Uso de Simulação de Eventos Discretos para Avaliação de Desempenho de Caminhões Autônomos em Mineração

MINISTÉRIO DA EDUCAÇÃO
Escola de Minas da Universidade Federal de Ouro Preto

Departamento de Engenharia de Minas
Programa de Pós-Graduação em Engenharia Mineral – PPGEM
DISSERTAÇÃO DE MESTRADO
USO DE SIMULAÇÃO DE EVENTOS DISCRETOS

PARA AVALIAÇÃO DE DESEMPENHO DE
CAMINHÕES AUTÔNOMOS EM MINERAÇÃO
RODRIGO CORREIA BARBOSA
Ouro Preto – MG
2020
RODRIGO CORREIA BARBOSA
USO DE SIMULAÇÃO DE EVENTOS DISCRETOS PARA AVALIAÇÃO DE DESEMPENHO

DE CAMINHÕES AUTÔNOMOS EM MINERAÇÃO
Dissertação apresentada ao Programa de Pós-

Graduação em Engenharia Mineral do
Departamento de Engenharia de Minas da Escola
de Minas da Universidade Federal de Ouro Preto,
como parte obrigatória para a obtenção do título
de Mestre.
Área de concentração:
Lavra de Minas
Orientador: Prof. Dr. CARLOS ENRIQUE ARROYO ORTIZ
Coorientador: Prof. Dr. ADILSON CURI
Ouro Preto – MG
Outubro de 2020
SISBIN - SISTEMA DE BIBLIOTECAS E INFORMAÇÃO
B238u Barbosa, Rodrigo Correia.

BarUso de simulação de eventos discretos para avaliação de
desempenho de caminhões autônomos em mineração. [manuscrito] /
Rodrigo Correia Barbosa. - 2020.
Bar132 f.: il.: color., gráf., tab.. + Fluxograma.
BarOrientador: Prof. Dr. Carlos Enrique Arroyo Ortiz.

BarCoorientador: Prof. Dr. Adilson Curi.
BarDissertação (Mestrado Acadêmico). Universidade Federal de Ouro
Preto. Departamento de Engenharia de Minas. Programa de Pós-
Graduação em Engenharia Mineral.
BarÁrea de Concentração: Lavra de Minas.
Bar1. Lavra de minas - Planejamento. 2. Armazenamento e transporte de

carga. 3. Veículos autônomos. 4. Algoritmos. 5. Simulação
(Computadores). I. Arroyo Ortiz, Carlos Enrique. II. Curi, Adilson. III.
Universidade Federal de Ouro Preto. IV. Título.
CDU 622.27:004.94
Bibliotecário(a) Responsável: Sione Galvão Rodrigues - CRB6 / 2526

24/11/2020 SEI/UFOP - 0106339 - Folha de aprovação do TCC
MINISTÉRIO DA EDUCAÇÃO
UNIVERSIDADE FEDERAL DE OURO PRETO
REITORIA
ESCOLA DE MINAS
DEPARTAMENTO DE ENGENHARIA DE MINAS
FOLHA DE APROVAÇÃO
Rodrigo Correia Barbosa
Uso de Simulação de Eventos Discretos para Avaliação de Desempenho de Caminhões Autônomos em Mineração
Membros da banca
Carlos Enrique Arroyo Or z - Dr. - UFOP

Ivo Eyer Cabral - Dr. - UFOP
Lasara Fabricia Rodrigues - Dra. UFMG
Versão final
Aprovado em 14 de Setembro de 2020
De acordo
Professor (a) Orientador (a): Carlos Enrique Arroyo Or z - Dr. - UFOP
Documento assinado eletronicamente por Carlos Enrique Arroyo Or z, PROFESSOR DE MAGISTERIO SUPERIOR, em 24/11/2020, às 18:18, conforme
horário oficial de Brasília, com fundamento no art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de 2015.
A auten cidade deste documento pode ser conferida no site h p://sei.ufop.br/sei/controlador_externo.php?

acao=documento_conferir&id_orgao_acesso_externo=0 , informando o código verificador 0106339 e o código CRC 64424D1A.
Referência: Caso responda este documento, indicar expressamente o Processo nº 23109.009003/2020-58 SEI nº 0106339
R. Diogo de Vasconcelos, 122, - Bairro Pilar Ouro Preto/MG, CEP 35400-000

Telefone: 3135591590 - www.ufop.br
https://sei.ufop.br/sei/controlador.php?acao=documento_imprimir_web&acao_origem=arvore_visualizar&id_documento=121179&infra_sistema=1… 1/1
Resumo
Este trabalho apresenta a criação de um simulador especializado para o sistema de

carregamento e transporte, sua validação comparando resultados simulados a duas
operações reais de perfil operacional distinto, além de comparativo com software
comercial. O simulador foi aplicado no estudo do desempenho de caminhões autônomos
em ambiente de mineração a céu aberto. Apresenta-se a metodologia e algoritmos do
simulador de maneira genérica, possibilitando sua replicação e implementação futura em
qualquer plataforma. A implementação feita como parte da pesquisa desenvolvida
demonstrou a boa qualidade das simulações, quando comparadas a situações reais, e
viabilizou a criação de diversos cenários de operação com caminhões autônomos,
culminando na identificação de ganhos de produtividade de até 10%, associados à maior
estabilidade operacional esperada com equipamentos autônomos em comparação com
operadores humanos.
v
Abstract
This work contains a workflow for the creation of a specializes simulator, focused on the
load and haul operation, its validation and usage for studying the performance of
autonomous haul trucks operating within a mine. This approach details the simulator’s
methodology and algorithms in their broad sense, allowing for replication and future
implementation in any platform. The implementation done as part of this research shows
that the simulations are accurate, when compared to real world operations and made it
possible to simulate a variety of operating scenarios of autonomous haul trucks, allowing
for identification of up to 10% productivity gains, derived from greater operational stability,
typically expected from autonomous trucks when compared to human operated trucks with
identical specifications.
vi
Lista de ilustrações
Figura 1: Participação da Movimentação de Materiais na Lavra ........................................ 11
Figura 2: Esquema de cálculo determinístico da produtividade em mineração ............... 12
Figura 3: Técnicas aplicadas ao dimensionamento de frotas. ............................................. 27
Figura 4: Carta de seleção de porte de equipamento. .......................................................... 28
Figura 5: Distribuições dos Tempos de Ciclo da mina Tandung Mayang em Junho/2014.

.................................................................................................................................................. 39
Figura 6: Frotas e combinações existentes para o ciclo de carregamento e transporte na

mina. ......................................................................................................................................... 45
Figura 7: Parâmetros para a coleta de dados de tempo de carregamento e basculamento

.................................................................................................................................................. 47
Figura 8: Distribuições Cumulativas Empíricas para o Tempo de Carregamento da

Escavadeira ESC-1. .................................................................................................................. 54
Figura 9: Diagrama geral do algoritmo implementado para o simulador. ......................... 55
Figura 10: DCA - Diagrama de Ciclos de Atividades do simulador ..................................... 60
Figura 11: Tela Principal do SACT ......................................................................................... 62
Figura 12: Simulação em Execução no SACT ........................................................................ 63
Figura 13: Relatório Numérico de Produção e Tempos do SACT ....................................... 64
Figura 14: Relatório Numérico de Índices Operacionais do SACT...................................... 66
Figura 15: Relatório Numérico de Filas do SACT ................................................................. 67
Figura 16: Relatório Gráfico de Utilização do SACT ............................................................. 69
Figura 17: Relatório Gráfico de Produção do SACT ............................................................. 70
vii
Figura 18: Relatório Gráfico de Ociosidades do SACT ......................................................... 71
Figura 19: Relatório Gráfico de Fila no Carregamento do SACT ......................................... 72
Figura 20: Histograma do Tempo de Carregamento (Calcário) .......................................... 74
Figura 21: Histograma do Tempo de Basculamento (Calcário) .......................................... 74
Figura 22: Histograma da Velocidade Carregado (Calcário) ............................................... 75
Figura 23: Histograma da Velocidade Vazio (Calcário) ....................................................... 76
Figura 24: Gráfico de Produtividade Real da Mina de Calcário x Simulada pelo SACT ..... 77
Figura 25: Gráfico de Produtividade Real da Mina de Níquel x Simulada pelo SACT ....... 79
Figura 26: Gráfico de Comparação da Produção Simulada (Talpac® x SACT) .................. 85
Figura 27: Cenários de Produção (Humano x Autônomo) .................................................. 88
Figura 28: Comparativo entre o número de viagens do Caminhão Autônomo e do operador

humano para DMT de 1.000 m .............................................................................................. 90



humano para DMT de 10.000 m ............................................................................................ 93
viii
Lista de tabelas
Tabela 1: Distribuições aplicáveis para cada variável do ciclo, com base na mina de Orapa
.................................................................................................................................................. 38
Tabela 2: Distribuição dos dados de entrada da mina de Moatize no modelo de simulação

.................................................................................................................................................. 41
Tabela 3: Distribuições utilizadas na modelagem da mina Ouro Branco........................... 42
Tabela 4: Distribuições Estatísticas da mina Casa de Pedra .................................................... 44
Tabela 5: Estatísticas dos Dados de Carregamento ............................................................. 49
Tabela 6: Estatísticas dos Dados de Basculamento .............................................................. 50
Tabela 7: Valores de Anderson-Darling para os tempos de carregamento ....................... 51
Tabela 8: Valores de Anderson-Darling para os tempos de basculamento ....................... 52
Tabela 9: Classificação dos dados de entrada do simulador ............................................... 57
Tabela 10: Rota de Transporte no Talpac® ......................................................................... 80
Tabela 11: Validação do SACT em relação ao Talpac® ....................................................... 83
ix
Lista de siglas e abreviações
t Tonelada
Km Quilômetro
Km/h Quilômetro por Hora
m Metro
s Segundo
UG Utilização Global
AD Anderson-Darling
DP Desvio Padrão
DMT Distância Média de Transporte
SACT Simulador Avançado de Carregamento e Transporte
GNU-LGPL GNU Lesser General Public License – Licença Pública Menos Geral GNU
CAPES Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
x
Sumário
1. INTRODUÇÃO........................................................................................................................................ 11
1.1 Justificativa e relevância ......................................................................................................... 11
1.2 Definição do problema de pesquisa.................................................................................... 14
1.3 Objetivos e organização do trabalho .................................................................................. 15
1.3.1 Objetivos específicos....................................................................................................... 15
1.4 Escopo da dissertação e limitações..................................................................................... 16
2. O ESTADO DA ARTE DA SIMULAÇÃO DA OPERAÇÃO DE EQUIPAMENTOS MÓVEIS

EM MINERAÇÃO ............................................................................................................................................ 18
2.1 Modelo de carregamento e transporte em mina (truck-shovel) ............................. 18
2.2 Produtividade no contexto da operação de carregamento e transporte ............. 22
2.3 Limitações dos métodos determinísticos ......................................................................... 23
2.4 Técnicas de modelagem do ciclo de carregamento e transporte ............................ 24
2.5 Técnicas de alocação e dimensionamento de porte de equipamentos ................. 26
2.6 Simulação de eventos discretos ........................................................................................... 29
2.7 Simulação aplicada a operações de carregamento e transporte ............................. 30
2.8 Caminhões autônomos em mineração .............................................................................. 34
3. METODOLOGIA PARA A CRIAÇÃO DO SIMULADOR SACT .................................................. 36
3.1 Definição das distribuições de probabilidade dos tempos de ciclo........................ 37
3.1.1 Mina de Orapa – Botsuana ............................................................................................ 37
3.1.2 Mina PT. Kitadin Tandung Mayang – Indonésia ................................................... 38
3.1.3 Mina de Moatize – Tete/Moçambique...................................................................... 40
3.1.4 Mina Ouro Branco – Goiás/Brasil .............................................................................. 42
xi
3.1.5 Mina Casa de Pedra – Minas Gerais/Brasil............................................................. 43
3.1.6 Definição das distribuições estatísticas para o simulador ............................... 44
3.2 Conceito Simplificado............................................................................................................... 55
3.2.1 Dados de entrada.............................................................................................................. 56
3.2.2 Pontos de inflexão ............................................................................................................ 58
3.2.3 Gerador de números aleatórios .................................................................................. 59
3.3 Diagrama de Ciclos de Atividades ....................................................................................... 60
3.4 Implementação ........................................................................................................................... 61
3.4.1 Interface do Software ..................................................................................................... 61
3.5 Validação ....................................................................................................................................... 72
3.5.1 SACT x operação real (calcário).................................................................................. 73
3.5.2 SACT x operação real (níquel) ..................................................................................... 77
3.5.3 SACT x software comercial (Talpac®) ..................................................................... 79
4. DESEMPENHO DE CAMINHÕES AUTÔNOMOS EM COMPARAÇÃO A OPERADORES

HUMANOS ........................................................................................................................................................ 86
4.1 Modelagem do Sistema Autônomo ..................................................................................... 86
5. DISCUSSÃO DOS RESULTADOS ...................................................................................................... 95
5.1 Qualidade dos resultados do simulador SACT................................................................ 95
5.2 Desempenho dos caminhões autônomos ......................................................................... 96
6. CONCLUSÕES ........................................................................................................................................ 99
7. REFERÊNCIAS BIBLIOGRÁFICAS ............................................................................................... 101
8. APÊNDICE ........................................................................................................................................... 109
8.1 Testes de qualidade do ajuste para tempo de carregamento ................................ 109
8.2 Testes de qualidade do ajuste para tempo de basculamento ................................ 117
8.3 Distribuição cumulativa empírica no carregamento ................................................ 124
xii
8.4 Distribuição cumulativa empírica no basculamento ................................................ 127
8.5 Quadro consolidado de entrada dos cenários (autônomo x humano) ............... 130
8.6 Quadro consolidado de utilização simulada (autônomo x humano) .................. 131
8.7 Quadro consolidado de nº de viagens simuladas (autônomo x humano) ........ 132
xiii
1. INTRODUÇÃO
1.1 Justificativa e relevância
Embora a composição dos custos na mineração varie consideravelmente de acordo com o

tipo de operação, localização, características do material e restrições
técnicas/tecnológicas, legais e mercadológicas, existem estimativas que situam a etapa de
movimentação de materiais como responsável por até 60% do custo total da lavra (Alarie
e Gamache, 2002; Upadhyay e Askari-Nasab, 2018; Zhang e Xia, 2015) e 32% do consumo
total de energia consumido pela mina é gasto nas operações de transporte (Bajany et al.,
2017; Sahoo et al., 2014), conforme exibido na Figura 1.
Custo Total da Lavra Total de Energia Consumida

Movimentação
Movimentação
de Materiais
de Materiais
32%
60%
Demais Demais
custos atividades
40% 68%
Figura 1: Participação da Movimentação de Materiais na Lavra
Os métodos tradicionais de dimensionamento da frota envolvida no carregamento e

transporte de materiais, baseiam-se em modelos determinísticos, corrigidos por índices
operacionais. Para o dimensionamento adequado dos equipamentos envolvidos na
operação de carregamento e transporte, faz-se necessário compreender diversos fatores
associados à disponibilidade e utilização do equipamento (Hustrulid et al., 2013).
11
Em um dimensionamento tradicional, geralmente busca-se calcular a produtividade de
caminhões e escavadeiras ou pás carregadeiras e a partir deste ponto definir uma
combinação de equipamentos que seja adequada.
Para chegar à produtividade, a técnica determinística baseia-se, em linhas gerais, em

determinar a produtividade nominal com base na capacidade máxima teórica do
equipamento e multiplicar por um fator de correção baseado no índice operacional.
A abordagem determinística utiliza valores médios para as variáveis de cálculo,

estimando assim um cenário estático, porém ajustado, visando aproximar-se da realidade
da operação.
A Figura 2, mostra a de forma esquemática a abordagem tradicional (determinística) para

o cálculo da produtividade efetiva.
Densidade da
Densidade
Rocha
Empolada
Empolamento Volume da
Carga Média
Caçamba
Basculamento Fator de
Enchimento Produtividade
Carregamento Nominal
Deslocamento
Carregado
Deslocamento Tempo de Ciclo 3.600
Viagens por Hora
Vazio Produtividade
Efetiva
Manobras
Tempo Fora de Tempo Trabalhado

