UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS DEPARTAMENTO DE INGENIERA INDUSTRIAL

CONSTRUCCiN DE UN MODELO AGREGADO DE PLANIFICACiN MINERA

MEMORIA PARA OPTAR Al TTULO DE INGENIERO CIVil INDUSTRIAL ,

MARIANElA PEREIRA CEA

.
I

PROFESOR GUA ANDRS WEINTRAUB POHORILLE MIEMBROS DE LA COMISiN RICARDO SAN MARTN ZURITA JOS MIGUEL CRUZ GONZLEZ

SANTIAGO DE CHILE ABRIL2007

NDICE DE CONTENIDOS
Pag. I II INTRODUCCIN..................................................................................................................1 ANTECEDENTES GENERALES .........................................................................................3 II.1 II.2 II.3 DESCRIPCIN DEL PROBLEMA ............................................................................................3 ENFOQUE DE SOLUCIN .....................................................................................................5 OBJETIVOS Y ALCANCE ......................................................................................................6 Objetivo general .....................................................................................................6 Objetivos especficos .............................................................................................7 Alcance ..................................................................................................................7 Definicin del problema..........................................................................................7 Formulacin del modelo agregado.........................................................................8 Solucin del modelo agregado...............................................................................9 Obtencin, anlisis y validacin de resultados ......................................................9

II.3.1 II.3.2 II.3.3 II.4 II.4.1 II.4.2 II.4.3 II.4.4 III

METODOLOGA GENERAL ...................................................................................................7

DEFINICIN DEL PROBLEMA..........................................................................................10 III.1 PLANIFICACIN MINERA ....................................................................................................10 III.1.1 III.1.2 III.1.3 III.1.4 III.2.1 III.2.2 III.2.3 Principales procesos de operacin de una mina subterrnea: ............................12 Elementos relevantes en la operacin de una mina subterrnea ........................14 Restricciones de operacin..................................................................................16 Objetivo de la planificacin minera ......................................................................18 Anlisis de agregacin .........................................................................................19 Anlisis de desagregacin ...................................................................................19 Anlisis de error ...................................................................................................20

III.2 AGREGACIN EN OPTIMIZACIN LINEAL .............................................................................19

III.3 RESULTADOS ESPERADOS ...............................................................................................20 III.4 MARCO TERICO .............................................................................................................21 III.4.1 III.4.2 III.4.3 III.4.4 IV Planteamiento matemtico general del problema:...............................................21 Proceso de agregacin ........................................................................................22 Desagregacin .....................................................................................................22 Cotas....................................................................................................................23

FORMULACIN DEL MODELO ........................................................................................24 IV.1 CONSIDERACIONES INICIALES SOBRE LA AGREGACIN EN EL CASO MINERO .......................24 iv

IV.2 PLANTEAMIENTO MATEMTICO DEL PROBLEMA .................................................................25 IV.3 PROCESO DE AGREGACIN DE COLUMNAS DE LA MATRIZ A ...............................................30 IV.3.1 IV.3.2 IV.3.3 V Definicin de distancia o medida de similitud ......................................................30 Algoritmo de clasificacin.....................................................................................31 Clculo de ponderadores g ..................................................................................33

IV.4 FORMALIZACIN DEL MODELO AGREGADO ........................................................................38 SOLUCIN DEL PROBLEMA AGREGADO ......................................................................40 V.1 V.2 DESCRIPCIN DE LAS INSTANCIAS DE PRUEBA...................................................................40 DESAGREGACIN Y CLCULO DE COTA DE ERROR .............................................................41 Desagregacin .....................................................................................................41 Clculo de la cota.................................................................................................41

V.2.1 V.2.2 VI

OBTENCIN ANLISIS Y VALIDACIN DE RESULTADOS............................................43 VI.1 CONSIDERACIONES GENERALES .......................................................................................43 VI.1.1 VI.1.2 VI.2.1 VI.2.2 VI.3.1 Criterios de asignacin de importancias ..............................................................43 Ponderadores g....................................................................................................44 Instancia 1: Subsector 6.......................................................................................45 Instancia 2: Todos los Subsectores .....................................................................46 Observaciones .....................................................................................................49

VI.2 INSTANCIAS .....................................................................................................................44

VI.3 ANLISIS .........................................................................................................................47 VII VIII IX CONCLUSIONES Y CONSIDERACIONES FUTURAS .....................................................50 BIBLIOGRAFA...................................................................................................................52 ANEXOS.............................................................................................................................54 IX.1 ANEXO A: MODELO ORIGINAL ...........................................................................................54 IX.2 ANEXO B: MODELO AGREGADO ........................................................................................68

NDICE DE FIGURAS

Figura 1: Enfoques de planificacin minera............................................................................10 Figura 2: Proceso de decisin minera. ...................................................................................11 Figura 3: Mtodo Subterrneo de Explotacin Panel Caving .................................................12 Figura 4: Flujo y diseo de redes de extraccin y transporte .................................................14 Figura 5: Sector mirado desde arriba .....................................................................................15 Figura 6: Corte transversal vertical de un sector ....................................................................16 Figura 7: Restriccin de regularidad de alturas de extraccin................................................17 Figura 8: Elementos de agregacin y desagregacin de PL ..................................................20 Figura 9: Columna de A ..........................................................................................................25 Figura 10: Columna de A modificada......................................................................................27 Figura 11: Algoritmo de agregacin Leader Type...................................................................32

NDICE DE TABLAS

Tabla 1: Asignacin de Importancia de componentes de A...................................................28 Tabla 2: Asignacin de importancia utilizada..........................................................................43 Tabla 3: Distancias mximas utilizadas ..................................................................................44 Tabla 4: Caractersticas generales Instancia 1.......................................................................45 Tabla 5: Resultados distancia 1 e instancia 1........................................................................45 Tabla 6: Resultados distancia 2 con instancia 1....................................................................45 Tabla 7: Resultados distancia 3 instancia 1............................................................................46 Tabla 8: Caractersticas generales instancia 2 .......................................................................46 Tabla 9: Resultados distancia 1 instancia 2............................................................................46 Tabla 10: Resultados distancia 2 instancia 2..........................................................................47 Tabla 11: Resultados distancia 3 instancia 2..........................................................................47

vi

INTRODUCCIN
Chile, con una produccin de 5.28 millones de toneladas de cobre fino en el ao 2005

equivalente al 37.5% del total mundial, es el principal productor de cobre del mundo. La principal empresa del rubro es la Corporacin Nacional del Cobre (CODELCO), una compaa del Estado que presenta una de las principales fuentes de ingreso para el pas. Actualmente CODELCO ejecuta su labor a travs de sus cinco divisiones, estas son Codelco Norte, Salvador, Ventana, Andina y El Teniente. Desde comienzos del siglo XXI, CODELCO comenz a definir su estrategia en base a una visin de futuro que implica consolidar su liderazgo como productor de cobre en el mundo a travs de medidas que permitan desarrollar su potencial de negocios, maximizar su valor econmico y su aporte al Estado [2]. La toma de decisiones de extraccin minera es un proceso complejo, y en el caso de CODELCO, debido a la dependencia que tiene la economa chilena de las utilidades de esta empresa, tiene adems una importancia a nivel pas inigualable. A travs de los aos esta empresa ha incorporado distintas herramientas de investigacin operativa, en particular ha ocupado la programacin matemtica para el apoyo en la toma de decisiones en la planificacin de extraccin y procesamiento de mineral. Muchos de estos modelos tienen un horizonte de 25 aos y son independientes, e incluso distintos en algunas caractersticas para las distintas divisiones de la empresa. Los modelos matemticos actuales para minas subterrneas entregan planes de accin detallados, que indican en qu momento explotar cada una de las unidades bsicas de la mina e indican adems, el flujo entre los distintos subsistemas productivos del proceso. Estos modelos son una herramienta totalmente operacional cuyo tamao supera ampliamente las 600 mil variables y poseen mayor o igual o mayor nmero de restricciones. El objetivo de este trabajo es construir un modelo compacto que permita la toma de decisiones a un nivel tctico, pero que a la vez se encuentre alineado con las decisiones de extraccin de la divisin. El modelo agregado debe respetar las variadas restricciones referentes a la operacin de la mina y adems debe ser validado, mediante la medicin del error respecto al modelo detallado de decisiones. Este modelo es formulado para que en investigaciones futuras sea posible incluir en l estocasticidad de parmetros como la ley del 1

cobre y el precio, lo que requiere de resolucin iterativa de problemas, donde el tiempo de procesamiento se hace relevante. Las tcnicas de agregacin de modelos de optimizacin lineales existentes no han sido ampliados ni sistematizados, y en general son especficos para cada tipo de problema. La metodologa de agregacin usada en este informe tiene base en la teora desarrollada por Zipkin [12] , y ha sido implementada en la agregacin en la industria forestal [11]. Para agregar el problema se usar la tcnica de clasificacin a posteriori, denominada de esta forma dado que se realiza con posterioridad a la formulacin del modelo original. As, conocido y formulado el problema inicial, en su forma estndar1, el paso siguiente es aglomerar columnas de la matriz A, donde cada una de estas columnas corresponde a una variable del problema original y sus componentes son los coeficientes de dicha variable en cada restriccin. La aglomeracin consiste en reemplazar varias columnas de la matriz con caractersticas similares por una columna nueva que corresponde a una ponderacin de las originales. El problema resultante es lo que se denomina el problema agregado (o compacto). Posteriormente se procede a la resolucin del problema agregado y mediante tcnicas de desagregacin se obtiene una solucin factible para el problema inicial. En el Captulo II de este informe se presentan los antecedentes generales del problema, estableciendo el enfoque de solucin a utilizar, los objetivos y la metodologa. En el tercer captulo se plantea la definicin del problema, analizando los mbitos en los que se encuentra inmerso, estos son, la planificacin minera y la agregacin de problemas de optimizacin lineal. Adicionalmente en este captulo, se explicitan los resultados esperados y se formula un marco terico adecuado que permite conocer la terminologa general con la que se trabaja en este documento. En el Captulo IV se realiza la formulacin del modelo, presentando el proceso de agregacin de columnas de la matriz A para, posteriormente en el Captulo V, discutir la solucin del problema agregado incluyendo la desagregacin y el clculo de la cota de error. Tanto los resultados obtenidos, como el anlisis y validacin de ellos se muestran en el Captulo VI. Finalmente, en el Captulo VII, se plantean las conclusiones y consideraciones futuras asociadas a esta investigacin.

La forma estndar es

max c T x

s.a. Ax b

II

ANTECEDENTES GENERALES

La investigacin operativa ha sido incluida en la ltima dcada en la industria minera, los modelos de decisin matemticos han sido ampliamente desarrollados para minas a rajo abierto, no as para minas subterrneas, cuyas caractersticas y complejidad, sobre todo en el secuenciamiento espacial de la extraccin, han hecho difcil el planteamiento y resolucin de los problemas matemticos asociados.

