You are on page 1of 16

Optimizacin estocstica de Largo Plazo Produccin Programacin de

Minas a cielo abierto con una formulacin Programacin Nueva Entero


Resumen
Los enfoques convencionales para optimizar el diseo de mina a cielo abierto y
programacin de la produccin se basa en un modelo de yacimiento estimado solo,
que no tiene en cuenta la variabilidad geolgica. La simulacin condicional se
puede emplear para tratar cuantitativamente el grado de incertidumbre resultante.
Mltiples modelos del yacimiento simuladas proporcionan una entrada adecuada
para una Estocstico Programacin Entera (SIP), un tipo de programacin
matemtica que genera el resultado ptimo para un conjunto definido de objetivos
bajo incertidumbre. En el caso de programacin de la produccin, los objetivos son
maximizar el valor total actual neto (VAN) y para minimizar la demanda insatisfecha
de mineral procesado. Mediante un conjunto de mltiples modelos del yacimiento
simuladas como entrada en un modelo SIP permite la integracin de la variabilidad
en depsito situ y la incertidumbre directamente en el proceso de optimizacin de
programacin de la produccin.
Introduccin

Programacin entera estocstica (SIP) es un tipo de programacin matemtica y


modelado que considera iguales mltiples escenarios probables y genera el
resultado ptimo para un conjunto de objetivos definidos en el espacio de
soluciones factibles delimitada por un conjunto de restricciones.
SIP se define como una extensin de mezclado de programacin entera (MIP) con
incertidumbre en uno o ms de los coeficientes relacionados (Escudero, 1993). Esto
tiende a aumentar el tamao del problema y la complejidad en comparacin con la
programacin de formulaciones basadas en MIP (Ramazan, 2001). Diferentes
enfoques en formulaciones SIP se discuten en Birge y Louveaux (1997); Sin
embargo, los desarrollos existentes en las publicaciones tcnicas no son
directamente aplicables en los problemas de la minera.
Los efectos de la incertidumbre del yacimiento y de la geolgica situ enfoca la
variabilidad para la optimizacin de diseo de la mina a cielo abierto, se ha
demostrado en estudios recientes. Dimitrakopoulos, Farrelly y Godoy (2002)
muestran la importancia conceptual y econmica de diferencias de marcos basados
en el riesgo. Dowd (1997) propone un marco para la integracin del riesgo en
proyectos de minera de superficie.
Ravenscroft (1992) discute el anlisis de riesgos en la produccin minera la
programacin, donde el uso de yacimientos estocsticamente simulados muestra el
impacto de la incertidumbre sobre el grado de programacin de la produccin, y
afirma que los modelos de programacin matemtica convencionales no pueden
dar cabida a riesgos cuantificados. La necesidad de optimizacin de mtodos que
pueden integrar la incertidumbre plantea la necesidad de eficientes mtodos de

simulacin, como se discute en Boucher y Dimitrakopoulos (2005), Godoy (2003) y


Dimitrakopoulos y Luo (2004). Siguiendo esta lnea de pensamiento, Ramazan y
Dimitrakopolous (2004a) desarrollaron formulaciones MIP eficientes para generar
patrones mineros viables de probabilsticos optimizados de los programas de
produccin.
Aunque todos estos estudios representan avances sustanciales en el campo, no se
integran directamente a la incertidumbre en el proceso de optimizacin.
Dimitrakopoulos y Ramazan (2004) proponer una optimizacin de la programacin
probabilstica a largo plazo el mtodo basado en programacin lineal para hacer
frente a la incertidumbre. El mtodo propuesto representa el riesgo a travs de las
probabilidades de por encima o por debajo de un punto de corte; Sin embargo,
todava no lo hace directamente Aunque todos estos estudios representan avances
sustanciales en el campo, no se integran directamente la incertidumbre en el
proceso de optimizacin. Dimitrakopoulos y Ramazan (2004) proponen una
optimizacin de la programacin probabilstica a largo plazo, mtodo basado en
programacin lineal para hacer frente a la incertidumbre. El mtodo propuesto
representa el riesgo a travs de las probabilidades de por encima o por debajo de
un punto de corte; Sin embargo, todava no est explcitamente directo en cuenta a
la incertidumbre del yacimiento. Godoy y Dimitrakopoulos (2004) desarrollaron un
nuevo riesgo incluido el enfoque de programacin de la produccin a largo plazo
basada en la simulacin recocido y logr una mejora significativa en el VAN total de
un proyecto de una mina grande de oro.
Su modelo no tiene en cuenta los problemas de mezcla de calidad y el control de las
distribuciones de riesgo para objetivos de produccin; aunque s minimizar el riesgo
del no cumplimiento de los objetivos de produccin del mineral peridico.
Este artculo presenta un nuevo modelo matemtico SIP eficiente que genera
programas de produccin ptimos a largo plazo para abrir minas a cielo para una
funcin de objetivo definido, teniendo en cuenta los requerimientos operacionales
en la mina. El modelo SIP toma mltiples modelos del yacimiento simuladas, sin
promediando de los grados, y maximiza el VAN total al considerar la incertidumbre
geolgica causada por la variabilidad del grado. El concepto geolgico de
descuento de riesgo (Dimitrakopoulos y Ramazan, 2004; Dimitrakopoulos, en
prensa) se incorpora en el modelo SIP para controlar la distribucin de riesgos entre
los perodos de produccin. A los parmetros se aplican multas por las desviaciones
de los objetivos, se implementan para controlar la distribucin del riesgo geolgico
en trminos de magnitud y de variabilidad. Este modelo SIP ha sido desarrollado
como parte de una Proyecto ARC-Vinculacin, reportado inicialmente por Ramazan y
Dimitrakopoulos (2003).