Manutenção Utilização
Paradas Tempo Fora de
Operacionais Manutenção
Índice Operacional
Tempo Fora de
Horas Calendário Manutenção
Disponibilidade
Tempo de Horas Calendário
Manutenção
Figura 2: Esquema de cálculo determinístico da produtividade em mineração
12
As unidades típicas das variáveis de entrada, exibidas na cor branca na Figura 2 são:
Densidade da Rocha: t/m³;
Empolamento: %;
Basculamento: tempo (segundos);
Carregamento: tempo (segundos);
Deslocamento Carregado: tempo (segundos);
Deslocamento Vazio: tempo (segundos);
Manobras: tempo (segundos);
Paradas Operacionais: tempo (horas);
Horas Calendário: tempo (horas);
Tempo de Manutenção: tempo (horas);
Volume da Caçamba: m³;
Fator de Enchimento: %.
As unidades típicas das variáveis calculadas, exibidas na cor cinza na Figura 2 são:
Tempo Fora de Manutenção: tempo (horas);
Densidade Empolada: t/m³;
Tempo de Ciclo: tempo (segundos);
Tempo Trabalhado: tempo (horas);
Carga Média: t;
Viagens por Hora: viagens/h;
Utilização: %;
Disponibilidade: %;
Produtividade Nominal: t/h;
Índice Operacional: %;
Produtividade Efetiva: t/h.
Como a Figura 2 demonstra, a abordagem determinística depende do Índice Operacional,

porém este baseia-se nos tempos e perdas operacionais. Todo dimensionamento
pretende uma operação futura, porém é baseada em estimativas e dados históricos,
tornando o dimensionamento da frota sujeito a erros significativos, uma vez que a
13
operação real pode não se enquadrar bem nos parâmetros de Utilização e Disponibilidade
estimados (Hustrulid et al., 2013; Ta et al., 2013).
1.2 Definição do problema de pesquisa
A principal fonte de erros do modelo determinístico vem do fato que as variáveis reais
não são estáticas, e portanto, não podem ser representadas simplesmente pela média. Isto
é especialmente significativo na ocorrência de filas de caminhões e ociosidade de
escavadeiras. Um ciclo lento de um caminhão da frota poderá impactar negativamente o
caminhão seguinte, uma vez que o mesmo terá que esperar a liberação da escavadeira
pelo caminhão anterior.
O trabalho de pesquisa realizado e apresentado nesta dissertação visa abordar

justamente esta questão, utilizando na simulação variáveis estocásticas, com valores
gerados de forma aleatória e ajustados a uma distribuição de probabilidade.
A forte tendência de abordagens baseadas na incerteza (Leite, 2008; Matamoros, 2014;

Silva, 2014), e o impacto negativo da variabilidade dos tempos no ciclo de carregamento
e transporte é comentado por Hustrulid et al. (2013), ao listar dentre as boas práticas
operacionais a necessidade de sincronização cuidadosa dos equipamentos na praça de
carregamento.
Desta forma foi desenvolvida uma metodologia para identificar por simulação a
produtividade de uma operação de carregamento e transporte em função do número de
caminhões alocados no ciclo, resultando em uma curva de produtividade a qual embasará
a tomada de decisão em relação à quantidade de caminhões alocados na operação.
O avanço da capacidade computacional possibilita abordagens baseadas em simulações,

intensas em recursos para o processamento de eventos discretos e capaz de lidar com
variáveis estocásticas, as quais possuem valores diferentes para cada evento discreto,
14
definidos de forma aleatória e ajustados à distribuição probabilística do evento (Ortiz et
al., 2013).
Este tipo de abordagem apresenta vantagens em relação a metodologias baseadas em

cálculos realizado sobre o tempo médio de cada evento, uma vez que a variabilidade do
processo real pode gerar implicações e comportamentos emergentes imprevisíveis
(Barbosa, 2016).
1.3 Objetivos e organização do trabalho
O objetivo geral desta Dissertação é apresentar uma um modelo de simulação capaz de

prever o comportamento de um sistema de carregamento e transporte em ambiente de
mineração, empregando simulação estocástica de eventos discretos, como alternativa às
técnicas tradicionais de dimensionamento de frota com base determinística e aplicar tal
simulador na avaliação de desempenho de frotas de caminhões autônomos em
comparação a caminhões com características idênticas, porém com operador humano.
1.3.1 Objetivos específicos
Para atingir o objetivo geral, as etapas de pesquisa e desenvolvimento que embasaram

este trabalho compõem os objetivos específicos, conforme listados abaixo:
a) Definir distribuições estatísticas (função de densidade de probabilidade) mais

adequadas a cada etapa do ciclo de produção dos caminhões.
b) Desenvolver um algoritmo e modelo numérico para simulação de uma

operação de mina, implementar este algoritmo e compilar em linguagem de
máquina para distribuição livre com fins educacionais, batizado de Simulador
Avançado de Carregamento e Transporte (SACT), sob licença de software livre
GNU-LGPL.
15
c) Executar simulações e gerar cenários variados, avaliando em cada caso a
produtividade obtida e os índices operacionais para validação do modelo.
d) Simular cenários de operação com caminhões autônomos e com operadores

humanos, seguido pela análise dos dados para a comparação do desempenho
em cada cenário.
1.4 Escopo da dissertação e limitações
O escopo desta dissertação engloba a revisão do referencial teórico aplicável tanto à

simulação de eventos discretos quanto à operação de carregamento e transporte, bem
como técnicas e metodologias aplicáveis para o dimensionamento da frota.
Para a consolidação do estudo realizado, a dissertação descreve o comportamento de cada

variável, define um algoritmo base para a simulação de um sistema com uma escavadeira
e uma quantidade indefinida de caminhões alocados na mesma, também denominado de
sistema m-caminhões-para-1-escavadeira (m-trucks-for-1-shovel) (Chaowasakoo, 2017).
O algoritmo, com base nas diferentes variáveis básicas do processo, é capaz de simular a
operação de equipamentos de qualquer porte e identificar os principais indicadores
operacionais da operação de mina simulada.
Todos os passos do algoritmo estão documentados nesta dissertação. Para a validação do

código, os resultados do simulador foram comparando com os de operações reais, e com
os resultados obtidos a partir de simulador comercial de código fechado.
Por fim, foi gerado um aplicativo com o algoritmo definido neste trabalho, capaz de
executar a simulação numérica da operação e apresentar os resultados de forma numérica
e gráfica. O aplicativo foi compilado para ser distribuído sob forma de arquivo executável
em Microsoft Windows® 32bit, e será disponibilizado para uso livre, em ambiente
acadêmico, amplo e irrestrito, bem como o uso por terceiros, incluindo pessoas jurídicas,
16
no espírito da democratização do conhecimento, retorno como benefício público de bolsa
fornecida pela CAPES e expandindo o alcance da pesquisa realizada sob a forma de
extensão universitária com base tecnológica.
As simplificações de escopo desta dissertação são:
• O escopo não abordará resolução de operação e carregamento e transporte com

múltiplas escavadeiras;
• O escopo não se propõe a fornecer uma solução para a alocação dinâmica de

caminhões;
• O escopo não se propõe a abordar operações com frotas mistas;
• O simulador proposto realizará todo o processo numericamente, não estando

previsto o desenvolvimento de interface de visualização de animações das
simulações realizada.
• A modelagem e posterior validação serão baseadas em bancos de dados de 2

operações com perfis bastante distintos entre si (mina de níquel localizada no
estado de Goiás e mina de calcário localizada no estado de Minas Gerais).
Estes bancos de dados serão utilizados como fonte de referência para as operações do
ciclo, suas distribuições estatísticas e para a validação do dimensionamento das frotas
simuladas.
17
2. O ESTADO DA ARTE DA SIMULAÇÃO DA OPERAÇÃO DE
EQUIPAMENTOS MÓVEIS EM MINERAÇÃO
2.1 Modelo de carregamento e transporte em mina

(truck-shovel)
A operação tradicional de carregamento e transporte em mineração é uma operação em

circuito fechado (Bastos, 2013; Quiquia, 2015) composta pelas seguintes etapas
realizadas pelos caminhões:
• Deslocamento Vazio em direção ao ponto de carregamento;
• Manobra de Entrada no ponto de carregamento;
• Carregamento;
• Manobra de Saída do ponto de carregamento;
• Deslocamento Carregado em direção ao ponto de basculamento;
• Manobra de Entrada no ponto de basculamento;
• Basculamento;
• Manobra de Saída do ponto de basculamento.
Dentre as etapas do ciclo de transporte e suas variáveis diretas e indiretas, destaca dentre
os principais processos que apresentam comportamento estocástico as velocidades do
caminhão carregado e vazio, a velocidade de deslocamento da escavadeira, o tempo de
carregamento e basculamento, a massa de material carregada em cada passe de
carregamento e a carga média do caminhão (Cekerovski, 2015; Torkamani, 2013).
Cada etapa descrita é sequencial e o tempo gasto em cada atividade pode ser agregado
como (Felsch Junior, 2014):
• Tempos Fixos: basculamento e carregamento
• Tempos Variáveis: Deslocamento e manobras
Nas frentes de lavra, o tempo de manobra é muito influenciado pela técnica de escavação
adotada. Por exemplo, na escavação em paralelo à face da bancada é possível evitar a
18
operação de manobra à ré dos caminhões (Hustrulid et al., 2013). Devido à dificuldade
técnica em se medir e gerenciar os tempos de manobra de forma isolada, é prática comum
que tais etapas sejam agregadas ou aos tempos fixos ou aos tempos variáveis, com
objetivo de simplificar o modelo.
Nesta perspectiva simplificada é possível analisar a operação de carregamento e

transporte de forma análoga à terraplenagem em função de suas quatro operações básicas
(Curi, 2017):
• Escavação: desagregação do solo, realizado por ferramentas cortantes, tais
como lâmina do trator e dentes da caçamba da escavadeira;
• Carga do Material Escavado: enchimento da caçamba do equipamento de
transporte ou acúmulo de material na lâmina do trator;
• Transporte: movimentação do material escavado até local onde será
colocado definitivamente ou provisoriamente, distinguindo-se o transporte
com carga e o transporte vazio, no qual o equipamento retorna ao local de
carregamento;
• Descarga e Espalhamento: são executados nas pilhas de estéril.
Assim, segundo Curi (2017), a eficiência das operações unitárias, tais como carregamento
e transporte é fundamental para o sucesso das operações de lavra a céu aberto.
Para os tempos improdutivos, é comum agregar classes em função do tipo de evento

causador da perda de tempo. Existem metodologias diversas sendo aplicadas e adaptadas
à realidade de cada mina, porém é possível definir alguns exemplos típicos de
classificação. Hsu (2015) realizou uma compilação de tais apropriações de tempo com
base no modelo de tempo da empresa Barrick Gold Corporation.
Atrasos Operacionais: Tempo perdidos durante o turno de operação em que o atraso não
é relacionado ao ciclo típico de produção.
Exemplos de perdas operacionais incluem, mas não se limitam a (Hsu, 2015):
• Acidentes;
• Emergência (operador presente);
19
• Pesagem;
• Mudança de operador;
• Aguardando desmonte;
• Abastecimento;
• Indisponibilidade de GPS;
• Incidentes (operador presente);
• Acesso interditado;
• Treinamento prático;
• Inspeção do operador;
• Pausa pessoal;
• Falta de energia elétrica (curta duração);
• Atolado em lama;
• Resfriando pneu do caminhão;
• Aguardando equipamento de apoio;
• Aguardando limpeza da frente;
• Aguardando britador (fora de fila);
• Aguardando instruções;
• Aguardando escavadeira (operador presente nos caminhões e escavadeira
fora de operação);
• Aguardando suporte técnico, topografia, geologia, etc.
• Limpeza de báscula;
• Condições meteorológicas.
Tempo em Espera / Impedimentos operacionais: Tempo em que o equipamento poderia

estar operando, porém encontra-se ocioso por decisão dos gestores, falta de equipamento
crítico necessário ou falta de operador.
Exemplos de impedimentos operacionais incluem, mas não se limitam a (Hsu, 2015):
• Emergência (sem operador no equipamento);
• Equipamento não programado para o trabalho;
• Almoço/descanso;
• Reunião;
20
• Falta de operador;
• Falta de escavadeira para os caminhões;
• Manutenção oportuna;
• Troca de turno;
• Escavadeira sem material;
• Falta de energia elétrica (longa duração);
• Feriado legal;
• Greve;
• Condições meteorológicas.
A distinção entre os atrasos operacionais e os impedimentos operacionais é sujeita a

subjetividade. Com base no modelo de tempo da Barrick, as principais diferenças residem
na duração do evento e na relevância para o ciclo operacional. Para atrasos operacionais,
os eventos são passageiros, estão contemplados nos planos de mina de curto prazo e
geralmente são intrínsecos ao ciclo normal de operação. Alternativamente, os
impedimentos operacionais são eventos geralmente de longa duração, podem ser
planejados e não são eventos rotineiros no ciclo operacional (Hsu, 2015).
Curi (2014) menciona que os equipamentos envolvidos na lavra são objeto de atenção
desde o estudo de viabilidade da mina, devido ao seu valor de investimento,
operacionalização e implicações na escala de produção almejada. Observa-se também,
que no dimensionamento é vantajoso que os equipamentos sejam similares ou idênticos
tanto nas operações de remoção de estéril quando na lavra de minério (Curi, 2017).
Dentre as diversas vantagens decorrentes de uma frota homogênea de caminhões,

destaca-se o menor impacto associado ao fenômeno da aglomeração, que ocorre quando
os caminhões mais rápidos no ciclo alcançam caminhões mais lentos, forçando-os a
reduzir à mesma velocidade do caminhão mais lento e consequentemente perdendo o
eventual ganho de produtividade em potencial que seria obtido pelo caminhão mais
rápido (Dembetembe, 2017).
21
Darling (2011) classifica os caminhões utilizados em minerações a céu aberto em três
classes:
• Caminhões Rodoviários (On-Highway Trucks): Aplicação limitada em
mineração, sendo utilizado primariamente para movimentação de carvão e
agregados para a construção civil.
• Caminhões Articulados (Articulated Trucks): Assim como os caminhões
rodoviários, possui aplicação limitada, sendo seu uso ideal em condições de
piso inconsolidado e em distâncias entre 120 metros a 1.200 metros.
• Caminhões Rígidos (Rigid Dump Trucks): Formam a espinha dorsal da
indústria de mineração mundial. Possuem capacidades entre 36 e 360
toneladas, sendo que os menores (36 a 90 t) classificam-se como caminhões
de construção ou pedreira (quarry trucks), enquanto os maiores (acima de
90 t) são classificados como caminhões de mina (mining-class haul trucks).
2.2 Produtividade no contexto da operação de

carregamento e transporte
O manual operacional editado pela fabricante de equipamentos Caterpillar (Caterpillar

Inc, 2018a) classifica a produtividade da seguinte forma:
• Produção Real: inclui todos os atrasos e pequenos tempos perdidos;
• Produção Normal (sem atrasos): inclui pequenas perdas de tempo
consideradas normais ao trabalho realizado, porém sem os atrasos.
• Produção Máxima: para identificar a produção máxima (ou ótima),
descarta-se todos atrasos e tempos perdidos. O tempo de ciclo pode ser
ainda mais modificado ao considerar o tempo de carregamento ótimo.
Para o cálculo da produtividade dos caminhões, o método mais eficiente é o uso de

programas de simulação disponíveis comercialmente ou desenvolvidos pelo próprio
fabricante do caminhão (Darling, 2011).
22
A combinação entre equipamentos de carregamento e equipamentos de transporte é
objeto de avaliação caso a caso, no entanto não é usual que uma combinação envolvendo
portes muito dispares demonstre viabilidade técnica e econômica. No caso de transporte
por caminhão, uma referência comumente utilizada como indicativo de uma boa
combinação é o número de passes de carregamento necessários para encher a caçamba
de equipamento de transporte. O guia de produtividade da fabricante de equipamentos
Caterpillar (Caterpillar Inc, 2013) recomenda entre 3 a 5 passes para carregamento com
pás carregadeiras e com escavadeiras hidráulicas e 3 a 4 passes para escavadeiras
elétricas.
2.3 Limitações dos métodos determinísticos
Críticas às metodologias determinísticas baseadas em cálculo direto do tempo de ciclo

apontam diversas limitações desta técnica, que impedem a obtenção de soluções
otimizadas. As razões incluem (Ashton, 1989):
• A natureza probabilística das unidades individuais anula modelos
matemáticos corrigidos por fatores;
• Não é levado em consideração a interação entre diversos equipamentos
individuais e as filas. Como resultado, muito pouco é conhecido sobre
tempos ociosos;
• Não é possível avaliar situações onde múltiplas frentes de lavra possuem
múltiplos destinos;
• A avaliação de alterações técnicas, tais como a introdução de reboque a cabo
é normalmente um processo trabalhoso;
• Não são contabilizados os momentos instáveis ao longo do dia, tais como
início de fim de turno e quando absenteísmo resulta em falta de operador;
• As quebras não são contabilizadas.
Naturalmente, tais limitações são minimizadas pela introdução de fatores de correção

