D, 3D), tal como se muestra en la Figura 38

(Alberca Sánchez, 2022).

Figura 40

Dimensiones del array (numpy)

Existen diversas funciones con las que se puede generar un array, tales como (Alberca

Sánchez, 2022):

• Una lista o tupla 𝑛𝑝. 𝑎𝑟𝑟𝑎𝑦(𝑙𝑖𝑠𝑡𝑎).

• Ceros 𝑛𝑝. 𝑧𝑒𝑟𝑜𝑠(𝑑𝑖𝑚𝑒𝑛𝑠𝑖𝑜𝑛𝑒𝑠).

• Elementos aleatorios 𝑛𝑝. 𝑟𝑎𝑛𝑑𝑜𝑚. 𝑟𝑎𝑛𝑑𝑜𝑚(𝑑𝑖𝑚𝑒𝑛𝑠𝑖𝑜𝑛𝑒𝑠), entre otros.

3.2.1.3 PyTorch

La librería PyTorch tiene como propósito optimizar el aprendizaje profundo a través de

tensores (estructuras multidimensionales) y mediante la unidad de procesamiento gráfico

GPU. A continuación, se define algunos bloques de construcción de las redes neuronales

(PyTorch, 2022):

• Modelo de red neuronal secuencial denominado 𝑡𝑜𝑟𝑐ℎ. 𝑛𝑛. 𝑆𝑒𝑞𝑢𝑒𝑛𝑡𝑖𝑎𝑙().

• Transformación lineal de la salida 𝑦 en función de una entrada 𝑥, tal que 𝑦 = 𝑥𝐴𝑇 + 𝑏

y se expresa como 𝑡𝑜𝑟𝑐ℎ. 𝑛𝑛. 𝐿𝑖𝑛𝑒𝑎𝑟(𝑥, 𝑦).

 43

• Capa de activación que rectifica elemento a elemento desde 0 hasta un valor máximo

𝑡𝑜𝑟𝑐ℎ. 𝑛𝑛. 𝑅𝑒𝐿𝑈().

• Función de pérdida en base al error mínimo cuadrado 𝑡𝑜𝑟𝑐ℎ. 𝑛𝑛. 𝑀𝑆𝐸𝐿𝑜𝑠𝑠().

• Optimizador tipo Adam que depende del modelo de la red neuronal y tasa de

aprendizaje 𝑙𝑟, expresado como 𝑡𝑜𝑟𝑐ℎ. 𝑜𝑝𝑡𝑖𝑚. 𝐴𝑑𝑎𝑚(𝑚𝑜𝑑𝑒𝑙𝑜, 𝑙𝑟).

3.2.1.4 Pygame

Pygame utiliza una secuencia de módulos orientada en general a los videojuegos, eso implica

una creación de programas multimedia compatibles con Python. A continuación, se describen

algunos comandos (Pygame, 2022):

• Pygame.image.load() realiza la apertura de una imagen, el cual admite formatos bmp,

gif, jpeg, png, entre otros; tal como se presenta en la Figura 41.

Figura 41

Visualización en Pygame

• Pygame.transform.scale() hace un escalamiento del tamaño de la figura.

• Pygame.display.set_mode() inicializa la pantalla a ser visualizada.

• Pygame.transform.flip() voltea la imagen vertical y horizontalmente.

• Pygame.font.SysFont() define el tipo y tamaño de las letras.

 44

3.2.1.5 Matplotlib

Esta biblioteca tiene la capacidad de hacer figuras animadas, estáticas e interactivas, según se

presenta en la Figura 42 (Matplotlib, 2021).

Figura 42

Diagrama en Matplotlib

3.2.1.6 Módulos y bibliotecas internas de Python

Existen una gran cantidad de módulos dentro de Python que realizan funciones como

generadores, contenedores, aritméticas, entre otras detalladas a continuación (Python, 2022):

• Se utiliza un contenedor generalizado de colas 𝑐𝑜𝑙𝑙𝑒𝑐𝑡𝑖𝑜𝑛. 𝑑𝑒𝑞𝑢𝑒() para devolver un

elemento emergente seguro.

• El módulo Random genera números aleatorios de un rango establecido, ya sea de

tipo:

o Entero 𝑟𝑎𝑛𝑑𝑜𝑚. 𝑟𝑎𝑛𝑑𝑖𝑡(𝑚, 𝑛); donde 𝑚 y 𝑛 son números pertenecientes a

los números naturales.

o 𝑟𝑎𝑛𝑑𝑜𝑚. 𝑠𝑎𝑚𝑝𝑙𝑒(𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛, 𝑘) que devuelve una lista de elementos únicos

𝑘, de la población.

o Distribución normal 𝑟𝑎𝑛𝑑𝑜𝑚. 𝑛𝑜𝑟𝑚𝑎𝑙𝑣𝑎𝑟𝑖𝑎𝑡𝑒(𝜇, 𝜎); donde 𝜇 representa la

media y 𝜎 es la desviación estándar.

 45

• Pickle es un módulo encargado de ensamblar estructuras de datos mediante

protocolos binarios, es decir, que el objeto se convierte en una secuencia de bytes.

• Mediante la biblioteca 𝑜𝑝𝑒𝑛𝑝𝑦𝑥𝑙 permite leer (𝑙𝑜𝑎𝑑_𝑤𝑜𝑟𝑘𝑏𝑜𝑜𝑘) y escribir archivos

de Excel.

3.2.2 Designación del tiempo de acarreo y equipos

Se realiza un análisis durante el ciclo de acarreo en un periodo de 30 días con la finalidad de

obtener los tiempos durante las demoras debido al refrigerio y cambio de turno, traslado de

camiones, cuadre y carga de palas, descarga en chancadoras y botaderos. Además, se utiliza

un script en transact-SQL y el sistema Dispatch para determinar y extraer los tiempos de

acarreo; respectivamente. Con el uso del Dispatch se hace uso de la media móvil de los

cuatro últimos viajes a través del sensor de posicionamiento global GPS ubicado en cada uno

de los equipos.

De la empresa minera, se seleccionan 15 palas cuya posición no es fija, 4 botaderos

(desmonte), 3 chancadoras y un parqueo de camiones en la zona sur de la Empresa Minera.

Además, Dispatch brinda información con coordenadas mina; por lo que se realiza una

conversión al mapa cartográfico WGS84, es decir, en coordenadas de longitud y latitud; tal

como se indican en los Anexos 1 al 3. Por consiguiente, se realizaron 252 combinaciones

entre las diversas localizaciones de carga y descarga. En cambio, para la ubicación del

parqueo de camiones se utiliza 50 combinaciones.

