Minerao

Modelo de previso do custo de minerao pelo sistema de curvas de aprendizado

Walmir Carvalho Pereira
Eng. Chefe do Departamento de Planejamento de Mina,MSc - Samarco Minerao S.A. E-mail: walmir@samarco.com.br

Saul B. Suslick
Departamento de Geologia e Recursos Naturais - Instituto de Geocincias - UNICAMP E-mail: suslick@ige.unicamp.br

Resumo
Esse trabalho apresenta o desenvolvimento de um modelo de previso de custo de produo por intermdio da tcnica do sistema de curvas de aprendizado. Uma das vantagens desse modelo a possibilidade de incorporar as mudanas tcnico-econmicas ocorridas no desempenho do custo, que se refletem na srie temporal em anlise. Esse modelo possibilita estimar com relativa preciso o desempenho dos custos atuais e futuros utilizando-se de uma srie histrica de dados de produo de uma unidade de minerao de ferro. A comparao entre os custos reais de operao na mina e os resultados gerados pelo modelo de Stanford-B de aprendizado situou-se dentro de uma faixa aceitvel de tolerncia prxima de 10%. Palavras-chave: custo de minerao, curvas de aprendizado, minrio de ferro e planejamento mineral.

Abstract
This paper presents a learning curve model for forecast the operational mining cost. One of the great advantages of this model is the possibility to include the technical and economic changes in the cost performance that are incorporated by the time series. The learning model projections presents a good level of accuracy for cost data from iron ore. The comparison between actual and forecast data costs through the Stanford-B model indicates that the output values are within an acceptable range of 10% confidence interval. Keywords: mining cost, learning curves, iron ore and mining planning.

REM: R. Esc. Minas, Ouro Preto, 56(2): 139-143, abr. jun. 2003

139

1. Introduo
Sabe-se que o desempenho melhora com a prtica e que esse fenmeno amplamente observado nas diversas situaes industriais. Um meio racional de medir e prever melhorias de produtividade, conhecida como a tcnica do sistema de curvas de aprendizado, j est bastante difundido e documentado. A forma mais simples de uma curva de aprendizado expressa o custo unitrio acumulado da produo como funo da produo acumulada, com a taxa de melhoria constante entre nveis de produo crescentes. O presente trabalho foi desenvolvido com o objetivo de introduzir o sistema de aprendizado como uma tcnica de previso, a partir de um estado predefinido do sistema e da manuteno das condies de trabalho. Para avaliar o desempenho dessa tcnica, foram analisadas as vrias fases de produo de uma unidade de minerao de ferro, vinculado a um sistema integrado de operaes de beneficiamento, transporte de concentrados atravs de mineroduto, pelotizao e porto. Os dados de produo se referem Gerncia de Minerao da SAMARCO e esto distribudos mensalmente em um perodo, trs anos (1997/2000). Esse perodo foi escolhido por representar uma parte marcante da histria da empresa, pois compreende a fase preparatria para o projeto de expanso da empresa (1997), a fase ps-expanso (1998/1999) e a fase de consolidao da nova capacidade produtiva (1999/2000). A fim de garantir o sigilo das informaes, os valores de custo aqui apresentados so custos aparentes, mas que guardam entre si e com as demais variveis em anlise as mesmas relaes matemtico-estatsticas apresentadas pelos custos reais.

(1981), Suslick e Harris (1990) e Silva e Suslick (1993). A concepo do sistema de aprendizado baseia-se na noo intuitiva de que o incremento de produtividade resultante de um aprendizado, sendo assim passvel de planejamento e previso. Em termos formais, o modelo de conhecimento pode ser definido atravs das seguintes relaes que representam simples valores acumulados: Custo acumulado: C t = C i
i= 1 i

valor de k que denota melhoria deve ser negativo. Um valor positivo de k indica produtividade deteriorada com custos crescentes, geralmente detectada em processos que esto no incio e/ou em ajuste. Se k=0, ento no h melhoria na performance do custo com a continuidade da produo. O modelo log-linear padro apresentado pode ser usado de diversas formas e variaes, de acordo com o problema em anlise. Uma verso mais adequada da curva de aprendizado para os dados que sero estimados nesse trabalho a curva de Stanford-B. Esse modelo foi desenvolvido a partir da observao de que novos programas ou novas condies de trabalho tendem a ser afetados pela experincia ganha durante perodos de produo prvios. Esse efeito de "carry-over" traduzido na curva loglinear atravs da adio de um novo parmetro p0 ao nvel de produo. Assim, teremos a eq.(6): Ct = A (Pt + p0 ) k (6)

Produo acumulada: Pt sendo: Y = Ct / Pt

= Pj
j=1

(1)

a medida do sistema de aprendizado. O modelo de curva de aprendizado mais utilizado o potencial simples, onde a relao entre Ct e Pt pode ser expressa por: Ct = A Ptk (2)

onde A o custo requerido para produzir a primeira unidade e k uma constante relacionada inclinao da curva de aprendizado. Definem-se ndice de aprendizado IA e ndice de progresso IPR a partir das expresses: IA = 2k IPR = 1 - IA (3) (4)