(Parente, 2015), porém os mesmos não podem ser generalizados para outras situações,
tornando pouco relevante a criação de cenários, pois não há base comum de comparação.
23
Mesmo em operações dimensionadas corretamente com base em técnicas
determinísticas, o efeito da formação de filas próximo ao ponto ótimo, onde capacidades
de carregamento e transporte são essencialmente iguais, podem causar ociosidade do
equipamento de carga por pequenos períodos. A disponibilização de caminhões em
excesso, para assegurar a maximização da produtividade do equipamento de carga resulta
em aumento na capacidade coletiva de produção, no entanto reduz a eficiência dos
caminhões (Hardy, 2007).
Uma abordagem estocástica é capaz de reduzir o erro de técnicas determinísticas e sua

validação, em comparação com dados reais geralmente traz previsões mais assertivas que
modelos determinísticos (Martins, 2013).
Mesmo os fatores de desempenho utilizados para a correção da estimativa determinística,

podem se beneficiar de uma abordagem probabilística. Hardy (2007) avalia que a seleção
de equipamentos utilizando como base a estimativa média do desempenho, sem a
consideração probabilística da disponibilidade e utilização dos caminhões e
equipamentos de carga possuem a tendência a subestimar os quantitativos da frota.
2.4 Técnicas de modelagem do ciclo de

Os principais modelos representativos de diversas técnicas de cálculo de ciclo são

(Krause, 2006):
Modelo de Filas de Elbrond (1990): Adota conceitos típicos da Teoria das Filas para
simular carga e transporte. Atribui valores médios na maioria dos sistemas, mas admite o
uso de valores aleatórios com base na complexidade do sistema. O modelo realiza os
cálculos de forma iterativa.
24
Modelo de Manutenção de Máquinas de Winston (2004): Modelo probabilístico baseado
na Teoria das Filas e inspirado em modelos anteriores voltados para a simulação do
processo de manutenção de equipamentos. No modelo de Winston (2004) o conceito de
tempo de serviço e tempo entre chegadas pode seguir distribuição exponencial com
cálculo iterativo, ou pode ser simplificado para se reduzir a um modelo determinístico
quando a variância do tempo de serviço e tempo entre chegadas é zero.
Simulador Especializado Talpac® (RungePincockMinarco Ltd., 2013): Implementado

através do software de distribuição comercial, o modelo proprietário da empresa RPM -
Runge Pincock Minarco utiliza simulação (Pereira, 2016) estocástica numérica de Monte
Carlo. Os parâmetros de cálculo, as distribuições estatísticas, assim como variâncias
típicas são internas ao modelo e baseadas em heurísticas.
Simulador Especializado FPC (Caterpillar Inc, 2018b): O FPC utiliza regressão e visa
aproximar um cenário real com base na combinação de simulação em conjunto com
heurísticas proprietárias. Devido a se tratar de um simulador desenvolvido pela
fabricante de equipamentos Caterpillar, sua aplicação é limitada e suas heurísticas podem
não ser consistentes quando aplicadas a outros equipamentos.
Simulador Genérico Arena® (Rockwell Software, 2017): Software de distribuição

comercial para uso amplo e se trata de uma simulação gráfica de Monte Carlo. Por se tratar
se um software de modelo genérico, cabe ao usuário que elabora o modelo para a
simulação a definição de distribuições estatísticas e parâmetros de variabilidade.
Dentre outros softwares de modelo genérico destacam-se o GPSS™ (General Purpose

Simulation System) (Minuteman Software, 2010) e o ProModel® (ProModel Corporation,
2020). Dentre os modelos especializados em mineração, cita-se também o software SIMIN
(Pinto, 1999) e o HaulSim (RungePincockMinarco Ltd., 2018).
Para a avaliação de cenários futuros de uma operação de carregamento e transporte, os

métodos baseados em simulação estocástica são mais flexíveis do que aqueles baseados
apenas na teoria de filas, pois não há suposição de estabilidade nem na chegada de
25
caminhões, nem nos servidores, possibilitando considerar tanto a condição estável,
quanto instável, tal como nos inícios e términos de turno. Isto possibilita à simulação
estocástica obter resultados mais precisos, no entanto o esforço envolvido na
implementação de um modelo estocástico é geralmente alto, assim como o esforço
computacional para a execução de tais simulações (May, 2012).
2.5 Técnicas de alocação e dimensionamento de

porte de equipamentos
O dimensionamento de frota beneficia de análise adicional da alocação dos equipamentos

em função de variáveis tais como metas de qualidade e restrições ao sequenciamento das
atividades (Costa et al., 2005). Uma abordagem típica é a aplicação de técnicas de alocação
aos caminhões, associadas a técnicas de otimização, as quais viabilizam a definição da
combinação ótima de equipamentos com objetivos tais como a obtenção de determinada
mistura de minérios ou metas de movimentação. Estas técnicas podem classificadas em
alocação estática (ou alocação fixa), na qual cada caminhão é alocado em uma única rota
ou alocação dinâmica (ou alocação flexível), na qual cada viagem pode ter origens e
destinos diversos, efetivamente compartilhando rotas e recursos com auxílio de recursos
informatizados (Ahangaran et al., 2012; Costa, 2005). A Figura 3 consolida as principais
técnicas aplicadas ao dimensionamento de frotas.
26
SELEÇÃO DE
EQUIPAMENTOS
MINERAÇÃO CONSTRUÇÃO
SELEÇÃO DO MÉTODO DE SELEÇÃO DE PRODUTIVIDADE DE

LAVRA EQUIPAMENTOS CAMINHÃO/ESCAVADEIRA
• Algoritmos Genéticos
• Simulação • Teoria de Aglomeração
• Programação Inteira • Curvas de Produtividade
• Anedotal
• Sistemas Especialistas • Fator de Combinação
• Conjuntos nebulosos
• Sistema de Suporte à • Teoria de Filas
• Programação Inteira
Decisão • Simulação
• Redes Petri • Teoria dos Jogos
• Custo do Ciclo de Vida
Figura 3: Técnicas aplicadas ao dimensionamento de frotas.
Adaptado de Dembetembe (2017).
Dentre as metodologias anedotais, ou empíricas, destaca-se a metodologia proposta por

Padan (1960), que visa correlacionar a distância média de transporte com o porte da
escavadeira para definir o porte de caminhão mais econômico para o ciclo, conforme a
carta de seleção da Figura 4.
27
Distância de Porte da Escavadeira (capacidade da concha yd³)
transporte
1/2 3/4 1 1-1/4 1-1/2 2 2-1/2 3 3-1/2 4-1/2 5 6 7 8 9 11
(pés)
500 Faixa de
1.000 caminhões de
1.500 6-1/2 jardas
2.000
2.500
3.000
3.500
4.000 Faixa de
4.500 caminhões de
5.000 11 jardas
5.500
6.000
6.500
7.000 Faixa de
7.500 caminhões de
8.000 23 jardas
8.500
9.000
9.500 Faixa de
10.000 caminhões de
10.500 18 jardas
11.000
11.500
12.000 Faixa de
12.500 caminhões de
13.000 40 jardas
13.500
14.000
14.500
15.000
15.500
16.000
16.500
17.000
17.500
18.000
18.500
19.000
19.500
20.000 Instruções de Uso Desta Carta de Seleção:
20.500
21.000 (1) Traçar uma linha horizontal partindo da distância (sentido
21.500 único).
22.000
22.500 (2) Traçar uma linha vertical partindo do tamanho da
23.000 escavadeira.
23.500
24.000 (3) A interseção destas linhas se encontra na faixa de
24.500 caminhões cujo porte é o mais econômico.
25.000
Figura 4: Carta de seleção de porte de equipamento.
Adaptado de Padan (1960).
Embora existam diversas técnicas e abordagens aplicáveis à seleção de equipamentos de

carregamento e transporte em mineração, a estrutura da formulação e resolução do
problema inicia pela avaliação da política de aquisição de todos os caminhões e
equipamentos de escavação/carregamento tecnicamente viáveis, sob o ponto de vista da
demanda de produção, sazonalidade e restrições de porte e compatibilidade entre
28
equipamentos. Assim, o problema de seleção do equipamento é reduzido a uma análise
puramente de minimização de custo, devendo ser minimizado considerando o
planejamento de longo prazo da mina e o uso da frota durante todo ciclo de vida do
equipamento ideal para a operação proposta (Burt e Caccetta, 2014).
2.6 Simulação de eventos discretos
O comportamento de um sistema, à medida que o mesmo evolui no tempo, pode ser

estudado através do desenvolvimento de um modelo de simulação (Subtil et al., 2011).
Desta forma, as simulações de eventos discretos são ferramentas capazes de simular

sistemas complexos em elevado grau de detalhe e fornecer resultados próximos da
realidade. No entanto, para que os objetivos da simulação sejam alcançados, é importante
identificar as principais fontes de erro e mitigá-las. Para criar um modelo preciso para a
simulação é necessário medir um número muito grande de dados, ajustá-los a
distribuições estatísticas e identificar as relações entre os elementos de forma cuidadosa.
Além disso, um modelo de simulação deve ser executado múltiplas vezes, permitindo que
os eventos aconteçam muitas vezes, para representar o comportamento típico do sistema
e obter medições com um bom grau de confiança (Salama, 2014).
Processos de modelamento para simulação podem ser classificadas grosseiramente entre

discretas e contínuas (Ashton, 1989):
• Modelagem Discreta: O estado do sistema se mantém constante entre a ocorrência
de eventos instantâneos. O modelo mantém o controle do tempo orientado aos
eventos, atividades (com início e término baseados em condições pré-
determinadas) ou processos, onde sequências de eventos são generalizadas em um
bloco único.
• Modelagem Contínua: O estado de alguns atributos do sistema varia
continuamente. O modelo é baseado em estados e variáveis derivativas destes
estados, os quais são calculados a cada ciclo de execução da simulação ao dividir
cada processo em pequenas etapas discretas.
29
Uma abordagem lógica, baseada na compilação da literatura, para a criação de uma
simulação de eventos discretos pode ser descrita pelas sete etapas a seguir (Menner,
1995):
1. Formulação do problema e modelo;
2. Construção do sistema modelado;
3. Condução de experimentos de simulação;
4. Interpretação de resultados;
5. Documentação do estudo;
6. Implementação de conclusões;
7. Validação do modelo.
2.7 Simulação aplicada a operações de

Os processos envolvidos no ciclo de carregamento e transporte, em sua larga maioria,

apresentam tempos de eventos individuais com comportamento estocástico, sendo
modelado normalmente por distribuições estatísticas (Ribeiro, 2015).
A resolução de problemas complexos que envolvem a alocação de recursos, tal como o

dimensionamento de uma frota de mineração, exceto quando tratados a partir de uma
abordagem simplificada, resultam em sistemas inviáveis para uma resolução manual,
exigindo o emprego de recursos computacionais (Alexandre, 2010).
Em uma abordagem para a simulação da operação de carregamento e transporte é

necessário considerar se as filas e tempos de espera são parte integrante ao ciclo ou não
(Burt, 2008). Para modelos com filas e ociosidades incluídos no tempo de ciclo, é possível
adotar técnicas simplificadas como o fator de combinação entre caminhões e
escavadeiras, o qual propõe o cálculo da razão entre a produtividade entre frotas de
equipamentos de transporte e de carregamento, o qual resulta em ponto de equilíbrio
igual a 1 na condição considerada ótima. Razão abaixo de 1 indica excesso de capacidade
30
de carregamento e razão acima de 1 indica excesso de capacidade de transporte (Burt,
2008; Ortiz et al., 2013). Tais abordagens, no entanto, não consideram a variabilidade de
cada etapa do ciclo, nem do ciclo como um todo e falham ao assumir que existe relação de
linearidade entre a capacidade produtiva de equipamentos de transporte e de
carregamento.
Nas simulações de carregamento e transporte, a abordagem inicial objetiva a validação do

modelo implementado, para que seja possível extrapolar cenários a partir do simulador
(Patterson et al., 2017), os quais podem avaliar o impacto de cada variável de entrada na
produtividade (Alexandre, 2010).
Uma abordagem anterior, com proposta de elaboração de um modelo estocástico para a

simulação da operação de carga e transporte, partiu da análise de indicadores reais de
produtividade de uma mina e desenvolver heurísticas capazes de reproduzir os dados
reais, partindo de um modelo simplificado e adicionando gradativamente detalhamentos
ao longo de oito etapas (Silva, 2005):
• 1ª Abordagem: Abarcar a totalidade do espectro de valores decorrentes da
variabilidade, o qual o autor denominou “coeficiente de variação”.
• 2ª Abordagem: Determinar o comportamento da função objetivo, cujo valor
equivale à produtividade do sistema e foi definido por Silva (2005) como o
quociente entre a produção e o “somatório dos tempos totais de
inatividade”. Este sistema simplificado falhou em estabelecer a existência
de relação linear inequívoca entre a variabilidade das atividades e uma
variável definida como o “somatório dos tempos totais de inatividade”.
• 3ª Abordagem: Visando investigar em espectro mais amplo a existência de
correlação entre a variabilidade e o “somatório dos tempos totais de
inatividade”, foram avaliados padrões comportamentais indicativos de
eventual causalidade, no entanto, sem sucesso.
• 4ª Abordagem: Descartada a capacidade do sistema estabelecer relação
entre a variabilidade e o “somatório dos tempos totais de inatividade”,
avaliou-se estas duas variáveis de maneira conjunta e sua influência sobre
a função objetivo. Encontrou-se então uma correlação direta em que um
31
aumento na variabilidade implicava em aumento da produção e
consequente diminuição do “somatório dos tempos totais de inatividade”.
• 5ª Abordagem: Buscando encontrar uma generalização para as correlações
encontradas na etapa anterior, testou-se 48 combinações de frota.
Concluiu-se que dependendo das condições, todas as combinações de
comportamento conjunto de produção e “somatório dos tempos totais de
inatividade” podem ocorrer.
• 6ª Abordagem: Frente à dificuldade de generalizar as correlações
encontradas, foi selecionada a combinação de frota que evidenciasse os
comportamentos inesperados e ao mesmo tempo fosse consistente com
trabalhos anteriores, aplicando sobre esta combinação os algoritmos em
desenvolvimento. A investigação foi voltada à avaliação do impacto da
variação do desvio padrão sobre as demais variáveis. Esta etapa detectou
que a variação na escala implicava em diferentes combinações de
comportamento conjunto das variáveis “produção” e “somatório dos
tempos totais de inatividade”. Silva (2005) associa ao comportamento
fractal, no qual padrões encontrados se repetem diferentes escalas de
observação.
• 7ª Abordagem: Analise em maior detalhamento do comportamento da
variável “somatório dos tempos totais de inatividade”. Não foi encontrado
ponto ótimo específico, porém foram identificados no universo de soluções
a existência de atratores regionais, indicativos que o grau de complexidade
do sistema demonstrou-se muito maior que o suposto inicialmente.
• 8ª Abordagem: O leque de simulações foi ampliado para 144 combinações
de frota diferentes. Foi possível em algumas combinações estabelecer a
existência de tarefas críticas, com implicação direta na função objetivo, no
entanto não foi possível produzir uma generalização do modelo de forma a
identificar de analiticamente tais correlações.
Embora não tenha se obtido uma definição generalizada para o sistema, através das
abordagens citadas foi possível estabelecer e demonstrar alguns conceitos (Silva, 2005):
32
• Produção Patamar: Para todo sistema de carga e transporte existe um limite
de produção a partir do qual não adianta aumentar o tamanho da frota. Este
patamar corresponde ao valor máximo da função objetivo dentre o
universo de soluções possíveis para o sistema.
• Frotas Equivalentes: Existem combinações de equipamentos que resultam
no mesmo comportamento da função objetivo. Graficamente este fenômeno
pode ser interpretado através da construção de isolinhas de produção em
um sistema multidimensional representativo da variação de frotas as quais
se pretende avaliar a equivalência.
• Frotas Mínimas: Dado um universo de soluções possíveis, existem
combinações que resultam em igual valor de produção, sendo as Frotas
Mínimas a combinação com menor número de equipamentos e
consequentemente menor produção em que se verifique este fenômeno.
• Frota Máxima/Patamar de Garantia de Produção: Partindo de uma
extrapolação do conceito de Produção Patamar e Frotas Equivalentes, as
Frotas Máximas correspondem às combinações de frotas a partir das quais
não se obtém ganho de produtividade que justifique aumento no
“somatório dos tempos totais de inatividade”, efetivamente reduzindo o
valor da função objetivo pretendida. Eventual aumento na frota teria tão
somente objetivo de aumento no fator de segurança da capacidade de
produção instalada. Ressalvado que a Frota Máxima corresponde ao
Patamar de Garantia de Produção, ou seja, não é possível obter patamar
superior dentre o universo de soluções possíveis sem perda na função
objetivo.
O conceito de Produção Patamar pode ser expandido e generalizado com o conceito de

