Escolar Documentos
Profissional Documentos
Cultura Documentos
PROFESOR GUA:
MANUEL REYES JARA
MIEMBROS DE LA COMISIN
XAVIER EMERY
JUAN LUIS YARMUCH GUZMN
SANTIAGO DE CHILE
2014
RESUMEN DE LA MEMORIA PARA OPTAR AL
TTULO DE: Ingeniero Civil de Minas
POR: Vctor Manuel Barrientos Gonzlez
FECHA: 26/11/2014
PROFESOR GUA: Manuel Reyes
Los resultados indican que se observa que los das de mayor productividad
son aquellos que poseen la menor duracin de las detenciones en estudio, entre
otros factores. El modelo permite construir nuevos escenarios a partir del caso base,
donde se agregan cambios operacionales ligados a agregar la posibilidad de que los
camiones puedan realizar cambios de turno cargado, que se vare la posicin del
estacionamiento respecto al chancador y el cambio del tipo de camiones. Los
escenarios con cambio de turno con los camiones cargados y donde estacionamiento
est ms cercano al chancador, aumentan la productividad diaria y disminuyen el
total de las detenciones en estudio. Por otra parte, al cambiar el tipo de equipos de
transporte hacia uno de mayor velocidad se logra que las detenciones disminuyan,
mientras que un anlisis en la productividad diaria no es posible de realizar debido a
que es necesario cambiar la flota de transporte. Finalmente se recomienda realizar
la implementacin de que el camin pueda realizar el cambio de turno cargado y
adems acercar el estacionamiento al chancador. El resultado de un escenario
combinando ambas estrategias logra un aumento de un 4.2% en la productividad
diaria y disminuye en un 10.6% la duracin de las detenciones. Esto se traduce en
un aumento del beneficio econmico de 4.07 MUS$ mensualmente.
In open pit large scale mining, the truck-shovel systems are widely used to
do the labor of the loading and hauling. Nowadays the costs related to these items
are around 50% of the costs of operation, and the main improvements are reached
through an optimal management of the reliability, availability and maintenance of
the system. The main goal of this study is to find the operational changes that lead
to the best results in scheduled detentions of shift changes and meal breaks, and
how this impacts the daily productivity of the loading-hauling system.
The outcomes indicates that the days of higher productivity are those which
has the shortest detention, between others factors. The model allows to build new
scenarios, where operational changes will be added related to considering the
possibility of doing the shift change with trucks loaded, changing the position of the
parking lot relative to the crusher and changing the type of truck. The scenarios
with shift changed with loaded trucks and the parking lot nearest to the crusher,
increases the daily productivity and diminishes the detentions in study. In the other
hand, by changing the truck type to a higher-speed its achieved that the detentions
decreases, meanwhile an analysis in the daily productivity its not possible because
its necessary to change the haulage fleet. Finally its recommended to implement
that the trucks can perform the shift change loaded and also change the parking lot
position to one nearer to the crusher. The result of both changes applied in one
scenario shows that the daily productivity is increased by 4.2% and the detentions
decreases by 10.6%. This turns out in a monthly improvement of 4.07 MUS$ in
terms of economic profit.
With the obtained results the goal of this study its accomplished, since its
able to find a setting that increase the daily productivity, and consequently, add
value in a system already in operation. Its possible to complement the study by
adding more detailed information related to the studied detentions, being able to
perform specific statistical analysis and the simulation model can be calibrated
based to this data.