Aplicando logaritmos relao (2) tem-se : Ln Ct = LnA + k . Ln Pt (5)

O significado fsico de p0 uma quantidade acumulada de produo correspondente s fases anteriores ao novo programa de produo da empresa. A generalizao da curva de Stanford-B obtida quanto se considera no s o parmetro p0, mas tambm um novo parmetro c0, cujo significado o custo especfico acumulado correspondente s fases anteriores ao novo programa de produo da empresa, que o modelo adotado nesse trabalho conforme indica a eq.(7): ( Ct + c0 ) = A (Pt + p0 ) k (7)

que a clssica verso log-linear da curva de aprendizado, onde LnA e k so os parmetros do modelo linear, que podem ser estimados por mnimos quadrados. Uma dada curva de aprendizado estar completamente caracterizada pelo parmetro A e a constante k, os quais so determinados atravs de um ajuste da curva aos dados experimentais. O valor de A pode variar amplamente, dependendo da natureza da aplicao. A magnitude de k, por outro lado, tem uma faixa de variao muito mais estreita, com curvas de aplicaes similares tendendo a valores comuns de k. Sendo Ct um custo especfico, o

2. Conceitos e parmetros das curvas de aprendizado

Os conceitos tericos dos modelos de aprendizado podem ser encontrados nos trabalhos do Boston Consulting Group (1970), Belkaoui (1968) e Towill (1990). Na indstria mineral algumas aplicaes foram realizadas por Pierson
140

3. Aplicao do modelo de previso do custo

A produo de minrio acumulada, em toneladas mtricas naturais (TMN), obteve uma boa correlao com os custos (R2 = 0,98). A Figura 1 apresenta os dados e a evoluo dos custos no perodo. Para aplicar o modelo de Stanford-B generalizado, a srie temporal foi dividida em cinco fases de produo, mostradas na Figura 1 pelos trechos AB, BC,

REM: R. Esc. Minas, Ouro Preto, 56(2): 139-143, abr. jun. 2003

CD, DE e EF, respectivamente. A fase AB corresponde aos quatro meses do ano de 1997 que antecederam concluso do projeto de expanso da SAMARCO, quando a capacidade de produo de pelotas foi duplicada de 6 para 12 milhes de toneladas anuais, com a construo do segundo forno de pelotizao. O perfil descendente de produo desse trecho AB pode ser explicado pelas diversas intervenes que se efetuavam nos processos das usinas de concentrao e pelotizao, devido aos ajustes finais dos novos equipamentos da expanso. A fase BC corresponde ao perodo ps-expanso, com um gradual aumento na produo de minrio, at o patamar mdio de 2 milhes de toneladas mensais. Foi uma fase de adaptao s novas metas de produo. O brusco perfil descendente do trecho CD se deve retrao da demanda de pelotas no mercado asitico, o que obrigou a empresa a reduzir sua produo.A recuperao s veio em DE, quando houve o reaquecimento do mercado de pelotas, alm da desvalorizao do real frente ao dlar. A combinao desses dois fatores levou a um aumento da produo com a reduo de custos. O trecho EF foi individualizado devido a um gasto indireto adicional ocorrido em junho de 2000, na rea de servios contratados. A Figura 2 fornece as curvas de aprendizado para os cinco trechos descritos anteriormente, atravs da relao entre o custo especfico acumulado e a produo acumulada, na escala logartmica. Para cada um dos trechos, foram ajustadas retas de tendncia que permitiram estimar os parmetros do modelo de Stanford-B generalizado. Na Figura 2, os valores de y e x correspondem a Ln (Ct + Co) e Ln(Pt + Po), respectivamente. A justificativa para diviso da srie temporal em fases se explica pela necessidade de revalidar o modelo de previso a cada momento em que se julgue que houve uma mudana significativa no processo. As previses futuras dos custos tm de levar em considerao todos os possveis ganhos de produtividade e/ou melhorias, caso contrrio os ajustes dos modelos apresentaro irre-

gularidades e produziro estimativas bastante distantes da realidade. A Tabela 1 resume os parmetros do modelo de Stanford-B generalizado para cada um dos trechos analisados. Nessa tabela, os valores dos parmetros A dos modelos ajustados so iguais aos antilogaritmos neperianos dos coeficientes lineares das retas de tendncia de cada trecho. J os valores dos parmetros k so iguais aos coeficientes angu-

lares dessas retas. Os valores de Co e Po correspondem aos valores de custo especfico acumulado e produo acumulada, respectivamente, do ms imediatamente anterior ao incio de cada fase ou trecho em anlise. A partir desses parmetros, determinam-se os ndices de aprendizado (IA) e de progresso (IPR). A Figura 3 apresenta um diagrama de disperso entre os valores de custos reais e estimados pelos modelos obtidos.

Figura 1 - Evoluo da produo de minrio e do custo.

Figura 2 - Modelo de aprendizado ajustado:Relao ln (custo acumulado) vs ln (produo acumulada).

REM: R. Esc. Minas, Ouro Preto, 56(2): 139-143, abr. jun. 2003

141

Tabela 1 - Parmetros dos modelos ajustados.