Saturação do Fluxo, que postula a não linearidade do aumento da produção com o
aumento no número de caminhões (Saayman et al., 2006).
Técnicas de alocação dinâmica de caminhões também podem se beneficiar de abordagem

estocástica. Para a abordagem de lógica nebulosa, por exemplo, Pinto (2007) considera
33
interessante o desenvolvimento de modelos com entradas estocásticas como forma de
avançar a técnica de otimização.
A maior parte das técnicas de modelagem de filas são baseadas em esforços de resolução
de problemas de alocação dinâmica (Dantzig e Ramser, 1959) e podem adotar conceitos
tais como a regionalização de servidores (equipamentos de carregamento e pontos de
basculamento) e a tratativa inversa da demanda destes servidores, considerando o
elemento móvel (caminhão) como um recurso a ser distribuído por modelos diversos, tais
como hipercubo de filas (Iannoni et al., 2015; Rodrigues et al., 2017), minimização de fila
por programação inteira (Ahangaran et al., 2012; Ercelebi e Bascetin, 2009) ou técnicas
específicas para sistemas do tipo m-caminhões-para-1-escavadeira (m-trucks-for-1-
shovel) (Chaowasakoo, 2017).
Para a definição dos parâmetros de trânsito, Coutinho (2017) recorre ao Plano de Tráfego,
o qual é elaborado individualmente para cada mina, porém guarda algumas definições
recorrentes e importantes para elaboração de um modelo simulado, tais como regras de
distância mínima de seguimento, prioridade de passagem e inclinação de rampas.
2.8 Caminhões autônomos em mineração
Devido à natureza da atividade de mineração basear-se na produção de commodities,

fatores como método e escala de produção possuem pouca influência sobre o preço final
dos produtos, resultando em uma pressão constante para a otimização dos custos de
produção (Felsch Junior et al., 2018), principal variável competitiva de uma empresa de
mineração. Em países desenvolvidos, e em especial onde existem grandes distâncias
geográficas entre o local de residência da mão de obra e o local da mina, o custo da mão
de obra torna-se muito elevado. Isto torna viável iniciativas para substituir o custo de mão
de obra por um investimento de capital, tal como o uso de caminhões autônomos (Bellamy
e Pravica, 2011). Assim, para operações com altas taxas de produção e em locações
remotas, um caminhão automatizado pode gerar diversos benefícios em comparação com
um caminhão com motorista (Curi, 2017).
34
Equipamentos autônomos foram introduzidos no ambiente de mineração a partir de
meados dos anos de 1990 e desde então mudanças tecnológicas, tais como GPS de
precisão, tecnologias sem fio, sensoriamento remoto e softwares robustos de
gerenciamento de mina vêm tornando as operações autônomas cada vez mais viáveis
(Darling, 2011).
A literatura atual traz poucas referências aos ganhos quantitativos obtidos com a
substituição de uma frota de caminhões manuais por caminhões autônomos. Bird et al.
(2019) compilaram estimativas de ganho de produtividade originárias de quatro fontes:
Caterpillar (15-20%), Fortescue Metals (30%), Komatsu (15%) e Rio Tinto (15%).
Hustrulid et al. (2013) compilaram os seguintes resultados comparativos que expressam

o desempenho de caminhões autônomos em relação a caminhões operados manualmente,
sob a forma de KPIs (Key Performance Indicators):
Investimento por caminhão: + 30%
Tempo de ciclo de transporte: - 7%
Consumo de combustível: - 10%
Desgaste de pneus: - 12%
Disponibilidade mecânica: + 8%
Aumento de produtividade: + 5%
Custo de manutenção: - 14%
Aumento de vida útil do caminhão: + 12%
Custo de mão de obra: - 5%
35
3. METODOLOGIA PARA A CRIAÇÃO DO SIMULADOR
SACT
“É muito melhor uma resposta aproximada

para uma pergunta certa, do que uma
resposta exata para uma pergunta errada.”
(Tukey, 1962 - Tradução do Autor).
Sistemas de carregamento e transporte possuem fácil compreensão em sua lógica geral,

porém aumentam rapidamente o grau de complexidade à medida que suas variáveis são
analisadas e detalhadas.
Quando ao sistema é introduzida a possibilidade de trabalho em múltiplas frentes e com

múltiplos destinos, o sistema se aproxima do problema clássico do caixeiro viajante
(Robinson, 1949), tornando até mesmo soluções computacionais baseadas em
programação linear inviáveis para sua a correta análise e otimização (Dantzig e Ramser,
1959).
A construção de um simulador, baseado na metodologia das três fases (Pidd, 2004), é uma
alternativa pragmática que visa avaliar o comportamento geral do sistema e identificar
dentre um vasto universo de possíveis soluções o comportamento emergente do modelo
simulado.
A Fase A atualiza o cronômetro que marca o tempo simulado durante os eventos e entre
eventos, a Fase B refere-se ao encerramento de uma atividade e a Fase C ao início da
próxima atividade para determinadas entidades (Destro, 2015).
Para tal, apresenta-se aqui, a metodologia adotada para a construção do simulador, sua
validação e posteriormente a aplicação do mesmo em um problema prático de avaliação
do desempenho de caminhões autônomos frente a caminhões idênticos operados
manualmente.
36
3.1 Definição das distribuições de probabilidade dos
tempos de ciclo
Para cada etapa do ciclo de carregamento e transporte foi avaliada a função de

distribuição de probabilidade mais aderente à variável estocástica. Esta etapa é
fundamental para assegurar a validade dos resultados simulados em relação à operação
real.
A seguir são apresentadas as distribuições de probabilidade utilizadas em diversos

estudos de caso anteriores, disponíveis na literatura, bem como o estudo específico para
a definição das distribuições utilizadas simulador SACT.
3.1.1 Mina de Orapa – Botsuana
Um levantamento anterior (Tabela 1), com base em dados do ciclo de caminhões da mina
de diamantes de Orapa (de Beers, Botsuana) concluiu através de abordagem de aderência
ao teste de dispersão de erro quadrático ponderado, que várias distribuições estatística
apresentaram aderência adequada para uso em simulação (Krause, 2006).
37
Tabela 1: Distribuições aplicáveis para cada variável do ciclo, com base na mina de Orapa
Variável do Ciclo Modelo de Distribuição

Beta, Log-normal, Gamma, Erlang,
Tempo de Carregamento
Normal, Triangular
Beta, Normal, Gamma, Erlang, Weibull,
Tempo de Deslocamento Cheio
Triangular
Tempo de Basculamento Beta
Beta, Normal, Erlang, Gamma, Log-
Tempo de Deslocamento Vazio normal, Weibull, Triangular, Uniforme,
Exponencial
Adaptado de Krause (2006).
Fica clara a pouca aplicabilidade do estudo da mina de Orapa, uma vez que considera
distribuições com comportamento fundamentalmente distintos, como equivalentes. Esta
variabilidade pode ter causas diversas, sendo necessário um estudo mais aprofundado
para o diagnóstico das causas, antes que se possam estabelecer conclusões mais
assertivas sobre o modelo mais adequado.
3.1.2 Mina PT. Kitadin Tandung Mayang – Indonésia
Para analisar as variáveis do ciclo, Chaowasakoo et al. (2017) estudou o comportamento

dos tempos de manobra no carregamento, carregamento, transporte, manobra no
basculamento, basculamento, viagem de retorno e equipamento parado.
Cada tempo individual foi agregado em uma função de densidade de probabilidade
empírica e comparado às distribuições Log-normal e Exponencial ajustadas ao conjunto
de dados. A Figura 5 exibe graficamente o comparativo entre cada distribuição.
38
Figura 5: Distribuições dos Tempos de Ciclo da mina Tandung Mayang em Junho/2014.
Adaptado e traduzido de Chaowasakoo et al. (2017).
A dispersão entre os dados reais (azul) e os modelos analisados (vermelho e verde)

mostra com clareza a pouca aderência e explica uma das principais fontes de erro
embutidas em modelos de simulação de carregamento e transporte.
O comportamento assimétrico pode ser explicado pela existência de outliers decorrentes

de condições reais de trabalho, porém que se devem a fatores não intrínsecos à variável
em análise.
39
Tomando como exemplo o tempo de carregamento (Figura 5-b), a função empírica admite
desde valores muito baixos, próximos de 0 minutos, até valores excessivamente elevados,
superiores a 4 minutos. Valores próximos de zero são fisicamente impossíveis, o que
sugere falha na captura de dados e valores muito elevados indicam a existência de eventos
externos que interromperam ou atrasaram o carregamento.
Para uma modelagem adequada dos tempos individuais das etapas do ciclo da mina de
carvão Tandung Mayang da empresa PT. Kitadin, subsidiária da PT Indo Tambangraya
Megah Tbk (ITM), seria necessário um trabalho anterior de tratamento dos dados brutos,
visando eliminar os erros de captura de dados, bem como separar os eventos “normais”,
dos eventos atípicos.
3.1.3 Mina de Moatize – Tete/Moçambique
Em uma avaliação das distribuições baseadas em uma mina de carvão localizada na bacia
carbonífera de Moatize, na província de Tete em Moçambique, utilizando para tal a
ferramenta Input Analyzer ARENA® (Rockwell Software, 2017), Mambo (2017)
identificou-se grande variabilidade de comportamentos, resumidos na Tabela 2.
40
Tabela 2: Distribuição dos dados de entrada da mina de Moatize no modelo de simulação
Tempo de Ciclo de Carregamento

Distribuição de
carregamento RECURSOS MINÉRIO ESTÉRIL REJEITO

tempos de
Escavadeiras
Beta Weibull
Hidráulicas
Pás Carregadeiras
Triangular
Elétricas
Silo de Rejeito Beta
Tempo de Ciclo de Descarga
descarregamento
Distribuição de
Britador Empírico
tempos de
Pulmão Log-normal
Pilha de Estéril Log-normal
Estradas/Acessos Log-normal
Estoques ROM Log-normal
Bacia de Rejeito Log-normal
Distribuição das Massas
Distribuição das
MINÉRIO ESTÉRIL REJEITO

Escavadeiras
massas
Normal Beta
Hidráulicas
Pás Carregadeiras
Normal Normal
Elétricas
Silo de Rejeito Beta
Pontos de Carga e Descarga Tempos de Ciclo de Transporte
Deslocament Deslocamento
Distribuição dos ciclos de
Ponto de Descarga
o Carregado Vazio
Escavadeiras
Minério – Britador Erlang Gamma
Hidráulicas
transporte
Estéril – Pilha de
Erlang Beta
Estéril
Pás Carregadeiras Estéril –
Gamma Gamma
Elétricas Estradas/Acessos
Estéril – Estoques
Log-normal Empírico
ROM
Silo de Rejeito Silo – Bacia de Rejeito Erlang Beta
Adaptado de Mambo (2017).
Baseado nas informações da Tabela 2, torna-se claro a baixa aderência dos dados a um
modelo único. Os carregamentos apresentaram três tipos de distribuição diferentes e os
basculamentos apresentaram dois tipos diferentes. Para o ciclo de transporte, o
deslocamento carregado apresentou quatro distribuições diferentes e a viagem de
retorno apresentou outras quatro distribuições distintas.
41
Em dois casos foi utilizada a distribuição empírica, situação indicativa que os dados não
apresentaram afinidade com nenhuma distribuição conhecida.
3.1.4 Mina Ouro Branco – Goiás/Brasil
Outra investigação, baseada na operação da mina de Calcário Ouro Branco, composta por
quatro frentes de lavra designadas: Osvaldo, Grande, Mandacaru e Antônio Ferreira,
avaliou com o uso da ferramenta Input Analyzer ARENA® (Rockwell Software, 2017) a
melhor distribuição estatística para cada etapa do ciclo (Lins de Noronha et al., 2018).
Suas conclusões são apresentadas na Tabela 3.
Tabela 3: Distribuições utilizadas na modelagem da mina Ouro Branco
Viagem Viagem
Domínio Origem Destino Carregamento Basculamento
Vazio Carregado
Planta
Classificação Beta Normal Beta Beta
Fillercal
Antônio Planta Log-n +
Beta Normal Beta
Ferreira Fillercal Log-n
Zona 1
Antônio
Classificação Weibull Beta Beta Triangular
Ferreira
Planta Weibull +
Mandacaru Beta Normal Beta
Fillercal Log-n
Planta Ouro Gamma +
Osvaldo Gamma Log-n Triangular
Branco Erlang
Triangular
Planta Ouro
M. Grande + Beta Log-n Triangular
Branco
Triangular
Zona 2 Beta +
Triangular
Pilha de Pilha de
Normal + Beta +
desmonte desmonte M. Normal Erlang
Erlang Triangular
Osvaldo Grande
Beta +
Triangular
Adaptado de Lins de Noronha et al. (2018).
42
Assim como no exemplo da mina de Orapa, a mina Ouro Branco demonstra a dificuldade
em estabelecer distribuições estatísticas genéricas, uma vez que para cada circuito
estudado, o melhor ajuste não resultou na mesma distribuição estatística e em diversos
casos, os autores consideraram necessário utilizar uma combinação de duas funções para
obter o ajuste desejado.
3.1.5 Mina Casa de Pedra – Minas Gerais/Brasil
A mina de Casa de Pedra, operada pela empresa CSN, realiza extração de minério de ferro
e realiza acompanhamento sistemático de diversas variáveis do ciclo.
Rodovalho (2013) compilou dados relativos a setembro de 2012, avaliados em diferentes
distribuições estatísticas para cada equipamento com o uso do software Input Analyzer
ARENA® (Rockwell Software, 2017) e exibidos de forma resumida na Tabela 4. Os testes
foram restritos à distribuição Normal e à Log-normal.
43
Tabela 4: Distribuições Estatísticas da mina Casa de Pedra
Equipamento Manobra dos Caminhões Tempo de

de Carga nas Escavadeiras (s) Carga (s)
EX44 Log-normal Log-normal
EX41 Log-normal Normal
LT03 Log-normal Log-normal
PM25 Log-normal Log-normal
PM26 Log-normal Normal
PM27 Normal Log-normal
Tempo de Basculamento Caminhões (s) Log-normal

