Você está na página 1de 16

METODOLOGIA PARA AVALIAO DE DESEMPENHO DA ALOCAO DINMICA DE EQUIPAMENTOS DE MINA

Alexandre Marinho, Marinho & Associados Consultoria Empresarial Ltda., Alisson Csar de Souza, Devex Tecnologia e Sistemas S/A, Robert Fabricio Subtil, Devex Tecnologia e Sistemas S/A marinhoass@gmail.com

RESUMO O presente trabalho visa apresentar uma metodologia para quantificar os ganhos obtidos com o uso do programa SmartMine com e sem a aplicao do mdulo de otimizao. O SmartMine desenvolvido pela Devex, desde 1997, e trata-se de um programa para controle do trfego de equipamentos em operaes mineiras, incluindo o despacho de caminhes para frentes de lavra, pilhas de estril, britadores, etc., ponto ao qual se aplica o mdulo de otimizao. A metodologia que ser apresentada ao longo deste trabalho faz uso dos seguintes mtodos de aproximao de funo: Redes Neurais, Regresso Global e Regresso Local. Alm disso, so levados em conta os desvios, visando que a quantificao de ganhos seja a mais confivel possvel. Palavras Chaves: redes neurais; regresso linear; SmartMine; quantificao de ganhos.

ABSTRACT In this study a methodology to quantify gains obtained by the use of the SmartMine software with and without the optimization module will be presented. The SmartMine software has been developed by Devex, since 1997, and it is a software that deals with traffic control of equipment in mineral operations, including the dispatch of trucks to the mine fronts, waste dumps, crushers, etc., where the optimization module works. The methodology that will be presented in this study, uses the following function fit methods: Neural Networks, Global Regression and Local Regression. Beyond that, the deviations are taken in consideration aiming more realiable results for the quantification of gains. Keywords: neural networks; linear regression; SmartMine; quantification of gains.

INTRODUO A avaliao entre perodos distintos, no meio da minerao, muito comum e usada para, por exemplo, medir se a entrada de um novo produto trouxe melhoria para o desempenho da operao. Entretanto, dependendo da forma com que os dados so comparados, pode-se fazer uma avaliao superficial demais ou at mesmo equivocada. As solues atuais negligenciam fatores importantes que influenciam na produtividade, o que pode gerar uma avaliao enganosa ao serem desconsiderados fatores naturais. No considerado que de um perodo para outro variveis que influenciam na produtividade podem sofrer alteraes. Por isso, a metodologia proposta importante para que a minerao que a utilize saiba o real ganho proporcionado por um novo produto, pois, alm de considerar as mudanas nas variveis aponta quais so as variveis que realmente tem impacto significativo na produtividade. Alm disso, a qualidade dos resultados obtidos sofre interferncia da forma e quantidade de dados coletados. tambm parte da metodologia estimar os desvios obtidos em cada caso, aplicando ajustes, com o intuito de fazer com que desvios positivos compensem os negativos, tentando respeitar a distribuio dos registros estimados.

Descrio do Problema Segundo Alarie e Gamache (2002), para resolver o problema de despachar caminhes em uma mina a cu aberto preciso responder pergunta: 'qual o prximo destino do caminho?'. Esse problema pode ser resolvido dinamicamente ou no. Nas minas onde no h sistemas de alocao dinmica, geralmente o controlador da mina determina uma alocao inicial que persiste at o final do turno. Estudos como os de Costa et al. (2004), Pinto e Merschmann (2001), Merschmann (2002) e Pinto et al. (2003) mostram que com a alocao dinmica possvel melhorar o desempenho da operao, atendendo rapidamente s variaes que podem ocorrer ao longo da operao. A figura 1 mostra a diferena entre a operao normal e a operao dinmica nas minas.

