Calibración automática fija y dinámica de parámetros en modelo de optimización para despacho de camiones en minería a cielo abierto

Abstract

En las operaciones mineras a cielo abierto, se tiene que entre un 50% y un 60% de los costos operacionales están relacionados a tareas de carguío y transporte de material, y es por esto que es importante hacer cada vez más eficiente este proceso. Existen distintos sistemas de gestión de flota implementados en la minería alrededor del mundo, siendo DISPATCH de Modular Mining uno de los más utilizados a nivel mundial. Este sistema permite gestionar el despacho de camiones en dos etapas, la primera siendo un modelo denominado upperstage, que asigna flujos de material objetivos (ton/hr) a los equipos de carguío (o palas), y la segunda un modelo denominado lowerstage que realiza el despacho hacia una de las palas, de los camiones que solicitan asignación, considerando como guía los resultados del modelo previo para determinar hacia dónde se envía. Si bien este modelo busca mejorar el rendimiento de material movido, no considera los planes que pudieran tener las distintas faenas. Dentro de la literatura, existen modelos propuestos para ser utilizados como modelo upperstage, encontrando flujos objetivos, pero considerando aspectos como los planes mineros. Este es el caso del modelo OAS, el cual se introduce y se utiliza en este trabajo. Este modelo utiliza parámetros que deben ser calibrados previamente, con el fin de obtener el mejor rendimiento operacional posible. El objetivo de este trabajo es encontrar la mejor metodología para calibrar estos parámetros. Para esto, se utiliza un simulador de las operaciones mineras con el uso del modelo OAS, y se realiza una calibración fija, en que los parámetros calibrados se mantienen constantes en cada ejecución del modelo, y una calibración dinámica, en que se entrega parámetros para cada ejecución, según el estado de la mina en ese momento en particular. Para la calibración fija se utiliza el algoritmo evolutivo jSO, y para la calibración dinámica se utiliza una red neuronal, la cual cada vez que se ejecuta el modelo, recibe inputs del estado de la mina, y devuelve parámetros para ser utilizados en el modelo OAS. La obtención de esta red neuronal se lleva a cabo mediante neuroevolución: en primer lugar se utiliza una topología fija de la red y el algoritmo jSO, y también se evalúa el uso de topología variable utilizando para ello el algoritmo NEAT. Los resultados indican que el desempeño del modelo OAS es bueno con cualquier tipo de calibración. La calibración usando redes neuronales se desempeña igual de bien que la calibración fija utilizando el algoritmo jSO. Se finaliza el trabajo observando algunos aspectos relacionados al modelo OAS que generan limitaciones a la hora de buscar mejoras e innovaciones como las de este trabajo, y que podrían ser revisados para el desarrollo de un nuevo modelo en el cual la calibración dinámica sí genere mejoras significativas.