Adaptado de Rodovalho (2013).
Os dados da mina Casa de Pedra indicam uma forte prevalência da distribuição Log-
normal nos tempos de manobra no carregamento, assim como no basculamento.
Para o carregamento não há preferência clara entre a distribuição Normal e Log-normal e
o levantamento não realiza uma avaliação específica voltada para a segregação entre a
condição operacional típica e os eventos atípicos.
3.1.6 Definição das distribuições estatísticas para o simulador
Na impossibilidade de estabelecer uma generalização das distribuições estatísticas de

cada variável do ciclo, partindo da literatura, optou-se por desenvolver um novo estudo
original para avaliar tais variáveis.
44
O estudo consistiu na captura de dados de caminhões rodoviários e caminhões fora de
estrada, operando em uma mina de calcário localizada no estado de Minas Gerais.
Os dados coletados foram fornecidos pelos operadores dos caminhões com o auxílio de
um sistema de gerenciamento de mina, ou sistema de despacho, seguindo um protocolo
rígido. As medições aconteceram no período entre agosto e outubro de 2019 e foram
medidos um total de 14.855 ciclos completos, com uma frota de nove caminhões fora de
estrada e três caminhões rodoviários, ambas frotas com capacidade de carga de 30t,
alocadas em uma operação com frentes intercambiáveis, ou seja, não há restrições para
se alocar um determinado modelo de caminhão a um determinado equipamento de
carregamento ou local de basculamento. Este modelo de operação pode ser classificado
como despacho tipo m-caminhões-para-n-escavadeiras (Bastos, 2010; Chaowasakoo,
2017) e sua representação esquemática é exibida na Figura 6.
Figura 6: Frotas e combinações existentes para o ciclo de carregamento e transporte na

mina.
45
3.1.6.1 Metodologia de captura e tratamento de dados
Para tempos de carregamento, o início da medição foi definido como sendo o momento
em que o caminhão se encontrava posicionado sob a concha do equipamento de
carregamento, ou em uma marcação pré-definida nos casos em que o equipamento de
carregamento estava impossibilitado de auxiliar na manobra de posicionamento do
caminhão. O término da medição foi padronizado como sendo o momento imediatamente
anterior ao caminhão ser liberado pelo equipamento e iniciar o seu movimento. Para o
basculamento, o início foi definido como o momento de acionamento do botão ou alavanca
que ativa o sistema hidráulico o qual ergue a caçamba, e o final corresponde ao momento
imediatamente anterior ao início do movimento de saída do caminhão do local de
basculamento.
A Figura 7 representa o ciclo genérico de carregamento e transporte, com os parâmetros
para o início e término dos tempos de carregamento e basculamento.
46
Deslocamento Vazio
Carrega- Sim Manobra

mento de Saída
ocupado?
Não Fila
engrenado + aceleração
FIM
Manobra Basculamento
de
Entrada Ativação da báscula
INÍCIO
Caminhão posicionado
Manobra
INÍCIO
de
Carregamento Entrada
Caminhão liberado
FIM
Fila Não
Sim Bascula-
Manobra mento
de Saída ocupado?
Deslocamento Cheio
Figura 7: Parâmetros para a coleta de dados de tempo de carregamento e basculamento
Todos os motoristas/operadores dos caminhões foram treinados neste protocolo e para

reduzir eventuais erros decorrentes das diferenças intrínsecas entre os equipamentos, os
tempos de carregamento foram agrupados em função do equipamento de carregamento
(três escavadeiras e quatro pás carregadeiras) e os tempos de basculamento foram
filtrados para cada caminhão separadamente.
Os outliers e erros humanos foram tratados descartando-se quaisquer medições

inferiores a 0,2 minutos para o carregamento e a 0,15 minutos para o basculamento, assim
como valores acima de 5 minutos para carregamento e 1 minuto para basculamento. Estes
47
limites fixos foram definidos com base em tempos de ciclo típicos disponibilizados por
fabricantes de equipamentos (Caterpillar Inc, 2013, 2018a), em limitações físicas do
equipamento e suposições razoáveis sobre as condições operacionais, resultando em
intervalos bastante conservadores, nos quais caso um valor que seja informado pertencer
a estes intervalos é seguro afirmar que se trata ou de erro de medição, causado por erro
humano segundo o protocolo de captura de dados ou situações atípicas causadas por
fatores externos.
Após o tratamento inicial, os dados foram agrupados em função da classe de caminhão

(fora de estrada e rodoviário) e pelo tipo de equipamento de carregamento (escavadeiras
e pás carregadeiras), conforme exibido na Figura 6. Por fim, os dados foram analisados
utilizando-se o cálculo e os gráficos de probabilidades do software Minitab (Minitab Inc.,
2013), onde foi calculado o teste de Qualidade do Ajuste (Goodness of Fit) para as
distribuições estatísticas mais comuns, utilizando o teste de Anderson-Darling (Minitab
Inc., 2017) como parâmetro básico de referência à aderência dos dados a cada
distribuição.
Para a análise gráfica, todos os dados foram plotados e comparados com distribuições
cumulativas de probabilidade conhecidas, para fornecer a verificação empírica e visual da
aderência de cada distribuição aos dados reais.
3.1.6.2 Estatística básica dos dados de carregamento e

basculamento
A Tabela 5 mostra a estatística básica de cada subgrupo de dados de carregamento.

Existem diferenças nítidas no tempo médio de carregamento de escavadeiras e pás
carregadeiras e embora se trate de uma medição indireta (medido pelos operadores dos
caminhões e não pelos operadores dos equipamentos de carregamento), todos os
subgrupos exibiram um comportamento geral muito semelhante em suas distribuições,
com pico concentrado em torno da média e com alta simetria entre os dois lados.
48
Tabela 5: Estatísticas dos Dados de Carregamento
Classe Tag Amostras Média Desvio Padrão Mín Q1 Mediana Q3 Máx
(minutos)
ESC-1 1.439 2,9729 0,6960 0,22 2,53 2,96 3,38 4,98
Escavadeira ESC-2 1.178 3,0495 0,5953 0,23 2,68 3,01 3,40 4,91
ESC-M 2.770 2,7862 0,7983 0,23 2,17 2,69 3,28 4,99
PCR-3 986 2,5336 0,7075 0,22 2,00 2,54 2,97 5,00
PCR-4 20 2,5345 0,3619 1,74 2,32 2,62 2,72 3,41
Pá Carregadeira
PCR-5 423 2,5936 0,7568 0,27 2,08 2,49 2,97 4,97
PCR-6 448 2.4362 0.6391 0.20 1.96 2.38 2.78 4.93
Número de medições inicial: 14.855; medições utilizadas: 7.264; medições descartadas: 7.591.
As estatísticas do basculamento são exibidas na Tabela 6, com comportamento similar

para as médias e desvios padrão, assim como concentração de dados em torno da média.
Como o basculamento depende mais do conjunto mecânico e hidráulico de cada caminhão
do que da habilidade do operador, espera-se que o basculamento possua menos
variabilidade para caminhões de uma mesma categoria do que o tempo de carregamento.
49
Tabela 6: Estatísticas dos Dados de Basculamento
Classe Tag Amostras Média Desvio Padrão Mín Q1 Mediana Q3 Máx
(minutos)
CFE-1 875 0,4716 0,1146 0,15 0,41 0,46 0,53 0,92
CFE-2 1.126 0,4860 0,1747 0,15 0,33 0,50 0,62 1,00
CFE-3 0 - - - - - - -
CFE-4 0 - - - - - - -
Fora de Estrada CFE-5 1.743 0,5457 0,1186 0,15 0,48 0,52 0,58 1,00
CFE-7 363 0,4390 0,1287 0,15 0,35 0,44 0,51 0,95
CFE-8 1.563 0,4350 0,1278 0,15 0,36 0,42 0,49 1,00
CFE-9 0 - - - - - - -
CFE-10 0 - - - - - - -
CRB-1 733 0,4658 0,1568 0,15 0,37 0,44 0,54 1,00
Rodoviários CRB-2 0 - - - - - - -
CRB-3 453 0,5044 0,1610 0,15 0,40 0,49 0,59 1,00
Número de medições inicial: 14.855; medições utilizadas: 6.856; medições descartadas: 7.999.
Como a coleta de dados foi baseada em entradas manuais com base nos operadores, era
esperado um número elevado de erros. Por isso, todos os dados dos caminhões CFE-3,
CFE-4, CFE-9, CFE-10 e CRB-2 foram descartados por não de enquadrarem no intervalo
definido para valores aceitáveis, bem como parte dos dados dos outros caminhões.
No total foram descartadas 51,10% das medições de carregamento e 53,85% das
medições de basculamento. Isto é indicativo que alguns operadores não quiseram seguir
corretamente o protocolo de captura de dados, bem como uma quantidade significativa
de erros humanos.
A alternativa para a captura destes dados seria o uso de uma solução totalmente
automatizada de captura de dados, capaz de obter maior consistência na medição, porém
sujeita ao erro de precisão dos instrumentos e uma menor capacidade de adaptar uma
metodologia padronizada às diferentes condições operacionais do que o operador
humano.
50
Considerando o volume de dados validados e a boa consistência obtida, este estudo
considera os mesmos mais completos e confiáveis do que a literatura anteriores, e
portanto suficientes para a construção do simulador, porém o autor incentiva maior
investigação neste aspecto, uma vez que se trata de ponto importante para o avanço da
técnica.
3.1.6.3 Teste de Anderson-Darling
Aos dados validados foi realizado o cálculo do número de Anderson-Darling como

indicativo do quão próximo os dados reais encontram-se das distribuições estatísticas
conhecidas. Foi aplicado o teste isoladamente para cada subconjunto de dados e foram
testadas as distribuições Log-normal, Exponencial, Normal, Weibull, Gamma e Logística.
A Tabela 7 apresenta valores de Anderson-Darling calculados para os tempos de
carregamento. Valores menores são indicativos de melhor aderência dos dados reais à
distribuição estatística testada.
Tabela 7: Valores de Anderson-Darling para os tempos de carregamento

Classe Tag Log-normal Exponencial Normal Weibull Gamma Logística
ESC-1 37,549 396,964 4,270 9,965 17,281 1,331
Escavadeira ESC-2 21,475 359,578 4,212 12,968 9,629 1,767
ESC-M 5,137 662,886 23,044 27,683 5,483 19,631
PCR-3 6,027 240,319 3,068 5,564 2,592 3,202
PCR-4 0,668 6,960 0,538 0,619 0,610 0,448
Pá Carregadeira
PCR-5 3,381 101,932 4,682 6,243 2,115 2,865
PCR-6 5,212 117,067 4,104 6,963 2,914 2,544
Conjuntos de dados muito grandes possuem tendência a gerar valores de Anderson-

Darling maiores. Este efeito é atribuído ao poder discriminatório do teste de Qualidade do
Ajuste, que aumenta à medida que o número de amostras aumenta, resultando em
situações onde mesmo pequenas diferenças entre dois conjuntos de dados sendo
considerados estatisticamente significantes (Lazariv e Lehmann, 2018).
51
Para a maioria dos equipamentos de carregamento, a distribuição Logística apresentou
melhor ajuste, seguida da distribuição Normal. Para as pás carregadeiras, as distribuições
Gamma e Log-normal também obtiveram bons resultados.
A escavadeira ESC-M é divergente dos demais equipamentos. Isto pode ser atribuído ao
fato desta escavadeira ter sido operada e mantida por um prestador de serviço
terceirizado na mina e seu trabalho no período esteve voltado ao desenvolvimento da
cava, carregamento de cascalho e como equipamento de apoio em tarefas de
terraplenagem, ao passo que os demais estiveram integralmente voltados à produção.
Para os tempos de basculamento, repetiu-se os mesmos testes para as mesmas

distribuições e os resultados são apresentados na Tabela 8. De maneira análoga à Tabela
7, menores valores de Anderson-Darling são indicativos de melhor ajuste à distribuição
testada.
Tabela 8: Valores de Anderson-Darling para os tempos de basculamento

Classe Tag Log-normal Exponencial Normal Weibull Gamma Logística
CFE-1 11,391 244,251 12,710 22,912 9,657 4,555
CFE-2 21,390 205,645 9,103 8,029 15,284 11,522
Fora de Estrada CFE-5 40,805 525,340 57,043 79,738 42,731 36,875
CFE-7 3,240 85,539 1,194 2,231 1,781 0,865
CFE-8 12,121 387,219 25,121 36,792 12,101 10,969
CRB-1 2,918 158,344 9,723 10,909 2,901 5,131
Rodoviário
CRB-3 3,145 99,348 2,556 3,353 1,516 1,299
Conforme observado para os tempos de carregamento, os conjuntos de dado maiores dos

tempos de basculamento tendem a resultar em valores maiores para o teste de Anderson-
Darling. A distribuição Logística possui o melhor ajuste para a maioria dos caminhões,
embora Gamma, Log-normal e Normal também possuem bom ajuste para alguns dos
subconjuntos testados.
52
Nenhuma das distribuições testada apresenta aderência estatisticamente significante
para os dados medidos em campo. Entretanto destacam-se as distribuições simétricas
Logística, Gamma e Normal como as que apresentam os menores valores de Anderson-
Darling de forma consistente para todos os equipamentos. A distribuição Log-normal
resulta em valores comparativamente baixos para conjuntos de dados com baixa
aderência global, tal como por exemplo o tempo de basculamento do caminhão fora de
estrada CFE-5. Isto não implica que a distribuição Log-normal seja representativa neste
caso, pois o valor elevado de Anderson-Darling indica a baixa aderência.
3.1.6.4 Análise gráfica das variáveis estocásticas dos tempos

fixos
Compreendida a impossibilidade de definir a distribuição adequada pela significância

estatística do teste, parte-se para a análise gráfica na tentativa de obter um ajuste
aceitável.
O detalhamento dos testes gráficos pode ser encontrado nos Apêndices 8.1, 0, 0 e 0. Para
todos os equipamentos e tempos analisados é possível observar que as distribuições
Logística, Normal, Gamma e Weibull são aplicáveis e representativas com dispersão e erro
semelhantes.
Para exemplificar, a Figura 8 mostra os gráficos de distribuição cumulativa empírica da

escavadeira ESC-1 em comparação com o melhor ajuste de cada distribuição estatística
conhecida testada.
53
Lognormal Exponential
100 100
80 80
60 60
Percent
Percent
40 40
20 20
0 0
0 1 2 3 4 5 6 0 2 4 6 8 10 12 14
ESC-1 ESC-1
Normal Weibull
100 100
80 80
60 60
Percent
40 Percent 40
20 20
0 0
0 1 2 3 4 5 0 1 2 3 4 5
ESC-1 ESC-1
Gamma Logistic
100 100
80 80
60 60
Percent
Percent
40 40
20 20
0 0
0 1 2 3 4 5 0 1 2 3 4 5
ESC-1 ESC-1
Figura 8: Distribuições Cumulativas Empíricas para o Tempo de Carregamento da

Escavadeira ESC-1.
Fica clara a completa divergência em relação à distribuição exponencial e o efeito da

assimetria fica evidente na distribuição Log-normal.
Na impossibilidade de definir a distribuição estatística ideal de maneira incontestável,

considera-se aceitáveis as distribuições Normal, Logística, Gamma e Weibull, sendo clara
a necessidade de novos trabalhos nesta área.
54
Devido à maior simplicidade de cálculo, e sua ampla recorrência em sistemas similares
(Martins, 2013; Rodrigues e Pinto, 2006), optou-se por adotar a distribuição Normal como
padrão para ajuste das variáveis aleatórias do simulador.
3.2 Conceito Simplificado
Para a construção do simulador, a lógica geral seguida é exibida na Figura 9 e o registro

de tempos é realizado a cada etapa da simulação.
Status: Movimentando Vazio

Dados de Entrada
TE = (DMT) / (Vel Vazio)
Carregamento Basculamento Deslocamentos Perfil Operacional
T1
Tempo de Tempo de
DMT Duração do Turno [1-3]
Carregamento Basculamento Verificação de
Velocidade Cheio Troca de Turno Ocupação
Manobra de Entrada Manobra de Entrada Sim Carregamento
Status: Fila
ocupado? Caminhão N-
Velocidade Vazio Refeição
Manobra de Saída Manobra de Saída TE = MLC - MCC 1 carregando
Não ou em fila?
Variável = Média (Fixo) + Desvio Padrão (Aleatório Ajustado) Valor Fixo

T2
Status: Carregando
Sim
Simular 3 vezes { Não Caminhão TE = (T Carregamento +
Caminhão N Manobras)
está vazio? Não
De 1 a M turnos fazer { Sim T3
Início do Status: Troca de Turno
turno?
Status: Movimentando Cheio
De 1 a 20 TE = Troca de Turno
caminhões fazer { TE = (DMT) / (Vel Cheio)
Status: Deslocamentos
T4
TE = ((DMT) / (Vel Cheio +
Não Vel Vazio) / 2) / 2
Verificação de
Verificação de Ocupação
Sim Fim de Turno Sim Basculamento
Status: Fila
Acabou turno? ocupado? Caminhão N-
T6 >= (T Turno TE = MLB - MCB 1 basculando
– T Refeição) TE = Tempo do Evento ou em fila?
Não
MLC = Momento de Liberação do Carregamento T5
MCC = Momento de Chegada no Carregamento
MLB = Momento de Liberação do Basculamento Status: Basculando