3.2.2.1 Cuadre de camiones y carga de palas

El cuadre de los camiones en la pala corresponde al tiempo que se demora el camión, desde

que llega a la pala, hasta ubicarse en posición para ser cargado por la pala. En la Figura 43 se

observa un estudio estadístico para determinar el tiempo de cuadre ante el uso de diversos

camiones, donde se destaca una media 𝜇 = 1.09 𝑚𝑖𝑛𝑠 y desviación estándar 𝜎 = 0.54 𝑚𝑖𝑛𝑠.
 46

Figura 43

Histograma para tiempos de cuadre de camiones en palas

Para el estudio de tiempos de carga de las palas, se ha dividido la información en dos

categorías, una enfocada en las palas (𝜇 = 1.30 𝑚𝑖𝑛𝑠, 𝜎 = 0.45 𝑚𝑖𝑛𝑠) y otra en los

cargadores (𝜇 = 4.80 𝑚𝑖𝑛𝑠, 𝜎 = 1.32 𝑚𝑖𝑛𝑠), tal como se muestran en las Figuras 44 y 45;

respectivamente.

Figura 44

Histograma para tiempos de carga de camiones en Palas

 47

Figura 45

Histograma para tiempos de carga de camiones en Cargadores

3.2.2.2 Descarga en botaderos y chancadoras

En el caso de los botaderos se tiene un tiempo de cuadre uniforme, debido a que no cuenta

con restricciones, es decir, que no se producen colas durante el desmonte de material posee

una 𝜇 = 1.62 𝑚𝑖𝑛𝑠 y 𝜎 = 0.45 𝑚𝑖𝑛𝑠, visto en la Figura 46.

Figura 46

Histograma para tiempos de descarga de camiones en los botaderos

 48

En el caso de las chancadoras se forman colas de camiones, por lo que, a diferencia de los

botaderos, presentan restricciones al momento de dar pase a los equipos. En la Figura 47 se

observa los valores de tiempo de descarga en las chancadoras que tienen unas estadísticas de

𝜇 = 2.25 𝑚𝑖𝑛𝑠 y 𝜎 = 0.89 𝑚𝑖𝑛𝑠, la desviación estándar alta se debe a que los tiempos de

descarga son variados y dependen de las características mineralógicas del material (como

dureza, fractura, entre otros).

Figura 47

Histograma para tiempos de descarga de camiones en Chancadoras

3.2.2.3 Demora de los equipos por Refrigerio y Cambio de Turno en la mina

A continuación, se analiza los tiempos de demoras existentes en la mina en un periodo de 30

días que corresponden al mes Abril del 2022. Por consiguiente, los datos que se presentan

corresponden a la categoría de demoras en camiones por refrigerio y cambio de turno, estas

demoras, al igual que los tiempos de ciclo del camión, no son siempre valores fijos, por lo

que se generará una curva normal con el promedio y desviación estándar para incluir estas

demoras en el simulador de eventos discretos Simpy. En primera instancia, se analiza el

refrigerio, para determinar el promedio y desviación estándar el cual presenta estadísticas de

 49

𝜇 = 49.77 𝑚𝑖𝑛𝑠 y 𝜎 = 6.85 𝑚𝑖𝑛𝑠, esto se evidencia en la Figura 48.

Figura 48

Histograma para Tiempos de demora de refrigerio en camiones

Durante el cambio de turno entre las 18:30 horas a 19:30 horas, correspondiente al turno día,

se obtiene una distribución cuyos parámetros son 𝜇 = 25.72 𝑚𝑖𝑛𝑠 y 𝜎 = 13.18 𝑚𝑖𝑛𝑠,

presentado en la Figura 49.

Figura 49

Histograma para Tiempos de demora de Cambio de Turno en camiones Turno día

 50

Durante el cambio de turno entre las 06:30 horas a 07:30 horas, correspondiente al turno

noche, se obtiene una distribución cuyos parámetros son 𝜇 = 25.92 𝑚𝑖𝑛𝑠 y 𝜎 = 14.79 𝑚𝑖𝑛𝑠,

presentado en la Figura 50.

Figura 50

Histograma para Tiempos de demora de Cambio de Turno en camiones Turno noche

3.2.3 Proceso de la red neuronal

3.2.3.1 Modelo de la red neuronal

Acorde con el modelo de aprendizaje por refuerzo profundo Q-learning, la red neuronal

recibe como ingreso la observación del agente sobre el entorno y la salida se conforma por el

conjunto de valores Q de la observación con cada una de las posibles acciones que el agente

puede tomar (ver Figura 51).

 51

Figura 51

Interacción de aprendizaje con refuerzo y modelo de redes neuronales

La observación de cada agente sobre nuestro entorno está definida como los tiempos de viaje

hacia cada pala (15 datos), la cola en cada una de las palas (15 datos), la cantidad de equipos

en camino a cada pala (15 datos), la cola en cada chancadora (3 datos) y la cantidad de otros

agentes en el entorno (1 dato), tal como se observa en la tabla 3, estos 49 datos corresponden

a la entrada de red neuronal.

Tabla 3

Diseño de Red Neuronal – ENTRADAS A LA RED

CANTIDAD
VARIABLE
DE DATOS
Tiempo de viaje vacío hacia cada pala 15
Cola de camiones en cada pala 15
Cantidad de equipos en camino a cada pala 15
Cola de camiones en cada chancadora 3
Cantidad de otros agentes en el entorno 1
TOTAL 49

Para el caso de la salida, acorde a la teoría revisada en el apartado 2.4, cada salida representa

el valor Q de dirigirse a cada pala dependiendo de la observación actual del agente (Tabla 4).
 52

Tabla 4

Valor Q para cada par observación acción

Acciones posibles 15= Número de palas

Acciones
Observaciones 𝐴1 = 𝐼𝑟 𝑎 𝑃𝑎𝑙𝑎 1 𝐴2 = 𝐼𝑟 𝑎 𝑃𝑎𝑙𝑎 2 𝐴3 = 𝐼𝑟 𝑎 𝑃𝑎𝑙𝑎 3 …. 𝐴15 = 𝐼𝑟 𝑎 𝑃𝑎𝑙𝑎 15
1 𝑄(1, 𝐴1 ) 𝑄(1, 𝐴2 ) 𝑄(1, 𝐴3 ) 𝑄(1, 𝐴15 )
….
observaciones infinitas

𝑄(2, 𝐴1 ) 𝑄(2, 𝐴2 ) 𝑄(2, 𝐴3 ) …. 𝑄(2, 𝐴15 )

2
𝑄(3, 𝐴1 ) 𝑄(3, 𝐴2 ) 𝑄(3, 𝐴3 ) …. 𝑄(3, 𝐴15 )
3
...…

….

….

….

….
….

Siendo la mina un ambiente variable, el agente tiene un rango de observaciones infinitas, la

red neuronal se encarga de calcular el valor 𝑄 dependiendo del estado actual, tal como

visualiza en la figura 52, por esta razón la red tiene 15 salidas, que corresponden a la cantidad

de palas en la mina.

