Identificación de parámetros operacionales críticos en el rendimiento de camiones mediante redes bayesianas: Los Bronces, Anglo American S.A.

Abstract

Las bajas sostenidas en el precio del cobre hacen necesaria la optimización de procesos en la industria minera para reducir costos y aumentar su productividad. En minería a cielo abierto el acarreo de material mediante camiones constituye uno de los procesos de mayor costo debido al consumo de combustible, mantenciones, neumáticos, etc. Por lo tanto, para compensar los altos costos, el rendimiento de la flota de transporte medido en toneladas por hora debe ser siempre maximizada. En este contexto de disminución de los costos, Los Bronces se ha propuesto aumentar sus niveles de productividad poniendo como meta ser la operación con la pala eléctrica más productiva de la corporación. Para ello, se ha propuesto un plan de mejoramiento de 5 años en el periodo 2018-2023. Si bien el centro de atención de este plan es la pala, se estableció como objetivo mejorar todos los procesos de la mina relacionados a una pala bench. Esto implica, por consiguiente, que uno de los procesos claves a mejorar es la productividad de la flota de camiones. En busca de mejorar este rendimiento de la flota en la mina operación Los Bronces, y entendiendo que las variables que impactan en el rendimiento no son totalmente independientes, se propone presentar la implementación de redes bayesianas para identificar los parámetros operacionales críticos que impactan en el rendimiento. La aplicación de redes bayesianas se ha utilizado en variados ámbitos y en otras industrias, pero nunca ha sido utilizada en la operación mina de la división Los Bronces. En cuanto a la metodología aplicada, esta se divide en varias etapas. Primero se definen los parámetros operativos y el horizonte temporal (julio 2019), abogando por la representatividad de la operación en la mina Los Bronces. Luego se definen las variables más importantes del ciclo de transporte y se extrae la base de datos (BD), la que posteriormente se filtra con criterios de validez. Una vez construida la BD se realizaron estudios estadísticos clásicos mediante la obtención de la estadística descriptiva y la construcción de histogramas para ver el comportamiento de las variables y evaluar la robustez de los datos de entrada. Posteriormente, se construye la red bayesiana mediante evaluación de algoritmos de aprendizaje. Las potenciales soluciones se representan en grafos, siendo descartados aquellos que no cumplen con las condiciones iniciales de la BD. El grafo escogido corresponde a uno de tipo Hill-Climbing. Luego se eliminan aquellos arcos que: 1) no representen el comportamiento esperado en minería y 2) su correlación sea baja. Finalmente, se repite el mismo procedimiento para el mes de septiembre 2019 y la temporada de invierno 2019 (abril hasta septiembre). De acuerdo con la metodología descrita, la aplicación de redes bayesianas demuestra que las variables que más afectan al rendimiento de manera inversa son el tiempo de viaje (-0.77) y la distancias (-0.71) con correlaciones altas y, con menor correlación, los tiempos fijos como los operativos no productivos (-0.17). En cuanto a las variables que más afectan al rendimiento de manera directa son las velocidades (0.17) y el factor de carga (0.16), pero no de la manera que se esperaba pues sus correlaciones son bajas. Este modelo es el paso siguiente a los árboles de valores, pues ahora conocemos las variables más influyentes y las más correlacionadas. Como parte de trabajos futuros se encuentra buscar la forma en que las variables se relacionan mediante estimaciones, teniendo en consideración que podrían existir variables que no estamos incluyendo en este modelo y además funciones que relacionen variables con el TPH y que sean invisibles a la correlación.