MCB = Momento de Chegada no Basculamento TE = (T Basculamento +
Manobras)
DMT (Distância Média de Transporte)
T6
Figura 9: Diagrama geral do algoritmo implementado para o simulador.
55
3.2.1 Dados de entrada
Os dados de entrada são agrupados em:
Carregamento: Inclui tempo de carregamento, tempo de manobra de entrada no

carregamento (posicionamento do caminhão) e tempo de manobra de saída do
carregamento.
Basculamento: Inclui tempo de basculamento, tempo de manobra de entrada no

basculamento (manobra em marcha ré de posicionamento) e tempo de manobra de saída
do local de basculamento.
Deslocamentos: DMT (Distância Média de Transporte), velocidade cheio (média de

velocidade com caminhão carregado) e velocidade vazio.
Perfil Operacional: Duração de cada turno (O simulador aceita de 1 a 3 turnos), tempo de

troca de turno para cada turno e tempo de refeição para cada turno.
A Tabela 9 traz a classificação de cada campo dos dados de entrada em relação ao tipo de
valor informado (média e/ou desvio padrão), se o item é obrigatório ou não e a unidade
de entrada padrão.
56
Tabela 9: Classificação dos dados de entrada do simulador
CAMPO TIPO OBRIGATÓRIO? UNIDADE
Média Sim segundos
Tempo de Carregamento
Desvio Padrão Não segundos
Média Não segundos
Manobra de Entrada no Carregamento
Manobra de Saída no Carregamento
Média Sim segundos
Tempo de Basculamento
Manobra de Entrada no Basculamento
Manobra de Saída no Basculamento
Média Sim metros
DMT
Desvio Padrão Não metros
Média Sim Km/h
Velocidade Cheio
Desvio Padrão Não Km/h
Média Sim Km/h
Velocidade Vazio
Desvio Padrão Não Km/h
Duração do Turno Sim minutos
Turno 1 Troca de Turno Sim minutos
Refeição Sim minutos
Duração do Turno Não minutos
Turno 2 Troca de Turno Não minutos
Refeição Não minutos
Duração do Turno Não minutos
Turno 3 Troca de Turno Não minutos
Refeição Não minutos
Toda simulação é feita através de cenários, variando de 1 a 20 o número de caminhões no

ciclo com base nos turnos definidos pelo usuário. Caso o usuário não informe o desvio
57
padrão, o simulador assume este valor como zero e aquela etapa do ciclo passa a ser
considerado determinístico.
Esta rotina é realizada em triplicata e o resultado final é a média das três execuções da
simulação.
3.2.2 Pontos de inflexão
A cada início de ciclo, é realizada a verificação para determinar se a viagem a ser realizada
parte do estacionamento de caminhões, no caso de ser início de turno, ou se a viagem já
está inserida no circuito regular.
No início do turno, o simulador avalia se o caminhão terminou o turno anterior carregado

ou vazio e o direciona ao destino adequado.
Quando o caminhão chega no ponto de carregamento ou no ponto de basculamento é

realizada a verificação se há outro caminhão ocupando o ponto e se existem caminhões
na fila. Caso negativo, o caminhão segue para o carregamento ou basculamento, caso
positivo, o caminhão é alocado na última posição da fila.
Para cada etapa (T1 a T6 da Figura 9) é feita a verificação do término do turno, podendo
o ciclo do caminhão ser finalizado tanto com o mesmo vazio quando carregado. O tempo
de refeição é calculado antes do início da simulação e os deslocamentos associados à
refeição, assim como o tempo médio de refeição informado nos dados de entrada são
descontados do tempo útil do turno. O tempo de troca de turno também é descontado do
tempo disponível para o turno, assim como o tempo médio gasto com deslocamentos
associados à troca de turno. Quando o tempo útil é esgotado os caminhões têm seu estado
de carregamento registrado e esta informação é utilizada como ponto de partida para a
simulação do turno seguinte.
58
3.2.3 Gerador de números aleatórios
Para assegurar a reprodutibilidade das simulações, bem como para promover baixa
sobrecarga ao processador, foi implementado um gerador de números aleatórios
baseados no clock do processador apenas para a geração de “Semente Aleatória”.
Devido ao grande número de eventos discretos envolvidos na simulação, gerar um valor
aleatório para cada etapa causaria um impacto elevado no tempo para a execução das
simulações, além de impossibilitar a reprodução exata de um modelo simulado.
A solução escolhida foi a implementação de um gerador pseudoaleatório tomando como

ponto de partida a semente definida pelo usuário. O algoritmo implementado foi baseado
no Gerador de Número Pseudo-Aleatório de Lehmer (Lehmer, 1951), descrito pela
Equação 1.
𝑥𝑥𝑘𝑘+1 = 𝑎𝑎 × 𝑥𝑥𝑘𝑘 𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚 (1)
Onde:
𝑥𝑥𝑘𝑘+1 : é o novo valor aleatório gerado;
𝑥𝑥𝑘𝑘 : é o valor utilizado como semente ou o valor anterior gerado;
𝑎𝑎 = 16.807 (Park e Miller, 1988);
𝑚𝑚 = 2.147.483.647 (Payne et al., 1969);
𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚: resto da divisão
Assim, a Equação 1 pode ser reescrita conforme implementada no SACT e demonstrada

na Equação 2:
(2147483647 × 16807 × 𝑥𝑥𝑘𝑘 ) (2)
𝑚𝑚𝑚𝑚𝑚𝑚 � �
2147483647
𝑥𝑥𝑘𝑘+1 =
2147483647
Para cada variável estocástica envolvida em cada etapa da simulação, o gerador de

número pseudo-aleatório foi executado tomando como entrada de cálculo 𝑥𝑥𝑘𝑘 o valor
definido pelo usuário como “semente”, para a primeira execução e os próprios valores
gerados sequencialmente a partir daí.
59
Este algoritmo é capaz de gerar grandes sequências numéricas com igual probabilidade
de ocorrência, atendendo, para o escopo deste simulador, a todos os critérios de
aleatoriedade aplicáveis (Prado, 2014).
3.3 Diagrama de Ciclos de Atividades
A estrutura lógica da simulação pode ser representada pelo Diagrama de Ciclos de

Atividades da Figura 10, esquema visual de correlação entre as entidades envolvidas no
modelo e suas regras gerais de interação.
A
Aguarda Aguarda Retorno
ENTIDADES Carregamento
Carregamento Retorno DescargaCarga
C B
Caminhões (N)
Equipamento de Carga (1) Eqpto Carga

Ocioso
Local de Deposição (1)
Pátio (N)
Pré
Troca de Pré Refeição
Refeitório (N) Turno
Tempo de Turno (1)
Tempo de Refeição (1)

Entre Troca de Refeitório
Pátio Ocioso Troca de Turno Refeição Entre Refeição
Turno Ocioso
ATRIBUTOS:
Fim do Turno (Pátio): Início  Fim do Turno = 0
Enquanto Pátio está em Trocar de Turno  Fim do Turno = 1
Parada de Refeição (Refeitório): Início  Parada de Refeição = 0 Pós
Enquanto Refeitório está em Refeição  Parada de Refeição = 1 Troca de Pós Refeição
Turno
DESVIOS:
A  Se (“Fim do Turno” = 0) E (“Parada de Refeição” = 0)
B  Se (“Fim do Turno” = 0) E (“Parada de Refeição” = 1) Local
C  Se (“Fim do Turno” = 1) Deposição
Ocioso
C B
Deslocamento Aguarda Aguarda

Descarga
CargaDescarga A Deslocamento Descarga
Figura 10: DCA - Diagrama de Ciclos de Atividades do simulador
A implementação baseada na metodologia das três fases considera como premissas a

linearidade do tempo, a formação de filas com disciplina do tipo FIFO (first in, first out –
primeiro que entra é o primeiro que sai) e o regime de circuito fechado para os caminhões.
O simulador não contempla eventos externos ao ciclo regular, tais como paradas de
manutenção, nem impedimentos operacionais decorrentes de fatores externos ao ciclo.
60
Cabe ao usuário realizar suas próprias considerações sobre o impacto destes eventos
sobre a produtividade simulada.
3.4 Implementação
A modelagem do software de simulação foi realizada com o uso do aplicativo Microsoft

Excel®, de amplo acesso na maior parte das empresas mineradoras (Krause e
Musingwini, 2007; Nageshwaraniyergopalakrishnan, 2014) e a linguagem de
programação Visual Basic® for Applications (VBA).
Esta combinação de software foi escolhida devido à possibilidade de cálculo rápido do

modelo e fácil segmentação das operações, permitindo um alto nível de controle e
auditoria no cálculo realizado.
A versão final do modelo foi compilada em linguagem de máquina com o uso de

compilador específico, gerando um aplicativo executável em Microsoft Windows® 32-bit,
de fácil distribuição e ampla compatibilidade.
Ao software foi atribuído o nome de SACT – Simulador Avançado de Carregamento e

Transporte e sua distribuição é livre sob licença LGPL (GNU Lesser General Public License
– Licença Pública Menos Geral GNU), permitindo seu uso amplo, tanto para finalidade
didática, quanto em aplicações profissionais.
3.4.1 Interface do Software
A tela inicial é exibida na execução do software. A interface gráfica do usuário possui os

campos para preenchimento destacados na cor verde, os campos desativados destacados
na cor vermelha e a execução de ações através dos diversos botões, conforme exibido na
Figura 11.
61
Os campos desativados são tratados pelo simulador como informação opcional, portanto
a simulação poderá ser realizada sem estes dados, mas caso o usuário deseje obter maior
detalhamento e refinamento da simulação, estes campos podem ser facilmente ativados
pelo usuário clicando na caixa de verificação associada a cada campo.
Figura 11: Tela Principal do SACT
Após o preenchimento dos dados de entrada, o usuário pode preencher um valor para a
semente, gerar uma semente aleatória ou utilizar a semente padrão.
Para a execução da simulação, o usuário clica no botão “Simular”, conforme Figura 12. O
processo de simulação é integralmente numérico e o SACT não possui animações.
62
Figura 12: Simulação em Execução no SACT
A consulta aos resultados da simulação é realizada através dos botões disponíveis nos
campos “Relatórios Texto” e Relatórios Gráficos”.
Os Relatórios Texto trazem as informações sob forma numérica e em texto. Todos os

relatórios podem ser impressos ou ter seus dados copiados para a área de transferência
do Windows.
O relatório de Tempos (Figura 13) traz um resumo dos dados de entrada do modelo
simulado e apresenta a produção simulada para cada quantidade de caminhões no ciclo,
através da coluna “Nº de Viagens”.
A Fila no Carregamento e Fila no Basculamento é calculada através do somatório do

tempo total perdido em fila por todos os caminhões. De maneira análoga, o tempo de
ociosidade agrega ao longo de todos os turnos simulados o total de tempo em que o
equipamento de carregamento e o ponto de basculamento encontravam-se sem
caminhão.
63
Figura 13: Relatório Numérico de Produção e Tempos do SACT
Com base nos tempos fixos de refeição e troca de turno e nos tempos simulados de fila, é
gerado o Relatório de Índices (Figura 14).
A coluna “Horas Horizonte” traz o somatório de tempo de todos os caminhões no ciclo.

Importante observar que embora a coluna traga o nome “Horas Horizonte”, esta
expressão foi utilizada para proporcionar facilidade de correlação deste conceito com a
nomenclatura largamente utilizada pelos sistemas de gerenciamento de mina atualmente
disponíveis no mercado, porém para manter a consistência com a unidade utilizada no
64
dado de entrada do início do turno, o valor apresentado utiliza a mesma unidade, ou seja:
minutos.
Os demais campos (Deslocamentos, Troca Turno, Refeição e Filas) também utilizam o

minuto como unidade de tempo.
As colunas UG Caminhões e UG Escavadeira, trazem a Utilização Global, calculada sob

forma de índice percentual, conforme fórmula apresentada de forma generalizada na
Equação 3.
(𝑇𝑇𝑇𝑇𝑇𝑇 − 𝑇𝑇𝑇𝑇 − 𝑇𝑇𝑇𝑇) (3)

𝑈𝑈𝑈𝑈 =
(𝑇𝑇𝑇𝑇𝑇𝑇 − 𝑇𝑇𝑇𝑇)
Onde:
𝑈𝑈𝑈𝑈 = Utilização Global;
𝑇𝑇𝑇𝑇𝑇𝑇 = Tempo Programado para Trabalhar;
𝑇𝑇𝑇𝑇 = Tempo em Manutenção;
𝑇𝑇𝑇𝑇 = Tempo Ocioso.
Note que o Tempo em Manutenção não compõe o modelo de simulação e, portanto, possui
valor igual a zero, resultando na forma simplificada de cálculo exibida na Equação 4:
(𝑇𝑇𝑇𝑇𝑇𝑇 − 𝑇𝑇𝑇𝑇) (4)

𝑈𝑈𝑈𝑈 =
𝑇𝑇𝑇𝑇𝑇𝑇
65
Figura 14: Relatório Numérico de Índices Operacionais do SACT
Para a apuração das filas no carregamento, a cada evento de chegada de caminhão à frente
é avaliado se o caminhão poderá prosseguir diretamente para o carregamento ou se deve
aguardar em fila. Caso seja necessário aguardar em fila, o simulador registra também a
quantidade de caminhões que já estão aguardando.
Esta informação é consolidada no Relatório de Fila exibido na Figura 15 e, diferente dos

demais relatórios, é apresentada em função do total de eventos somados nas três rodadas
de simulação.
66
O dado pode ser interpretado como a uma forma indireta de estimar a probabilidade de
ao chegar para carregamento, o caminhão precisar aguardar em fila, e se este for o caso,
quantos outros caminhões também estão aguardando.
A coluna “0” indica que não há caminhões no local e o carregamento pode iniciar
imediatamente. A coluna “1” indica que há 1 caminhão ocupando o equipamento de
carregamento. A coluna “2” indica que há 1 caminhão em carregamento, somado a 1
caminhão aguardando em fila. As demais colunas seguem a mesma lógica, com número
crescente de caminhões em fila.
Figura 15: Relatório Numérico de Filas do SACT
67
Além dos relatórios numéricos, baseados em texto, o SACT traz também quatro relatórios
gráficos.
A Figura 16 mostra um exemplo de Relatório Gráfico de Utilização. No primeiro gráfico é

exibida a Utilização Global dos caminhões e da escavadeira. Este dado geralmente
apresenta uma correlação inversa, uma vez que quanto maior a ociosidade da escavadeira
maior a probabilidade de o caminhão ser carregado sem necessidade de aguardar.
O segundo gráfico mostra a Utilização Global em comparação com a Utilização Específica,

representada pela Utilização calculada considerando-se apenas os tempos perdidos
decorrentes dos eventos internos ao ciclo de carregamento e transporte, excluindo do
cálculo os tempos externos, tais como paradas para refeição e trocas de turno.
68
Figura 16: Relatório Gráfico de Utilização do SACT
Para a análise de capacidade de produção o Relatório Gráfico de Produção, exibido na