Figura 52

Diseño de Red Neuronal – SALIDAS DE LA RED

Para el caso de la función de recompensa 𝑅𝑡 , su valor se determina en base a dos variables,

primero el tiempo desde que el camión es asignado a una pala hasta que el camión descarga y
 53

solicita una nueva asignación, esto se le conoce como tiempo de ciclo total ∆𝑇𝑐𝑖𝑐𝑙𝑜, este se ve

afectado por la cola de camiones en los destinos chancadora o botadero, por lo que un lugar

que tenga mucha cola será poco recompensado. En segundo lugar, el material que el agente

acarrea, se define la variable tipo de material 𝑇𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 la cual será 0 o 1 dependiendo si el

camión cargó desmonte o mineral; respectivamente. Finalmente, se le proporciona un 50% de

recompensa adicional cuando el agente ha cargado mineral, es decir selecciona una pala de

mineral como acción, por ende, su descarga va directamente a la chancadora. Esto se ve en la

ecuación 8.

(𝑇𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 + 2) Ec. 8
𝑅𝑡 =
∆𝑇𝑐𝑖𝑐𝑙𝑜

Se elabora con Pytorch el modelo de la red neuronal teniendo en consideración todo lo

revisado anteriormente, colocando las neuronas de entrada, capas ocultas y salida en 49, 4900

y 15; respectivamente tal como se muestra en la Figura 53.

Figura 53

Arquitectura de la red neuronal

Finalmente, se establecen los hiper-parámetros para entrenar la red neuronal:

• Se utiliza una tasa de aprendizaje ∝ = 0.0001.

 54

• Se coloca una estrategia de probabilidad 𝜀 = 0.8.

• Se coloca la función MSELoss() y un optimizador Adam; este último ayuda a

actualizar los pesos acorde a los datos de entrenamiento con la finalidad de reducir el

error durante el aprendizaje de la red (Zai y Brown, 2020).

3.2.3.2 Eventos discretos

A través de la biblioteca Simpy se diseña un objeto en Python que contiene las condiciones

de inicio de la mina, es decir, el ambiente, los estados, acciones, cambios de turno,

refrigerios, acciones y equipos activos. Además, se detallan los siguientes procesos (ver

Figura 54.a) que se realizan durante el ciclo de acarreo:

Figura 54

Diseño de eventos discretos

• En la Figura 54.b) se observa los estados que poseen los camiones durante el ciclo de

acarreo, tales como:

o Cuando el estado es igual a cero, implica que los camiones están viajando

desde el punto de origen hacia la pala más cercana.

o En caso de que el estado sea igual a uno, indica que el camión se cuadró con la
 55

pala y se está llevando a cabo la carga de material.

o Luego, el camión sigue su camino preestablecido (𝑒𝑠𝑡𝑎𝑑𝑜 = 2) hasta llegar a

una chancadora, cuando transporta mineral; caso contrario va hacia el

botadero. Por tanto, llegado a este punto se considera un 𝑒𝑠𝑡𝑎𝑑𝑜 = 3 y se

procede con la descarga de material. Luego, regresa al punto de origen e inicia

un nuevo ciclo.

• Los tiempos de duración en el ciclo de acarreo utilizan las distribuciones normales

vistas en el Apartado 3.2.2, dependiendo del estado en el que se encuentren los

camiones.

• También se toma en consideración una baja de equipos operativos cuando se

encuentren dentro de las horas de refrigerio (11:30 – 14:30) y cambio de turno (6:30 –

7:30, 18:30 – 19:30).

• Por consiguiente, se colocan algunas condiciones que se llevan a cabo dentro de la

mina; a su vez corresponden a la capa de entrada del modelo de la red neuronal,

detalladas a continuación:

o Se colocan los tiempos de viaje vacío de los camiones hacia las 15 palas.

o Cantidad de camiones que hay en cada pala.

o Cantidad de camiones que hay en cada chancadora.

o Camiones asignados y están viajando a cada pala.

• Se asignan las palas y se da la recompensa cuando un camión esté descargado (no

posea material) y se establece usando la estrategia épsilon greedy, se designa de forma

aleatoria con una probabilidad de (𝜀 = 0.2); caso contrario 1 − 𝜀, la red estima el

valor máximo 𝑄 de las 15 palas y se va guardando las acciones en un vector (ver

Apartado 2.4.3). Por último, se asignan los botaderos y chancadoras (ver Figura 54).
 56

Figura 54

Estrategia Epsilon greedy utilizada para el entrenamiento de la red

3.2.3.3 Entrenamiento de la red

A continuación, se designan algunos parámetros:

• El tamaño de la memoria, la cantidad total de camiones (110 unidades) y el número

de épocas igual a 2500 (criterio de diseño).

• Se crea un vector de experiencia, donde se guardan todos los estados, acciones y

recompensa durante un día de simulación en la mina.

• Cada camión, es considerado un agente y se realizan recompensas individuales por

agente, su valor se determina en base al tiempo desde que el camión es asignado a

una pala hasta que el camión descarga, ya sea en chancadora o botadero, este tiempo

de ciclo total incluye la cola que hizo el camión en cierto destino, por lo que un lugar

que tenga mucha cola será poco recompensado. En segunda instancia, se le

proporciona un 50% de recompensa adicional cuando el agente se mueve hacia palas

de mineral, por ende, su descarga va directamente a la chancadora.

• Cuando el tamaño de la experiencia supera cierto valor (10000) se selecciona una

muestra, se ingresa en los mini lotes con el propósito de generar el algoritmo de

aprendizaje tipo Q, tal como se mencionó en el Apartado 2.4.3.

• Finalmente, se calcula la función de pérdida y se almacena en un archivo el modelo

de la red neuronal.
 57

Capítulo IV

Pruebas Y Resultados

4.1 Resultado del entrenamiento de la red

A través de la Figura 55 se visualiza el error cuadrático medio. Este error se utiliza para

determinar la función de pérdida durante el entrenamiento de la red neuronal bajo el

aprendizaje profundo por refuerzo. Por tanto, permite dar una idea sobre la desviación entre

los valores generados en los eventos discretos de las condiciones de la mina y sus

correspondientes predicciones, eso implica que, ante una reducción de error, la red se vuelve

más eficiente.

Figura 55

Resultados de la función de pérdida (Error Cuadrático Medio)

En cada época del entrenamiento se capturó la salida de la cantidad de descargas total del día

para ir teniendo una idea del comportamiento en el aspecto de movimiento de material, se

 58

puede evidenciar en la Figura 56 como conforme va ajustando sus parámetros la cantidad de

descargas se incrementa. En efecto, se pueden visualizar en altas épocas de entrenamiento

picos de valores bajo de descargas, esto tiene explicación en la estrategia épsilon greedy

mencionada en el apartado 2.4.3, es normal ver este tipo de comportamientos al entrenar un

modelo Q-learning con estrategia de exploración épsilon greedy.