Operao Normal

Operao Dinmica

Destino 2

Destino 2

Caminhes precisando de nova alocao

Destino 1

Destino 1

Figura 1: Diferena entre uma operao normal e uma operao com despachos dinmicos. Quando a mina possui uma ferramenta de alocao dinmica, possvel implementar o ciclo conjugado, que promove a reduo do tempo de deslocamento vazio ao fazer a ligao entre dois ciclos, ou seja, um caminho ao terminar o basculamento enviado para carregar em uma mquina mis prxima que est enviando material para outro destino. A figuras 2 mostram o funcionamento dos ciclos simples e conjugado, respectivamente.
Ciclos Simples Ciclo Conjugado

Destino 2 8 min 7,1 min 8 min 6 min

Destino 2

7 min 7,8 min 5,25 min

7 min

Destino 1

Destino 1

Figura 2: Ciclos Simples X Ciclo Conjugado. Alm dos ganhos apresentados nesse exemplo, a alocao otimizada do SmartMine avalia as produes definidas para cada frente de lavra, produtividades dos equipamentos de carga, tempos de espera em filas, distncias de transporte, dentre outros, para tomar as decises de forma a obter um melhor aproveitamento da frota disponvel, dentro das especificidades momentneas da mina.

Disposio dos Dados Coletados O banco de dados de cada mina, aps exportado do SmartMine, encontra-se organizado em uma planilha, com registros divididos por equipe. Para cada equipe, consta o modelo de caminho utilizado no transporte, bem como o tipo de material transportado (minrio e/ou estril). Cada registro resume, em 30 variveis, os resultados de um turno de trabalho, informando dia e horrio de incio e fim das operaes. As variveis esto representadas na tabela 1. Tabela 1: Lista de variveis exportadas pelo SmartMine Data Uso Efe. Otim. Tempos Manobra Aguad. Desp. Vazio Horas Disponveis Horas Manut. HIO HAO Horas Ociosas Horas Vazio Horas Filas Horas Manobra Horas Cheio Horas Basculam Variveis Otim Uso Global Otim Produtividade Produo Carga Mdia Tempo Ciclo Tempo Vazio Tempos Fila Tempo Carga Tempo Cheio Tempo Basculam Distncias Velocidades Horas Utilizadas Viagens Massas

METODOLOGIA

Varivel de Estudo A forma de uso da otimizao do SmartMine varia de mina para mina. H casos em que os perodos otimizados e no otimizados so disjuntos, e outros em que h alternncia do uso. H minas que possuem variaes gradativas, enquanto outras exigem mudanas radicais no planejamento, principalmente no tocante escolha de frentes de lavra e suas produes. Em suma, preciso definir uma varivel de estudo que normalize, ao mximo, essas possveis oscilaes operacionais, que no podem ser controladas pelo sistema de despacho. O ponto de partida para tal definio foi a varivel j existente no banco de dados que registra a produtividade mdia horria por caminho. Essa varivel considera as horas efetivamente trabalhadas, eliminando do problema discusses relativas a horas improdutivas, ou horas de manuteno. Alm disso, a produo e quantidade de caminhes operando tambm esto consideradas dentro dessa varivel. Analisando as demais variveis do banco, foi possvel normalizar tambm a carga mdia dos caminhes. Ao se dividir a produtividade pela carga, criou-se uma nova varivel que passa a denotar a quantidade de viagens por caminho por hora (VCH), que representa diretamente a capacidade produtiva de uma mina. = .

A nica forma de modificar o resultado dessa varivel alterando o tempo de ciclo. Portanto, os tempos mdios so os pontos mais importantes a serem estudados, conforme ser apresentado em maiores detalhes nos prximos captulos. As variveis relacionadas ao ciclo no podem ser includas na varivel de estudo, pois questes como o tempo mdio de carregamento devem ser diludas em todo o ciclo, alm do fato do tempo de ciclo ser influenciado pela otimizao. Por exemplo, poderia se pensar em dividir VCH pela Dist. Cheio, encontrando uma varivel que representaria o nmero de viagens por caminho por hora por km transportado cheio. A influncia do T. Carga na VCH em cada km depende da distncia, ou seja, quanto maior a Dist. Cheio, menor ser a influncia do T. Carga, j que esse tempo seria diluido para cada km. Assim, apesar de incluir a Dist. Cheio dentro da varivel de estudo, o resultado continua sendo dependente dessa varivel, ou seja, no houve normalizao. Raciocnio semelhante pode ser feito para as demais variveis que no foram includas na varivel de estudo.