ii
AGRADECIMIENTOS
iii
TABLA DE CONTENIDO
RESUMEN ............................................................................................. i
ABSTRACT ........................................................................................... ii
TABLA DE CONTENIDO ..........................................................................iv
NDICE DE FIGURAS .............................................................................vi
NDICE DE GRFICOS .......................................................................... vii
NDICE DE TABLAS ...............................................................................ix
1. INTRODUCCIN .............................................................................. 1
1.1. Descripcin del sistema ............................................................ 3
1.2. Objetivos ................................................................................ 6
1.2.1. Objetivo General ................................................................ 6
1.2.2. Objetivos Especficos ........................................................... 6
1.3. Alcances ................................................................................. 7
1.4. Antecedentes generales ............................................................ 9
1.4.1. Simulacin dinmica de eventos discretos .............................. 9
1.4.2. Minera de datos: Clustering k-means ................................. 12
1.5. Estado del arte ...................................................................... 14
1.6. Motivacin del trabajo ............................................................ 15
2. METODOLOGA ............................................................................. 16
3. Desarrollo .................................................................................... 17
3.1. Recoleccin, procesamiento y gestin de datos .......................... 17
3.1.1. Limpieza de datos ............................................................. 18
3.1.2. Distribuciones de tiempo ................................................... 20
3.1.3. Productividad de los eventos .............................................. 22
3.2. Anlisis estadstico y minera de datos ...................................... 24
3.2.1. Nueva base de datos: construccin de caracterizacin por das 24
3.2.2. Anlisis base de datos caracterizacin das ........................... 30
3.3. Modelo de simulacin dinmica ................................................ 35
3.3.1. Flujo lgico de informacin en modelo base ......................... 36
3.3.2. Implementacin en Arena de modelo base ........................... 37
3.3.3. Validacin y calibracin del modelo base .............................. 43
3.3.4. Escenario cambio de turno cargado ..................................... 47
3.3.5. Escenario con variacin de posicin de estacionamiento ........ 49
3.3.6. Escenario cambiando tipos de equipos de transporte ............. 50
3.4. Anlisis de los resultados de los nuevos escenarios .................... 51
3.4.1. Resultados escenario cambio de turno cargado ..................... 51
3.4.2. Resultado escenario con variacin de posicin de
estacionamiento ........................................................................... 53
3.4.3. Resultados escenario cambiando tipos de equipos de transporte
54
3.4.4. Resultados escenario combinado: cambio turno cargado y
estacionamiento junto a chancador ................................................. 55
4. CONCLUSIONES............................................................................ 59
5. BIBLIOGRAFA .............................................................................. 62
iv
6. ANEXOS....................................................................................... 64
v
NDICE DE FIGURAS
vi
NDICE DE GRFICOS
viii
NDICE DE TABLAS
ix
1. INTRODUCCIN
Perforacin
Tronadura
Carguo
Transporte
Chancado
Molienda
Flotacin
Fusin
Conversin
Electro
refinacin
2
1.1. Descripcin del sistema
N07
SLM
SAL
N06
CHANCADO
ESTACIONAMIENTO
1
Existen casos donde el camin parte su ciclo en una ubicacin distinta al estacionamiento,
producto de que al final del turno no fue posible su viaje a este o simplemente resultaba
mejor realizar el cambio de turno en la locacin en que se encontraba en el momento.
3
Figura 3: Esquema ciclo camin
4
Figura 4: Diseo del sistema
5
1.2. Objetivos
1.2.2.Objetivos Especficos
6
1.3. Alcances
7
Obtencin de datos de dispatch de los eventos de descarga en
chancado, con sus tiempos de ciclo desglosados, incluyendo la limpieza
(mediante restricciones fsicas) y procesamiento de dichos datos.
8
1.4. Antecedentes generales
9
decir, las relaciones funcionales entre las variables del sistema estn
perfectamente definidas.
- Estocstico: en este caso algn elemento del sistema tiene una
conducta aleatoria. Entonces, para entradas conocidas no es posible
asegurar los valores de salida. Cuando un sistema determinstico es
alimentado con entradas estocsticas, la respuesta del sistema es
tambin estocstica.
- Esttico: el tiempo no vara en un modelo esttico, se desarrolla en
un punto dado en el tiempo.
- Dinmico: el tiempo vara a lo largo de la simulacin. La mayora de
los modelos operacionales son de estas caractersticas.
- Continuo: Se tiene un sistema continuo cuando las relaciones
funcionales entre las variables del sistema slo permiten que el estado
evolucione en el tiempo en forma continua (basta que una variable
evolucione continuamente). Matemticamente, el estado cambia en
infinitos puntos de tiempo.
- Discreto: Se tiene un sistema discreto cuando las relaciones
funcionales del sistema slo permiten que el estado vare en un
conjunto finito de puntos temporales. Las causas instantneas de los
cambios de estados se denominan eventos.