Fase AB BC CD DE EF

Co 0 0,0037 0,0033 0,0033 0,0028

Po (TMN) 0 5117552

A 0,00185 0,011

k 0,044 -0,0708 0,2868 -0,2738 -0,1362

IA (%) 103 95 122 83 91

IPR (%) -3 5 -22 17 9

36400740 0,00002 39876320 72772887 0,4024 0,0334

rando-se no haver mudana significativa nos processos de produo ou gastos extraordinrios. A produo prevista foi fornecida pela equipe de planejamento de curto prazo da SAMARCO e os resultados foram bastante satisfatrios com os valores previstos pelo sistema de aprendizado, situando-se dentro da faixa-tolerncia prxima de 10% dos custos operacionais da mina.

4. Concluses
As curvas de aprendizado utilizadas apresentaram uma boa conformidade com o modelo de Stanfordb. Foram feitas as reavaliaes necessrias ao longo da srie temporal, permitindo que os modelos ajustados assimilem as mudanas de estado ocorridas no processo, pois as previses da performance do custo se fundamentam na manuteno de determinadas condies de trabalho. Como medida de preciso efetiva na aplicao do mtodo, os resultados obtidos permitiram indicar erros relativos de estimativa entre 10 e +10% com 85% de certeza. Deve-se estar atento ao problema da estabilidade dos parmetros dos modelos ajustados nesse trabalho, pois a estrutura estatstica dos mesmos advm do uso da varivel dependente produo de minrio, que pode apresentar valores considerveis de autocorrelao. Esse fato pode levar a um vis local na previso de custo, mesmo quando os desvios relativos mdios so baixos quando se analisa a srie temporal globalmente. A metodologia da curva de aprendizado, se adequadamente implementada, pode vir a ser til nas atividades gerenciais, tais como planejamento, oramento, estabelecimento de metas e anlise econmica. Trata-se de uma ferramenta analtica auxiliar na tomada de decises, permitindo que as melhorias de produtividade e de desempenho do custo possam ser previsveis e racionalizadas.

Figura 3 - Diagramas de disperso: Custo real e estimado.

A magnitude da disperso pode ser avaliada por: Disperso = E [( estimado - real) 2 / 2 ], tendo E o significado de uma esperana matemtica. Determina-se a disperso relativa: Disperso Relativa = 2 * Disperso / Var[( estimado - real) ], tendo Var o significado de varincia. Se a varivel [estimado - real] tende a zero (situao esperada), ento a sua varincia tende ao dobro da disperso e a disperso relativa tende a 1, pois : Var [( estimado - real) ] = E ( estimado - real)2 - [ E (estimado - real) ]2 = 2* disperso - [ E (estimado - real)]2. A Tabela 2 fornece, alm da disperso relativa, a estatstica dos erros relativos de estimativa individuais, avaliados por [(custo estimado - custo real) / (custo real)] x 100%. A Figura 4 fornece uma comparao entre os valores de custos reais e estimados, bem como a previso do modelo para os cinco meses subseqentes, conside142 REM: R. Esc. Minas, Ouro Preto, 56(2): 139-143, abr. jun. 2003

Tabela 2 - Avaliao dos erros relativos de estimativa.

Agradecimentos
5023 4976 -0,86% 4,22% 85% 1.006

Custo Mdio Real Custo Mdio Estimado Mdia dos Erros Relativos Mdia dos Valores Absolutos dos Erros Relativos Freqncia de Erros Relativos entre 10% e +10% Disperso Relativa

Os autores gostariam de agradecer o apoio da SAMARCO S/A pela cesso das informaes e do CNPq para a realizao desse trabalho.

Referncias bibliogrficas
BE L K A O U I , A . T h e l e a r n i n g c u r v e : a management accounting tool. London: Quorum Books, 1986. 245p. Boston Consulting Group. Perspectives on experience. Boston: HMSO, 1970. 109p. PIERSON, G. Learning curves make productivity gains predictable. Engineering & Mining Journal. August 1981. S I LVA , L . G . O , S U S L I C K , S . B . Desenvolvimento d e u m m o d e l o d e previso para o consumo de estanho no Brasil. Cadernos IG/UNICAMP, v. 3 , n. 1, p.23-29, 1993. SUSLICK, S. B., HARRIS, D. P. LongRange consumption forecasts using innovative mehtods: the case of aluminum in Brazil to the year 2000. Resources Policy. v.16, n.3, 1990. TOWILL, D. R. Forecasting learning cuves. International Journal of F o r e c a s t i n g , v. 6 , n . 1 , p . 2 5 - 3 8 , 1990.

Figura 4 - Comparao entre os custos reais e os estimados pelo modelo Stanford-B.

Artigo recebido em 19/03/2003 e aprovado em 10/06/2003.

Em janeiro de 2003 a REM completou 67 anos. REM 67 anos divulgando cincia.

www.rem.com.br

ww.scielo.br
143

REM: R. Esc. Minas, Ouro Preto, 56(2): 139-143, abr. jun. 2003