Figura 17, mostra a capacidade instalada (número de viagens) em função do número de
caminhões no ciclo. Esta visualização permite identificar o platô de produção atingido
com a saturação do ciclo, situação na qual um aumento no número de caminhões passa a
gerar ganho global de produção cada vez menor, tendendo a zero no patamar de
saturação.
69
O segundo gráfico calcula a probabilidade de ao chegar no ponto de carregamento, o
caminhão realizar o carregamento direto, sem necessidade de aguardar, em função do
número de caminhões no ciclo.
Figura 17: Relatório Gráfico de Produção do SACT
O Relatório de Ociosidades da Figura 18 mostra os tempos perdidos no ciclo. O primeiro

gráfico mostra tempo médio em filas no carregamento (tempo total de filas dividido pelo
número de caminhões) comparado ao tempo total de ociosidade da escavadeira em
minutos.
70
O segundo gráfico consolida as ociosidades no basculamento de maneira análoga ao
primeiro gráfico.
Figura 18: Relatório Gráfico de Ociosidades do SACT
O último relatório gráfico do SACT, exibido na Figura 19 traz um exemplo da visualização

da probabilidade estimada de fila e do tamanho da fila. Cada linha corresponde a uma
quantidade de caminhões no ciclo; o eixo horizontal indica a quantidade de caminhões em
fila e em carregamento e o eixo vertical indica a probabilidade calculada da ocorrência de
determinado tamanho de fila a cada chegada de caminhão para carregar.
71
Figura 19: Relatório Gráfico de Fila no Carregamento do SACT
3.5 Validação
Para a validação dos dados foram realizadas simulações representativas de operações

reais para comparação com os bancos de dados reais disponíveis. Esta etapa do trabalho
visa assegurar que o simulador é capaz de reproduzir com razoável precisão uma situação
real, cabendo portanto sua aplicação na avaliação de cenários futuros de produção de uma
mina (Fjellström, 2011).
72
Também foram realizados comparativos dos resultados simulados pelo SACT com
resultados obtidos realizando as mesmas simulações no software comercial de simulação
de operação de carga e transporte Talpac®.
Na avaliação da qualidade dos resultados obtidos por um modelo de simulação, é

importante observar algumas limitações tais como a presunção de que os caminhões
trabalham próximo ao limite de sua capacidade, resultando em uma tendência natural a
estimativas otimistas, sendo que alguns autores sugerem uma tendência geral das
simulações em superestimar a capacidade do sistema em até 10% (Ashton, 1989).
Ao tratar as variáveis de entrada sob a óptica do ajuste de média e desvio padrão reais, ao
invés de suposições sobre o desempenho mecânico dos equipamentos, esta
superestimação é mitigada pelo SACT, por isso é razoável esperar que exista algum grau
de divergência entre uma simulação realizada pelo SACT e uma simulação realizada pelo
Talpac®.
3.5.1 SACT x operação real (calcário)
Para este comparativo, foram utilizados os dados do sistema de despacho de uma mina de
calcário em Minas Gerais. As informações são baseadas em caminhões fora de estrada da
fabricante Randon, modelo RK-430, trabalhando na movimentação de estéril argiloso,
rocha calcária fragmentada por explosivo e material britado.
Para levantamento dos parâmetros operacionais da mina, foram utilizados os próprios

dados do despacho, bem como demais informações operacionais fornecidas pelo
minerador.
Para o tempo de carregamento, tempo de basculamento, velocidade carregado e

velocidade vazio foram calculadas as médias e os desvios padrão. A Figura 20 mostra o
histograma relativo ao tempo de carregamento, agrupado por frequência de ocorrência
73
do tempo de carregamento por faixas de 0,2 minutos (12 segundos) e foi calculada a
média de 171 segundos e o desvio padrão de 47 segundos para esta etapa do ciclo.
Média: 171 s
σ: 47 s
Figura 20: Histograma do Tempo de Carregamento (Calcário)
O tempo de basculamento é representado pelo histograma da Figura 21, com média

calculada de 27 segundos e desvio padrão de 10 segundos. Este tempo consiste no tempo
entre o acionamento do sistema hidráulico de elevação da báscula, até o início da
movimentação do caminhão.
Média: 27 s
σ: 10 s
Figura 21: Histograma do Tempo de Basculamento (Calcário)
74
Para a velocidade do caminhão carregado, foi observado a existência de pelo menos dois
conjuntos, identificados pela existência de dois picos, visíveis na análise do histograma da
Figura 22. No entanto, como não existe detalhamento dos dados do minerador suficiente
para separar os dois conjuntos, foi utilizada a média de 17,1 Km/h e o desvio padrão de
2,9 Km/h, considerando todos os dados. A existência de múltiplos conjuntos é indicativa
de múltiplas curvas de produtividade ou de dispersão elevada dos dados de produtividade
medidos.
Média: 17,1 Km/h

σ: 2,9 Km/h
Figura 22: Histograma da Velocidade Carregado (Calcário)
Assim como no histograma de velocidade carregado, o histograma de velocidade do

caminhão vazio (Figura 23) mostra uma possível existência de dois conjuntos. A
velocidade média considerando todos os dados foi calculada em 13,6 Km/h e o desvio
padrão é de 3,8 Km/h.
75
Média: 13,6 Km/h
σ: 3,8 Km/h
Figura 23: Histograma da Velocidade Vazio (Calcário)
Os demais parâmetros de entrada foram estimados com base nas informações do

minerador.
• Carregamento: (Média de 171s e desvio padrão de 47s);
• Basculamento: (Média de 27s e desvio padrão de 10s);
• DMT: (Média variando de 100m a 8.000m e desvio padrão de 10%);
• Velocidade Carregado: (Média de 17,1 Km/h e desvio padrão de 2,9 Km/h);
• Velocidade Vazio: (Média de 13,6 Km/h e desvio padrão de 3,8 Km/h);
• Operação em 1 turno, de 8 horas, com intervalo de refeição de 60 e troca de turno
de 15 minutos.
• Tempos de manobra não foram simulados separadamente e estão incluídos nos
tempos de deslocamento.
Foram realizadas 9 simulações, para as distâncias de 100m, 200m, 300m, 400m, 500m,
1.000m, 2.000m, 4.000m e 8.000m; mantendo os demais parâmetros constantes.
Conforme identificado na análise dos histogramas de velocidade carregado e velocidade

vazio, é esperado que a dispersão destas variáveis resulte em dispersão da produtividade
dos dados reais medidos pelo sistema de despacho da mina. O comparativo é exibido na
Figura 24.
76
Produtividade Real x Simulada (Mina de Calcário)
20
18 Caminhão Randon 430

Produtividade Global (viagens/hora)
16 SACT(10)
14 Logarítmica (Caminhão Randon 430)

12
10
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000
DMT
Figura 24: Gráfico de Produtividade Real da Mina de Calcário x Simulada pelo SACT
Embora exista dispersão dos dados reais medidos, a tendência geral da média dos dados
reais foi altamente consistente com os valores simulados. Foi selecionado para a
construção do gráfico a produtividade simulada com 10 caminhões no ciclo.
3.5.2 SACT x operação real (níquel)
Como forma de verificação da aderência das simulações a uma mineração real, foi
realizado o comparativo dos dados de produtividade medidos ao longo de doze meses, em
uma mineração de níquel laterítico localizada no estado de Goiás. A frota utilizada era
composta por caminhões rodoviários 6x4 Volvo 480HP, trabalhando em frentes variadas
e condições climáticas diversas.
O minerador apurou em cada ciclo de trabalho, a DMT, o número de viagens realizado e o
tempo trabalhado já descontados os atrasos operacionais.
77
Para a modelagem do sistema, foram utilizados os seguintes parâmetros no SACT para
reproduzir de forma aproximada o perfil operacional da mina (baseado em dados
informados pelo minerador):
• Manobra de Entrada no Carregamento: (Média de 10s e desvio padrão de 5s);
• Manobra de Saída no Carregamento: (Média de 5s e desvio padrão de 2s);
• Manobra de Entrada no Basculamento: (Média de 15s e desvio padrão de 5s);
• Manobra de Saída no Basculamento: (Média de 5s e desvio padrão de 2s);
• DMT: (Média variando de 500m a 16.000m e desvio padrão de 10%);
• Velocidade Carregado: (Média de 12 Km/h + 2 Km/h para cada 1.000m de DMT e
desvio padrão de 20%);
• Velocidade Vazio: (Média de 16 Km/h + 2 Km/h para cada 1.000m de DMT e desvio
padrão de 20%);
• Operação em 3 turnos, de 9 horas, 8 horas e 7 horas respectivamente, com
intervalo de refeição de 60 minutos para os dois primeiros turnos e refeição de 20
minutos no terceiro turno. O tempo de troca de turno ficou fixo em 15 minutos em
cada turno.
Foram realizadas 17 simulações e para cada simulação foi calculada a produtividade em

número de viagens por hora trabalhada. Os dados simulados foram plotados no gráfico da
Figura 25 juntamente com os valores reais. Como os dados originais do minerador não
identificavam em cada medição o número de caminhões no ciclo, foi selecionado para a
construção do gráfico a produtividade simulada com 10 caminhões no ciclo.
78
Produtividade Real x Simulada (Mina de Níquel)
9
Caminhão 6x4 Volvo
8
Produtividade Global (viagens/hora)
SACT(10)
7
Logarítmica (Caminhão 6x4 Volvo)
6
0
0 2000 4000 6000 8000 10000 12000 14000 16000 18000
DMT
Figura 25: Gráfico de Produtividade Real da Mina de Níquel x Simulada pelo SACT
Embora os dados reais apresentem dispersão, a curva aproximada dos dados reais
apresenta alta semelhança à curva simulada, indicando a boa representatividade dos
dados simulados em relação à operação real.
3.5.3 SACT x software comercial (Talpac®)
Para padronização máxima dos conceitos, a simulação no Talpac® adotou as seguintes

premissas:
• Haul Cycle (Rota/Ciclo de Transporte): Toda simulação utilizou como base uma
rota simplificada com as sete etapas obrigatórias do software, conforme padrão
apresentado na Tabela 10. A distância de ida e de retorno (mantidas sempre
iguais), assim como a resistência ao rolamento (também mantidas iguais entre
viagem de ida e de retorno) foram modificadas a cada simulação realizada. O
Talpac® calcula a variação de velocidade em cada trecho com base nos parâmetros
de entrada e na heurística proprietária de simulação do comportamento do
caminhão em cada trecho, ao passo que o SACT realiza a mesma avaliação com base
79
apenas na distância e no desvio padrão indicativo da variabilidade de traçado
realizado a cada viagem e do deslocamento da frente de lavra e do ponto de
basculamento. A velocidade média de ida e de retorno é calculada com base na rota
do Talpac® e para manter a mesma base de comparação, as velocidades médias
calculadas no Talpac® foram utilizadas na simulação no SACT.
Tabela 10: Rota de Transporte no Talpac®

Distance Grade Roll Res. Max Curve Final Load % of
Type Title
metres % % km/h Angle km/h Full
Queue at
Queue Auto Mins - - - - -
Loader
Spot Spot at Loader Auto Mins - - - - -
Load Loading Auto Mins - - - - -
1 Haul Segment VARIÁVEL 0,0 VARIÁVEL Max 0,0 0 Full
Spot Time at
Spot Auto Mins - - - - -
Dump
Dump Dumping Auto Mins - - - - -
Haul Segment
2 VARIÁVEL 0,0 VARIÁVEL Max 0,0 0 Empty
(rev.)
• Disponibilidade Mecânica: Esta variável, também conhecida como Disponibilidade

Física é aplicada de forma linear como um multiplicador global da operação
simulada (Naeem, Bin, 2012). Como no SACT este multiplicador é aplicado após a
simulação e a critério do usuário, foi estabelecido por padrão o valor de 100% de
Disponibilidade Mecânica tanto para os caminhões quanto para os equipamentos
de carregamento.
• Tempo de Carregamento: O tempo de carregamento no Talpac® é calculado com

base no tempo de passe de carregamento, nas características da concha, do
material e da caçamba do caminhão, bem como na heurística interna do software.
No SACT, este tempo é avaliado de forma consolidada e, portanto, as simulações
no SACT foram alimentadas com o mesmo tempo de carregamento médio
calculado pelo Talpac®.
80
• Tempo de Basculamento: Análogo ao tempo de carregamento.
• Número de Caminhões no Ciclo: A simulação padrão do Talpac® avalia o número

ideal de caminhões no ciclo e calcula a produção e demais indicadores com base
nesta frota. Para equiparação e comparativo, o valor da produção do SACT é
apresentado com base no número ótimo de caminhões calculado pelo Talpac®,
porém a cada simulação do SACT foi apresentada também a frota de saturação,
obtida através do relatório gráfico de produção, correspondente ao ponto da curva
de produção na qual o acréscimo de caminhões não proporciona ganho
significativo de produção.
• Manobras: O Talpac® agrega os tempos de manobra juntamente com o tempo de

carregamento, enquanto o SACT agrega tempos de manobra com os tempos de
deslocamento. Para manter o ponto de geração de fila no mesmo estágio, todas as
simulações realizadas no SACT foram feitas sem a separação dos tempos de
deslocamento e tempos de manobra.
• Variabilidade: A heurística interna do Talpac® claramente adota técnicas que

visam reproduzir a variabilidade típica de uma operação real, no entanto, estes
parâmetros não são acessíveis ao usuário. No SACT, a variabilidade é controlada
pelo usuário e descrita em função do desvio padrão. Devido à impossibilidade de
estabelecer uma base comum de comparação em função do desconhecimento dos
processos internos do Talpac®, todas as simulações foram executadas múltiplas
vezes, com a variação global de todos os desvios padrão.
• Fila: O Talpac® apresenta um valor único indicativo de fila médio por ciclo,
associada ao local de carregamento e não há avaliação de fila no local de
basculamento. Como no SACT o ponto de basculamento pode ser objeto de fila,
assim como o ponto de carregamento, para a elaboração do comparativo, a Tabela
11 traz o valor de filas somadas no carregamento e basculamento calculado pelo
81
SACT para o número ótimo de caminhões definido pelo Talpac®, dividido pelo
número de viagens calculado no SACT.
• Produção: Para comparativo, a produção do SACT foi calculada pelo número de

viagens simuladas para a mesma frota ótima calculada pelo Talpac®.
Frotas Simuladas:
• Simulação 1 a 4: Escavadeira Elétrica a Cabo (42,90 m³); Caminhão Fora de Estrada

150t (154,57 t);
• Simulação 5 a 8: Escavadeira Hidráulica (18 m³); Caminhão Basculante 75t (78,04
t).
82
Tabela 11: Validação do SACT em relação ao Talpac®
VARIÁVEIS TALPAC® SACT
Porte Tempos (s) Km/h
Resistência Rolamento
Frota Saturação SACT

Produção Patamar
Fila (min/ciclo)
Fila (min/ciclo)
Escavadeira (m³)
Velocidade Cheio
Velocidade Vazio
Nº Simulação
Carregamento
Basculamento
Caminhão (t)
Produção
Desv Pad
DMT (m)
Frota
0% 3.060.486 0,01 4
10% 3.060.486 0,32 4
1 31,7 43,1 3% 6 3.223.695 1,07
20% 3.060.486 0,84 4
40% 3.060.486 2,09 5
2.000
0% 3.060.486 0,04 7
10% 3.060.486 0,74 7
2 14,6 33,4 8% 9 3.051.796 1,45
20% 3.060.486 1,88 8
40% 2.977.018 5,05 9
42,90 154,57 60 60
0% 3.060.486 0,06 8
10% 3.060.486 0,90 8
3 35,3 49,7 3% 11 3.071.193 1,76
20% 3.060.486 2,60 9
40% 3.060.486 6,00 11
5.000
0% 3.060.486 0,23 15
10% 3.060.486 3,04 16
4 14,8 36,1 8% 20 3.004.519 3,27
20% 3.060.486 7,23 19
40% 2.490.122 13,47 >20
0% 1.545.192 0,01 4
10% 1.545.192 0,14 4
5 37,2 47,7 3% 4 1.148.055 0,88
20% 1.545.192 0,48 4
40% 1.545.192 1,29 5
2.000
0% 1.545.192 0,03 6
10% 1.545.192 0,36 6
6 18,6 38,3 8% 6 1.165.751 1,34
20% 1.458.567 1,24 7
40% 1.236.153 3,35 8
18,0 78,04 88,8 60
0% 1.545.192 0,04 7
10% 1.538.168 0,50 7
7 44,5 58,4 3% 7 1.145.659 1,52
20% 1.444.520 1,43 8
40% 1.254.883 3,63 9
5.000
0% 1.545.192 0,20 12
10% 1.545.192 1,60 13
8 19,1 43,0 8% 13 1.182.042 3,01
20% 1.404.720 4,27 15
40% 1.130.799 10,39 20
A produção simulada não é idêntica devido à natureza estocástica das simulações e das
premissas diferentes adotadas por cada simulador, no entanto existe consistência
suficiente para afirmar que ambas simulações são equivalentes.
83
A simulação do SACT com desvio padrão 0% corresponde em termos práticos em um
cálculo exato, limitado apenas pelo tempo de serviço (carregamento e basculamento)
(Prado, 2014) e em todos os casos o patamar de saturação não foi maior que a frota
calculada pelo Talpac®, ou seja, o valor de produção do SACT com desvio padrão 0% é
indicativo do máximo teórico de produção possível, considerando os deslocamentos
associados ao início de fim de turno. A existência de valores de produção superiores ao
máximo teórico no Talpac®, como é o caso da simulação 1 e simulação 3, assim como a
inversão da divergência entre a frota de maior porte e a de menor, mostram que existem
fatores adicionais no Talpac®, possivelmente resultado de calibragem de desempenho
ponderada por multiplicadores distintos para cada modelo de equipamento e não
baseados apenas na simulação direta.
A divergência entre o número ótimo de caminhões calculado pelo Talpac® e a frota de

saturação calculada pelo SACT demonstra uma tendência do Talpac® em superestimar o
número de caminhões em comparação com os cenários de baixo desvio padrão do SACT.
Isto é forte indicativo de que o Talpac® possui variabilidade dos tempos de ciclo em seu
cálculo, uma vez que quanto maior a variabilidade, maiores os tempos perdidos e maior a
quantidade de caminhões até que se alcance a saturação. Adicionalmente, o ponto de
escolha do número de equipamentos no Talpac® não corresponde necessariamente ao
patamar de saturação, podendo estar baseado em uma tolerância à redução de ganho
incremental arbitrária.
Embora a variabilidade existente na heurística do Talpac® não seja explícita, pela análise
do gráfico da Figura 26 é possível inferir que a mesma fique próxima à ordem de
variabilidade introduzida no intervalo entre o desvio padrão global de 20% e de 40% do
SACT.
No gráfico da Figura 26 é apresentada cada simulação agrupada em função da DMT (2.000

metros ou 5.000 metros) e em função da resistência do rolamento (3% ou 8%). Cada barra
do gráfico corresponde a uma simulação realizada, sendo que as simulações feitas com o
SACT foram identificadas em função do desvio padrão global aplicado (0%, 10%, 20% e
84
40%) Os grupos de resultados próximos ao patamar de 3 milhões de toneladas
correspondem à combinação de escavadeira de 42,90m³ e caminhão de 150t e os
resultados próximos de 1,3 milhão correspondem à frota de escavadeira de 18m³ e
caminhão de 75t.
Produção Simulada (t x 1.000) - Talpac x SACT