Tratamento dos Dados Antes da anlise dos dados, necessrio que o banco de dados esteja consistente e unificado. Registros com campos invlidos precisam ser eliminados. preciso criar uma chave primria capaz de identificar os registros, que pode ser uma composio da data, convertida em valor inteiro, um cdigo que identifique a frota e outro que identifique o turno. Alm do cdigo, deve-se incluir tambm a varivel REM (Relao Estril/Minrio), calculada a partir das massas produzidas em cada turno. Essa varivel destaca bem os turnos operados fora do padro. O banco de dados original possui uma srie de variveis que no agregam nenhum valor ao estudo e foram descartadas. Parte dessas variveis entrou em desuso e parte trata-se de variveis de quantidade de horas total do turno, que so redundantes, j que existem as mesmas variveis descrevendo o tempo mdio. A tabela 2 contm a lista dessas variveis.

Tabela 2: Lista de variveis que no agregam valor Data (embutida no cdigo) Uso Efe. Otim. Aguad. Desp. Vazio Horas Disponveis Horas Manut. HIO HAO Horas Ociosas Horas Vazio Horas Filas Horas Manobra Horas Cheio Horas Basculam Variveis Otim Para possibilitar uma anlise inicial dos dados contidos no banco fornecido, necessrio o clculo da estatstica descritiva e gerao dos histogramas de todas as variveis, tornando possvel identificar dados, de cada varivel, que fogem do comportamento do grupo (outliers). Esses dados configuram excees regra e podem influenciar indesejavelmente o resultado da anlise, por isso so excludos. Para o caso das minas com diferentes frotas de caminhes, perceptvel que o tipo de caminho um fator de grande influncia nos resultados obtidos. Como as variveis analisadas so influenciadas pela capacidade e desempenho do caminho, natural que

caminhes de dimenses diferentes afetem os dados. Por isso feita a diviso dos dados pelo tipo de caminho, sempre confirmada pelos histogramas. Aps a eliminao de outliers e a separao por tipo de caminho, quando necessria, preciso identificar se existem outras separaes naturais no conjunto de registros analisados. Para tanto, utilizada a tcnica de anlise grupal ou anlise de agrupamentos, que foi primeiramente apresentada por Tryon (1939). A anlise grupal tem como objetivo dividir os elementos da amostra em grupos, de forma que a semelhana entre os indivduos de um mesmo grupo seja mxima, e a similaridade entre indivduos de grupos diferentes seja mnima (Mingoti, 2005). O objetivo desta anlise descobrir agrupamentos naturais de variveis, de acordo com suas similaridades. Para determinar a semelhana entre dois dados, existem vrios critrios. Ao considerarmos que cada dado amostral tem armazenado em um vetor informaes de p-variveis possvel definir e usar como critrio a distncia entre estes vetores. A medida de semelhana utilizada para determinar a proximidade entre os elementos, selecionada para o presente estudo, dada por: ji ki cos jk = 2 1/2 ( 2ji ki)