Tambin se hace necesario definir los elementos por los que estos tipos
de simulaciones estn compuestas [7]:
10
individualizan a cada entidad. Tambin se definen como variables
locales especficas de cada entidad.
11
una red definida. Sirven como elemento limitante cuando las
capacidades de transporte son finitas.
Existen dos tipos de entity transfers:
- Transportadores (del ingls y ahora en adelante: transporters):
desde el punto de vista del modelamiento se pueden definir como
recursos movibles que pueden transportar la entidad de un punto a
otro, que adems funcionan como dispositivos individuales de
transporte de entidades. Ejemplos de modelamiento con
transporters pueden ser camiones, carros, personas, etc.
- Cintas transportadoras (del ingls: conveyors): corresponden a
elementos que realizan el transporte a travs de un requerimiento
de espacio y que se encuentran fsicamente a lo largo entre dos
estaciones. Ejemplos de modelamiento con conveyors pueden ser
cintas transportadoras, lneas de remolques, escaleras mecnicas,
etc.
12
suele referirse tambin como clasificacin no supervisada, ya que en
trminos generales consiste en un problema de clasificacin (se debe asignar
una clase o etiqueta a cada patrn), slo que en la ejecucin del algoritmo
no se dispone de etiquetas reales que deban ser aprendidas. El aprendizaje
de las clases debe hacerse utilizando slo los patrones mismos y medidas de
similitud entre ellos. De ah el concepto de aprendizaje no supervisado [10].
13
Algoritmo k-means: El mtodo ms simple y difundido de los que
ocupan el criterio del error cuadrtico es el algoritmo k-means [12]. El
mtodo comienza con una particin inicial aleatoria de los datos, y contina
reasignando los patrones a cierto cluster basado en la similitud entre el
patrn y los centroides, hasta que se cumpla cierto criterio de detencin (por
ejemplo, que no haya reasignacin de un patrn desde un cluster a otro, o
que el error cuadrtico no descienda significativamente por un nmero de
iteraciones). El algoritmo k-means es popular porque es muy simple de
implementar y porque su complejidad computacional es O (n), donde n es el
nmero de patrones. El procedimiento exacto que aplica el algoritmo k-
means es el siguiente:
14
1.6. Motivacin del trabajo
15
2. METODOLOGA
Una vez que se tengan los resultados de los distintos escenarios, es posible
realizar un anlisis que permita medir cuantitativamente el impacto de los
cambios operacionales en los dos puntos objetivos, detenciones operaciones
y productividad. De la misma manera, se pueden crear nuevos escenarios
que combinen ms de una estrategia y as poder ver el aumento en los
beneficios asociados. Finalmente se realiza un anlisis del beneficio
econmico de todos los escenarios simulados.
16
3. DESARROLLO
Por otra parte, sin una limpieza apropiada de los datos, estadsticos
como la media o la desviacin estndar no tienen utilidad alguna ya que
poseen cantidades no menores de datos aberrantes.
17
tem N Mnimo Mximo Media Desv. tp.
Tiempo de cola en carguo [min] 112007 0.00 238.17 1.69 3.64
Tiempo acul. En carguo [min] 112800 0.00 58.28 1.05 1.22
Tiempo de carguo [min] 111312 0.00 149.42 2.65 1.66
Tiempo de acul. + descarga [min] 112800 0.00 230.97 3.83 4.55
Tiempo viaje ida [min] 111832 0.00 405.18 11.02 8.12
Tiempo viaje regreso [min] 112800 0.00 412.30 11.04 12.02
Tiempo de cola en descarga [min] 112800 0.00 132.00 0.07 1.45
Tiempo cola+acul.+descarga [min] 112799 -5.55 445.80 5.89 7.82
Tiempo total ciclo [min] 112797 0.00 429.67 31.15 17.39
Tolva [t] 112800 231.00 708.00 312.43 50.32
Distancia total [m] 112800 0.00 89312.00 3034.92 2354.49
Tabla 1: Estadsticas bsicas datos dispatch sin limpiar
3.1.1.Limpieza de datos
18
Tiempo de fila, cola y descarga en chancado: como este es un tem
compuesto por tiempos de 3 labores distintas, el filtro inferior que se
ocupa corresponde a 0.9 minutos, que corresponde a el mnimo de 0.4
minutos de aculatamiento y el mnimo de 0.5 minutos de descarga. Por
otra parte la suma de los tiempos que sea mayor a 10 minutos se
escapa completamente de los rangos ocupados, dado que en la faena
se privilegia la inexistencia de colas en la descarga.