II.1 DESCRIPCIN DEL PROBLEMA

La resolucin de problemas reales de programacin lineal implica un alto costo computacional, en tiempo y complejidad, debido al gran nmero de variables y restricciones que poseen. Esto se agudiza en el caso de la programacin lineal aplicado a problemas mineros a nivel detallado, donde existen problemas con ms de 100 mil variables, muchas de ellas binarias, y cantidades similares de restricciones, lo implica un altsimo esfuerzo computacional asociado. Adicionalmente, la complejidad de los modelos detallados imposibilita la inclusin de mayor dificultad. As, si se incluyese por ejemplo el fenmeno de estocasticidad en la ley del cobre y el precio, el problema se tornara inmanejable. CODELCO, en el marco del desarrollo y mejoramiento del proceso de toma de decisiones, considera indispensable incluir modelos probabilsticos. Esta inclusin demanda trabajar en base a problemas de menor complejidad, de costo computacional adecuado y tiempos de proceso aceptables. La empresa adems considera la construccin de un modelo corporativo de decisiones, que se haga cargo de todas minas y divisiones a la vez, corriendo el modelo en varias iteraciones.

Lo anteriormente expuesto hace necesario reducir el problema de planificacin minera, conservando la factibilidad y evitando afectar notoriamente los resultados econmicos asociados a dicha panificacin. Consecuentemente, el desafo que enfrenta este trabajo es la implementacin de una metodologa que permita obtener un plan de accin y decisin reducido para la explotacin de una mina subterrnea, de manera que, en un futuro, sea posible replicar esta experiencia en otras minas y divisiones, para posteriormente formar un modelo corporativo compacto, que tenga tiempo de procesamiento razonables y que acepte la inclusin de otro tipo de dificultades, enfocado en la maximizacin de los beneficios econmicos de la actividad. En particular esta investigacin se considera la obtencin de un plan de accin reducido para la instancia asociada a la planificacin de extraccin y flujo de procesos de la mina El Teniente. En la planificacin minera, para poder estudiar mtodos de agregacin de variables, es necesario considerar una serie de caractersticas particulares asociadas a la produccin de mineral. Dichas caractersticas describen la situacin general de las actividades de extraccin, traslado y procesamiento de la mina y son traspasadas al modelo matemtico por medio de unidades, parmetros y restricciones. stas caractersticas son explicadas en extensin en el Captulo III.1. Los modelos detallados de programacin matemtica existentes [10] contemplan dos tipos de extraccin, de rea fija y rea variable. Estos modelos han sido desarrollados y usados a un nivel operacional, y es a partir de ellos que se efectuar la agregacin. Las decisiones asociadas a la planificacin minera en este nivel constan del detalle de los lugares a ser explotados y la cantidad de material extrado y transportado entre los distintos procesos de la mina. Es con estos modelos detallados, especficamente el de rea fija, con el se realizar esta investigacin, ya que ste es utilizado en la actualidad en algunas divisiones de CODELCO. Hasta ahora, la forma de hacer agregacin en la planificacin minera [6] , ha sido a base de criterios intuitivos y apoyada en la habilidad del planificador para reconocer similitudes y diferencias entre los elementos que se quiere agregar. Adems, esto se ha hecho en forma manual, debido a que no se han encontrado metodologas sistemticas para hacerlo. Este tipo de agregaciones son especficas para cada instancia.

El proceso de agregacin provoca que la funcin objetivo, dada por la utilidades de la mina llevado a valor presente, tenga un valor sub-ptimo al ser comparada con el valor de la funcin objetivo del problema original, como tambin puede provocar la infactibilidad del problema agregado. Esto obliga a realizar el proceso de agregacin de la forma ms eficiente posible para reducir la perdida de precisin en dicha funcin y disminuir la probabilidad de causar infactibilidad. Los tiempos de resolucin de problemas de programacin lineal dentro de la gama de problemas de investigacin operativa son variables. En la toma de decisiones con datos determinsticos un problema comnmente se resuelve mltiples veces al variar las instancias de resolucin. Lo anterior se agudiza en el caso estocstico, donde la incorporacin de incertidumbre requiere la resolucin iterativa de problemas lineales, es aqu donde la reduccin de tiempo de corrida se hace esencial. Por otra parte es importante recalcar que en la actualidad se resuelven los problemas de extraccin en forma relajada, es decir, evitando el problema del tratamiento de variables binarias, pues esto dificulta an ms la resolucin agregando costos de tiempo.

II.2 ENFOQUE DE SOLUCIN

El enfoque de solucin propuesto contempla la construccin de un modelo de programacin matemtico, de manera de determinar de forma agregada la cantidad de mineral a extraer anualmente en cada subsector de una mina. La compactacin del modelo ser realizada bajo en enfoque a posteriori, de manera de utilizar el modelo original y disminuir su tamao agregando columnas de la matriz A de coeficientes de las restricciones, asociada al problema lineal. Con esto se disminuir el nmero de variables utilizadas en el modelo de decisin. Se considera un horizonte de evaluacin de mediano plazo equivalente a 5 aos, siendo esto coherente con el objetivo de obtener un plan de accin que apoye las decisiones tcticas del sistema. Se consideran adems 11 subsectores de la mina El Teniente, los cuales se encuentran en operacin durante el horizonte de planificacin.

En procedimientos de agregacin debe, en primer lugar, determinarse cules elementos agrupar basados en sus similitudes. En experiencias previas [6], esta agrupacin nace de observar similitudes a travs de lgica bsica o anlisis. En este trabajo se utiliza anlisis de cluster o conglomerados como alternativa. Este mtodo busca determinar y clasificar subgrupos en un conjunto de objetos de acuerdo a cierto criterio de similitud. Este mtodo es comnmente usado como una herramienta estadstica y ofrece un conjunto de rutinas que se encargan de agrupar o clasificar eficientemente un conjunto de elementos. El tipo de agregacin a utilizar se denomina a posteriori y consiste en la creacin de columnas representativas de un conjunto de columnas de la matriz A de coeficientes de las restricciones del problema original, creando as un modelo de programacin lineal agregado [12] . En general, la literatura existente en metodologa de agrupacin de variables en problemas de programacin lineal data de fines de la dcada de los 80 y principios de los 90, lo que demuestra que ha habido limitadas contribuciones al estado del arte en el ltimo tiempo. Se agregar el modelo utilizando un algoritmo programado en el software de programacin Microsoft Visual Basic 6 y posteriormente se utilizar GAMS con el solver CPLEX para formular y resolver el problema lineal asociado. La metodologa especfica y marco terico a utilizar para la agregacin se discute de forma detallada en el Captulo III de este informe.

II.3 OBJETIVOS Y ALCANCE

II.3.1

Objetivo general

Formular un modelo de decisiones agregado de extraccin minera, que permita obtener un plan de accin y decisiones con un margen de error despreciable respecto al modelo detallado existente, y que entregue respuestas en un tiempo considerablemente menor, de manera de facilitar las decisiones tcticas de CODELCO.

II.3.2

Objetivos especficos

Formular el modelo agregado mediante el uso de agregacin a posteriori y validar esta metodologa para la reduccin de problemas de planificacin minera. Evaluar el desempeo del modelo desarrollado respecto al modelo detallado y logrando mrgenes de error aceptables. Lograr un tiempo reducido de resolucin que entregue soluciones satisfactorias. Desarrollar un modelo consecuente con las restricciones existentes asociadas a la explotacin del mineral que representa la situacin actual de la mina. II.3.3 Alcance

Para el desarrollo del modelo se utilizar una instancia de la divisin El Teniente de CODELCO. Esta instancia divisin contempla 10 sectores, de estos slo aquellos que sean posible de explotar en los perodos de planificacin considerados. Los sectores posibles de explotar en el perodo de planificacin son 5, lo que corresponde a 11 sub-sectores de la mina.

II.4 METODOLOGA GENERAL

Siendo este un trabajo inmerso en el rea de investigacin de operaciones la metodologa a utilizar se enmarca en la encontrada en la literatura [7] para este tipo de problemas, integrando en ella las tcnicas existentes para reducir problemas de optimizacin. II.4.1 Definicin del problema

En esta etapa se analiza el sistema a estudiar, se define la informacin relevante respectiva al medio externo o mbito y se establecen los objetivos del mismo identificando las alternativas de decisin del sistema.

La caracterstica particular de este trabajo es que est basado en la modificacin de un modelo ya existente y por tanto el problema que ste resuelve ya se encuentra definido. En este punto se presentarn las caractersticas generales del problema de planificacin minera, y adems las caractersticas asociadas a la agregacin de problemas de programacin lineal. En la literatura no existe metodologa formal para el proceso de definicin del problema, pero si se mencionan caractersticas importantes a tener en cuenta, estas caractersticas relevantes contemplan el dimensionamiento temporal y espacial del problema, la determinacin del nivel de las decisiones y su separabilidad, la definicin de los recursos existentes y el grado de precisin numrica aceptable. Las caractersticas relevantes recin mencionadas sern planteadas a travs de la definicin de los resultados esperados del trabajo que aqu se presenta. Por ltimo en la definicin del problema se plantear el marco terico que rodea este trabajo.

II.4.2

Formulacin del modelo agregado

La formulacin comprende el modelamiento del sistema de forma congruente con los objetivos planteados. Dicha formulacin implica capturar los factores dominantes que determinan el comportamiento del sistema en estudio. Para formular se considera el modo de agregacin a posteriori, que se detalla en el marco terico del Captulo III.4. II.4.2.1 Planteamiento del Problema Matemtico

Se plantea el problema lineal en su forma estndar matemtica estndar, obteniendo el valor de los parmetros asociados, es decir, matriz A, vector del lado derecho b y vector de costos c. II.4.2.2 Proceso de agregacin de columnas Aj:

La aproximacin se basa en reemplazar un set de columnas similares por una combinacin convexa de estas. Para decidir qu columnas agregar se realiza un anlisis de cluster mediante la medicin adecuada de la distancia entre los coeficientes. El algoritmo de clusterizacin a usado es denominado Leader Type [4] y se detalla, junto a la medicin de la distancia en el Captulo IV. 8

II.4.3

Solucin del modelo agregado

Determinar la solucin del modelo consiste en la determinacin de los valores de las variables de decisin cumpliendo con las restricciones consideradas, optimizando bajo algn criterio establecido. En particular en la metodologa de agregacin el proceso de solucin del modelo y sus implicancias II.4.3.1 Descripcin de la instancia de prueba

Se realizar, en primer lugar, una descripcin general de la instancia de manera de establecer cuales son las condiciones generales de la aplicacin del nuevo modelo, para luego proceder a su aplicacin. II.4.3.2 Desagregacin y clculo de cota las variables

Posterior a la solucin se considera la desagregacin del problema en terico del Captulo II.6.

originales y el clculo de su cota. Una breve descripcin de esto se proporciona en el marco

II.4.4

Obtencin, anlisis y validacin de resultados

Con la cota obtenida se proceder a mostrar y analizar los resultados, reflexionando acerca de los distintos escenarios y valores. Se analizar la reduccin de las dimensiones del problema y se har una comparacin con el modelo original, calculando errores porcentuales, validando el problema para distintas instancias. Esta etapa se analiza la capacidad del modelo para predecir razonablemente el desempeo del sistema ante diversas alternativas de decisin. En particular en la agregacin a posteriori, para verificar si el modelo responde a las expectativas, se realiza la comparacin entre el error real y la cota calculada.

III

DEFINICIN DEL PROBLEMA

Ya que establecidos los objetivos del trabajo aqu presentado, a continuacin de muestra la definicin del mbito de ste.