Programacin integral estocstica del modelo


El modelo SIP desarrollado en este documento representa entradas inciertas por
consideradas realizaciones de grado simulado en la optimizacin del proceso. Se
puede minimizar as el riesgo de una mina de no cumplir los objetivos de

produccin como consecuencia de la incertidumbre geolgica. El modelo contiene


una funcin objetivo y un conjunto de restricciones en representacin de las
necesidades de funcionamiento de la mina. Dentro estas limitaciones, el modelo
realiza los clculos necesarios para alcanzar el objetivo. La funcin objetivo se
define como la maximizacin del valor presente neto total del proyecto menos el
costo de desviaciones entre la cantidad prevista del tonelaje del mineral, de grado y
la calidad y la cantidad de los producidos a partir de la actual operacin. Los valores
NPV de bloques individuales en el objetivo las funciones se calculan a partir de la
media descontado los valores econmicos de los modelos del yacimiento simuladas
(Godoy y Dimitrakopoulos, 2004), no de la media de la nota. Los parmetros que se
incluyen en la funcin objetivo para tener en cuenta se asignan desviaciones para
cada modelo de yacimiento simulado y para cada perodo de tiempo para cada tipo
de objetivo de produccin, tales como mxima calificacin peridica de mineral,
nota mnima de mineral, mxima capacidad de procesamiento de mineral y el
tonelaje mnimo de mineral que tiene que ser procesado. Estos factores de
desviacin se calculan en las formulaciones de restricciones relacionadas que
consideran modelos individuales del yacimiento simuladas para cada uno de los
perodos de produccin.
Definicin de smbolos y trminos
Dos conceptos bsicos para la puesta a punto del programa SIP y el modelo son:
'variable: es un factor cuyo valor ser determinado por la solucin del modelo
matemtico. Se utiliza el CPLEX solucionador para resolver modelos matemticos
SIP / tipo MIP / LP en este estudio.
'constante: es un factor cuyo valor tiene que ser proporcionada al modelo
matemtico por el usuario.
Los factores variables y constantes utilizadas en el modelo son SIP se define a
continuacin:
P es el nmero total de perodos de produccin, o en la ma vida; constante
N es el nmero de bloques considerados en el modelado; constante
Bit es una variable que representa el porcentaje de bloque i extrado en el perodo t;
si un bi t variable se define como binario (0 1), se le asigna 1 si el bloque i se
extrae en el perodo t y asignada 0 en caso contrario; variable
M es el nmero total de modelos simulados del yacimiento; constante
Dsuto: es la cantidad en exceso de tonelaje de mineral producido por encima de un
tonelaje deseado o lmite superior, en el periodo t si el depsito tiene las mismas
caractersticas definidas en el modelo de yacimiento s; variables. Nota que g en
lugar de o en este trmino se refiere al grado y q a la cantidad de metal
cuto: que es el costo unitario de dsuto para la funcin objetivo; constante. Tenga en
cuenta que g en lugar de o en esta legislatura se refiere a grado y cantidad de
metal a q

dslto: que es la cantidad deficiente de tonelaje de mineral producido por debajo de