Desv.
N Mnimo Mximo Media
tp.
Original 112007 0 238.17 1.69 3.64
Tiempo de cola en carguo [min]
Limpio 111991 0 58.43 1.68 3.35
Original 112800 0 58.28 1.05 1.22
Tiempo acul. En carguo [min]
Limpio 75233 0.4 4 1.31 0.74
Original 111312 0 149.42 2.65 1.66
Tiempo de carguo [min]
Limpio 98119 1 19.67 2.94 1.4
Tiempo cola+acul.+descarga Original 112799 -5.55 445.8 5.89 7.82
[min] Limpio 79371 0.9 10 3.56 2.48
Original 111832 0 405.18 11.02 8.12
Tiempo viaje ida [min]
Limpio 99920 1 139.42 12.28 7.36
Original 112800 0 412.3 11.04 12.02
Tiempo viaje regreso [min]
Limpio 98739 1 142.77 12.51 11.49
Original 112797 0 429.67 31.15 17.39
Tiempo total ciclo [min]
Limpio 112690 4.3 149.95 31.04 16.62
Tabla 2: Comparativa de estadsticas bsicas con datos iniciales y limpios
19
tiempos medidos, y el camin al pasar a travs de este marca los datos que
estn siendo estudiados. Es as como ocurren casos en que el camin falla en
alguna parte de la ruta, por ejemplo, y no necesariamente pasa por alguno
de los prticos, dando tiempos mayores a los normales. Otro ejemplo puede
ser cuando una fila tiene una extensin mayor y excede la ubicacin del
prtico, aportando tiempo de viaje cuando el tiempo debera ser tomado
como de fila.
3.1.2.Distribuciones de tiempo
Una vez con los datos limpios es posible calcular las distribuciones que
siguen los distintos tiempos obtenidos. Lo anterior permitir ingresar estas
distribuciones en el modelo de simulacin que se construir, lo que aportar
parte de la variabilidad que se tiene en la operacin misma.
20
0 4
Tiempo de aculatamiento en carguo [min]
0 8
Tiempo de carguo [min]
0
0 99
Tiempo de aculatamiento ms descarga [min]
0
21
3.1.3.Productividad de los eventos
[ ]
-0,1
-0,086
-0,2 -0,153
-0,3 -0,206
-0,28
-0,4 -0,356
-0,5 -0,446
-0,6 -0,545
-0,7
-0,691
-0,8
Cabe destacar que esta nueva variable construida (la productividad del
evento) refleja solamente la productividad del equipo en el tiempo
relacionado al evento, por lo que no refleja el comportamiento a lo largo del
da. Para esto es necesario construir nuevas bases de datos.
23
3.2. Anlisis estadstico y minera de datos
[ ]
Productividad [t/h]
Hora Da 1 Da 2
0.25 2420 6588
0.5 7672 10092
0.75 7672 6176
1 3836 4760
Tabla 4: Formato tipo de la construccin de las productividades temporales durante el da
Fecha.
24
Productividad mxima [t/h]: corresponde al mximo valor
alcanzado por la productividad instantnea.
.
Si ninguno de los casos se cumple .
( )
25
.
( )
Si ninguno de los casos se cumple
Si .
Si pasa continuamente ms de media hora bajo el criterio
anterior.