Figura 56

Cantidad de descargas totales al día por cada época de entrenamiento

4.2 Visualización de eventos en la mina

Por medio del módulo Pygame se realiza una simulación de los eventos de acarreo en la mina

durante un día completo, equivalente a 86400 segundos; como se observa en la Figura 57.

Además, se puede controlar la velocidad de operación y observar la situación en cualquier

periodo de tiempo.
 59

Figura 57

Simulación de eventos discretos de la mina

4.3 Prueba de la red

Se efectúa la prueba del sistema, el cual utiliza las mismas librerías y demás condiciones del

modelo indicado en los Apartados 3.2.2 y 3.2.3, a excepción del entrenamiento de la red

neuronal. A continuación, se detallan los resultados de cada proceso desarrollado en la mina:

• Se realiza un muestreo de cada 10 segundos y se estima que la cantidad total de

camiones cargados disminuye a 55 unidades cuando se presenta el evento cambio de

turno, a los 25000 y 70000 segundos aproximadamente, equivalente a las 6h56 y

19h26 horas; respectivamente. En cambio, se tiene un estimado de 75 camiones

durante el evento refrigerio, entre los 40000 a 50000 segundos o más bien dicho entre

11h06 y 13h53 horas, tal como se muestra en la Figura 58.a).

• De la Figura 58.b) se observa que las condiciones de muestreo son de 10 segundos,

por lo que se muestra una baja de camiones durante el cambio de turno y refrigerio a
 60

un total aproximado de 10 y 15 camiones haciendo filas en las palas; respectivamente.

Y dentro de la operación normal de funcionamiento, se prevé entre 20 a 40 camiones

haciendo cola en las palas.

Figura 58

Situación de los camiones: a) Operativos y b) Abastecimiento en las palas

a)

b)
 61

• Se realiza un muestreo cada 10 segundos y se estima que, la cantidad de camiones en

las chancadoras disminuye durante el refrigerio (3 - 10 unidades) y cambio de turno (1

– 5 unidades), tal como se indica en la Figura 59. En el resto de las horas, varía entre

7 a 20 camiones aproximadamente.

Figura 59

Fila de camiones en la chancadora

• Se realiza una simulación del día completo por horas y se analiza el tiempo que las

chancadoras no tuvieron camiones, para ello se realiza el cálculo de las demoras aguas

arriba con los resultados de la simulación, se verifica que en todas las horas es menor

al 10% tal como muestra la Figura 60, se adjunta también la información recolectada

en el análisis de la situación actual de las demoras aguas arriba (Apartado 3.1.4).

 62

Figura 60

Demoras Aguas Arriba en las chancadoras por hora en entorno de simulación

• De los resultados estimamos el uso de la chancadora por hora, se evidencia que opera

cerca del 100% en horas sin eventos, en el caso de los eventos cambio de turno y

refrigerio, se verifica que operan con un poco más del 90% con camiones, se coloca la

información real para poder comparar (ver Figura 61).

Figura 61

Uso de chancadoras por hora en entorno de simulación

 63

• Finalmente, se procede a realizar una prueba para determinar el tiempo de respuesta

del algoritmo, se realizaron 1000 ejecuciones del modelo y se capturó el tiempo de

ejecución para cada caso teniendo resultados promedios menores a un milisegundo,

𝜇 = 0.76 𝑚𝑠𝑒𝑔𝑠 con 𝜎 = 2.32 𝑚𝑠𝑒𝑔𝑠 ; lo cual se evidencia en la Figura 62.

Figura 62

Análisis de tiempo de respuesta del modelo de redes neuronales

 64

Conclusiones

• Se realiza varios estudios relacionados con el ciclo de acarreo ya sea para el turno día

o turno noche, donde se determina una baja de camiones operativos entre el 45 – 60%

y 35 – 45% cuando existe cambios de turno y refrigerios; respectivamente. En

cambio, cuando se trata del uso de palas presenta una baja de una a cuatro unidades

por día en las horas de los eventos indicados anteriormente. Además, existen otro tipo

de demoras como las pérdidas planificadas, por falla, operativas en las chancadoras y

equipos.

• Para el diseño del aprendizaje por refuerzo profundo Q-learning, se define como el

agente a cada camión, las acciones que puede realizar el agente son igual a la cantidad

de palas del entorno, por lo que solo puede elegir una de las palas, la observación del

agente se compone por los tiempos de viaje a cada pala, la cola de camiones en cada

pala y cada chancadora; y la cantidad de camiones en ruta hacia cada pala, para el

caso de la recompensa asignamos un peso mayor al mineral y lo dividimos entre el

tiempo total de ciclo del agente ; lo cual recompensa la poca cola de camiones y la

priorización de mineral.

• Para el diseño del entorno, se realizó un estudio de los tiempos de acarreo, del cual se

obtienen las distribuciones de tiempos reales para cada etapa del ciclo de acarreo, de

igual manera para las demoras en periodos de cambio de turno y refrigerio y tiempos

de viaje, mediante el simulador de eventos discretos Simpy se recrean estas

distribuciones de tiempo lo cual contribuye a un entorno muy similar a la realidad que

nos permitirá entrenar la red neuronal.

• El modelo de redes neuronales presenta 49 neuronas de entrada, 4900 neuronas en la

capa oculta y 15 neuronas en la capa de salida. Se construye el algoritmo de

aprendizaje por refuerzo profundo bajo las condiciones de operación día de la mina,
 65

siendo las 49 neuronas de entrada correspondientes a la observación del agente y las

15 neuronas de salida estiman los valores máximos de Q para luego proceder con el

entrenamiento de la red.

• Finalmente, en los resultados se observa que el modelo mantiene una cobertura del

uso de la chancadora por encima de 90% durante el horario de cambio de turno y

refrigerio, con una cola de camiones en las ubicaciones aceptable y con un tiempo de

ejecución promedio menor a un milisegundo para cada asignación de camiones a

palas.
 66

Recomendaciones

• Las pruebas se realizaron en un computador Intel Core i7 con 8 GB de RAM

instalada, por lo que el periodo de entrenamiento de la red neuronal se llevó a cabo en

12 horas para un total de 2500 épocas. En caso de que se desee entrenar nuevamente a

la red, tomar en consideración esta condición, se recomienda utilizar mayores recursos

de procesamiento en el computador para disminuir el tiempo de entrenamiento de la

red.

• Para que el modelo incluya una mayor cantidad de variables, como restricciones en

las chancadoras o palas, se sugiere probar una red convolucional y un periodo de

entrenamiento con más épocas.