un tonelaje deseado o lmite inferior, en el periodo t si el depsito tiene las mismas
caractersticas definido por el modelo de yacimiento s; variable. Note que g en lugar
de o en este trmino se refiere al grado yq a la cantidad de metal
clto: es el costo unitario de DSL a para la funcin objetivo; constante. Tenga en
cuenta que g en lugar de o en esta legislatura se refiere a grado y cantidad de
metal a q
fl: es la tasa de descuento utilizada para el riesgo yacimiento calcular cl a y cl
valores tg; constante
fu: es la tasa de descuento utilizada para el riesgo yacimiento calcular cu a y Cu
valores tg; constante
f: se utiliza en este proyecto ya que el riesgo yacimiento tasa de descuento: f = fl =
fu; constante
R: es la tasa de descuento econmica peridica, que es establecer un diez por
ciento en este caso; constante
E {(EV) i0}: Es el valor econmico que se prevea generar en el futuro t tiempo si el
bloque i se extrae en el perodo t; constante. El valor esperado de bloque i es
calculado como sigue:

E {(VAN) i t}: Es el valor descontado se prevea generar si el bloque i se extrae en el


perodo t; constante es calculado como sigue:

Vit: es una representacin de E {(NPV) i t}; constante


Gsi: es el grado del bloque i en el yacimiento modelo de s; constante
Osi: es el tonelaje de mineral dentro del bloque i en el yacimiento modelo de s;
constante
Gmin y Gmax: son el promedio mnimo y mximo objetivo grado del material de
mineral a procesar en una perodo; constante
Mslto: que es la variable ficticia utilizada para equilibrar las restricciones de igualdad
cuando el tonelaje de mineral producido es ms que el mnimo requerido cantidad
para el modelo de yacimiento s; variable. Nota que g en lugar de o en este trmino
se refiere al grado y q a la cantidad de metal.

Msuto: es la variable ficticia utilizada para equilibrar las restricciones de igualdad


cuando el tonelaje de mineral producida es menor que la cantidad mxima para el
modelo de yacimiento s; variable. Tenga en cuenta que g en lugar de o en este
trmino se refiere al grado y al q la cantidad de metal
Yi: nmero de bloques superpuestos bloque de mineral de i considerado para
establecer las limitaciones de pendiente; constante.
Funcin Objetivo
La funcin objetivo del modelo de SIP se construye como el 'Maximizacin de una
funcin de beneficio'. La funcin de utilidad se define como el VAN esperado total
menos el costo de las desviaciones de objetivos de produccin previstos. Se expresa
como sigue:

Parte 1 de la funcin objetivo se utiliza para maximizar el total de descontado del


valor econmico mientras que la Parte 2 se utiliza para la gestin del riesgo de no
cumplir los objetivos de produccin utilizando condicionalmente modelos del
yacimiento simuladas. Tradicionalmente, un modelo del yacimiento, un suave
imagen de la fianza, se utiliza para maximizar el VAN.
Sin embargo, cuando las desviaciones esperadas de la cantidad prevista del
tonelaje de mineral que tiene un grado planificada y calidad en un calendario son
altos en las operaciones mineras actuales, el modelo tradicional tiene pocas
probabilidades de alcanzar el VAN resultante del calendario previsto.
As, el VPN que se genera a partir de la minera actual puede estar lejos de ptimo
incluso si el programa se optimiza el uso de un cierto tradicional optimizador,
modelo MIP (Ramazan, 2001; Ramazan y Dimitrakopoulos, 2004a). Por lo tanto, el
modelo SIP se desarrolla a considerar la minimizacin de las desviaciones junto con
la maximizacin del valor presente neto para generar VAN alcanzable.
Para la construccin de la funcin objetivo, en un principio, una constante de valor
se asigna para cada uno de los parmetros que representan el coste costo en el
tiempo 0 (costo base). Luego, el parmetro descontando riesgo (f) se introduce para
determinar el costo en diferentes perodos de tiempo por descontando el costo base
mediante f (Dimitrakopoulos y Ramazan, 2004). El concepto descontando riesgo es
entonces incorporado en el modelo SIP (Ramazan y Dimitrakopoulos, 2.003;
Dimitrakopoulos, en prensa).
Si f se establece en 0, las desviaciones en los objetivos de produccin se puede
espera que resulte en ms o menos el mismo nivel entre diferentes perodos de