26
2 grupos
7000
6000
Productividad [t/h]
5000
4000
3000
2000
1000
0
Hora
Baja Productividad Alta Productividad
3 Grupos
8000
7000
Productividad [t/h]
6000
5000
4000
3000
2000
1000
0
3,25
4,25
0,25
1,25
2,25
5,25
6,25
7,25
8,25
9,25
10,25
11,25
12,25
13,25
14,25
15,25
16,25
17,25
18,25
19,25
20,25
21,25
22,25
23,25
Hora
Productividad Media Productividad Baja
Productividad Alta
Grfico 6: Anlisis k-mean separados en 3 grupos segn caracterizacin diaria de productividad
27
productividad media y baja, ya que el grupo de productividad alta mantiene
prcticamente inalterado la cantidad de datos que contiene (de 198 a 195).
4 grupos
8000
7000
6000
Productividad [t/h]
5000
4000
3000
2000
1000
Hora
Prod. Baja Turno Dia, Alta Turno Noche Prod. Media
Prod. Baja Prod. Alta
Grfico 7: Anlisis k-mean separados en 4 grupos segn caracterizacin diaria de productividad
28
5 grupos
8000
7000
Productividad [t/h]
6000
5000
4000
3000
2000
1000
0
Hora
Prod. Media Prod. Alta Turno Noche, Baja Turno Da
Prod. Alta Prod. Baja
Nuevo conglomerado
Grfico 8: Anlisis k-mean separados en 5 grupos segn caracterizacin diaria de productividad
150
89
100
50
34
50
0
1 2 3 4
Clase
Grfico 9: Frecuencia por conglomerado de k-media
29
As, con la caracterizacin por el anlisis de k-mean entregar una
nueva variable categrica a la base de datos de caracterizacin de los das en
estudio.
Frecuencia
150 200
100 150
100
50 33
50
0 5 4 0 0
0 0
1 (SHD) 2 (SHE) 3 (LDW) 4 (ninguno) 1 (960e) 2 (793) 3 (797) 4 (Make- 5
up) (ninguno)
Clase
Clase
Grfico 10: Nmero de casos para cada grupo de datos, izquierda: grupo palas, derecha: grupo
camiones
30
Promedio de Productividad [tpd] 95767.8
Promedio de Promedio Distancias [m] 2802.6
Promedio de Detenciones[h] 7.83
Tabla 5: Promedios al total de datos en caracterizacin diaria
Conglomerado k-mean 1 2 3 4
Baja da, Prod. Prod. Prod.
Nombre conglomerado Alta noche Media Baja Alta
Cuenta de Grupo de Produccin 34 89 50 195
Promedio de Productividad [tpd] 82122.0 91496.8 8138.5 122565.4
Promedio de Promedio Distancias [m] 3145.3 3063.5 1079.8 3065.5
Promedio de Detenciones[h] 10.45 9.46 6.70 6.93
Tabla 6: Promedios separados por grupos de datos en caracterizacin diaria
31
7
6
5
Frecuencia
4
3
2
1
0
10
8
Frecuencia
6
4
2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Clase detenciones [h]
Grfico 12: Histograma detenciones grupo 1
30
25
Frecuencia
20
15
10
5
0
32
8
Frecuencia
4
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Clase detenciones [h]
Grfico 14: Histograma detenciones grupo 2
40
35
30
Frecuencia
25
20
15
10
5
0
25
20
Frecuencia
15
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Clases detenciones [h]
Grfico 16: Histograma detenciones grupo 3
33
respecto a la media de detenciones refleja el comportamiento esperado en
una faena minera de este estilo, con detenciones operacionales de cambio de
turno y colacin que oscilan entre las 5 y 10 horas diarias (Grfico 18).
80
70
60
Frecuencia
50
40
30
20
10
0
10
8
Frecuencia
6
4
2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Clases detenciones [h]
Grfico 18: Histograma detenciones grupo 4
34
3.3. Modelo de simulacin dinmica
35
3.3.1. Flujo lgico de informacin en modelo base
Des
Aculatamiento Transporte
Pala libre? Si Carga aculatamiento
en carga a chancador
en carga
No Esperar en
fila
Des
Chancador Aculatamiento Verifica si corresponde
Si Descarga aculatamiento
libre? en descarga detencin
en descarga
Esperar en
No
fila
Detencin
Transporte a Tipo de
por cambio
estacionamiento detencion
de turno
Detencin
por colacin
37
El sub-modelo llamado dispatch cumple con dos objetivos, el primero
corresponde a asignar el origen a cada camin que realiza la consulta, y el
segundo corresponde a realizar la consulta si ya es tiempo de realizar algn
cambio de turno o colacin dependiendo del tramo del da en que se
encuentre.