• Analizando la información real de la mina nos encontramos con temas operativos que

ocurren diariamente, por ejemplo, cambios en el plan de minado o detenciones no

planificadas de equipos, se puede profundizar esta investigación incluyendo estas

variables.
 67

Bibliografía

Alberca Sánchez, A. (2022). La librería Numpy. Aprende con Alf.

https://aprendeconalf.es/docencia/python/manual/numpy/

Andrade Tepán, C. (2013). Estudio de los principales tipos de redes neuronales y las

herramientas para su aplicación. Universidad Politécnica Salesiana Sede Cuenca, 152.

Baek, J., & Choi, Y. (2020). Deep Neural Network for Predicting Ore Production by Truck-

Haulage Systems in Open-Pit Mines. Applied Sciences, 10(5), 1657.

https://doi.org/10.3390/app10051657

Bagnato, J. (2020, diciembre). Aprendizaje por Refuerzo | Aprende Machine Learning.

https://www.aprendemachinelearning.com/aprendizaje-por-refuerzo/

Bnouachir, H., Chergui, M., Machkour, N., Zegrari, M., Chakir, A., Deshayes, L., Semmar, A.,

& Medromi, H. (2020). Intelligent Fleet Management System for Open Pit Mine.

International Journal of Advanced Computer Science and Applications, 11(5).

https://doi.org/10.14569/IJACSA.2020.0110543

Buedo Risueño, Á. (2020). Desarrollo de un agente mediante Deep Q-Learning en un entorno

de juegos de plataformas. Universitat Oberta de Catalunya, 101.

Carrión, C. (2018). Aplicación de redes neuronales artificiales para la predicción de la

recuperación de planta concentradora en minsur s.a. – Unidad san rafael. Universidad

Nacional de San Agustín de Arequipa, 94.

Cerro Verde. (2022). Minería de Cobre y Molibdeno en Arequipa / Sociedad Minera Cerro

Verde. https://www.cerroverde.pe/

de Carvalho, J. P., & Dimitrakopoulos, R. (2021). Integrating Production Planning with Truck-

Dispatching Decisions through Reinforcement Learning While Managing Uncertainty.

Minerals, 11(6), 587. https://doi.org/10.3390/min11060587

Hagan, M., Demuth, H., Beale, M., & Orlando de Jesus. (2014). Neural Network Design (2da
 68

edicion). https://hagan.okstate.edu/nnd.html

Lapan, M. (2018, junio 24). Deep Reinforcement Learning Hands-On Pdf—Libribook.

Libribook.Com. https://libribook.com/ebook/12425/deep-reinforcement-learning-

hands-pdf

Maldonado, L. (2012). Los modelos ocultos de Markov, MOM. 14(3), 7.

Marcano, C. R. (2010). Uso de modelos ocultos de markov para modelar proceso de supresión

de efectos nódicos en celdas de reducción electrolítica de aluminio primario.

Universidad, Ciencia y Tecnología, 14(55), 103–108.

Matplotlib. (2021). Matplotlib—Visualization with Python. https://matplotlib.org/

MMS. (2016). Ayuda del Sistema DISPATCH® 6.6.1. Modular Mining Systems, Inc.

Moradi Afrapoli, A., & Askari-Nasab, H. (2019). Mining fleet management systems: A review

of models and algorithms. International Journal of Mining, Reclamation and

Environment, 33(1), 42–60. https://doi.org/10.1080/17480930.2017.1336607

Printista, A. M., Errecalde, M. L., & Montoya, C. I. (2000). Una implementación paralela del

algoritmo de Q-Learning basada en un esquema de comunicación con caché. 12.

Pygame. (2022). Pygame in all the languages. Pygame in all the languages.

https://www.pygame.org/news

Python. (2022). Welcome to Python.org. Python.Org. https://www.python.org/

PyTorch. (2022). PyTorch. https://www.pytorch.org

Ruiz, C. A., Basualdo, M. S., & Matich, D. J. (2001). Redes Neuronales: Conceptos Básicos y

Aplicaciones. 55.

Simpy. (2020). Overview—SimPy 4.0.2.dev1+g2973dbe documentation.

https://simpy.readthedocs.io/en/latest/

Toral Barrera, J. (2018). Redes Neuronales—Cucei.udg.mx .2. Modelo de una red neuronal

Las redes neuronales son modelos matemticos que intentan reproducir el

 69

comportamiento del cerebro humano. El principal—[PDF Document]. fdocuments.es.

https://fdocuments.es/document/redes-neuronales-

cuceiudgmxwwwcuceiudgmxsitesdefaultfilespdftoralbarrerajamiearelipdfpdf.html

Torres.AI, J. (2021, abril 16). Introducción al aprendizaje por refuerzo. Aprendizaje Por

Refuerzo Profundo. https://medium.com/aprendizaje-por-refuerzo/1-

introducci%C3%B3n-al-aprendizaje-por-refuerzo-92c9239aed90

Zai, A., & Brown, B. (2020). Deep Reinforcement Learning in Action. Manning Publications

Co, 383.

Zhang, C., Odonkor, P., Zheng, S., Khorasgani, H., Serita, S., & Gupta, C. (2020). Dynamic

Dispatching for Large-Scale Heterogeneous Fleet via Multi-agent Deep Reinforcement

Learning. https://doi.org/10.48550/arXiv.2008.10713
 70

Anexos

Anexo 1

Ubicaciones de bancos, botaderos, chancadoras y parqueo de camiones

Equipos Etiquetas Latitud Longitud

CV2663-414 -16,53975199 -71,60436591

CV2675-020 -16,5226025 -71,59549575

CV2693-902 -16,52260742 -71,60528948

CV2693-903 -16,52254078 -71,59974041

CV2736-035 -16,51920177 -71,60796175

CV2743-912 -16,52421275 -71,61286478

CV2785-001 -16,54263703 -71,61517394

SR2258-107 -16,53965101 -71,58625643

Bancos
SR2288-275 -16,53321657 -71,59333154
(Lugares de Carga)
SR2438-234 -16,53767657 -71,59530293

SR2438-621 -16,54116852 -71,59221894

SR2453-936 -16,5394352 -71,59711655

SR2686-020 -16,54786626 -71,59017099

SR2692-015 -16,54812687 -71,59322073

SR2702-001 -16,54726426 -71,58474533

SR2765-001 -16,55568686 -71,58724733

SR2824-036 -16,5509742 -71,60855585

SR2825-036 -16,5525298 -71,60633644

BOTSO-2800_ZAR -16,5479277 -71,61504813

Botaderos DDMNO-2734_CU3 -16,53199891 -71,62789942

(Desmonte) DDMNO-2734_CU4 -16,52546208 -71,62574002

P1XF3-2720_01 -16,52852842 -71,57614613

Chancadoras MILLCHAN -16,52462614 -71,59489478

(Mineral) MILLCRUSH1 -16,55094206 -71,59659509

MILLCRUSH2 -16,54985107 -71,59562448

Parqueo Camiones PQ_PERIM-SUR -16,5471031 -71,5731026

 71

Anexo 2

Tiempos de viajes – Ciclos

Origen Destino Distancia (m) Viaje Vacío (s) Viaje Lleno (s)