III.1 PLANIFICACIN MINERA

La formulacin de un plan minero de largo plazo corresponde a la actividad de planificacin ms relevante y que engloba las decisiones de produccin para cada mina y el esquema de operacin para las plantas de procesamiento de mineral. En trminos generales, un plan minero est compuesto por el plan de produccin anual para cada mina, que incluye los ritmos de extraccin, el rea a incorporar y el conjunto de leyes de minerales. Para determinar estos ritmos, se considera una serie de restricciones mineras (geotcnicas, operacionales, tecnolgicas, etc.) y a nivel de planta, para lograr una mezcla de mineral que maximice el valor presente neto global para el conjunto mina-planta, Cada plan se realiza considerando el precio y la ley del cobre como parmetros fijos. El concepto de planificacin puede tener tres enfoques, los grados de libertad con los que se cuenta, el nivel de ingeniera desarrollado o el mbito de accin en que se encuentra la planificacin [5] .

Grados de libertad Se relaciona con el paso del tiempo y la consecuente estructuracin de las distintas decisiones. Define la planificacin de -Corto plazo -Mediano plazo -Largo plazo.

Nivel de Ingeniera Asociada a la extraccin de un determinado sector. Define: -Ingeniera de perfil -Ingeniera conceptual y prefactibilidad -Ingeniera bsica y factibilidad

mbito de accin Se refiere al alcance de las decisiones tomadas Define planificacin minera: -Estratgica -Tctica -Operacional

Figura 1: Enfoques de planificacin minera

10

Posterior a la recoleccin de informacin relevante, como la caracterizacin del recurso geolgico, historia de la mina y la seleccin de macro opciones, se presenta la etapa de planificacin estratgica. En esta se generan escenarios considerando una serie de parmetros para llevar a cabo la explotacin de una mina. Despus de la eleccin del escenario se recurre a modelos matemticos como apoyo a las decisiones tcticas y operacionales de mediano y largo plazo de operacin explotacin y produccin de la mina. Las decisiones consideradas conforman el plan minero. Se ejemplifica a continuacin el esquema del proceso minero de toma de decisiones [1]:

Geologa Geoestadstica Geomecnica Geometalurgia

1. Caracterizacin Recurso Geolgico

Historia de la Mina

2. Descuento Volumen Extrado

Recurso MACRO OPCIONES Precio Tecnologa (costo) Infraest. (disp/prop) Ind. Econmicos 3. Seleccin de Recursos Disponible

Reservas Preparadas (stock disponible)

Modelo Reserva Minera

4. Estrategia de Consumo Parmetros de Planif. Secuencia Ritmo (tpd) Tasa Prep. Horizonte Planif. 5. PLAN Reconocimiento Preparacin Inversiones Produccin Recurso

Figura 2: Proceso de decisin minera.

11

III.1.1

Principales procesos de operacin de una mina subterrnea:

III.1.1.1 Extraccin Existen distintos mtodos de explotacin [1] variando principalmente en la extensin del rea que es hundida como operacin unitaria para quebrar la roca y poder extraerla. Cuando el mineral corresponde a una mineralizacin secundaria, se presenta como roca blanda y molida, por lo que es suficiente con abrir una va hasta el mineral, que cae fcilmente. En cambio, si la mineralizacin es primaria, la roca es dura y se encuentra en bloques que deben quebrarse para poder extraer el mineral. Los dos mtodos principales de extraccin de mineral primario son el Block Caving, en el cual se quiebra gran cantidad de rea en cada operacin; y el Panel Caving, que permite ir avanzando en pequeos frentes de menor rea que los utilizados con Block Caving. Este ltimo mtodo es el que se utiliza con mayor frecuencia en El Teniente y por ende es el mtodo a ser estudiado. Tal como se puede apreciar en la Figura 3, este mtodo consiste bsicamente en inducir el hundimiento del material por gravedad al crear una cara libre que origina quebraduras en el cuerpo mineralizado. Este tipo de mtodos se consideran altamente productivos y de bajos costos de explotacin, especialmente aplicables a depsitos masivos como los Prfidos Cuprferos.
ESTERIL IN SITU

ESTERIL HUNDIDO

H
MINERAL INSITU MINERAL QUEBRADO
NIVEL HDTO.
100% 100% 90% 80% 70% 55% 30% 5%

AREA AGOTADA.

% DE EXTRACCION

AREA A HUNDIR

NIVEL DE PRODUCC.

AREA ABIERTA FRENTE DE HUNDIMIENTO

Figura 3: Mtodo Subterrneo de Explotacin Panel Caving Fuente: Centro de Gestin de Operaciones, Proyecto FONDEF: Metodologa para evaluar inversiones en proyectos mineros de Cobre de largo plazo. 2003

12

La extraccin del mineral se realiza a travs de un sistema de niveles que permiten ir transportando el mineral desde el nivel de produccin a niveles inferiores en los cuales se va procesando. Este sistema se conoce como la ruta de proceso.

III.1.1.2 Reduccin: Procesos de chancado y molienda de mineral Una etapa importante dentro del proceso minero consiste en reducir el tamao del material proveniente de la mina mediante subprocesos sucesivos que finalizan con mineral prcticamente pulverizado. reduccin de mineral: Chancado: Corresponde a la primera fase de reduccin, que puede ser realizada tanto al interior de la mina, utilizando chancadores pequeos que procesan mineral de una mina en particular, o bien fuera de la mina mediante chancadores de gran tamao que procesan la mezcla de minerales proveniente de varias minas. Molienda: Proceso siguiente al de chancado, se realiza usando molinos de barras o de bolas (convencional), o con sistemas autgenos / semi-autgenos que aprovechan el mismo mineral como elemento para moler. Esta etapa entrega el mineral en tamao de micrones, apto para ser procesado en el sistema de flotacin. A continuacin se describen los 2 principales subprocesos de

III.1.1.3 Flotacin: Obtencin de cobre concentrado El mineral una vez reducido, pasa a las plantas de procesamiento, en las cuales ste es depositado en celdas con agitadores, a las cuales se les agregan agentes espumantes. El cobre se adhiere a las burbujas, que luego son retiradas desde la celda por medio de paletas. Por ltimo, este concentrado se seca pasando finalmente al proceso de fundicin. A continuacin se ejemplifica el flujo y diseo de redes de la mina

13

CRUZADOS PRODUCCION

ESTACION DE VACIADO

CHANCADO INTERIOR

CHANCADO EXTERIOR

MOLIENDA CONCENTRADO

TPTE. PPAL.

Figura 4: Flujo y diseo de redes de extraccin y transporte Fuente: Ibez, Javiera, Memoria para optar al ttulo de Ingeniero Civil Industrial: Desarrollo de un modelo compacto de produccin minera en CODELCO

III.1.2

Elementos relevantes en la operacin de una mina subterrnea

III.1.2.1 Informacin del Recurso La caracterizacin inicial del recurso mostrada en la Figura 1 se realiza a travs de la obtencin de un modelo geolgico, que recoge en sus componentes la informacin ms relevante sobre la mineralizacin que lo gobierna, litologa, dureza, densidad y otras propiedades minerales presentes tan importantes como la ley del mineral. Su geometra espacial y variabilidad resultan fundamentales al momento de disear distintos tipos de modelos, ya que permiten identificar zonas de inters y definir los lmites globales del depsito. En muchos casos la unidad bsica del modelo geolgico se transforma en las variables de decisin del modelo planteado. III.1.2.2 Divisin de la mina Como ya fue mencionado anteriormente la mina se encuentra dividida en sectores y estos en subsectores. Cada subsector posee caractersticas particulares, por lo que es posible observar que existe un modelo geolgico para cada subsector. En El Teniente, por ejemplo, se puede 14

explotar el mineral en distintos sectores en forma simultnea, lo que no significa que todos estos sectores estn habilitados para la extraccin. Existe una planificacin previa dentro de la mina respecto de los perodos en que comenzarn a ser explotados los sectores y subsectores inactivos. Los distintos sectores de la mina se encuentran caracterizados mediante puntos de extraccin (PEXT). Para cada uno de estos puntos de extraccin se conoce el sector o subsector asociado y su ubicacin dentro de l. El tamao de cada sector vara segn la cantidad de PEXT que lo conformen. La cantidad de PEXT dentro de un sector puede oscilar entre los 70 y 2500 puntos, considerando de manera individual cada uno de los subsectores que lo componen. Cada punto de extraccin tiene una superficie que vara entre los 250 y los 400 m2. y una altura que oscila entre los 549 y los 949 metros. Dentro de cada sector, los puntos de extraccin que lo conforman tienen una secuencia asignada, para la extraccin del mineral.

Figura 5: Sector mirado desde arriba

A su vez, los puntos de extraccin se encuentran subdivididos en UBC, Unidad Bsica de Cubicacin. Los UBC en promedio tienen una altura de 20 m, sin embargo esta puede variar dentro de los distintos sectores. Para cada UBC se conoce el material que lo compone, su altura, tonelaje, ley del cobre, arsnico y molibdeno. La cantidad de UBC dentro de un sector puede oscilar entre las 500 y 80 mil unidades, considerando de manera individual cada uno de los subsectores que puedan componer un determinado sector.

15

Sector

UBC

Punto de extraccin Figura 6: Corte transversal vertical de un sector

III.1.3

Restricciones de operacin

III.1.3.1 Capacidad de proceso y transporte Cada una de las estaciones de la ruta de proceso mostrada en la Figura 4 tiene una

capacidad mxima de material que puede ser procesado, definido en toneladas por da. De la misma manera los medios de transporte entre las distintas estaciones, consideran una capacidad mxima de material que puede ser transportado. La mina opera con distintos subsectores y sectores de produccin explotados simultneamente, por lo que la mayora de las estaciones de procesamiento existentes en El Teniente son compartidas por todos los sectores que estn siendo explotados. Las rutas habilitadas para el transporte se encuentran previamente definidas. III.1.3.2 Secuencia El uso de Panel Caving implica que exista una secuencia determinada para la explotacin tanto para los puntos de extraccin que representan un sector, como para los UBC que conforman el punto. Con esto el primer bloque de un punto de extraccin corresponde al UBC ubicado en el nivel ms bajo del mismo. Adicionalmente para poder iniciar la extraccin del material de un PEXT es necesario que este se encuentre habilitado, eso quiere decir que el primer UBC definido dentro del PEXT sea 16

extrado. El primer UBC debe ser extrado completamente antes de pasar al siguiente punto de extraccin. III.1.3.3 Altura de Corte La altura de corte corresponde a la altura establecida dentro de un sector hasta la cual es posible realizar operaciones de extraccin de material dentro de un PEXT, sin que esto presente un riego para las operaciones mismas. Es decisin del planificador encargado de la mina, definir esta altura. III.1.3.4 Regularidad de altura de extraccin Dado que la extraccin se realiza a travs del desprendimiento de material, las diferencias de altura entre los puntos de extraccin se encuentran reguladas. De acuerdo a la estructura de cada sector, se encuentra definida una cierta altura que no puede ser sobrepasada al momento de la extraccin, de manera de prevenir los derrumbes de material y mantener la seguridad de los procesos de extraccin. La cantidad de puntos afectados por esta restriccin se denominan puntos vecinos de un PEXT y se determinada mediante la distancia euclidiana entre los centros de cada PEXT.