38
Lo anterior se realiza para emular la lgica seguida por el dispatch en
faena, donde a grandes rasgos se realiza una evaluacin instantnea (o por
turno) donde se estima el mayor rendimiento de cada equipo considerando
colas en los orgenes. Esta asignacin sigue la estrategia de asignacin de 1-
camin-para-n-palas descrita por Alarie y Gamache [18].
39
Figura 9: Chequeo de detencin operacional en sub-modelo dispatch
Figura 10: Seize o apoderamiento del recurso en una primera interseccin para luego realizar el
transporte hacia la ubicacin de la pala en sub-modelo destino
40
Una vez ubicado en la interseccin donde se encuentra la pala, basta
con realizar los procedimientos de aculatamiento, carga, liberacin del
recurso pala y transporte hacia el destino, con sus respectivas asignaciones
de los tiempos relevantes a medir, es decir, en entradas y salidas de cada
proceso (Figura 11).
Origen
Camin: nmero identificador de cada camin.
TNOW (Fin Ciclo): tiempo en que se realiza el registro (salida del
chancador).
Tolva [t]: cantidad de mineral trasportada.
41
TViajeIda [min]: tiempo de viaje vaco.
TColaOrigen [min]: tiempo de fila en origen.
TAculOrigen [min]: tiempo de aculatamiento en origen.
TCarga [min]: tiempo de carga en origen.
TViajeVuelta [min]: tiempo de viaje cargado.
TColaChancado [min]: tiempo de fila en chancador.
TAculChancado [min]: tiempo de aculatamiento en chancador.
TDescarga [min]: tiempo de descarga en chancador.
TCiclo [min]: tiempo del ciclo completo (suma de los tiempos
anteriores).
NREP: nmero de replicacin de la simulacin.
42
donde se corrobore que salgan a la hora que ocurre en la realidad (Figura
14).
Figura 14: Corroboracin de la hora de salida para cada detencin en sub-modelo estacionamiento
43
Figura 15: Representacin grfica modelo simulacin base
Por otra parte, las variables del modelo deben ser calibradas para que
los resultados que arroja este sean lo suficientemente cercanas al
comportamiento real. Es por esto que se ocupa en una primera instancia el
nmero de camiones presentes para comparar la produccin diaria del
modelo y la produccin diaria promedio de los datos obtenido de la faena. A
travs de esto se llega a que con un total de 8 camiones del tipo CAT 793 se
logra el mismo orden de magnitud que los datos reales. Lo anterior se realiza
porque como el sistema en estudio es un sub sistema de una mina completa,
no se tienen datos de la flota que contiene, ya que no siempre son los mismo
equipos de transporte que estn presentes en el sub sistema en estudio, es
por esto que se debi llegar a esta flota equivalente a travs del modelo de
simulacin.
44
Promedio Real [t] Promedio Simulado [t] Relacin
95675.5 95435.2 99.7%
TViajeIda Promedio Real [min] Promedio Simulado [min] Relacin
N06 13.9 13.8 99.5%
SLM 2.8 2.7 96.2%
SAL 2.9 2.9 98.7%
TViajeIda Promedio Real [min] Promedio Simulado [min] Relacin
N06 9.9 10.2 103.1%
SLM 3.3 3.2 98.3%
SAL 3.3 3.2 95.8%
Tabla 7: Comparacin entre parmetros reales y simulados
45
160%
140%
120%
Diferencia porcentual
100%
80%
60%
40%
20%
0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
Replicacin
Grfico 19: Diferencias porcentuales entre promedios acumulados para cada replicacin
6000
5000
PRODUCTIVIDAD INSTANTNEA [T]
4000
3000
2000
1000
0
21
12
15
18
0
2,25
3
9
0,75
1,5
3,75
4,5
5,25
6,75
11,25
12,75
17,25
18,75
7,5
8,25
9,75
10,5
13,5
14,25
15,75
16,5
19,5
20,25
21,75
22,5
23,25
HORA
Productividad Simulada (promedio 50 simulaciones) Productividad Real
46
Sin embargo, es necesario realizar una comparacin ms robusta. Esto
se puede realizar a travs de un grfico de dispersin entre cada punto real y
simulado (Grfico 21), el cual muestra que la lnea de tendencia de los datos
es prcticamente igual a una lnea de pendiente 1, y que el R asociado es
de un 0.8664. La principal razn del valor del R corresponde a las
diferencias intrnsecas que existirn entre una simulacin y los datos reales,
dado que es imposible considerar todos los detalles que existen en la
realidad. Cabe recordar que una modelacin de este tipo es una
simplificacin de la realidad, considerando esto, el valor de R obtenido es un
excelente valor desde el punto de vista de la representatividad de los
resultados obtenidos mediante la simulacin.