BOTSO-2800_ZAR CV2663-414 4995 618 820

BOTSO-2800_ZAR CV2675-020 7513 867 1060

BOTSO-2800_ZAR CV2693-902 5998 633 808

BOTSO-2800_ZAR CV2693-903 6609 688 879

BOTSO-2800_ZAR CV2736-035 5680 588 728

BOTSO-2800_ZAR CV2743-912 5591 613 766

BOTSO-2800_ZAR CV2785-001 1153 135 162

BOTSO-2800_ZAR SR2258-107 8432 1890 2121

BOTSO-2800_ZAR SR2288-275 7697 1776 1969

BOTSO-2800_ZAR SR2438-234 6772 1185 1521

BOTSO-2800_ZAR SR2438-621 5546 1057 1370

BOTSO-2800_ZAR SR2453-936 6224 1122 1423

BOTSO-2800_ZAR SR2686-020 3320 560 668

BOTSO-2800_ZAR SR2692-015 3288 544 639

BOTSO-2800_ZAR SR2702-001 3947 630 761

BOTSO-2800_ZAR SR2765-001 5138 755 963

BOTSO-2800_ZAR SR2824-036 2769 310 400

BOTSO-2800_ZAR SR2825-036 2447 271 395

DDMNO-2734_CU3 CV2663-414 3236 407 510

DDMNO-2734_CU3 CV2675-020 5566 680 758

DDMNO-2734_CU3 CV2693-902 4051 446 506

DDMNO-2734_CU3 CV2693-903 4662 501 577

DDMNO-2734_CU3 CV2736-035 3733 401 426

DDMNO-2734_CU3 CV2743-912 3644 426 464

DDMNO-2734_CU3 CV2785-001 2784 293 408

DDMNO-2734_CU3 SR2258-107 10195 1991 2280

DDMNO-2734_CU3 SR2288-275 9460 1877 2128

DDMNO-2734_CU3 SR2438-234 8535 1286 1680

 72

DDMNO-2734_CU3 SR2438-621 7309 1158 1529

DDMNO-2734_CU3 SR2453-936 7987 1223 1582

DDMNO-2734_CU3 SR2686-020 5083 661 827

DDMNO-2734_CU3 SR2692-015 5051 645 798

DDMNO-2734_CU3 SR2702-001 5710 731 920

DDMNO-2734_CU3 SR2765-001 6901 856 1122

DDMNO-2734_CU3 SR2824-036 5112 538 729

DDMNO-2734_CU3 SR2825-036 4790 499 724

DDMNO-2734_CU4 CV2663-414 3982 465 583

DDMNO-2734_CU4 CV2675-020 4488 584 665

DDMNO-2734_CU4 CV2693-902 2973 350 413

DDMNO-2734_CU4 CV2693-903 3584 405 484

DDMNO-2734_CU4 CV2736-035 2655 305 333

DDMNO-2734_CU4 CV2743-912 2566 330 371

DDMNO-2734_CU4 CV2785-001 3530 351 481

DDMNO-2734_CU4 SR2258-107 9084 1646 2017

DDMNO-2734_CU4 SR2288-275 8729 1565 1897

DDMNO-2734_CU4 SR2438-234 9281 1344 1753

DDMNO-2734_CU4 SR2438-621 8055 1216 1602

DDMNO-2734_CU4 SR2453-936 8733 1281 1655

DDMNO-2734_CU4 SR2686-020 5829 719 900

DDMNO-2734_CU4 SR2692-015 5797 703 871

DDMNO-2734_CU4 SR2702-001 6456 789 993

DDMNO-2734_CU4 SR2765-001 7647 914 1195

DDMNO-2734_CU4 SR2824-036 5858 596 802

DDMNO-2734_CU4 SR2825-036 5536 557 797

MILLCHAN CV2663-414 6816 702 937

MILLCHAN CV2675-020 388 46 48

MILLCHAN CV2693-902 1965 222 280

MILLCHAN CV2693-903 1288 161 170

MILLCHAN CV2736-035 2965 314 438

 73

MILLCHAN CV2743-912 2876 339 476

MILLCHAN CV2785-001 6364 586 848

MILLCHAN SR2258-107 6468 1299 1608

MILLCHAN SR2288-275 5733 1185 1457

MILLCHAN SR2438-234 7888 1133 1739

MILLCHAN SR2438-621 6662 1005 1593

MILLCHAN SR2453-936 7340 1070 1642

MILLCHAN SR2686-020 4756 587 1006

MILLCHAN SR2692-015 4724 570 977

MILLCHAN SR2702-001 5383 655 1099

MILLCHAN SR2765-001 6574 780 1301

MILLCHAN SR2824-036 8692 833 1179

MILLCHAN SR2825-036 8370 794 1174

MILLCRUSH1 CV2663-414 5450 618 777

MILLCRUSH1 CV2675-020 5518 912 1089

MILLCRUSH1 CV2693-902 6730 1020 1254

MILLCRUSH1 CV2693-903 6053 959 1144

MILLCRUSH1 CV2736-035 7509 790 967

MILLCRUSH1 CV2743-912 7420 815 1005

MILLCRUSH1 CV2785-001 3870 434 543

MILLCRUSH1 SR2258-107 6431 1539 1673

MILLCRUSH1 SR2288-275 5696 1425 1522

MILLCRUSH1 SR2438-234 5290 914 1131

MILLCRUSH1 SR2438-621 4064 786 985

MILLCRUSH1 SR2453-936 4742 851 1034

MILLCRUSH1 SR2686-020 1319 204 236

MILLCRUSH1 SR2692-015 883 133 150

MILLCRUSH1 SR2702-001 1946 272 329

MILLCRUSH1 SR2765-001 3137 397 531

MILLCRUSH1 SR2824-036 3078 390 506

MILLCRUSH1 SR2825-036 2756 351 501

 74

MILLCRUSH2 CV2663-414 5302 598 760

MILLCRUSH2 CV2675-020 5370 892 1072

MILLCRUSH2 CV2693-902 6582 1000 1237

MILLCRUSH2 CV2693-903 5905 939 1127

MILLCRUSH2 CV2736-035 7361 770 950

MILLCRUSH2 CV2743-912 7272 795 988

MILLCRUSH2 CV2785-001 3722 414 526

MILLCRUSH2 SR2258-107 6283 1519 1656

MILLCRUSH2 SR2288-275 5548 1405 1505

MILLCRUSH2 SR2438-234 5142 894 1114

MILLCRUSH2 SR2438-621 3916 766 968

MILLCRUSH2 SR2453-936 4594 831 1017