Vecindad

Figura 7: Restriccin de regularidad de alturas de extraccin

17

III.1.3.5 Velocidad de extraccin Los puntos de extraccin se encuentran agrupados en distintas familias, cada familia tiene una velocidad de extraccin definida a la que es posible extraer el material dentro de un PEXT. La velocidad de extraccin permite determinar el tiempo requerido para extraer el material dentro de un punto, de acuerdo a la altura a la que se encuentre dentro de l al iniciar la extraccin. Dentro de un mismo sector pueden existir numerosas familias, por lo que la velocidad de extraccin variar entre stas. Esta restriccin condiciona la cantidad de mineral que ser posible extraer de un determinado PEXT III.1.3.6 Vida til El tiempo durante el cual puede ser explotado un punto de extraccin tambin se encuentra restringido. Esta decisin depende del planificador encargado. Sin embargo desde que se habilita el punto se pueden realizar labores de extraccin en ste por un perodo que oscila entre los 5, 8 o 10 aos. III.1.4 Objetivo de la planificacin minera

En el proceso de planificacin se determina la cantidad de mineral que puede ser obtenido de la mina. Las leyes de mineral asociadas a cada unidad de extraccin permiten determinar el beneficio econmico que es posible obtener de un determinado sector. El objetivo de este proceso es maximizar el beneficio econmico, en valor presente, eficientemente. Es intuitivo pensar que mientras mayor sea la ley del mineral mayor ser el beneficio econmico asociado a un punto de extraccin. Dada la extensin del modelo original, ste adjunta en el Anexo A

18

III.2 AGREGACIN EN OPTIMIZACIN LINEAL

El problema original general a reducir es de la siguiente forma (OP) s.a.

max Z = c T x Ax b x0

En donde A es una matriz de m x n, c, x n , y b m.. Muchas tcnicas son utilizadas para formar modelos reducidos de problemas de optimizacin y para analizar su efectividad respecto a recobrar la solucin ptima del modelo original. Segn lo planteado en la literatura es difcil sistematizar varios aspectos de la agregacin segn lo que se ha desarrollado en otras experiencias, pues la metodologa de agregacin depender directamente del proceso sujeto a estudio. Dada la amplitud de las reas en las que se ha estudiado la optimizacin matemtica, slo puede establecerse un marco general para las tcnicas de agregacin y desagregacin. Segn plantean Rogers, Plante, Wong y Evans [8] Los componentes principales de estos procedimientos son: III.2.1 Anlisis de agregacin

Se definen mtodos para determinar qu elementos de un modelo combinar en uno solo, con qu criterios de similitud hacerlo, el procedimiento, el nivel de agregacin y cmo estos definen los nuevos elementos. III.2.2 Anlisis de desagregacin

Se definen mtodos para derivar elementos de un modelo ms refinado a partir de un modelo agregado, esto en general se realiza a travs de mtodos de desagregacin coherentes con los mtodos de combinacin, y se debe definir adems si el nivel de desagregacin equivale al nivel de detalle del modelo original.

19

III.2.3

Anlisis de error

Mtodos para determinar el error resultante que puede surgir al emplear modelos agregados y desagregar soluciones.

En la siguiente figura se muestran los elementos principales de la agregacin y desagregacin y sus componentes.
A priori Criterios de Similitud Entidades a agrupar A posteriori

Anlisis de Error

Procedimiento de Clusterizacin

Anlisis de Agregacin

Anlisis de
Niveles Mtodos de Combinacin

Desagregacin

Niveles

Mtodos de Separacin

Figura 8: Elementos de agregacin y desagregacin de PL Fuente: Rogers D. Plante R. Wong R. Evans J. Aggregation and disagreggation techniques and methodology in optimization Op Res. 39, 1991 pp 555.

III.3 RESULTADOS ESPERADOS

Los resultados esperados tienen que ver con cada uno de los objetivos planteados: La formulacin de un modelo que sirva como apoyo a las decisiones tcticas de una mina subterrnea de la empresa.

20

Lograr mrgenes de error globales aceptables, es decir menores al 10%. Esta cifra se basa en que los errores actuales de la empresa por aproximacin al planificar se encuentran en este orden. Lograr tiempos de resolucin menores al 20% del tiempo de resolucin del problema original. Obtener un nuevo enfoque de resolucin expandible a las distintas divisiones de CODELCO y a la cual se le pueda incorporar estocasticidad en algunos de sus parmetros relevantes.

III.4 MARCO TERICO

Teniendo en cuenta el modelo general, con las caractersticas descritas en el Captulo II.1, se hace necesario introducir la tcnica de agregacin a posteriori con un marco terico general. A continuacin se realiza una presentacin formal del la agregacin de columnas basada en la formulacin hecha por Zipkin [12] , sta es la teora en la cual se sustenta la agregacin realizada. III.4.1 Planteamiento matemtico general del problema:

Conocido el problema inicial, el paso siguiente es aglomerar columnas de manera que las columnas de la matriz A de coeficientes de las restricciones que pertenezcan a un grupo con caractersticas similares, se reemplazan por una sola columna que corresponder a una ponderacin de ellas. El problema resultante es lo que se denomina el problema agregado. Posteriormente se procede a la resolucin del problema agregado y mediante una desagregacin se obtiene una solucin factible para el problema inicial. Sea OP el problema original de PL: (OP) s.a.

max Z = c T x Ax b x0

Donde A es una matriz de m x n, c, x n (vectores columna), y b m (vector columna).

21

III.4.2

Proceso de agregacin

Se considera la particin de un grupo de n columnas en K subgrupos. As = {Sk : k=1,2,,K}, es una particin arbitraria del conjunto {1,2,3,,n} en donde Sk tiene nk elementos. Ak (de dimensin m x nk ) es la submatriz de columnas de A que pertenecen a Sk, y ck y xk son subvectores de dimensin nk de c y x respectivamente, cuyos ndices pertenecen a Sk. Sea gk un vector fila de dimensin nk, cuyas componentes son no negativas y suman 1. Los componentes de estos vectores se denominarn ponderadores. Definiendo una nueva columna Ak como una combinacin convexa de las columnas de Ak. Tambin, ck y xk son especificados como valores singulares que reemplazan a ck y xk. Ak = Ak gkT , Si Y ck = ck gk, xk = xk gk, k = 1,,K (*)

c = (c1,c2,,ck), x = (x1,x2,,xk)

A = (A1,A2,,Ak) Donde c y x son vectores columna

El problema original puede transformarse en el siguiente problema agregado. (AP) s.a.

max Z = c'T x' A' x' b x' 0

III.4.3

Desagregacin

Dada una solucin factible x de (AP), a travs de la relacin inversa de (*), se puede determinar una solucin factible del problema (OP). As:
T x k = g k x' k

Donde xk es la k-sima componente del x, y x k es un vector de nk filas, y cada una de sus componentes corresponder al valor de una variable del problema original.

22

Entonces, si (AP) es resuelto y tiene solucin factible, siempre se puede encontrar una solucin factible para (OP). A esta desagregacin se le denomina desagregacin a ponderadores fijos. Existe otro mtodo de desagregacin denominado, desagregacin por dominancia, pero la calidad de los resultados que sta entrega son menores a los de la desagregacin a ponderadores fijos.

III.4.4

Cotas

El proceso de agregacin produce un deterioro en el valor ptimo de la funcin objetivo del problema original, esto se debe justamente a la aproximacin realizada mediante los ponderadores. Por esto la literatura entrega variadas cotas que pueden ser obtenidas en la agregacin a posteriori, en este caso, dada la metodologa planteada, la cota de Zipkin [12] es la que corresponde analizar. El beneficio de calcular esta cota es que se obtiene una aproximacin al error real sin obtener la solucin del problema original. Cuando (xo,zo) es una solucin ptima a (AP), entones la siguiente proposicin puede hacerse acerca de esta solucin: Sea = {Sk : k=1,2,,K} una particin de {1,2,,n}, no necesariamente igual a , (d1,,dn) nmeros positivos, (P1,P2,,Pk), nmeros no negativos y (xo,zo) una solucin ptima del problema original (OP), tal que la siguiente relacin se satisface:

jS 'k

x o j Pk

k ' = 1,2,..., K '

(Rel 2)

(Rel 1)

entonces, donde

z o z 'o + a
K' u A j a = Max c j jS k ' dj k '=1

P k'

(Rel 3)

Donde u es el vector de las variables duales en la solucin ptima (AP). A.j es la j-sima columna en el problema original y el signo + implica que slo valores positivos de la expresin (Rel 3) son considerados. Si la relacin 1 (Rel 1) es una igualdad, entonces los trminos positivos y negativos son incluidos en la expresin (Rel 3). 23

En esta forma, despus de resolver el PL agregado, una cota superior del error del valor de la funcin objetivo debido al proceso de agregacin puede determinarse mediante la relacin 2. Notar que no se necesita ninguna informacin de la solucin del problema original (OP). Para una particin , existe un conjunto de pesos gk tales que zo = zo. Este conjunto de pesos pueden extraerse de la solucin optima de (OP), por esto pero su clculo carece de sentido.

IV FORMULACIN DEL MODELO

IV.1 CONSIDERACIONES INICIALES SOBRE LA AGREGACIN EN EL CASO MINERO

En primer lugar se determina cules son las variables relevantes a agrupar. El modelo detallado (Anexo A) alberga distintos tipos de variables, en este caso las variables
t agregadas son las Z n , j que se refieren a la fraccin de bloque n de la columna j a ser extrada

en el perodo t. La cantidad de variables y restricciones (ms de 35 mil) dificulta la resolucin rpida del problema. Es importante destacar que estas variables son agregadas formulando clusters disjuntos para cada subsector y perodo, es decir no se juntarn en un mismo cluster variables de subsectores distintos y tampoco se combinarn en un mismos cluster variables que respondan a decisiones de distintos perodos. Esto hace que la agregacin sea espacial, es decir en cada perodo se agrupan decisiones asociadas a cubos o ubc (unidades bsicas de cubicacin) de la mina. As la nueva variable ser de la forma: Z a ,l que corresponde a la decisin de extraccin del cluster l del subsector a en el perodo t. Cabe notar que aunque la nueva variable tenga la misma cantidad de subndices de la variable anterior, la cantidad de variables nuevas ser igual a la cantidad de cluster formados en la mina en cada perodo, mientras la cantidad de variables antiguas es igual a la cantidad total de ubcs que existan en la mina por cada perodo. En 24
t

conclusin, los subndices a y t solo muestran informacin y no agregan dimensiones a la nueva variable. Las variables restantes, que no son decisiones de extraccin, no son contundentes en cantidad o en dificultad de clculo, por lo que su agregacin no se considera esencial.

