Aplicación de inteligencia artificial para el agendamiento y optimización del diseño de fases en minería a cielo abierto

Abstract

El problema de agendamiento de la producción en minas a cielo abierto, tiene como objetivo determinar la secuencia de extracción de bloques mineros en un yacimiento. La extracción se realiza en base al cumplimiento de ciertas restricciones y se evalúa mediante una función objetivo, comúnmente el valor actual neto (VAN). Las metodologías tradicionales utilizadas para resolver este problema no consideran restricciones de diseño que permitan obtener pushbacks o pseudo fases operativas. Como consecuencia se generan planes de producción optimistas que no representan el valor real del proyecto. En esta tesis se propone implementar una metodología basada en inteligencia artificial (IA) para obtener pushbacks operativos para minas a cielo abierto, que maximicen el VAN del proyecto y que además respeten limitaciones operativas y de diseño. Este enfoque integrado se logra mediante la aplicación combinada de un algoritmo genético y un algoritmo de agrupación (K-means). Un algoritmo genético se define como una búsqueda heurística inspirada en la teoría de la evolución natural de Charles Darwin. El problema de agendamiento a resolver presenta varias restricciones que combinadas crean un problema de optimización combinatoria clasificado como NP-hard. Por lo general, la programación lineal no permite encontrar una solución óptima para este tipo de problemas en un tiempo de cálculo aceptable, por lo que se han implementado métodos de aproximación heurísticos y metaheurísticos para resolverlos. Estos métodos utilizan características basadas en la población para mejorar las múltiples soluciones candidatas. La metodología propuesta IA se compara con la metodología tradicional (pits anidados). Ambas metodologías son aplicadas en dos minas reales de diferente tipo de geometría y mineralogía: un yacimiento de oro (MCL) y un yacimiento de hierro (Iron_bm). Los resultados son comparados tanto previo (pushbacks) como posterior al diseño (fases), en términos de VAN y geometrías obtenidas mediante cada una de las metodologías. Como resultado, la metodología IA ha demostrado ser práctica y ofrecer un enfoque viable a la optimización del diseño y el agendamiento de la producción. Mediante la metodología IA se logran generar pushbacks con bases de ancho operativo que respetan las restricciones y facilitan el diseño de fases posterior. En términos de valor, en el primer caso de estudio, MCL, la metodología IA logra generar un VAN hasta un 18% superior al óptimo. Para el segundo caso de estudio, Iron_bm, se obtienen un VAN superior por medio de la metodología tradicional.