6000,0
y = 0,986x
Productividad instantnea simulada [t]
R = 0,8664
5000,0
4000,0
3000,0
2000,0
1000,0
0,0
0 1000 2000 3000 4000 5000 6000
Productividad instantnea real [t]
47
carguo y una vez cargado realice el cambio de turno en un estacionamiento
exclusivo para ello.
Figura 16: Modificacin a sub-modelo dispatch para integrar posibilidad de "medio viaje"
48
Por otra parte, es necesario incorporar la opcin de que el camin una
vez en la pala asignada se traslade hacia el estacionamiento exclusivo para
camiones cargados. Para esto solo basta con agregar la opcin en el sub-
modelo origen a travs del atributo definido en el sub-modelo dispatch
(Figura 17).
Figura 17: Modificacin sub-modelo origen para incorporar viaje a estacionamiento exclusivo camiones
cargados
49
La implementacin en Arena se refleja en cambiar la distancia en los
segmentos que unen el chancador con el estacionamiento y aquel que une el
estacionamiento con la fase N06.
50
3.4. Anlisis de los resultados de los nuevos escenarios
51
productividad diaria CASO BASE
96951.3 95435.2 101.6%
Promedio Simulado por Caso Base por Diferencia por
detenciones camin [h] camin [h] unidad
Colacin 1 Noche 0.93 0.89 105.2%
Colacin 2 Noche 0.69 0.69 99.8%
CT Noche 0.73 0.93 78.5%
Colacin Da 1.56 1.56 99.9%
CT Da 0.83 1.03 81.2%
TOTAL 4.74 5.09 93.1%
Tabla 10: Resultados escenario cambio de turno cargado
6000
Productividad instantnea [t/h]
5000
4000
3000
2000
1000
0
11,25
12,75
14,25
15,75
17,25
18,75
20,25
21,75
23,25
0,75
1,5
2,25
3,75
4,5
5,25
6,75
7,5
8,25
9,75
10,5
13,5
16,5
19,5
22,5
3
18
0
12
15
21
24
Hora
Productividad cambio turno cargado Productividad Caso Base
Grfico 22: Comparativa productividad instantnea entre caso base y caso con cambio turno cargado
52
3.4.2. Resultado escenario con variacin de posicin de estacionamiento
99000 5,40
98000
5,30
97000
5,20
Productividad diaria [t/h]
94000 5,00
93000
4,90
92000
4,80
91000
4,70
90000
89000 4,60
50 500 1000 1500 2000 2500 3000 3500
Distancia EST-CH [m]
Detenciones por unidad Productividad diaria
Grfico 23: Productividad diaria y detenciones operacionales versus distancia entre estacionamiento y
chancador
53
Diferencia con
Promedio Simulado [t] CASO BASE [t] CASO BASE
productividad diaria 98161.1 95435.2 102.9%
Simulado por Caso Base por Diferencia por
Promedio detenciones camin [h] camin [h] unidad
Colacin 1 Noche 0.73 0.89 81.8%
Colacin 2 Noche 0.61 0.69 89.0%
CT Noche 0.94 0.93 100.6%
Colacin Da 1.57 1.56 100.6%
CT Da 1.02 1.03 99.2%
TOTAL 4.86 5.09 95.5%
Tabla 11: Resultados mejor caso en escenario de cambio de posicin de estacionamiento
6000
PRODUCTIVIDAD INSTANTNEA [t/h]
5000
4000
3000
2000
1000
23,25
6
12
15
18
21
0
9
9,75
11,25
12,75
14,25
15,75
17,25
18,75
20,25
21,75
0,75
1,5
2,25
3,75
4,5
5,25
6,75
7,5
8,25
10,5
13,5
16,5
19,5
22,5
HORA
CASO BASE Mejor caso (50m)
Grfico 24: Comparativa productividad instantnea entre caso base y mejor caso en escenario
variando posicin de estacionamiento
54
equipos de transporte poseen una mayor velocidad de traslado, haciendo que
el tiempo de traslado hacia el estacionamiento para realizar la detencin sea
menor.