onde, ji e ki so os i-simo e k-simo vetores, respectivamente, que contm as informaes das p-variveis e para os quais a distncia ser calculada. Ao se adotar a correlao como medida de similaridade, temos que o cosseno do ngulo entre os vetores ir determinar o grau de semelhana entre as amostras. Quando o valor do cosseno zero, no existe nada em comum entre as amostras. Se o cosseno for igual a um, as amostras so idnticas. Essa medida de similaridade, aps alguns testes, foi a que melhor se aplicou ao caso. No incio do processo de agrupamento, o conjunto composto por n (nmero de elementos) grupos. A cada iterao, esse nmero reduzido at atingir o nmero k de grupos desejados. A escolha do nmero final de grupos ou clusters subjetiva. O objetivo encontrar o nmero de clusters que represente a partio natural dos elementos comparados. Para determinar a maneira que ser feita a ligao entre os grupos foi escolhido o mtodo de Ligao Simples, onde se define a similaridade dos conglomerados pelos elementos mais parecidos entre si. A equao que calcula a similaridade : (i, j) = min ( max (1,j)) onde d a distncia entre os clusters e similaridade a medida de semelhana entre os elementos.

Figura 3: Visualizao em montanhas de exemplo de uma forte diviso em dois grupos Cada conjunto de dados, separado anteriormente por tipo de caminho, analisado atravs pela anlise de grupal. Aps o estudo dos possveis grupos e subgrupos contidos em cada um desses conjuntos, os dados so separados, criando-se um banco de dados para cada grupo definido. Com os grupos definidos e separados, variveis redundantes e variveis influenciadas pela otimizao, listadas na tabela 5, so retiradas do banco.

Tabela 3: Lista de variveis que so retiradas do banco e o principal motivo da excluso Tempo Ciclo, Tempo Vazio, Tempos Fila, Distncia Vazio, Influenciada pela Velocidade Vazio, Massa Estril, Massa Minrio Otimizao Produtividade, Produo, Carga Mdia, Hora Util Transp, Viagens Embutida na VCH Embutida no T. Cheio Distncia Cheio, Velocidade Cheio Hora Util Carga No agrega valor REM No normalizada Considerando que o objetivo estimar o valor da varivel VCH utilizando otimizao, mas para perodos no otimizados, ou vice versa, preciso encontrar aproximaes de funes que considerem apenas variveis que no possuam nenhuma influncia da otimizao. Caso isso no seja respeitado, as concluses certamente sero equivocadas. Aps essa anlise, a varivel 'Tempo de Manobra' tambm foi descartada, por haver falhas na coleta de tal informao. Portanto, apenas as seguintes variveis foram consideradas nas etapas seguintes deste estudo: Uso Global Otim %; VCH; T. Carga (min); T. Cheio (min); T. Basc (min);

Separao dos Registros Os registros restantes aps a criao de novos histogramas e a eliminao dos outliers so separados em otimizados e no otimizados. Para isso, preciso determinar o ponto em que a utilizao da otimizao influencia de maneira significante o valor de VCH. Para se ter uma noo da variao da VCH de acordo com o percentual de otimizao utilizado, calculado, ento, o valor acumulado de VCH, decrescendo o percentual de otimizao. Sabe-se que no h preciso alguma nos resultados desse grfico, porm esse apenas orientativo, no alterando significativamente os valores finais. O grfico VCH_Acm x Uso_Otm gerado e, a partir da anlise desse, decidido o ponto a partir do qual sero separados os registros otimizados. So considerados no otimizados os registros com 0% de uso da otimizao e os demais registros so descartados. Esse percentual de corte deve ser um valor entre 30% e 70%, variando de acordo com a quantidade de dados disponveis, a experincia prtica e as possveis concluses retiradas da anlise grfica.