MILLCRUSH2 SR2686-020 1171 184 219

MILLCRUSH2 SR2692-015 735 113 133

MILLCRUSH2 SR2702-001 1798 252 312

MILLCRUSH2 SR2765-001 2989 377 514

MILLCRUSH2 SR2824-036 2930 370 489

MILLCRUSH2 SR2825-036 2608 331 484

P1XF3-2720_01 CV2663-414 9363 1021 1369

P1XF3-2720_01 CV2675-020 3300 433 547

P1XF3-2720_01 CV2693-902 4512 541 712

P1XF3-2720_01 CV2693-903 3835 480 602

P1XF3-2720_01 CV2736-035 5512 633 870

P1XF3-2720_01 CV2743-912 5423 658 908

P1XF3-2720_01 CV2785-001 8911 905 1280

P1XF3-2720_01 SR2258-107 6897 1394 1815

P1XF3-2720_01 SR2288-275 6162 1280 1664

P1XF3-2720_01 SR2438-234 8444 1296 1986

P1XF3-2720_01 SR2438-621 7930 1264 1962

P1XF3-2720_01 SR2453-936 8608 1329 2011

P1XF3-2720_01 SR2686-020 5185 682 1213

 75

P1XF3-2720_01 SR2692-015 5153 665 1184

P1XF3-2720_01 SR2702-001 5812 750 1306

P1XF3-2720_01 SR2765-001 7003 875 1508

P1XF3-2720_01 SR2824-036 7929 1007 1649

P1XF3-2720_01 SR2825-036 7607 968 1644

CV2663-414 BOTSO-2800_ZAR 4965 510 774

CV2663-414 DDMNO-2734_CU3 3360 362 514

CV2663-414 DDMNO-2734_CU4 3132 335 483

CV2663-414 MILLCHAN 4487 562 719

CV2663-414 MILLCRUSH1 5442 601 843

CV2663-414 MILLCRUSH2 5318 597 854

CV2663-414 P1XF3-2720_01 6772 796 921

CV2675-020 BOTSO-2800_ZAR 7041 776 1224

CV2675-020 DDMNO-2734_CU3 5793 607 857

CV2675-020 DDMNO-2734_CU4 4635 495 736

CV2675-020 MILLCHAN 425 81 63

CV2675-020 MILLCRUSH1 6075 648 752

CV2675-020 MILLCRUSH2 5951 644 763

CV2675-020 P1XF3-2720_01 3288 411 393

CV2693-902 BOTSO-2800_ZAR 5138 540 952

CV2693-902 DDMNO-2734_CU3 3890 371 585

CV2693-902 DDMNO-2734_CU4 2732 259 464

CV2693-902 MILLCHAN 2691 365 569

CV2693-902 MILLCRUSH1 5615 631 1021

CV2693-902 MILLCRUSH2 5491 627 1032

CV2693-902 P1XF3-2720_01 4976 599 771

CV2693-903 BOTSO-2800_ZAR 5840 602 1062

CV2693-903 DDMNO-2734_CU3 4592 433 695

CV2693-903 DDMNO-2734_CU4 3434 321 574

CV2693-903 MILLCHAN 3393 427 679

CV2693-903 MILLCRUSH1 6317 693 1131

 76

CV2693-903 MILLCRUSH2 6193 689 1142

CV2693-903 P1XF3-2720_01 5678 661 881

CV2736-035 BOTSO-2800_ZAR 5596 559 657

CV2736-035 DDMNO-2734_CU3 3804 391 448

CV2736-035 DDMNO-2734_CU4 2646 279 327

CV2736-035 MILLCHAN 3091 444 550

CV2736-035 MILLCRUSH1 6015 710 1002

CV2736-035 MILLCRUSH2 5891 706 1013

CV2736-035 P1XF3-2720_01 5376 678 752

CV2743-912 BOTSO-2800_ZAR 5507 552 667

CV2743-912 DDMNO-2734_CU3 3715 384 458

CV2743-912 DDMNO-2734_CU4 2557 272 337

CV2743-912 MILLCHAN 3002 437 560

CV2743-912 MILLCRUSH1 5926 703 1012

CV2743-912 MILLCRUSH2 5802 699 1023

CV2743-912 P1XF3-2720_01 5287 671 762

CV2785-001 BOTSO-2800_ZAR 1069 143 141

CV2785-001 DDMNO-2734_CU3 2855 293 423

CV2785-001 DDMNO-2734_CU4 2627 266 392

CV2785-001 MILLCHAN 5542 717 906

CV2785-001 MILLCRUSH1 4638 620 805

CV2785-001 MILLCRUSH2 4514 616 816

CV2785-001 P1XF3-2720_01 7827 951 1108

SR2258-107 BOTSO-2800_ZAR 7904 814 1699

SR2258-107 DDMNO-2734_CU3 9821 997 1920

SR2258-107 DDMNO-2734_CU4 9593 970 1889

SR2258-107 MILLCHAN 6749 640 1447

SR2258-107 MILLCRUSH1 6444 662 1368

SR2258-107 MILLCRUSH2 6320 658 1379

SR2258-107 P1XF3-2720_01 6916 695 1438

SR2288-275 BOTSO-2800_ZAR 7238 758 1488

 77

SR2288-275 DDMNO-2734_CU3 9155 941 1709

SR2288-275 DDMNO-2734_CU4 8927 914 1678

SR2288-275 MILLCHAN 6083 584 1236

SR2288-275 MILLCRUSH1 5778 606 1157

SR2288-275 MILLCRUSH2 5654 602 1168

SR2288-275 P1XF3-2720_01 6250 639 1227

SR2438-234 BOTSO-2800_ZAR 5717 609 1158

SR2438-234 DDMNO-2734_CU3 7634 792 1379

SR2438-234 DDMNO-2734_CU4 7406 765 1348

SR2438-234 MILLCHAN 4676 447 923

SR2438-234 MILLCRUSH1 4257 457 827

SR2438-234 MILLCRUSH2 4133 453 838

SR2438-234 P1XF3-2720_01 4843 502 914

SR2438-621 BOTSO-2800_ZAR 5341 573 1082

SR2438-621 DDMNO-2734_CU3 7258 756 1303

SR2438-621 DDMNO-2734_CU4 7030 729 1272

SR2438-621 MILLCHAN 4300 411 847

SR2438-621 MILLCRUSH1 3881 421 751

SR2438-621 MILLCRUSH2 3757 417 762

SR2438-621 P1XF3-2720_01 4467 466 838

SR2453-936 BOTSO-2800_ZAR 6401 668 1274