produccin debido a que el costo de una unidad de desviacin ser el mismo en


todos los perodos. Sin embargo, la distribucin de desviaciones tambin depender
de cmo la variabilidad en el grado y tonelaje de mineral se distribuye en el
depsito y en cmo la magnitud relativa de los costos de las desviaciones utilizados
en el SIP modelo se compara con los valores econmicos de los bloques.
Las limitaciones del modelo
Los parmetros de desviacin se calculan en el modelo SIP usando las limitaciones
relacionadas que tienen en cuenta cada uno de los modelos simulados del
yacimiento. En estas limitaciones el papel, tipo de igualdad que utilizan simulados
mltiples realizaciones del yacimiento se llaman 'estocstico restricciones "o, ms
especficamente," restricciones estocsticos blandas " porque son factibles para
cualquier valor de la decisin las variables (bit).
Restricciones estocsticos relacionados con la mezcla de grado se utilizan para
satisfacer no slo el requisito de grado en la fbrica, sino tambin los requisitos
para los parmetros de calidad, por ejemplo, la combinacin de elementos como
aluminio y magnesio en minas de nquel, o slice en minas de mineral de hierro.
Este tipo de restriccin se puede expresar por:

Estas limitaciones estn escritas para cada uno de los M- igualmente modelos del
yacimiento probables (s = 1, 2, ..., m) y perodos de tiempo P- (t = 1, 2, ..., P). Las
limitaciones estocsticos para el tonelaje de mineral y de metal tambin se puede
escribir de una manera similar como las limitaciones de grado (Ramazan y
Dimitrakopoulos, 2003). Otros operativa restricciones (Ramazan y Dimitrakopoulos,
2004a) tambin son incluida en el modelo aunque no se discute en este trabajo.
PRUEBAS HIPOTETETICAS DE DATOS BIDIMENSIONAL SET
Esta seccin presenta las aplicaciones del modelo de programacin de SIP
utilizando diferentes parmetros de los costos de los factores de desviacin en un
hipottico depsito de oro de un solo elemento bidimensional. Los depsitos
considerados aqu son un modelo de yacimiento subvertical que requiere la minera
con un ngulo de 45 de pendiente. El modelo contiene 200 bloques cuadrados, 20
diez a lo largo de los ejes horizontal y vertical, respectivamente. El yacimiento de
oro se simula mediante la generacin de 50 modelos del cuerpo de mineral que
representan el depsito con la misma probabilidades (Ramazan et al, 2004). Las
calificaciones en estos modelos simulados del yacimiento se promedian, generando
una modelo de yacimiento denominado aqu como el modelo de yacimiento 'e-type'.
Este modelo yacimiento es el equivalente de un modelo estimado que es una
imagen suavizada del depsito, que se utiliza a menudo como entrada en mtodos

de optimizacin tradicionales. La distribucin del grado de tres modelos simulados


del yacimiento y el modelo de tipo E se muestran en la figura 1. La figura muestra
que, aunque hay algunas similitudes en las caractersticas generales de la
calificacin distribucin, existen diferencias locales entre el modelo simulado del
yacimiento equi probables. Todos los modelos simulados tienen el mismo
histograma y continuidad espacial.

Figura 1 - distribuciones de grado del depsito 2D hipottica en tres realizaciones


simulados del yacimiento y de la e-type yacimiento modelo genera a partir del
promedio de 50 realizaciones simulados (en la parte inferior derecha).

Aplicacin del modelo de SIP


El depsito artificial est programado para ser extrado por tres aos de la
produccin mediante el modelo SIP. Durante las pruebas realizadas, dos diferentes
parmetros de costos se utilizan: uno apunta a penalizar a las desviaciones en la
produccin de mineral (CTO) en el perodo t y los otros objetivos a sancionar las
desviaciones en la nota media del mineral producido (CTG) en el perodo t. En este
estudio, la produccin de exceso de mineral (dsuto) y grado (dsutg), y la escasez en
la produccin de mineral (DSLa) y grado (DSLtg) son penalizados por igual (cto = cl
a = cu a y ctg = cltg = cutg). Las tasas de descuento riesgos del yacimiento (f) de
ocho por ciento se utiliza para distinguir el costo de las desviaciones ms de los
perodos de produccin. Todos los bloques en el modelo de depsito se consideran
para la programacin. Incluso los bloques en los bordes se supone que son
explotables para el propsito de ilustrar el nuevo concepto SIP, a pesar de que no se
extraen factible en la operacin real. La nota media del tonelaje mineral extrado en
cada perodo es obligado a estar entre 4,7 y 5,2, y el mnimo y mximo tonelaje de
produccin de mineral peridica se limita a ser entre 260 toneladas y 290
toneladas.
Generacin de varias programaciones con diferentes distribuciones de riesgos