VCH_Acm
2.88 2.87 2.86 2.85 2.84 2.83 2.82 0.00 10.00 20.00 30.00 40.00 50.00 60.00 70.00 80.00 90.00 100.00

Figura 4: Grfico V CH_Acm x Uso_Otm Portanto, em um banco de dados teremos os registros com Ot%=0 e no outro os dados com Ot%>corte. Para cada novo banco so gerados novos histogramas de cada varivel, otimizado e no otimizado juntos, para que sejam realizados cortes at que os histogramas dos grupos menores estejam contidos nos histogramas dos grupos maiores. Estar contido significa dizer que os mximos e mnimos de um conjunto esto contidos entre os mximos e mnimos do outro, porm essa anlise deve ir um pouco alm desse conceito, visto que deve-se evitar que poucos registros gerem um modelo para estimar muitos resultados. Isso tornaria o modelo localmente, ou at globalmente, mal estimado, mas a anlise deve variar caso a caso, efetuando cortes maiores quando possvel e necessrio. Esse passo essencial para o bom funcionamento das

estimativas que sero apresentadas na prxima seo. A figura 5 mostra um exemplo desses histogramas.

Figura 5: Histograma dos BD's Ot%=0 e Ot%>30 antes e depois dos cortes Em alguns casos especiais, dependendo principalmente das mdias, assimetrias e curtoses das distribuies, a deciso pode ser de estimar o grupo maior a partir do menor. Alm disso, sempre que as distribuies permitirem, h preferncia por estimar o grupo no otimizado, por no haver mistura de graus diferentes de otimizao, fato que implica em alguma influncia na estimativa. Para fins de descrio da metodologia no presente documento, fixouse o caso em que o grupo maior estima o menor, mas fica registrada a necessidade de uma avaliao prvia. Nas prximas sees sero apresentados os mtodos utilizados para predizer o valor de VCH. Partindo do maior banco, sero realizadas aproximaes, atravs dos mtodos de Redes Neurais (RN), Regresso Multivarivel Global (RG) e Regresso Multivariada Local (RL). Em seguida, os modelos gerados sero aplicados aos registros do banco menor, estimando qual seria o resultado, caso o perodo no otimizado fosse otimizado, ou o contrrio, dependendo de qual for o grupo maior.

Redes Neurais O uso de redes neurais na aproximao de funes extremamente indicado pois poss vel estimar qualquer funo no linear contnua (Suykens; Vandewalle; Joos; Moor, 1996), (Liu, 1996), (Graupe, 2007), apesar de apresentarem algumas restries prticas (Haykin, 2001). A modelagem do i-simo neurnio pode ser feita atravs das equaes: i = ijj i = (i)

onde, zi a sada do neurnio, wij o peso sinptico entre os neurnios i e j, xj a entrada do neurnio i e sada do neurnio j, y a sada e F a funo de avaliao. Pra simplicidade na notao o peso sinptico wko=bk (bias) e x0=1. Uma rede neural formada por vrios neurnios artificiais que se conectam atravs de sinapses. Os neurnios possuem dados individuais (pesos e bias) que realizam operaes sobre as entradas gerando uma sada que poder servir de entrada para outro neurnio. Os parmetros individuais dos neurnios podem ser ajustados atravs de treinamento. Para treinar a rede neural utilizada na metodologia foi usado o mtodo de LevenbergMarquardt backpropagation, que pode ser resumido nos seguintes passos: 1. Obter uma atribuio inicial de pesos: o mtodo de Levenberg-Marquardt um aperfeioamento do mtodo de Gauss-Newton (Gonalves et al., 2005) e portanto, partindo da soluo para a equao 1 atravs do mtodo de Gauss-Newton e usando a expanso de Taylor sero obtidas as equaes 2 e 3 ( = )0

( = )2(0)-1(0) w = 2()-1() ( ) = ( ) ( ) 2( ) = ( ) +

(1) (2) (3)

2. 2 - Atualizar os pesos e avaliar os erros, propagando os padres: a partir das equaes 2 e 3 possvel calcular a hessiana e o gradiente em funo da matriz jacobiana de V

com

= ( ) ( ) e a atualizao dos pesos e a avaliao dos erros, respectivamente: ( ) = ( ) (( )) = ( )( ) + ( )( )-1( )( )

Se houver acrscimo no erro, desfazer a atualizao de z e decrementar; caso contrrio, validar w e incrementar z. 4. Se convergir, interromper; caso contrrio voltar ao item 2.