SR2453-936 DDMNO-2734_CU3 8318 856 1495

SR2453-936 DDMNO-2734_CU4 8090 829 1464

SR2453-936 MILLCHAN 5360 521 1039

SR2453-936 MILLCRUSH1 4941 554 943

SR2453-936 MILLCRUSH2 4817 519 954

SR2453-936 P1XF3-2720_01 5527 615 1030

SR2686-020 BOTSO-2800_ZAR 3236 391 542

SR2686-020 DDMNO-2734_CU3 5153 579 763

SR2686-020 DDMNO-2734_CU4 4925 552 732

SR2686-020 MILLCHAN 5141 564 681

 78

SR2686-020 MILLCRUSH1 1257 206 170

SR2686-020 MILLCRUSH2 1133 171 181

SR2686-020 P1XF3-2720_01 5070 629 631

SR2692-015 BOTSO-2800_ZAR 3215 354 544

SR2692-015 DDMNO-2734_CU3 5132 542 765

SR2692-015 DDMNO-2734_CU4 4904 515 734

SR2692-015 MILLCHAN 5522 595 774

SR2692-015 MILLCRUSH1 832 125 120

SR2692-015 MILLCRUSH2 708 90 131

SR2692-015 P1XF3-2720_01 5451 660 724

SR2702-001 BOTSO-2800_ZAR 3863 437 635

SR2702-001 DDMNO-2734_CU3 5780 625 856

SR2702-001 DDMNO-2734_CU4 5552 598 825

SR2702-001 MILLCHAN 4238 466 571

SR2702-001 MILLCRUSH1 1884 252 263

SR2702-001 MILLCRUSH2 1760 217 274

SR2702-001 P1XF3-2720_01 4167 531 521

SR2765-001 BOTSO-2800_ZAR 5054 717 998

SR2765-001 DDMNO-2734_CU3 6971 905 1219

SR2765-001 DDMNO-2734_CU4 6743 878 1188

SR2765-001 MILLCHAN 5683 774 965

SR2765-001 MILLCRUSH1 3075 532 626

SR2765-001 MILLCRUSH2 2951 497 637

SR2765-001 P1XF3-2720_01 5612 839 915

SR2824-036 BOTSO-2800_ZAR 2685 324 488

SR2824-036 DDMNO-2734_CU3 5183 609 866

SR2824-036 DDMNO-2734_CU4 4955 582 835

SR2824-036 MILLCHAN 7067 913 1188

SR2824-036 MILLCRUSH1 3016 461 584

SR2824-036 MILLCRUSH2 2892 426 595

SR2824-036 P1XF3-2720_01 8216 1096 1303

 79

SR2825-036 BOTSO-2800_ZAR 2363 307 446

SR2825-036 DDMNO-2734_CU3 4861 592 824

SR2825-036 DDMNO-2734_CU4 4633 565 793

SR2825-036 MILLCHAN 6745 896 1146

SR2825-036 MILLCRUSH1 2694 444 542

SR2825-036 MILLCRUSH2 2570 409 553

SR2825-036 P1XF3-2720_01 7894 1079 1261

 80

Anexo 3

Tiempos de viajes desde el Parqueo Perim-Sur

Origen Destino Distancia (m) Viaje vacío (s) Viaje lleno (s)

PQ_PERIM-SUR CV2663-414 5855 706 839

PQ_PERIM-SUR CV2675-020 4556 490 599

PQ_PERIM-SUR CV2693-902 5743 586 729

PQ_PERIM-SUR CV2693-903 4877 501 614

PQ_PERIM-SUR CV2736-035 6759 685 1026

PQ_PERIM-SUR CV2743-912 6670 704 1064

PQ_PERIM-SUR CV2785-001 3913 456 628

PQ_PERIM-SUR SR2258-107 6854 1456 1679

PQ_PERIM-SUR SR2288-275 6188 1344 1552

PQ_PERIM-SUR SR2438-234 4670 937 1052

PQ_PERIM-SUR SR2438-621 4294 889 1009

PQ_PERIM-SUR SR2453-936 5354 1002 1129

PQ_PERIM-SUR SR2686-020 1268 126 197

PQ_PERIM-SUR SR2692-015 1649 186 244

PQ_PERIM-SUR SR2702-001 365 39 46

PQ_PERIM-SUR SR2765-001 1810 180 294

PQ_PERIM-SUR SR2824-036 4414 524 710

PQ_PERIM-SUR SR2825-036 4092 485 705

PQ_PERIM-SUR BOTSO-2800_ZAR 4090 435 649

PQ_PERIM-SUR DDMNO-2734_CU3 6007 668 855

PQ_PERIM-SUR DDMNO-2734_CU4 5779 641 824

PQ_PERIM-SUR P1XF3-2720_01 4394 519 550

PQ_PERIM-SUR MILLCHAN 4465 483 600

PQ_PERIM-SUR MILLCRUSH1 2111 248 314

PQ_PERIM-SUR MILLCRUSH2 1987 241 305

CV2663-414 PQ_PERIM-SUR 5855 670 948

CV2675-020 PQ_PERIM-SUR 4556 479 558

CV2693-902 PQ_PERIM-SUR 6244 671 942

 81

CV2693-903 PQ_PERIM-SUR 6946 733 1052

CV2736-035 PQ_PERIM-SUR 6644 753 921

CV2743-912 PQ_PERIM-SUR 6555 746 931

CV2785-001 PQ_PERIM-SUR 3913 573 752

SR2258-107 PQ_PERIM-SUR 6857 748 1459

SR2288-275 PQ_PERIM-SUR 6191 698 1248

SR2438-234 PQ_PERIM-SUR 4670 543 918

SR2438-621 PQ_PERIM-SUR 4294 504 842

SR2453-936 PQ_PERIM-SUR 5354 611 1034

SR2686-020 PQ_PERIM-SUR 1268 195 170

SR2692-015 PQ_PERIM-SUR 1649 248 268

SR2702-001 PQ_PERIM-SUR 365 59 60

SR2765-001 PQ_PERIM-SUR 1810 373 454

SR2824-036 PQ_PERIM-SUR 4414 727 831

SR2825-036 PQ_PERIM-SUR 4092 710 789

BOTSO-2800_ZAR PQ_PERIM-SUR 4179 610 812

DDMNO-2734_CU3 PQ_PERIM-SUR 5874 740 945

DDMNO-2734_CU4 PQ_PERIM-SUR 6610 800 1007

P1XF3-2720_01 PQ_PERIM-SUR 4394 509 683

MILLCHAN PQ_PERIM-SUR 4254 429 521

MILLCRUSH1 PQ_PERIM-SUR 2111 334 372

MILLCRUSH2 PQ_PERIM-SUR 1987 309 345

82
83
84