La Tabla 1 muestra los valores calculados a partir de la e-type del yacimiento


modelo correspondiente a la informacin resumen de los horarios obtenidos
asignando diferentes valores para el c0o y C0G parmetros. La primera columna, S,
muestra el nmero de calendario, lo que corresponde a un horario generada
mediante el uso del costo de parmetros indicados en la tabla. Los valores de los
parmetros de costos son seleccionados por ensayo y error. Inicialmente, el cero se
asigna como el costo de desviaciones de los dos objetivos de produccin y calidad
del mineral. Entonces los valores se incrementan de forma aleatoria para generar
diferentes perfiles de riesgo. En algunos casos, como en los modelos de uno, tres,
cinco y seis, el mismo resultado programacin es generada por el uso de diferentes
parmetros de los costos de mineral de grado y desviaciones en la funcin objetivo.
A pesar de que es posible calcular el costo real de no producir una cierta cantidad
de metal en este caso, no es la mejor manera de utilizar el modelo SIP propuesto. El
propsito del modelo de SIP es para generar horarios con VAN ptima y controlar el
riesgo distribucin.

Tabal1
Resumen de los seis horarios SIP diferentes generados con diferentes parmetros
de costos. Horario S7 es el horario tradicional.

Esto es debido al hecho de que diferentes minas puede tener diferentes


preferencias de distribucin de riesgos y gestin debe ser capaz de decidir la
distribucin de riesgo ms adecuado para la mina especfica. Por ejemplo, si hay
ms presupuesto para la perforacin de exploracin despus de unos pocos aos,
puede ser preferible extraer la parte arriesgada del depsito despus; si en general
de la mina beneficio no es muy alto, puede ser la mejor manera de mantener el
riesgo tan bajo como posible, pero si las ganancias de la mina se ve
razonablemente alto, puede ser mejor para tolerar un cierto riesgo si tiene un
potencial significativo generando mayor VAN. Por lo tanto, no hay ningn mtodo
disponible para determinar los valores ptimos para el costo de las desviaciones
para cualquier mina. Lo importante es generar un horario que va producir el VAN
ptima para una distribucin de riesgo deseado en lugar que la optimizacin de los
costes de las desviaciones. En este trabajo, horario S7 se genera mediante la
aplicacin de una forma general de formulaciones MIP con el objetivo de
maximizacin de valor presente neto en un modelo de yacimiento estimado nica
que se considera como programacin tradicional.
El primer horario S1 se genera mediante la asignacin de 0 a ambas de las
parmetros de costos (c0o = 0 y C0G = 0), lo que hace que el tonelaje de mineral y
las limitaciones de grado inactivo. Horario S1 viola las limitaciones de la capacidad
de procesamiento del mineral en todos los perodos de grandes cantidades, y las
limitaciones de grado significativamente. La resultante NPV desde el modelo
matemtico no se puede lograr a travs de la operacin real debido a las altas

desviaciones. Este modelo de programacin se considera que es inviable y poco


realista debido a que dan como resultado altas desviaciones.
El calendario tambin S2 no es realista debido al hecho de que no produce el
mineral en el primer perodo por dos razones principales. La primera razn es que el
costo de las desviaciones de grado, C0G, es demasiado alta, dominando y
destruyendo el efecto del parmetro en NPV la funcin objetivo. La segunda razn
es que asigna cero costo base de las desviaciones en el tonelaje de mineral
desactiva el procesamiento las limitaciones de capacidad. Horarios de S1 y S2
muestran que el costo de parmetros es crucial, y la asignacin de valores errneos
a ellos genera mayor factibilidades de programas. Los perodos de programacin de
los horarios S3, S4, S5, S6 y S7 se representan en la Figura 2. La figura muestra que
el tradicional horario (S7) minas menos bloques que los otros horarios. Esta se
produce porque, en los modelos de SIP, un bloque se clasifica como mineral de si se
considera que es el mineral en ms de 40 por ciento de la simulada modelos del
yacimiento, y esto ha dado lugar a la clasificacin dems bloques como el mineral
que se clasifica como el modelo de tipo electrnico en este caso.

Figura 2 - Vista transversal de los horarios a los 45 de pendiente restriccin.