O tamanho da rede utilizada, bem como a taxa de validao e teste podem variar de acordo com a massa de dados que ser analisada. Esta variao subjetiva. A arquitetura da rede

pode ser observada na figura 6. Esta arquitetura foi escolhida por ser a mais eficiente na aproximao de funes.

Figura 6: Arquitetura escolhida para a rede neural. Aps o treinamento da rede com o maior banco de dados, aplica-se a rede treinada ao menor, estimando, ento, os ganhos com a aplicao da otimizao atravs da varivel VCH. A qualidade da aproximao registrada com o clculo do R2 e do desvio mdio, que deve estar prximo de zero, indicando que desvios positivos esto compensando os negativos. Portanto, esse resultado mede se os dados foram super ou subestimados. Porm, vale frisar que as populaes otimizada e no otimizada nem sempre possuem comportamento similar. Sendo assim, deve-se buscar o valor do desvio mdio para a populao estimada, caso contrrio, pode-se obter resultados perfeitos com a populao utilizada no treinamento, mas que no refletem a realidade da outra populao, implicando em super ou subestimaes no controladas.

Regresso Multivariada Global A anlise de regresso uma tcnica estatstica popular na anlise de dados. Um dos objetivos da anlise de regresso estimar e modelar a relao entre variveis (Montgomery, Peck e Vining, 2001). A forma de aplicao de tal metodologia deve ser muito cuidadosa, visto que busca-se uma equao linear para estimar fenmenos que no so necessariamente lineares. muito comum regresses lineares atenderem bem a mdias, mas subestimarem valores em uma regio e superestimar em outra. De toda forma, essa serve como um guia, para aferir os resultados obtidos pelas redes neurais, visto que no de se esperar diferenas absurdas entre os mtodos. A regresso linear multivarivel envolve duas ou mais variveis preditoras e uma varivel dependente. Recebe esse nome devido ao carter linear dos parmetros b. = + + + + + (4)

onde, a intercepto do eixo y; bi o coeficiente angular da i-sima varivel; k o nmero de variveis independentes i=1,...,n.

O componente de erro aleatrio, que segue distribuio normal com mdia zero e varincia desconhecida normal, com distribuio 2. No problema estudado, as variveis de tempo (cheio, carga e basculamento) sero usadas como variveis preditoras x enquanto a varivel VCH ser Y . O mtodo dos mnimos quadrados pode ser usado para estimar os coeficientes da equao 4, que pode ser reescrita como: = + + , = 1, 2, , A funo de mnimos quadrados dada por: ( , , , ) = = ( )

E finalmente, na notao matricial, tem-se = , 1 1 = 1

onde,

= +

seja o menor possvel. O objetivo encontrar a matriz X tal que = ()

= e =

O ndice de confiana deste mtodo pode ser calculado atravs da equao: ( ,) 95%, = Algumas variveis podem no exercer influncia na determinao do VCH. Uma das formas de determinar quais variveis devem ser excludas avaliando o P-value (probabilidade estimada) obtido atravs da regresso. Caso isso ocorra, a varivel em questo deve ser excluda e a regresso refeita. A frmula obtida atravs da regresso ser aplicada ao banco de dados menor, avaliando ento o ganho da otimizao. Finalmente, o mesmo estudo dos desvios, aplicado s redes neurais, deve tambm ser feito aqui.