IV.2 PLANTEAMIENTO MATEMTICO DEL PROBLEMA

En segundo lugar se reconstruye el problema original en forma matricial separando en el bloque de la matriz correspondiente a las variables de extraccin y al resto de las variables. Si se considera una columna de la matriz A asociada a una variable a agregar se obtiene un vector con la siguiente forma:

1 1 0 1 A j = h j A kjn Akjn Akjn DPat area j

Figura 9: Columna de A

El extracto de matriz que contiene este tipo de columnas se denominar A1. El extracto de matriz que contiene a las columnas asociadas a las restricciones restantes se denominar A2. As se trabajar en la agregacin exclusiva de la matriz A1. En la programacin lineal la mayora de las agregaciones de columnas se realiza en base a las similitudes entre los coeficientes de las columnas de la matriz A, por esto es importante 25

analizar qu informacin proporcionan los elementos de dichas columnas que sean tiles en el proceso de agregacin. Los valores de la parte inferior de la columna corresponden a las restricciones asociadas al clculo del tonelaje extrado, a la restriccin de reas, alturas y produccin y son valores del orden de 104. Esta informacin es til al agrupar columnas, de manera que aquellas columnas que tengan caractersticas productivas similares, en tonelaje y ley son agregadas con mayor facilidad. Los valores de la parte superior de las columnas corresponden a las restricciones asociadas a la caracterstica espacial del problema y a la extraccin secuencial del espacio. Debido a la composicin binaria esta seccin la informacin que se puede obtener es nula, por lo tanto se hace necesario agregar dicha informacin a la columna para poder ser considerada en la clasificacin. Considerando lo anterior es necesario determinar cules son los datos tiles para complementar las columnas, dichos datos deben dar luces acerca de las caractersticas espaciales de las variables. As, si una columna pertenece a la variable Zjnt, donde t es el perodo, j la columna de extraccin y n el bloque de dicha columna, se considera relevante conocer la ubicacin en el plano de la columna j y la altura a la que se encuentra el bloque n. La ubicacin en el plano de la columna j est dada por sus coordenadas x e y, la altura por su distancia al primer bloque h (altura acumulada de bloques). Estos datos son agregados al final de la columna, en una nueva fila asociada al perodo de la variable, de manera que la columna queda segn muestra la Figura 10: Con la nueva columna formada, que ser usada para agrupar, se hace necesario ver el peso que cada uno de sus componentes tendr en la agregacin. En primer lugar, al analizar los componentes de la matriz, se observan diferencias relevantes en el orden de magnitud de los datos, por ejemplo los datos de altura ( hnj ) son del orden de 101, lo datos de tonelaje y ley en las restricciones de capacidad ( Akjn ) son del orden de 104, etc. Por lo tanto se estima necesario normalizar estos valores dividindolos por el exponente de su orden de magnitud, de manera que al usarlos, la informacin asociada a ellos tenga el mismo el mismo peso. Esta normalizacin se realiza para todos los valores de la columna.

26

 1 1 0 1 .. hj A kjn Akjn A j = DP at area j .. Se agregan por Xj cada uno de los .. tres datos, tantas Yj filas como perodos .. tenga el problema hnj
Figura 10: Columna de A modificada

Coordenada Coordenada Altura

Luego es relevante dar importancia dismil a cada uno de los componentes de la matriz, segn el tipo de informacin que aporta. Esto se hace asignndoles prioridades de 1 a 10 de manera que 1 corresponde a la informacin ms valiosa al momento de agregar y 10 a la menos valiosa. Un ejemplo resumen de esta asignacin se muestra en la siguiente tabla, en la que la primera columna muestra la informacin que proporciona cada componente (segn la restriccin a la que corresponde) y el tipo de dato, mientras que en la segunda columna la importancia establecida. Informacin de la fila Extraccin secuencial vertical (1) Extraccin Secuencia horizontal(1) Tiempo de extraccin ( jn ) Capacidad ( Akjn ) Ubicacin en el plano x ( X j ) Ubicacin en el plano y ( Y j ) Altura acumulada del ubc ( Importancia 3 3 1 2 1 1
nj

Tabla 1: Asignacin de Importancia de componentes de A

27

As, la columna o vector normalizado ser dividido por 10i siendo i la importancia asignada. Estas importancias se determinan analizando el valor de la informacin que aporta cada coeficiente, as por ejemplo las caractersticas espaciales ( X j , Y j ) aportan informacin relevante para la agregacin, pues nos interesa saber dnde se encuentra el cubo que se est agregando para agregar cubos que se encuentren relativamente cerca, nos interesa tambin la cantidad de producto k que aporta el cubo, por tanto Akjn tambin es relevante. En cambio las restricciones secuenciales cuyos coeficientes son slo 0 y 1, que no aportan informacin relevante, tienen importancia menor. La definicin de importancia de las restricciones es uno de los grados de libertad de la investigacin, ya que ajustando adecuadamente estos valores se puede cambiar los criterios implcitos de clasificacin. Los criterios implcitos aqu usados, ordenados prioritariamente, son los siguientes:

Slo se permite agrupar variables de un mismo perodo, lo que significa que la aglomeracin de variables es espacial, y no necesariamente igual en distintos perodos. Se privilegia aglomerar los cubos de una misma columna. Se privilegia aglomerar los cubos adyacentes en una misma columna y en un mismo nivel de altura. Se privilegia aglomerar cubos con aportes en tonelaje de producto similares. Se privilegia aglomerar cubos de dimensiones similares

28

Con los vectores normalizados, priorizados y listos para se utilizados se procede a realizar la agregacin de columnas, en este proceso de aglomeracin se utilizan los criterios explcitos, que no son considerados en el planteamiento matemtico inicial.

Implementacin computacional La implementacin computacional de esta etapa contempla en primer lugar, generar la matriz A del problema original. Esto se realiza con el software GAMS, que escribe dos archivos en formato de texto denominados MAP y MPS. El primer archivo entrega el listado total de restricciones y columnas y el segundo los valores de los componentes de la matriz A segn cada fila y columna. Estos archivos se obtienen al plantear el problema original, pero no es necesaria su resolucin. Posteriormente es necesario procesar esta informacin para poder trabajar con formatos numricos, de manera de poder seleccionar las columnas de inters, cambiar su dimensin, agregar los valores mencionados, normalizarlos y priorizarlos. Lo anterior se realiza mediante un algoritmo programado en MS Visual Basic 6, en una rutina denominada Matriz. Esta rutina requiere de la siguiente informacin: Los perodos del problema para los que se construye el modelo agregado. Los archivos MAP y MPS. Los ponderadores de importancia de las restricciones. Esta rutina adems elimina las filas de la matriz que tienen valor cero para todas las variables, pues estos valores no entregan informacin til alguna al proceso de agrupacin. Esta disminucin de tamao adems permite disminuir los tiempos de modificacin de la matriz y agiliza posteriormente la rutina de clasificacin. Con lo anterior, el resultado de esta rutina es la matriz, con sus columnas seleccionadas y modificadas, preparada para su agrupacin.

29

IV.3 PROCESO DE AGREGACIN DE COLUMNAS DE LA MATRIZ A

La eleccin de cmo crear las particiones se realiza a travs de anlisis de cluster. Las tcnicas bsicas de anlisis de clusters pueden ser catalogadas en tres tipos: basadas en medidas de similitud y diferencias, clasificacin jerrquica, y clasificacin mediante particiones [9]. En este caso se utiliz un anlisis basado en medidas de similitud y diferencias, es decir los conjuntos de columnas a agregar se definen a partir de la semejanza que exista entre ellas. Para dicha la similitud, se define una medida de distancia permite ver qu tan similares son dos objetos. IV.3.1 Definicin de distancia o medida de similitud

Una manera estndar de expresar similitudes es a travs de un conjunto de distancias que actan sobre pares de elementos u objetos. Muchos de los algoritmos de clasificacin asumen este tipo de distancias como dada y a travs de stas se construyen las clases buscando que las distancias entre objetos de una clase sean pequeas. La medida de similitud, debe cumplir con los siguientes requisitos: d(Aj,Ak)0 para todo j y k d(Aj,Aj)=0 para todo j d(Aj,Ak)= d(Ak,Aj) para todo j y k d(Aj,Ak) d(Aj,Ai)+ d(Ai,Ak) para todo i, j y k Donde d(.,.) es la distancia entre dos elementos y Ak es la columna k de la matriz de coeficientes A. De las medidas de similitud existentes, que son numerosas, se determin que la adecuada a utilizar es la siguiente:

d ( A j , Ai ) = 1 cos( A j , A i )
30

Donde A j y Ai son las columnas modificadas segn lo expuesto en el Captulo anterior y cos: coseno del ngulo entre ambas columnas dado por:

cos( X , Y ) =

X ,Y X Y

La eleccin de esta distancia, propuesta en la literatura [9], se debe a que, en primer lugar cumple con las restricciones establecidas, en segundo lugar, a medida que se agrega con una distancia mxima ms pequea, los conjuntos factibles del problema agregado y del problema original son ms parecidos, por ltimo esta distancia fue usada con xito en la agregacin forestal con la diferencia que los vectores a utilizar no presentaban las modificaciones como las establecidas en el punto IV.2. La normalizacin de columnas planteada anteriormente tendr dos efectos en la medicin de distancias: 1.- Aquellos componentes de la misma fila de ambas columnas que no tengan la misma magnitud crearn mayor distancia entre vectores, por lo tanto stos sern agregados con menor probabilidad. 2.- Se otorgar mayor valor a las caractersticas espaciales del problema, por lo que las distancias darn fe de cercana espacial entre columnas y bloques de extraccin.

IV.3.2

Algoritmo de clasificacin

A continuacin se presenta la tcnica de agregacin utilizada. Es importante acotar que el problema que se enfrenta es de gran escala en trminos de cantidad de variables y restricciones, por lo tanto algoritmos de clasificacin ptimos como k-means sern de costo computacional alto e infactibles de implementar en tiempo aceptable para las mismas instancias u otras de mayor tamao. El algoritmo a usar tiene su base en el desarrollado por Hartigan denominado Leader Type Algorithm [4] y modificado por Sez [9] Es un procedimiento de tipo aproximado dada la necesidad de realizar una agregacin en forma rpida y de bajo costo computacional.

31

Con la distancia anterior y definiendo el criterio de que dicha distancia no debe ser mayor que un cierto valor >0, se procede a formalizar el algoritmo. En la siguiente figura se grafica el algoritmo a utilizar.
Paso 0: Se toma una columna Aj j=1, y se forma el ncleo del primer cluster N1=1, se guarda el ltimo conglomerado UC=1, j=j+1

Se toma la columna j, Se mide la distancia y se compara con los ncleos de todas los clusters ya definidos.Existe algn ncleo lo suficientemente cerca?

si

no

Se escoge el ncleo ms cercano y se ingresa al conglomerado correspondiente: j=j+1

Si no existe Cluster Aj se define como nuevo conglomerado j=j+1

Figura 11: Algoritmo de agregacin Leader Type

Una de las deficiencias de este algoritmo es que la clasificacin resultante depender del orden en que estn las columnas originalmente. Para eliminar esta deficiencia se permut aleatoriamente el orden de las columnas, para distintas instancias, y las diferencias obtenidas en los resultados de la clasificacin, con los distintos rdenes de las columnas fueron despreciables. El segundo grado de libertad de la aglomeracin, siguiendo a la definicin de importancia de los componentes de la matriz, es la definicin de la distancia > 0. Claramente con mayores distancias iniciales la cantidad de clusters resultantes es menor y se muestran mayores errores, cuando las distancias elegidas son pequeas aumenta la cantidad de clusters pero el error se ve disminuido, as una forma de acotar el error es considerar distancias de pequeo tamao. Con las distancias obtenidas, y la clasificacin hecha, se da paso al clculo de los ponderadores.