La cuantificacin de la incertidumbre dentro de los horarios


En un calendario, las desviaciones de la media, la media de las desviaciones no es
cero y la probabilidad que se desve de los objetivos de produccin de acuerdo a los
modelos simulados del yacimiento son considerados como los parmetros de
medicin de incertidumbre en este estudio. La Tabla 2 muestra el porcentaje de las
desviaciones para cada uno de los horarios. La tercera 'Las desviaciones e-type (por

ciento) "columna es el desviaciones por ciento con respecto al modelo de


yacimiento de tipo e.
Los valores reportados en la cuarta columna se determinan con respetar a los
modelos simulados de la siguiente manera:
1. Suponiendo que los valores en el depsito real son exactamente los mismos que
el modelo de yacimiento simulado 1, calcule el tonelaje de mineral resultante (Ro) y
la nota media resultante de ese tonelaje de mineral (Rg) dentro de cada perodo de
produccin.
2. Clculo de las desviaciones por ciento de inters para el tonelaje de mineral y Dg
para el grado por perodo:

3. Repita el paso dos para todo el yacimiento simulado restante modelos.


4. Encuentra el promedio de los calculados hacer y Dg valores para cada perodo y
el informe bajo las columnas de mineral y el grado en el tabla, respectivamente.
'Las desviaciones e-type (por ciento)' La tercera columna de la Tabla 2 es calculado
mediante la determinacin de la los valores Rg Ro y por e-type modelo de
yacimiento y el uso de las ecuaciones en el paso dos.
La quinta columna 'Promedio de las desviaciones distintas de cero (por ciento)' es
generada como sigue:
1. Realice los pasos anteriores del uno al tres.
2. Contar el nmero de modelos del yacimiento simuladas que desviaciones son
mayores que 0, para el mineral (No) y grado (Ng) para cada perodo.
3. Suma las desviaciones, hacer y Dg valores, y el informe sum (Do) / No y suma
(Dg) / Ng bajo las columnas de mineral y grado.
Esta quinta columna "Promedio de las desviaciones no cero (por ciento) '
proporciona una cantidad en trminos de magnitudes reales de las desviaciones por
no incluir los modelos del yacimiento con 0 desviaciones en el proceso de
promediado.
La ltima columna 'Probabilidad desviarse' muestra la probabilidad de cada
programa para desviarse en cada perodo de produccin. Desde hay 50 modelos del
yacimiento simuladas utilizadas aqu, los valores de mineral (Po) y grado (Pg) en la
tabla se calculan de la siguiente manera:

El modelo de programacin SIP est diseado de una manera tal que se no toma la
produccin de mineral y las limitaciones en el promedio de calificaciones ltimo
perodo en consideracin, ya que este no afecta a la optimizacin de la
programacin (Ramazan y Dimitrakopoulos, 2004b). Por lo tanto, los horarios se
compararon y se analizaron en la base de la primera y slo el segundo perodos, lo
que conduce a los horarios no factibles S1 y S2 estn excluidos de las nuevas
discusiones.
Anlisis de los resultados
La Tabla 2 muestra que el horario tradicional S7 tiene el total ms alto de
desviaciones en la produccin del mineral, el 22 por ciento, para el primer y el
segundo perodo entre los horarios considerados. El total de desviaciones promedio
en la produccin de mineral en los horarios SIP S3, S5 y S6 son alrededor del 15 por
ciento y 17 por ciento en el horario S4. Cantidad promedio de las desviaciones
distintos de cero en la produccin de mineral son 45 por ciento en los horarios de
S5 y S6, y el 46 por ciento en S4, que son ligeramente menor que el 50 por ciento
en la programacin estocstica S3 y el horario tradicional S7. Horario tradicional S7
tambin tiene las ms altas desviaciones de grado no nulos en total, 34 por ciento.
La media probabilidad de tener las desviaciones en toneladas de mineral y gramos
es ms alto en el horario tradicional, al 73 por ciento y 69 por ciento
respectivamente en promedio para los dos primeros perodos. Horarios estocsticos
S5 y S3 tienen probabilidad media inferior a desviarse en la produccin de mineral
en 55 por ciento y el 58 por ciento, respectivamente, mientras que horarios S4 y S6
tienen 69 por ciento de probabilidad media durante los dos perodos. Estos
resultados ilustran que el tradicional horario, que utiliza un modelo de yacimiento
de entrada nica estimado, realiza mal en comparacin con la programacin
estocstica modelos. Los malos resultados del modelo tradicional es el resultado de
su falta de capacidad para incorporar la incertidumbre en el grado proceso de
optimizacin y de un modelo de yacimiento de entrada nica no ser capaz de
representar la variabilidad del grado.
Anexo 5 parece funcionar mejor que otros horarios en trminos de cumplimiento de
los objetivos de produccin de mineral de grado y como se muestra en la Tabla 2.
Tabla 1 muestra que programan S5 se asigna mayor costo por desviarse de los
objetivos de produccin de mineral que el otro SIP horarios. Aunque se asigna coste
cero para las desviaciones en nota media, las desviaciones de grado son similares a
las desviaciones en los otros horarios, y la probabilidad de desviarse en el grado
como un promedio de los dos primeros perodos es menor que en el otro mtodo.
Esto puede ser debido al hecho de que este calendario produjo tonelaje de mineral
ms equilibrada entre los perodos con los bloques que tienen mayor probabilidad
de ser mineral. En este estudio de caso especfico, la produccin del tonelaje del