Regresso Multivariada Local A Regresso Global pode levar a estimativas pouco precisas em alguns pontos, justificando-se a calibrao de coeficientes especficos para diferentes regies do espao, o que significa fazer uma estimativa localizada (Allen, 1974) (Cleveland e Devlin, 1988) (Cleveland; Grosse e Shyu, 1993) (Loader, 1999). Nem sempre os resultados dessa metodologia so confiveis, visto que o refinamento para a regio de maior concentrao de dados pode obrigar a eliminao de boa parte dos registros, reduzindo a representatividade do resultado final. Em casos nos quais os dados otimizados esto deslocados dos no otimizados, essa anlise torna-se ainda mais perigosa, se no for feita com muito critrio e, at mesmo, desconsiderada em alguns casos. Para obter uma massa mais homognea de dados, so realizados cortes iguais nos bancos de dados (otimizado e no otimizado) at que ambos possuam um comportamento semelhante. Esse o nico passo adicional especfico essa metodologia. Aps isso, deve-se repetir os mesmos passos apresentados da Regresso Global

Clculo de Ajustes As anlises de variveis e as estimativas de ganhos so capazes de indicar qual varivel a maior responsvel pelo valor do VCH, que ser a varivel mais influente no clculo dos ajustes. Nesse caso, a varivel TCheio ser sempre a mais representativa. Para cada classe obtida na etapa de anlise dos histogramas da varivel TCheio, so calculados os desvios relativos para os dados da faixa. Os desvios definidos por classe passam a ser adotados tambm para a populao estimada. O desvio mdio final calculado pela mdia ponderada dos desvios pela quantidade de registros em cada uma das classes da populao estimada. As figura 7 mostra um exemplo do clculo dos desvios para o mtodo de redes neurais.

Histograma informando o desvio da estimativa em cada classe RN


14.0% 12.0% 10.0%
0.4% -1.8% -2.1%

Frequncia

8.0% 6.0%

-1.5% 7.1%

3.9% -8.2%

-8.4%

0.1% 11.4% 6.0%

Ot=0 Ot>40

10.5%

4.0% 2.0% 0.0%

-11.4% 1.2% 29.0% 55.3% 1.4% 0.0% 41.2% -7.4% -18.8% -3.4% -2.4% 0.0%

2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00 T. Cheio (min)

Figura 7: Histograma da varivel TCheio com os desvios relativos de cada classe para o mtodo RN. Considerando que busca-se obter uma metrificao adequada, evitando desvios que super ou subestimem os ganhos finais estimados, deve-se subtrair os desvios encontrados dos ganhos obtidos diretamente pelos mtodos, obtendo-se, assim, a compensao de desvios positivos e negativos. Por exemplo, supondo que foi obtido ganho de 10,0%, com desvio de 0,5%, isso significa que os resultados esto sendo, em mdia, superestimados em 0,5%. Portanto o ganho mdio de 10% falso, sendo mais adequado adotar o valor final de 9,5% (10,0 - 0,5).

RESULTADOS E CONCLUSES Aps obter os resultados atravs das estimativas so calculados os percentuais de ganho da situao otimizada em relao no otimizada. O percentual de ganho mdio calculado, bem como o valor do ajuste de cada estimativa, e, ento, possvel calcular o ganho total para cada caso. Os resultados, assim como os ajustes obtidos, devem ser tabulados e, ento, os resultados finais sero obtidos pela mdia dos ganhos ponderada pela produo total de cada conjunto de registros, de acordo com os grupos definidos nas etapas anteriores. Para definio do mtodo que ser aceito como resultado final, deve-se calcular as varincias dos desvios obtidos. Essa anlise depende de vrios fatores, mas, se tais fatores envolvidos estiverem em iguais condies, o resultado aceito ser aquele com menor varincia. De toda forma, vale frisar que os ajustes feitos anteriormente visam evitar super ou subestimao do resultado final, sendo a varincia vista apenas como um critrio de desempate.