32

IV.3.3

Clculo de ponderadores g

La forma de definir los ponderadores g puede ser de gran importancia para la solucin que se obtenga, dado que estos obligan a las variables a tomar valores que pueden perjudicar la factibilidad del problema. Lo anterior sucede de forma notoria en el caso de la planificacin minera operacional, pues el gran detalle que sta posee, en trminos de secuenciamiento espacial y temporal, da alta sensibilidad a la factibilidad de la clasificacin de variables. Un ejemplo de esto es que pudiesen existir, en un cluster, dos variables y estas variables sean tales que la factibilidad del problema se da slo si una de ellas es uno y la otra es cero. Si se toman ponderadores tal que ambos son iguales a 0.5 cualquiera sea el valor de la variable esta har infactible el problema. El vector de ponderadores G para el cluster k se denomina Gk , este vector de ponderadores est compuesto por l componentes tal que :

G
i =1

nk

ki

=1

t Cada Gki representa a una variable del problema original Z n , j dentro del cluster k. Dada la

correspondencia entre el ponderador y la variable del problema original se puede plantear Gki de la siguiente forma para cada tripleta de n,j,t :

k G n , j ,t

G = ki 0

t Si la variable Z n , j pertenece al cluster k.

Si no

Tal como se seala a continuacin se calcularon ponderadores de diversas maneras:

Ponderador 1: Los ponderadores fueron calculados de la manera ms simple posible, considerando simplemente la cantidad de variables aglomeradas en cada grupo. As si el cluster k contiene nk variables, el ponderador de la columna i, perteneciente a dicho cluster ser sencillamente:

33

Gki =

1 nk

La formulacin de este ponderador con tiene la ventaja de ser de clculo rpido e intuitivo, es decir, que cada variable valdr lo mismo que las dems dentro de un cluster. Lamentablemente las desventajas superan las ventajas en este caso, tal como se ver en el anlisis de resultados, y esto es que este tipo de clculo de ponderadores atenta contra la factibilidad del problema. Podra ser discutido que este problema se elimina si la clasificacin de por s es lo suficientemente robusta, de manera tal que esta agrupe variables que no sean contradictorias entre s, pero esto no puede ser evitado de una forma generalizada ni nemotcnica para la gran cantidad de variables trabajadas con la informacin disponible previo a la solucin del problema.

Ponderador 2: El segundo ponderador responde a la necesidad a dar prioridad a ciertas variables dentro de un cluster, as los ponderadores de aquellas variables que correspondan a bloques o ubc ubicados ms abajo en la mina tendrn mayor ponderador, como as tambin aquellas variables que corresponda extraer antes de otras. El ponderador se construye de la siguiente forma: Dentro de un cluster hay variables asociadas a columnas que deben ser extradas antes que otras columnas. As se tiene.
J Pr iorl : Prioridad de extraccin de la columna asociada a la variable l del cluster, esta

informacin se obtiene para cada una de las variables que pertenecen al cluster. Dicha prioridad tomar valores ms bajos mientras antes deba ser explotada una columna. Por ejemplo, la columna que debe ser explotada primero tendr JPrior igual a 1. As, para que el valor de numerador sea alto mientras menor sea el JPrior, se usa:

max l ( J Pr iorl ) J Pr iori

34

Un ponderador adecuado si se quisiera ponderar solo a base de la prioridad de la columna sera:

(max l ( J Pr iorl ) J Pr iori )

nk max l ( J Pr iorl ) J Pr iorl
l =1 nk

Un ejemplo para este cuociente puede ser un cluster con dos variables ( nk = 2 ), de manera que la variable l=1 est asociada a un punto de extraccin con prioridad 2, y la variable l=2 est asociada a un punto de extraccin con prioridad 3. De esta forma el mximo de JPrior dentro del cluster ser 3. As el cuociente anterior para la variable l=1 ser:

(3 2)
2 3 (2 + 3)

1 1

As el mismo cuociente para la variable l=2 ser cero. En segundo lugar es necesario considerar dentro de una columna la prioridad de extraccin de sus cubos, para esto se determina.
N Pr iorl : Prioridad de extraccin del ubc asociada a la variable l del cluster, dentro de su

columna. Esta informacin se obtiene para cada una de las variables que pertenecen al cluster. Dicha prioridad ms bajos mientras antes deba ser explotada un cubo. As, para que el valor de numerador sea alto mientras menor sea el NPrior, se usa:

max l ( N Pr iorl ) N Pr iori

A partir de esto se podra tambin construir un ponderador como el expresado anteriormente. Considerando lo recin expuesto y considerando el fondo del ponderador 1 se formula el siguiente ponderador para la variable i perteneciente al cluster k es el siguiente:

Gki =

(max l ( N Pr iorl ) N Pr iori ) + (max l ( J Pr iorl ) J Pr iori ) + 1

nk max l ( N Pr iorl ) N Pr iorl + nk max l ( J Pr iorl ) J Pr iorl + nk
l =1 l =1 nk nk

35

De manera que a menor prioridad de extraccin tenga la variable, mayor ser su ponderador. Notar que la suma de los ponderadores sobre todos los componentes de un cluster ser igual a 1. Con el mismo ejemplo usado anteriormente se puede suponer que la variable l=1 tiene un NPrior de 1 y la variable l=2 tienen un NPrior de 2. De esta forma el mximo de los NPrior es 2, por lo que los ponderadores quedan:

Gk1 = Gk 2

3 2 2 (1 + 2) + 2 3 (2 + 3) + 2 4 (2 2) + (3 3) + 1 1 = = 2 2 (1 + 2) + 2 3 (2 + 3) + 2 4 =

(2 1) + (3 2) + 1

As, el ponderador asociado a la primera variable del cluster l=1 que se encontraba asociado a un cubo cuya columna tena mayor prioridad de extraccin (JPrior=2 ) y mayor prioridad de extraccin del ubc (NPrior = 1) se lleva la mayor parte del ponderador. Notemos adems que ambos ponderadores suman 1.

Ponderador 3: El tercer y ltimo ponderador est pensado de forma similar al anterior, pero se incluye algunos otros datos relevantes en el clculo del ponderador. En primer lugar se estableci que el secuenciamiento vertical o de los cubos (dado por NPrior) es ms importante en los primeros perodos del modelo, esto es pues aqu es importante que las variables asociadas a ubcs que se encuentran ms abajo en la mina (de menor valor de NPrior) sean explotadas primero. En cambio el secuenciamiento en el plano o de las columnas (dado por JPrior) es ms importante en los perodos centrales o ltimos del modelo, pues aqu es ms relevante extraer en las partes centrales y superiores de la mina, segn el orden de prioridad de cada columna. Por otro lado se agreg una ponderacin asociada al tiempo de extraccin de cada cubo, ya que es importante que aquellas variables cuyo tiempo de extraccin es mayor, sean priorizadas de distinta forma dependiendo del perodo en el cual se est agregando.

36

As se tiene que pondx(t) corresponde al ponderador de la informacin dependiendo del perodo asociado a la variable que representa cada ponderador y tpo de extraccin del cubo por sobre el tiempo de extraccin promedio de los cubos que pertenecen al cluster.

Gki =

pond1 (t )(maxl N Pr iorl N Pr iori ) + pond2 (t )(maxl J Pr iorl J Pr iori ) + pond3 (t ) * tpol nk nk pond1 (t ) nk * maxl N Pr iors N Pr iorl + pond2 (t ) nk * maxl J Pr iors J Pr iorl + pond3 (t ) * tpol l =1 l =1 l

La seleccin de ponderadores afecta de manera importante la factibilidad del problema. Desde un punto de vista conceptual la eleccin de ponderadores se basa en que stos sigan implcitamente los criterios que usa el problema lineal para dar valor a las variables. Por ejemplo, se puede inferir que al solucionar el problema original se prioriza que las variables de los perodos iniciales asociadas a cubos que se encuentran en las primeras prioridades de extraccin tomarn mayor valor que las variables de estos mismos perodos iniciales pero asociadas a cubos con baja prioridad de extraccin (debido a si posicin fsica). No as en perodos finales del horizonte, donde las variables que tenan mayor prioridad de extraccin seguramente tomarn valor y aquellas con menor prioridad de extraccin, por haber sido ya extradas, no toman valor. De esta forma al aglomerar variables, los ponderadores privilegian dar valor en criterios similares a los que el problema original muestra debido a las caractersticas de secuenciamiento espacial del modelo. Los resultados obtenidos con cada uno de estos ponderadores sern discutidos en el Captulo V de este documento. Implementacin computacional Los procesos de agregacin de columnas y clculo de ponderadores se realizan en una misma rutina utilizando Visual Basic 6. Dicha rutina en primer lugar, y dada una distancia mxima, realiza la clasificacin y agrupacin de variables segn el algoritmo discutido anteriormente. A continuacin la rutina realiza el clculo de los ponderadores liberando archivos de texto con los datos a usar en la solucin del modelo. La informacin requerida por este programa es: 37

La matriz en el formato correspondiente, despus de ser procesada La distancia mxima permitida Las condiciones especiales de agregacin, es decir, si se desea agrupar separadamente los subsectores, perodos o columnas este es el lugar para indicarlo. La frmula de clculo de los ponderadores Con todo lo anterior se obtienen los archivos en el formato adecuado que usar el software GAMS para dar solucin al modelo. Los archivos que se obtienen son: El listado de clusters o agrupaciones formadas El valor de los ponderadores para cada variable del problema original El nmero de variables agrupadas por cluster

IV.4 FORMALIZACIN DEL MODELO AGREGADO

Considerando la agregacin oficial del modelo se hace necesario formularlo. Esta formulacin contempla el reemplazo de las variables Zjnt por la nueva variable multiplicada por su ponderador. As, tal como se mencion el Captulo III.4 Zipkin propone la formalizacin del nuevo modelo de la forma (AP) s.a.

max Z = c'T x' A' x' b x' 0

Donde Ak = Ak gTk,

ck = ckgk,

xk = xk gk,

k = 1,,K

(*)

Para la formulacin del nuevo modelo se plantea la forma equivalente:

38

(AP) s.a.

max Z = c'T x' Ag T x' b x' 0

Dado que del modelo original slo cambia en aquellas restricciones que se relacionan con las variables antes mencionadas (Zjnt) se mostrar en el cuerpo de este informe solo un ejemplo del cambio en las ecuaciones. En el Anexo B se plantea el nuevo modelo en extensin. Siendo l el subndice asociado a los clusters, la restriccin 23 que indica que el flujo de productos en el cruzado v, en el perodo t, debe ser menor que su capacidad queda de la siguiente forma:

kKV jJ ( v ) nN ( j ) i

kjn

t G lj ,n ,t Z a ,l CAPvt

v, t

Donde los subndices a y t de la nueva variable pueden ser obviados, segn lo explicado en el Captulo IV.1.

39

SOLUCIN DEL PROBLEMA AGREGADO

En este Captulo se discute la solucin del problema, para luego realizar la desagregacin

que permite conocer el valor de las variables del problema original. El clculo de la cota permite estimar, sin conocer la solucin del problema original, el error que asociado al problema agregado.