mineral con los bloques de mineral de riesgo robusta puede tener dado lugar a
variaciones de bajo grado.
La Figura 3 presenta la produccin de toneladas de mineral de simulacin modelos
del yacimiento, la media de estos tonelada de mineral, y el mnimo (LO) y mximo
(UO) lmites de la produccin de mineral restringiendo cada uno de los horarios
considerados para la primera y los segundos perodos. Se muestra que el promedio
de la toneladas de mineral esperados utilizando el mtodo de la programacin
tradicional es menor que el lmite inferior, lo que indica un mayor riesgo de caer en
corto en el primer perodo. Desde el almacenamiento no se considera en estos
horarios, que producen ms tonelaje de mineral que el mximo capacidad de
procesamiento, como es el caso en los horarios S3 y S5 en el primero periodo,
tambin debe ser considerado como indeseable y costoso
Horarios S4 y S6 pueden considerarse mejor que los otros del anlisis de la
produccin de mineral en el primer perodo. Las variaciones en la posible
produccin del mineral de horarios S4, S6 y S7 son ligeramente menores que las de
los horarios de S3 y S5 en el primera perodo. Sin embargo, la programacin S7
debe considerarse indeseable debido a su mayor posibilidad de no producir
suficiente mineral para alimentar el molino.
Las variaciones en la produccin de tonelaje de mineral durante el segundo perodo
de indicar que los horarios de S3 y S5 tienen relativamente menos riesgo de
producir menor que el lmite inferior, o ms de la parte superior lmites de mineral.
La variabilidad no es particularmente grande entre los horarios estocsticos, pero es
muy grande en el tradicional horario. El horario tradicional tambin tiene una alta
probabilidad de superior a la capacidad mxima del molino durante el segundo
perodo.
Figura 3 indica que el horario tradicional S7 tiene el mayor riesgo de desviarse de la
produccin de mineral de lo previsto. No hay una diferencia significativa en el VAN
total de la proyecto entre los modelos simulados del yacimiento. La diferencia es
que, dado que el modelo tradicional no es probable que produzca la cantidad
planificada de metal, el VPN no se puede realizar, pero el mtodo propuesto es
probable alcanzar el VAN planeado.

TABLA 2
Las desviaciones en la produccin de mineral en perodos regulares y la nota media

Figura 3 - Posibles
resultados de tonelajes
de mineral generadas
por los horarios S3, S4,
S5, S6 y S7 horario
tradicional. LO y UO se
muestra en las dos lneas
horizontales representan los lmites inferior y superior de la produccin de mineral
por perodo y son 260 toneladas y 290 toneladas, respectivamente.
CONCLUSIONES Y MS TRABAJO
En este trabajo se ha presentado un nuevo y eficiente modelo de SIP formulacin
que pueden considerar mltiples modelos del yacimiento simuladas para optimizar
la programacin de la produccin a largo plazo. El objetivo funcin en este modelo
se construye como la maximizacin de valor presente neto del minera operacin,
con un manejo del riesgo de no cumplir con la produccin de objetivos en trminos
de toneladas de mineral, el grado y la calidad. La programacin del mtodo
desarrollado aqu permite la toma de decisiones para definir un riesgo del perfil
basado en la incertidumbre existente cuantificado por la simulacin de modelos de
yacimientos. El tomador de decisiones tiene la opcin de minimizando el riesgo en