A regresso multivariada linear, por definio, calcula os valores de maneira que a mdia dos erros seja zero, para os registros utilizados no modelo, j o mtodo de redes neurais no possui essa preocupao e portanto, ser preciso observar o erro mdio do mtodo RN e, se necessrio, realizar novos treinamentos para a rede neural, obtendo desvios prximos a zero, de forma que os erros positivos compensem os negativos. Tendo ateno nessa etapa, evita-se ajustes maiores nas etapas seguintes, quando busca-se erro mdio zero para a populao estimada. O mtodo de RN considerado mais aplicvel a esse caso por ser capaz de estimar melhor funes no lineares (Gonalves et al. 2005). Nos trs mtodos importante traar um grfico Real x Estimado e incluir uma reta de regresso, a fim de se comparar os R2 obtidos, alm do clculo das varincias e devios propostos. Eventualmente, o R2 da RL pode ser maior que o da RN, e/ou as varincias menores, mas esta, em geral, ainda preferida por conter uma quantidade maior de registros.

REFERNCIAS BIBLIOGRFICAS Alarie, S.; Gamache, M. (2002). Overview of solution strategies used in truck dispatching systems for open pit mines. International Journal of Surface Mining, Reclamation and Enviroment, v. 16, p.59-76. Allen, D. M. (1974). The relationship between variable and data augmentation and method of prediction. Technometrics, v. 16, p. 125-127. Cleveland, W. S. and Devlin, S. J. (1988). Locally weighted regression: An approach to regression analysis by local fitting. Journal of the American Statistical Association, 83:596610. Cleveland, W. S.; Grosse, E., and Shyu, W. M. (1993). Local regression models. In Chambers, J. M. and Hastie, T. J., editors, Statistical Models in S, chapter 8, pages 309-376. Chapman & Hall, New York. Costa, F. P.; Souza, M. J. F. e Pinto, L. R. (2004). Um modelo de alocao dinmica de caminhes, Revista Brasil Mineral, v. 231, p. 26-31. Graupe, D. (2007). Principles of Artificial Neural Networks. [S.l.]:World Scientific Publishing Co. Pte. Ltd. Gonalves, H. I. V.; Coimbra, R. C. M.; Ladeira, M. e Prado, H. A. (2005) Ferramenta de Regresso No-linear Mltipla com Redes Neurais Artifciais. [online] <www.sbc.org.br/bibliotecadigital/download.php?paper=388> Haykin, S. S. (2001). Redes Neurais: Princpios e Prtica. [S.l.]: Bookman. (Traduo de Paulo Martins Engel). Liu, Y. (1996). Calibrating an industrial microwave six-port instrument using artificial neural network technique. IEEE Trans IM, v. 45, p. 651-656. Loader, C. R. (1999). Local Regression and Likelihood, New York: Springer

Merschmann, L. H. C. (2002) Desenvolvimento de um sistema de otimizao e simulao para anlise de cenrios de produo em minas a cu aberto. Dissertao de mestrado, Programa de Engenharia de Produo/COPPE/UFRJ, Rio de Janeiro. Mingoti, S. A. (2005). Anlise de Dados Atravs de Mtodos de Estatstica Multivariada: Uma Abordagem Aplicada. [S.l.]: Editora UFMG, p.. Montgomery D. C.; Peck, E. A.; Vining, G. G. (2001). Introduction to Linear Regression Analisys, Wiley Series in Probability and Statistics: Texts, References and Pocketbooks Section. [S.l.]: Wiley-Interscience. Pinto, L. R. e Merschmann, L. H. C. (2001) Planejamento operacional da lavra de mina usando modelos matemticos. Revista Escola de Minas, v. 54, n. 3, p. 211-214. Pinto, L. R.; Biajoli, F. L. e Mine, O. M. (2003) Uso de otimizador em planilhas eletrnicas para auxlio ao planejamento de lavra. Relatrio tcnico, Programa de Ps-graduao em Engenharia Mineral, Universidade Federal de Ouro Preto, Ouro Preto, Minas Gerais. Suykens, J. A.; Vandewalle; Joos, P. L.; Moor, B. L. (1996). Artificial Neural Networks for Modelling and Control of Non-Linear Systems. Tryon, R. C. (1939). Cluster analysis. New York: McGraw-Hill.