V.1 DESCRIPCIN DE LAS INSTANCIAS DE PRUEBA

Con el fin de probar la capacidad del modelo construido se tom la planificacin de operaciones de El Teniente. Se consideraron los sectores que lo conforman y segn lo definido en el Captulo II de este informe, los requerimientos del modelo de agregacin son los siguientes: Horizonte: 5 aos, perodo comprendido entre el 2006 y el 2010 Modelo de optimizacin original: Este modelo debe contener los datos asociados al estado de los sectores que conforman la mina, el modelo geolgico asociado, las capacidades de extraccin, incremento y decremento de los tonelajes de extraccin anual para cada subsector, la capacidad de las estaciones de procesamiento de material, la cantidad de metros cuadrados a ser habilitados por sector en cada perodo, el precio de los productos generados y descuentos asociados al mismo, los cotos de habilitacin de rea para cada sector, los costos de extraccin de material por sector, costo por incremento o decremento de la produccin en cada perodo respecto al perodo anterior, y costos de flujo de material por perodo de acuerdo al sector de inicio del recorrido y las estaciones de procesamiento utilizadas. Informacin espacial de cada ubc: Coordenada X e Y, y altura. En general el modelo de optimizacin original y sus instancias, dan cuenta de todos los datos necesarios para la formulacin y solucin del modelo agregado. El nivel de agregacin necesaria es obtenido mediante el planteamiento de los resultados esperados y se implementa a travs del establecimiento de la distancia mxima entre los vectores a agrupar.

40

Con todo lo anterior el modelo agregado fue formulado en el lenguaje del software GAMS, y solucionado mediante su solver CPLEX, en un PC Pentium IV de 3Ghz y 3GB Ram.

V.2 DESAGREGACIN Y CLCULO DE COTA DE ERROR

V.2.1 Desagregacin

Debido a la definicin conveniente de los ponderadores g, la desagregacin se obtiene directamente, de la siguiente forma:
t Z nj = G k,n ,t Z a ,k j t k =1 K

As la desagregacin a ponderadores fijos expuesta por Zipkin es utilizada en cabalidad. La desagregacin se realiza directamente mediante el software GAMS, y entrega los datos en un formato con similares caractersticas al del modelo original.

V.2.2

Clculo de la cota

La cota de Zipkin exige establecer condiciones sobre la solucin ptima, sin previamente haber resuelto el problema original (de lo contrario dicha cota carece de sentido). En el caso minero es posible construir sin dificultad esta condicin, pues se encuentra dada por la primera restriccin del modelo, dada por:

Z
t

t jn

j, n

Donde = {Sk : k=1,2,,K} una particin de las variables originales tal que se agrupan, para cada par ordenado j,n las variables correspondientes a un perodo. As e resuelve entonces esta dificultad eligiendo una particin = {Sk : k=1,2,,K} tal que K=N x J y dj=1 y Pk=1

41

Por otro lado se sabe que si la solucin dual del problema agregado es factible en el problema dual no agregado entonces la cota de Zipkin es cero. Es decir, no se perdi precisin en la solucin ptima al hacer la agregacin. Notemos, por otro lado, que la expresin que calcula la cota de Zipkin es vlida an en los casos que el problema no tiene exclusivamente restricciones del tipo menor igual, sino que tambin restricciones de igualdad o mayor o igual lo que ocurre en nuestro caso. Por ltimo cabe mencionar que segn Zipkin, las variables que no se agreguen, pueden eliminarse del clculo de la cota. Segn lo anterior la cota se calcula de la forma establecida en el Captulo III.4.

a = (Max(c j u A j ) + )
k =1 jS k '

K'

El clculo de la cota fue realizado en una rutina implementada en Visual Basic 6, utilizando como informacin los reportes de las variables duales y los archivos MPS y MAP entregados por GAMS.

42

VI OBTENCIN ANLISIS Y VALIDACIN DE RESULTADOS

VI.1 CONSIDERACIONES GENERALES

VI.1.1

Criterios de asignacin de importancias

Se realizaron variadas agregaciones de columnas probando tres criterios de asignacin de importancia a los componentes de las columnas de la matriz A segn lo explicado en el Captulo IV.2. De estos tres criterios, slo uno dio como resultado agregaciones factibles. Las importancias asignadas para el caso factible se muestran en la siguiente tabla, ordenada segn el nombre de la restriccin a la que corresponde cada fila de la matriz A.

Nombre Restriccin Altura set_piso calc_ext exp_up exp_fact exp_fac exp_bloq Obliga Secuencia tpo_ext area_min area_max crz_cap crz_out altura_acum* X* Y*

Informacin que aporta el coeficiente altura del ubc o cubo 0y1 0y1 0y1 0y1 0y1 0y1 0y1 0y1 tiempo de extraccin del cubo rea de influencia de la columna rea de influencia de la columna toneladas de producto que aporta el cubo toneladas de producto que aporta el cubo altura de la posicin del cubo coordenada X en el plano del cubo coordenada Y en el plano del cubo

Importancia 2 3 3 3 3 3 3 3 3 2 3 3 2 2 1 1 1

*Corresponde a los datos espaciales agregados a cada columna Tabla 2: Asignacin de importancia utilizada

43

La tabla anterior indica, implcitamente, que se le da mayor importancia a la informacin espacial, en segundo lugar a la informacin de tonelaje, tiempo de extraccin y altura de bloque, y en ltimo lugar todas aquellas restricciones donde la informacin propiciada es del orden 100.

VI.1.2

Ponderadores g

Adicionalmente, se testearon los tres ponderadores g planteados en el Captulo IV.3.3. De ellos slo el tercer ponderador deriv a resultados factibles de la agregacin. Las infactibilidades observadas al desagregar con los restantes dos ponderadores se encuentran ntimamente relacionadas con la violacin de las restricciones de extraccin secuencial.

VI.2 INSTANCIAS
Los resultados de la tcnica de agregacin haciendo uso de anlisis de conglomerados se validan a continuacin de forma emprica ocupando dos instancias. Para cada una de estas instancias se muestran conglomeraciones hechas con tres medidas mximas de disimilitud, segn lo planteado en el punto IV.3.1
distancia 1 distancia 2 distancia 3 0.003 0.001 0.0005

Tabla 3: Distancias mximas utilizadas

Cabe destacar que adems de las dos instancias aqu descritas se realizaron corridas para una tercera instancia, sta comprenda al subsector ms pequeo de la mina El Teniente. Se consider que esta instancia era muy pequea pues responda de la misma forma para todas las distancias utilizadas.

44

VI.2.1

Instancia 1: Subsector 6

La instancia 1 (de prueba) contempla al subsector 6 de la mina El Teniente, el modelo original para este subsector tiene las siguientes caractersticas:

N de Columnas (Variables) Relevantes 9785

Tiempo de Corrida [s] 66.04

Tabla 4: Caractersticas generales Instancia 1

Los resultados de esta segunda instancia de validacin se muestran a continuacin: Al establecer distancia 1 0.003 en el algoritmo de agregacin, para el segundo problema, se obtuvieron los siguientes resultados:

Nmero de Variables Reduccin porcentual de variables Tiempo de resolucin [s] Reduccin porcentual de tiempo de resolucin Error real de la funcin objetivo Error de la cota de Zipkin
Tabla 5: Resultados distancia 1 e instancia 1

953 91.26% 7.124 89.21% 4.90% 5.70%

Al establecer distancia mxima de 0.001 en el algoritmo de agregacin, para el segundo problema, se obtuvieron los siguientes resultados:

Nmero de Variables Reduccin porcentual de variables Tiempo de resolucin [s] Reduccin porcentual de tiempo de resolucin Error real de la funcin objetivo Error de la cota de Zipkin
Tabla 6: Resultados distancia 2 con instancia 1

1012 89.66% 7.587 88.51% 3.45% 3.62%

45

Al establecer distancia mxima de 0.0005 en el algoritmo de agregacin, para el segundo problema, se obtuvieron los siguientes resultados:

Nmero de Variables Reduccin porcentual de variables Tiempo de resolucin [s] Reduccin porcentual de tiempo de reduccin Error real de la funcin objetivo Error de la cota de Zipkin
Tabla 7: Resultados distancia 3 instancia 1

1234 87.39% 8.965 86.43% 2.98% 3.80%

VI.2.2

Instancia 2: Todos los Subsectores

Los datos del problema original con los cuales se debe comparar los resultados obtenidos son los siguientes:
N de Columnas (Variables) Relevantes 30040 Tiempo de Corrida [s] 211.375

Tabla 8: Caractersticas generales instancia 2

Con la instancia descrita anteriormente, que agrupa a 11 subsectores de la mina, los resultados obtenidos son los siguientes. De las agrupaciones factibles, los resultados obtenidos son los siguientes. Al establecer distancia mxima de 0.001 en el algoritmo de agregacin se obtuvieron los siguientes resultados:
Nmero de Variables Reduccin porcentual de variables Tiempo de resolucin [s] Reduccin porcentual de tiempo de resolucin Error real de la funcin objetivo Error de la cota de Zipkin
Tabla 9: Resultados distancia 1 instancia 2

3015 89.96% 27.484 87.00% 4.04% 4.13%

46

Al establecer distancia mxima de 0.003 en el algoritmo de agregacin se obtuvieron los siguientes resultados:
Nmero de Variables Reduccin porcentual de variables Tiempo de resolucin [s] Reduccin porcentual de tiempo de resolucin Error real de la funcin objetivo Error de la cota de Zipkin
Tabla 10: Resultados distancia 2 instancia 2

3507 88.33% 27.031 87.21% 3.11% 3.77%

Al establecer distancia mxima de 0.0005 en el algoritmo de agregacin se obtuvieron los siguientes resultados:
Nmero de Variables Reduccin porcentual de variables Tiempo de resolucin [s] Reduccin porcentual de tiempo de reduccin Error real de la funcin objetivo Error de la cota de Zipkin
Tabla 11: Resultados distancia 3 instancia 2

4049 86.52% 26.484 87.47% 2.63% 3.10%

VI.3 ANLISIS

Se puede observar que para todas las agregaciones realizadas el problema disminuye su cantidad de variables y/o columnas en alrededor de un 88%. Esto trae consigo reducciones considerables de los tiempos de resolucin del modelo siendo el mximo ahorro encontrado de un 89,21% (Tabla 5). El deterioro de la funcin objetivo se puede ver mediante dos indicadores: el error real de la funcin objetivo y la cota de Zipkin calculada. En primer lugar se puede afirmar que el error asociado a la cota es similar al real, esto implica que el clculo de la cota de Zipkin agrega 47

valor, pues da una estimacin del error medianamente certera, para la cual no se necesita resolver el problema original. En segundo lugar se puede ver que los errores bordean el 3% para los mejores casos. Es preciso recalcar que una prdida de precisin del 3% no es notoriamente significativa para los planificadores de la empresa, puesto que CODELCO incurre en errores del orden del 8-10% al hacer aproximaciones en la planificacin cuando este tipo de modelos no son usados. Si bien es cierto cifras del 3% de las utilidades pueden significar muchos millones de pesos, este tipo de cotas de error son frecuentes en el proceso de planificacin minera. De los resultados se puede observar adems, que existe congruencia entre los datos obtenidos de ambas instancias, esto quiere decir que las agregaciones realizadas cumplen el objetivo de disminuir el tamao del problema de la mina de extraccin de El Teniente, para el cul fue implementada la tcnica. Se puede afirmar adems que el error calculado disminuye al aumentar el tamao de la instancia. As, al aumentar el tamao de la instancia y por tanto los tiempos de resolucin disminuye el error asociado. La distancia mxima definida es un dato determinante en el error obtenido en la funcin objetivo para cada agregacin. De la Tabla 11, se observa que la distancia 3 es la ms beneficiosa en trminos de reduccin de este error (2,63%) y el costo de implementarla en trminos de aumento de tiempos de corrida respecto a la distancia 2 es menor a un segundo (27.031-26.484), lo que la hace muy atractiva, ya que hay un aumento de los beneficios no proporcional al aumento de los costos. Cabe destacar que el modelo fue testeado con distancias mximas ms pequeas, pero se observ que una mayor disminucin en este valor perjudica los tiempos de resolucin ms que proporcionalmente, por lo que las distancias menores fueron eliminadas del anlisis. En cuanto a los recursos invertidos para correr el modelo detallado: este modelo demora ms de 3 horas en procesar cada vez que es corrido para la mina El Teniente a 25 aos plazo, y si se incluyeran adems todas las otras divisiones y la estocasticidad de las leyes y precios este demorara o incluso semanas en correr, lo que es inaceptable en trminos prcticos. Con el modelo agregado, la disminucin de tiempo se reduce de forma notoria y haciendo esfuerzos de precisin aceptables (menores al 5%) se podra lograr reducir el tiempo a horas, donde 3 a 5 horas es un tiempo aceptable para un modelo de estas dimensiones.