Cabe destacar que al realizar este tipo de estudios sobre una faena en
produccin, es prcticamente imposible que se realice un cambio en los
equipos de transporte, dada su alta inversin por equipo y sobre todo por
flota. Sin embargo, para anlisis de equipos de transporte en etapas de pre-
factibilidad en revisiones de proyectos mineros ser favorable considerar la
incidencia directa en los tiempos de detencin de la velocidad del equipo de
transporte, y en consecuencia, en la productividad diaria.
6000
Productividad instantnea [t/h]
5000
4000
3000
2000
1000
0
20,25
3,75
0,75
2,25
5,25
6,75
8,25
9,75
10,5
11,25
12,75
13,5
14,25
15,75
16,5
17,25
18,75
19,5
21,75
22,5
23,25
1,5
4,5
7,5
12
15
18
21
24
0
Hora
Escenario combinado Caso Base
Grfico 25: Comparativa productividad instantnea entre caso base y escenario combinado
* +
[ ] ( ( * + * +) * + * +)
4,50
4,00
4,07
3,50
Beneficio [MUS$/mes]
3,00
2,50 2,78
2,00
1,50
1,55
1,00
0,50
0,00
Cambio turno cargado Estacionamiento 50m Escenario combinado
Caso
Grfico 26: Beneficio asociado a cada caso
57
cercano al chancador se tiene que el beneficio aumenta en 1.24 MUS$/mes
en relacin a implementar solo la posibilidad del cambio de turno cargado.
Finalmente, la implementacin de ambas estrategias conlleva un aumento
del beneficio de 1.29 MUS$/mes en relacin a solo implementar el
acercamiento del estacionamiento al chancador.
4,50
4,00
Diferencial beneficio [MUS$/mes]
3,50 1,29
3,00
2,50
1,24
2,00
1,50
1,00
1,55
0,50
0,00
Cambio turno cargado Estacionamiento 50m Escenario combinado
Caso
Grfico 27: Diferencial del beneficio asociado al caso anterior
58
4. CONCLUSIONES
61
5. BIBLIOGRAFA
1. Ming- Xiang He, Jiu- Chuan Wei, Xin- Ming Lu and Bao-Xiang Huang,
2010. The Genetic Algorithm for Truck Dispatching Problems in Surface
Mine. Information Technology Journal, 9: 710-714.
62
12. J. MacQueen, Some methods for classification and analysis of
multivariate observations, En: Proc. 5th Berkeley Symp. Mathematical
Statist. Probability, 1967, pp. 281297.
63
6. ANEXOS
Fecha.
Turno.
Cuadrilla.
Camin.
Tipo de Camin.
Pala.
Tipo de Pala.
Material.
Origen.
Destino.
Hora registro [h].
Tiempo de [min]:
Fila en carguo.
Aculatamiento en carguo.
Carga.
Aculatamiento ms descarga en chancado.
Fila en descarga.
Viaje de ida.
Viaje de vuelta.
Ciclo total.
Distancia total [m].
64
Grfico 28: Histograma de tiempo de cola en carguo
65
Grfico 30: Histograma de tiempos de carguo
66
Grfico 32: Histograma de tiempos de ciclos
N06
67
Grfico 34: Histograma de tiempos de ciclo desde la fase N06
68
Grfico 36: Histograma de tiempos de ciclo desde el stock SLM
69