cada uno de los perodos de produccin, o tolerar algo de riesgo en determinados


perodos, o todos los perodos. En el modelo de programacin tradicional, el riesgo
geolgico es al azar distribuido en los perodos y puede ser significativamente
grande. Los nuevo modelos SIP permiten la seleccin del mejor diseo de la mina
basado en el VAN resultante y el perfil de riesgo definido. El SIP mtodo contiene
variables binarias que sustancialmente menos modelos de planificacin de minas
MIP tradicionales y el modelo SIP es eficiente en trminos de tiempo de solucin.
Aunque una de datos hipotticos conjuntos se ha utilizado para ilustrar la fuerza del
nuevo modelo de SIP en este trabajo, el modelo es aplicable a las grandes minas a
cielo abierto. Se ha comprobado que los modelos SIP tienen importantes beneficios
econmicos en comparacin con los modelos tradicionales que utilizan entradas
deterministas (Birge y Louveaux, 1997; Ramazan y Dimitrakopoulos, 2.003;
Ramazan et al, 2004; Dimitrakopoulos, en prensa). Los programacin estocstica y
modelado concepto es til no slo para optimizar el proceso de programacin de la
produccin, sino tambin para la investigacin de las diversas etapas de todo el
proceso de la minera, como encontrar el valor de una campaa de perforacin
adicional como se discute en Froyland et al (2005).

RECONOCIMIENTO
El trabajo en este paper es parte de ARC Beca # LP0211446 a R Dimitrakopoulos y
tambin fue financiado por Anglo Gold Ashenti, BHP Billiton, Rio Tinto y Xstra.
Referencias
Birge, J R and Louveaux, F, 1997. Introduction to Stochastic Programming, 421 p
(Springer, series in operations research: New York).
Boucher, A and Dimitrakopoulos, R, 2005. A new efficient joint simulation framework
and application in a multivariable deposit, in Orebody Modelling and Strategic Mine
Planning, Spectrum Series No 14, pp 319-328 (The Australasian Institute of Mining
and Metallurgy: Melbourne).
Dimitrakopoulos, R, in press. Applied risk analysis for ore reserves and strategic
mine planning: Stochastic simulation and optimisation, Springer SME, 350 p,
Dordrecht.
Dimitrakopoulos, R, Farrelly, C T and Godoy, M, 2002. Moving forward from
traditional optimisation: grade uncertainty and risk effects in open-pit design,
Transactions of the Institutions of Mining and Metallurgy, Section A: Mining
Technology, 111:A82-88
Dimitrakopoulos, R and Luo, X, 2004. Generalized sequential Gaussian simulation on
group size v and screen-effect approximations for large field simulations,
Mathematical Geology, 36(5):567-591.
Dimitrakopoulos, R and Ramazan, S, 2004. Uncertainty based production scheduling
in open pit mining, SME Transactions, 316:106-112.

Dowd, P A, 1997. Risk in minerals projects: analysis, perception and management,


Transactions of the Institution of Mining and Metallurgy, Section A: Mining
Technology, 106:A9-18.
Escudero, L F, 1993. Production planning via scenario modelling, Annals of
Operations Research, 43:311-335.
Froyland, G, Menabde, M, Stone, P and Hodson, D, 2005. The value of additional
drilling to open pit mining projects, in Orebody Modelling and Strategic Mine
Planning, Spectrum Series No 14, pp 225-232 (The Australasian Institute of Mining
and Metallurgy: Melbourne).
doy, M C, 2003. The efficient management of geological risk in long-term production
scheduling of open pit mines, PhD thesis, University of Queensland, Brisbane, 256 p.
Godoy, M C and Dimitrakopoulos, R, 2004. Managing risk and waste mining in longterm production scheduling, SME Transactions, 316:43-50.
Ramazan, S, 2001. Open pit mine scheduling based on fundamental tree algorithm,
PhD thesis, Colorado School of Mines, Golden.
Ramazan, S and Dimitrakopoulos, R, 2003. Stochastic integer programming based
modelling for long-term production scheduling of open pit mines, ARC-Linkage
Report N-6002-1, W H Bryan Mining Geology Research Centre, University of
Queensland, Brisbane
Ramazan, S and Dimitrakopoulos, R, 2004a. Traditional and new MIP models for
production scheduling with in-situ grade variability, International Journal of Surface
Mining, Reclamation and Environment, 18(2):85-98.
Ramazan, S and Dimitrakopoulos, R, 2004b. Recent applications of operations
research in open pit mining, SME Transactions, 316:73-78.
Ramazan, S, Dimitrakopoulos, R, Benndorf, J and Archambeault, L, 2004. Extension
of SIP modelling for long term production scheduling with stochastically designed
stockpiles and multiple ore processors, ARC-Linkage Report N-6003-1, W H Bryan
Mining Geology Research Centre, University of Queensland, Brisbane.
Ravenscroft, P J, 1992. Risk analysis for mine scheduling by conditional simulation,
Transactions of the Institution of Mining and Metallurgy, Section A: Mining
Technology, 101:A104-108.

You might also like