48

En cuanto a los recursos investidos en la agregacin y bsqueda de los ponderadores: la bsqueda de agregaciones factibles implica procesar el algoritmo de aglomeracin muchsimas veces (en esta experiencia alrededor de 80 veces). Este algoritmo demora alrededor de 3 minutos en procesar y realizar la aglomeracin, lo que significa que demora alrededor de 8 horas en encontrar ponderadores y aglomeraciones adecuadas. Una vez encontrado el modelo, ste puede ser corrido variadas veces con distintos valores de sus parmetros (instancias), es decir no es necesario encontrar distintos ponderadores o clusters cada vez que se corre el modelo. El trade off existente, entre los recursos invertidos en procesar el modelo original y los recursos invertidos en la obtencin de ponderadores, se inclina a favor de la agregacin del problema, pues sta reduce los tiempos, y a pesar de que se invierte una cantidad considerable de horas en el proceso de aglomeracin, ste otorga la posibilidad de obtener tiempos de procesamiento menores, y correr el modelo reiteradas veces. Al realizar un anlisis ms profundo de errores detallados por subsector en trminos de cantidades extradas se pueden detectar diferencias mayores que bordean el 9%, pero estas son espordicas, en general el error total, asociado a la funcin objetivo, es menor que el error detallado.

VI.3.1

Observaciones

Las restricciones violadas por los dos ponderadores iniciales (ponderador 1 y ponderador 2 mostrados en el punto IV.3.3 de este informe) son las asociadas a la extraccin hacia arriba de las columnas, los tiempos de extraccin y la regularidad de alturas.

49

VII CONCLUSIONES Y CONSIDERACIONES FUTURAS

Se demostr que es factible agrupar variables con metodologa de anlisis de conglomerados a partir del problema original de planificacin minera. Con esta metodologa se obtuvieron tiempos de resolucin menores al 20% del tiempo de resolucin del problema original, lo que permite agilizar el proceso de toma de decisiones. Los errores globales obtenidos, medidos mediante el valor de la funcin objetivo, bordean el 3%, lo que se considera una precisin aceptable en trminos de los resultados esperados de esta investigacin. Se logr la formulacin de un modelo de decisiones a nivel tctico de menor tamao para la planificacin de extraccin a rea fija de una mina subterrnea, que dependiendo del adecuado clculo de ponderadores cumple con las restricciones del modelo detallado. La teora que hay detrs de la agregacin a posteriori tiene varias ventajas en su aplicacin, la primera de ellas es que si el problema agregado tiene solucin factible, esto asegura la factibilidad al desagregar. La segunda ventaja visible es la otorgada por el planteamiento formal de la cota de Zipkin, ya que con ella es posible establecer de manera medianamente certera cul es la cota mxima de error sin necesidad de resolver el problema original Para obtener mejores resultados en la agregacin es necesario definir eficientemente los criterios implcitos que debe tener cada decisin a tomar por el planificador en el proceso de agregacin. Estos criterios deben estar alineados con los criterios de decisin del problema original y hacerse cargo de sus restricciones ms inhabilitantes. En el caso de la extraccin de minas subterrneas a rea fija, la informacin relevante a considerar est dada por la informacin de posicin y secuenciamiento espacial y temporal de las unidades bsicas de cubicacin (ubc). Para el caso en estudio, los grados de libertad del planificador se presentan en las distintas etapas de la agregacin: En primer lugar, para obtener agrupaciones favorables se debe determinar adecuadamente qu informacin es relevante al agregar columnas de la matriz A. En segundo lugar es indispensable calcular ponderadores g que consideren las caractersticas espaciales y secuenciales del problema de manera de que su clculo tenga menores posibilidades de perjudicar la factibilidad del modelo agregado. 50

Cabe destacar que, de las agrupaciones realizadas (alrededor de 80), no ms de un 10% fueron encontradas factibles. Esto se debe a que, con frecuencia, los ponderadores calculados no responden a las necesidades de priorizacin espacial del problema. As, el inconveniente ms trascendental de la agrupacin a posteriori, en el problema de extraccin minera, es que el clculo de ponderadores g para compactar la matriz atenta muy fcilmente contra la factibilidad del modelo, afectando principalmente en las restricciones que tienen que ver con el secuenciamiento espacial y temporal de la extraccin. Por otro lado, la informacin disponible con anterioridad a la solucin del modelo, no permite establecer una nemotecnia o manera sistemtica cien por ciento certera para conseguir ponderadores que aseguren la factibilidad posterior del modelo agregado y revertir el problema general de sta tcnica. En este sentido, los beneficios del la agregacin a posteriori en planificacin minera sern claros slo cuando, en la evaluacin del trade off entre los recursos invertidos en la bsqueda de ponderadores factibles y los recursos invertidos en solucionar el problema detallado, sea favorable a la bsqueda de ponderadores. Este tipo de modelos de agregacin son un poco ms complicados de aplicar para el problema minero real, donde las variables de extraccin son binarias. Adems segn lo establecido por Hallefjord y Storoy [3] en programacin lineal entera, la desagregacin a ponderadores fijos no siempre resulta en una solucin factible para el problema original y la cota de Zipkin pierde sentido. En la implementacin no se evalu, como solucin al problema de factibilidad relajar las restricciones problemticas penalizndolas en la funcin objetivo, esto mejora la solucin obtenida, pero an as la factibilidad del problema original no es asegurada. Queda planteado realizar este anlisis en trabajos futuros en el tema y determinar su impacto real en el plan de operaciones. En otro tipo de modelos un poco ms simples, donde las restricciones de secuenciamiento no endurezcan el problema tan notoriamente, la agregacin a posteriori puede ser una herramienta de gran utilidad. Queda abierta la inquietud de incorporar este tipo de tcnicas en la agregacin para el caso de la minera a rajo abierto, donde los problemas que se presentaron en este caso podran ser eliminados con ms facilidad por ser esta una tcnica ms estudiada en la literatura en general. 51

El modelo propuesto, tal como fue enunciado por Rogers, Plante, Wong y Evans [8], responde a las necesidades particulares del proceso de agregacin de variables en la extraccin de minas subterrneas a rea fija, por lo tanto su generalizacin directa no es posible. Para realizar una validacin ms detallada del modelo, sera recomendable realizar la implementacin de este tipo de tcnicas en las instancias a 25 aos plazo, donde las distorsiones y la variacin de los precios pueden cambiar los resultados de manera considerable. Por otra parte, para evaluar la factibilidad de agregar modelos de operacin de planificacin minera usando este tipo de tcnicas debe analizarse la cantidad de variables y restricciones de extraccin que tiene el modelo, pues si la cantidad de variables de extraccin es despreciable respecto de la cantidad de variables de flujo, esta herramienta no agrega valor. La implementacin de este modelo en otras divisiones de CODELCO o en otras minas de extraccin de mineral, depender directamente del parecido que tenga el modelo de extraccin de la mina con el modelo original estudiado, por tanto, la flexibilidad de la tcnica implementada es limitada. Los pasos futuros apuntan a la ampliacin de esta herramienta a minas de similares caractersticas. En rubros distintos a la minera, donde existan problemas de programacin lineal de gran tamao esta tcnica podra ser aplicada, pero dependern de las caractersticas particulares del las restricciones asociadas al problema, las dificultades que se puedan presentar. Con los resultados obtenidos de este trabajo surgen nuevas inquietudes de conocimiento dentro de la investigacin operativa en el mbito de la industria minera, como por ejemplo implementar las agrupaciones hechas con metodologas a priori en la agregacin a posteriori e implementar la agregacin a posteriori sobre el modelo agregado a priori, con el objetivo de reducir de manera ms que significativa los modelos utilizados.

VIII BIBLIOGRAFA
[1] CENTRO DE GESTIN DE OPERACIONES, Proyecto FONDEF: Metodologa para evaluar inversiones en proyectos mineros de Cobre de largo plazo. 2003 [2] CODELO CHILE S.A. 2006. Pgina web oficial www.codelco.cl; 52

[3] HALLEFJORD A., STOROY S., 1990. Aggregation and disaggregation in integer programming problems Op. Res 38 [4] HARTIGAN J. Clustering Algorithms Wiley, New York. 686 p[5] HUNEUS F. 2004. Generacin de escenarios de Planificacin Minera. Memoria para optar al ttulo de Ingeniero Civil en Minas. Santiago, Chile, Universidad de Chile, Facultad de Ciencias Fsicas y Matemticas, Departamento de Ingeniera de Minas,. [6] IBAEZ, J. 2006. Desarrollo de un modelo compacto de produccin minera en CODLECO Memoria para optar al ttulo de Ingeniero Civil Industrial. Santiago, Chile, Universidad de Chile, Facultad de Ciencias Fsicas y Matemticas, Departamento de Ingeniera de Industrial. [7] ORTIZ C., VARAS S. y VERA J. 1995. Apuntes de Investigacin Operativa. Santiago , Chile. Universidad de Chile, Facultad de Ciencias Fsicas y Matemticas, Departamento de Ingeniera Industrial, [8] ROGERS D. PLANTE R. WONG R. EVANS J. 1991. Aggregation and disagreggation techniques and methodology in optimization. Op Res. 39. pp 553. [9] SEZ G, 1991. Tcnicas de clasificacin para agregacin de problemas de clasificacin forestal. Tesis para optar al ttulo de Magster en Gestin de Operaciones. Santiago, Chile, Universidad de Chile, Facultad de Ciencias Fsicas y Matemticas, Departamento de Ingeniera de Industrial. [10] SANTIBEZ, P. 2000. Investigacin para la evaluacin y optimizacin de planes mineros de largo plazo. Memoria para optar al ttulo de Ingeniero Civil Industrial. Santiago, Chile, Universidad de Chile, Facultad de Ciencias Fsicas y Matemticas, Departamento de Ingeniera de Industrial. [11] WEINTRAUB A., SEZ G. y YADLIN M. 1997. Aggregation procedures in forest management planning using cluster analysis. Forest Science 43(2) [12] ZIPKIN. P 1980. Bounds on the effect of agreggating variables in linear programs . Op.Res. 28: 1299-1309

53