3.500 Talpac SACT DP: 0% SACT DP: 10% SACT DP: 20% SACT DP: 40%
3.000
2.500
2.000
1.500
1.000
500
0
3% 3% 8% 8% 3% 3% 8% 8%
2.000 5.000
DMT (m) e Resistência ao Rolamento (%)
Figura 26: Gráfico de Comparação da Produção Simulada (Talpac® x SACT)
Das 8 simulações do Talpac® e das 32 simulações do SACT, é possível observar que nos
casos em que a frota ótima definida pelo Talpac® apresentou número igual ou superior
ao patamar de saturação, a produção calculada pelo SACT manteve-se estável até que o
aumento na variabilidade resultasse em frota de saturação superior à frota ótima do
Talpac®. Isto ocorre devido ao fato de que após atingido o patamar de saturação, um
incremento no número de caminhões no circuito deixa de causar impacto na produção,
correspondendo neste caso em uma situação em que 100% das chegadas de caminhão
para carregar ou bascular resultam em fila, tornando o tempo de carregamento ou o
tempo de basculamento, conforme o caso, o único fator regulador da capacidade de
produção. Assim, para uma mesma combinação de frota, com o mesmo tempo médio de
carregamento, é esperado que a produção calculada para uma frota no patamar de
saturação seja igual ou muito similares entre si.
85
4. DESEMPENHO DE CAMINHÕES AUTÔNOMOS EM
COMPARAÇÃO A OPERADORES HUMANOS
Conceitualmente, o uso de caminhões autônomos em mineração não se trata de uma

tecnologia recente. Ambos os fabricantes Caterpillar e Komatsu iniciaram programas de
soluções autônomos de transporte na década de 1980 (Bird et al., 2019). havendo
experiência de uso prático em estágio de desenvolvimento de tecnologia desde 2002
(Rivera, 2014) e aplicação em larga escala deste tipo de equipamento pelo menos desde
2008 (Gölbaşı e Dagdelen, 2017; Komatsu Ltd., 2019). No entanto, à medida que o custo
desta tecnologia se torna mais acessível, estudos de viabilidade para a adoção de
caminhões autônomos se tornam pauta recorrente mesmo em jurisdições onde o custo da
mão de obra é baixo e o custo tecnológico é elevado, a exemplo do Brasil.
Além de proporcionar ganhos administrativos óbvios, tal como não depender de pausas
para trocas de turno e refeição (Rivera, 2014), a principal característica operacional
intrínseca a um equipamento autônomo e que suplanta a capacidade de um operador
humano mediano é a capacidade de reproduzir atividades tais como trajetos, aceleração
e frenagem ao longo de muitos ciclos de produção com baixa variação entre si. Esta
condição é identificada como “fator estabilidade” (Meech e Parreira, 2011), em
contraponto ao “fator agressividade”, que pode variar qualitativamente entre “passivo”,
passando por “normal” até o perfil “agressivo”, típico de parte dos operadores humanos
(Parreira, 2013). Assim, o objetivo desta investigação é isolar e medir este aspecto da
estabilidade operacional e avaliar quantitativamente o seu impacto na produtividade.
4.1 Modelagem do Sistema Autônomo

Para a construção do comparativo, foram utilizados parâmetros de entrada baseados no
perfil operacional de uma mina de calcário, que opera de forma conjugada com uma planta
industrial cimenteira localizada no estado de Minas Gerais. Esta operação foi utilizada
como referência, no entanto as avaliações de variação percentual, são reprodutíveis para
86
quaisquer perfis operacionais, sujeitas a pequenas variações em função das restrições
operacionais de cada mina.
Os parâmetros de entrada foram:

• Velocidade Carregado: (Média de 17,57 Km/h e desvio padrão de 2,62 Km/h;
• Velocidade Vazio: (Média de 15,99 Km/h e desvio padrão de 3,68 Km/h);
• Operação em 3 turnos, de 8 horas, com intervalo de refeição de 60 minutos nos
dois primeiros turnos e pausa para lanche de 15 minutos no turno da madrugada,
com tempo médio de troca de turno de 15 minutos em cada turno.
• Tempos de manobra não foram simulados separadamente e estão incluídos nos
tempos de deslocamento.
Para isolar a variável de interesse (estabilidade operacional), a simulação foi repetida

para oito cenários, variando-se o desvio padrão da velocidade do caminhão cheio e do
caminhão vazio, porém mantendo os mesmos parâmetros de tempo de carregamento,
basculamento, média de velocidade e escala de trabalho.
Assim, foram simulados os seguintes cenários:

• Operador Humano Instável a 20% (desvio padrão 20% maior que a média da
mina);
• Operador Humano de Referência (baseline = desvio padrão global da mina);
• Operador Humano Estável a 20% (desvio padrão 20% menor que a média da
mina);
• Autônomo 10% (desvio padrão do caminhão igual a 10% da velocidade média);
• Autônomo 7,5% (desvio padrão do caminhão igual a 7,5% da velocidade média);
• Autônomo 5% (desvio padrão do caminhão igual a 5% da velocidade média);
• Autônomo 2,5% (desvio padrão do caminhão igual a 2,5% da velocidade média);
• Autônomo 0% (operação perfeita teórica, onde a velocidade média do caminhão é
mantida rigorosamente idêntica em todos os ciclos).
87
Cada cenário foi simulado quatro vezes, considerando faixas de DMT diferentes: 1.000
metros, 2.000 metros, 5.000 metros e 10.000 metros. O SACT realiza a simulação
considerando de 1 a 20 caminhões no ciclo, totalizando 640 cenários de produção
apresentados no gráfico da Figura 27.
Número de Viagens por Classe de Caminhão e DMT

450
20% Unstable Human 1000

400 20% Unstable Human 2000
Baseline Human 1000
350 Baseline Human 2000
Baseline Human 5000
Baseline Human 10000
20% Stable Human 1000
300
Autonomous 10% 1000
Nº de Viagens / dia
250
Autonomous 10% 2000
Autonomous 10% 5000
Autonomous 10% 10000
Autonomous 7,5% 1000
200
Autonomous 5% 1000
150
Autonomous 5% 2000
Autonomous 5% 5000
Autonomous 5% 10000
100
50 Autonomous 0% 1000
Autonomous 0% 2000
Autonomous 0% 5000
Autonomous 0% 10000
0
0 2 4 6 8 10 12 14 16 18 20
Nº de Caminhões no Ciclo
Figura 27: Cenários de Produção (Humano x Autônomo)
Os pontos plotados no gráfico mostram curvas bem definidas. A curva superior

corresponde à DMT de 1.000 metros, seguida pela de 2.000 metros, 5.000 metros e 10.000
metros abaixo.
88
As cores quentes representam os operadores humanos e as cores frias representam os
caminhões autônomos.
O patamar de saturação é claramente percebido na curva de 1.000 m, com tal saturação

ocorrendo a partir da introdução do 5º caminhão no ciclo. Na curva de 2.000 m esta
saturação ocorre a partir do 8º caminhão.
No ciclo de 5.000 m os caminhões autônomos saturam o ciclo com cerca de 14-15

caminhões, enquanto os humanos saturam entre 17-18 caminhões, indicando que neste
cenário seria possível obter a mesma produção com 3 caminhões autônomos a menos que
o necessário de operadores humanos.
Para o ciclo de 10.000 m não foi atingida a saturação, porém fica bastante evidente a
diferença de produtividade.
O gráfico também mostra que o benefício do uso do caminhão autônomo é maior quando
o número de caminhões no ciclo é um pouco menor que o ponto de saturação. Para
evidenciar esta faixa ideal de uso, foi elaborada uma visualização individual para cada
DMT, mostrando a variação percentual de produtividade em comparação com o operador
humano padrão.
O gráfico da Figura 28 mostra que na DMT de 1.000 metros, o desempenho do caminhão

autônomo apresentou maior ganho com 3 caminhões no ciclo, sendo que tanto o
Autônomo 0%, quanto o Autônomo 2,5% realizarem 2,5% mais produção que a mesma
frota com o operador humano de referência (Baseline Human).
89
Variação do nº de Viagens por Perfil de Transporte em Relação ao
Operador Humano de Referência (DMT = 1.000m) (%)
3,00
2,50
2,00
1,50
1,00
0,50
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-0,50
-1,00
-1,50
20% Unstable Human Baseline Human 20% Stable Human Autonomous 10%
Autonomous 7,5% Autonomous 5% Autonomous 2,5% Autonomous 0%

humano para DMT de 1.000 m
Em uma DMT muito curta, o impacto da estabilidade é relativamente baixo, uma vez que
os tempos fixos do ciclo são mais relevantes na composição do tempo total de cada
viagem, no entanto, à medida que a distância aumenta a variação entre cada equipamento
ganha maior expressão, conforme demonstrado na Figura 29, que traz o comparativo para
o cenário com DMT de 2.000 metros, onde o potencial de ganho com o caminhão
autônomo cobre uma faixa maior de combinações de quantidades de caminhões no ciclo
e superam 5% de ganho para a faixa de 5 a 6 caminhões.
90
7,00
6,00
5,00
4,00
3,00
2,00
1,00
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-1,00
-2,00
-3,00

Para distâncias maiores, o ganho decorrente da maior estabilidade do caminhão

autônomo pode superar os 10% de ganho no número de viagens realizadas, sendo que
mesmo o caminhão autônomo mais instável (Autônomo 10%) proporciona ganho
superior a 6% na faixa entre 12 e 13 caminhões no ciclo, conforme mostrado na Figura
30, correspondente à DMT de 5.000 metros.
91
12,00
10,00
8,00
6,00
4,00
2,00
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-2,00
-4,00

Quanto maior a distância média de transporte, maior o impacto da estabilidade das

velocidades na produtividade da frota de caminhões. A diferença de ganho entre cada
nível de estabilidade operacional de caminhões autônomos também se torna maior, como
exibido na Figura 31, indicando que este parâmetro é altamente relevante na tomada de
decisão do tipo de tecnologia utilizada no caminhão autônomo e no tipo de aplicação do
mesmo.
92
16,00
14,00
12,00
10,00
8,00
6,00
4,00
2,00
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-2,00
-4,00

Em todos os casos simulados, o comportamento emergente do sistema, decorrente da

maior estabilidade dos caminhões autônomos, proporcionou ganhos de produtividade.
No entanto, é importante observar que tais ganhos não acontecem em ciclos muito
subdimensionados, nem em ciclos muito superdimensionados. Isto se deve ao fato do
ganho da estabilidade estar associado à menor formação de filas aleatórias e à menor
ocorrência de viagens com velocidade reduzida forçada, situação decorrente da interação
entre dois caminhões em viagem, sendo que o caminhão da frente desloca-se com
velocidade inferior ao caminhão de trás, forçando o caminhão de trás a reduzir sua
velocidade para compatibilizá-la com o caminhão da frente, fenômeno comumente
chamado de “aglomeração de caminhões” (truck bunching) (Soofastaei et al., 2016).
Na condição de subdimensionamento, o número de caminhões é baixo e as interações

entre caminhões se tornam raras, havendo poucas oportunidades de ganho por
estabilidade. Por outro lado, na condição de superdimensionamento ou saturação, existe
um acúmulo contínuo de caminhões em fila, resultando que eventuais ganhos de tempo
93
obtidos com a maior eficiência nas viagens sejam perdidos pelo fato de o caminhão ter
que aguardar em fila, independentemente do seu desempenho durante o deslocamento.
94
5. DISCUSSÃO DOS RESULTADOS
Os resultados associados à implementação da lógica apresentada para o simulador foram

apresentados ao longo do texto explicativo da metodologia para melhor ilustrar.
O mesmo foi realizado para os resultados do processo de validação do SACT, bem como
os resultados do comparativo do desempenho dos caminhões autônomos, restando nesta
seção, uma discussão sobre as implicações e eventuais limitações dos resultados
anteriormente apresentados.
5.1 Qualidade dos resultados do simulador SACT
O simulador foi implementado com sucesso e os testes realizados para a sua validação
demonstraram um elevado grau de similaridade com os resultados obtidos pelas
simulações realizadas com o software comercial Talpac®.
No comparativo com as operações reais, o simulador SACT apresentou boa aderência das
simulações, quando comparada a produtividade simulada, partindo-se dos dados de
entrada de cada mina, ao histórico de produtividade por faixa de DMT.
Um fator muito relevante e que fica explícito através da análise da Figura 24 e da Figura
25 é que embora os dados reais apresentem dispersão, o resultado simulado traz uma
linha clara de produtividade, coerente com os dados dispersos, porém sem dispersão. Isto
decorre do fato que embora se trate de uma simulação estocástica, o ciclo de
carregamento e transporte é repetido ao longo de todo o período programado para o
trabalho e toda a simulação é realizada em triplicata. O SACT apresenta então o resultado
da média das simulações, equivalente ao cenário operacional típico e mais provável,
correspondendo de maneira aproximada, tanto à média quanto à moda do conjunto de
etapas e ciclos simulados.
95
Assim como em qualquer esforço computacional para a simulação de uma operação real,
foi necessário a adoção de premissas, simplificações e heurísticas. Desta forma, o SACT
possui aplicabilidades diferentes dos simuladores de carregamento e transporte
baseados nas capacidades técnicas e mecânicas dos equipamentos frente às condições
operacionais da mina.
As principais aplicações do SACT são:

• Previsão de produtividade futura de uma mina já em operação, com histórico
operacional conhecido;
• Previsão de produtividade futura de uma mina nova, com base no histórico
operacional de outra mina com perfil similar;
• Construção de cenários operacionais com a variação do número de caminhões em
um determinado ciclo, mantidas as demais condições operacionais;
• Construção de cenários operacionais com a variação da média e/ou desvio padrão
de cada variável de entrada no simulador, admitindo-se uma distribuição normal.
Por se tratar de um simulador numérico, é proposto ao usuário do simulador que possua

conhecimento prévio sobre os conceitos básicos envolvidos no ciclo de carregamento e
transporte, para que tanto a entrada de dados quanto a interpretação dos resultados
possa ser realizada adequadamente.
5.2 Desempenho dos caminhões autônomos
Com base nos diversos cenários simulados e apresentados na Figura 27, foi possível
identificar uma variação positiva no desempenho dos caminhões autônomos quando os
mesmos operam dentro de sua faixa ótima de trabalho, ligeiramente abaixo do patamar
de saturação do ciclo.
Nestes casos, é possível estabelecer que mantidos todos os demais parâmetros

operacionais, o simples fato de o caminhão autônomo proporcionar maior consistência e
96
repetibilidade na execução das etapas do ciclo operacional, resulta em ganhos
consistentes de produtividade, podendo este ganho chegar a 10%.
Para estabelecer as causas deste ganho de produtividade, generalizando os resultados

obtidos, é possível afirmar que existe forte indicativo que a estabilidade operacional
favorece menor formação de filas e menor ocorrência de aglomeração de caminhões.
No entanto ressalva-se que para a real concretização deste ganho, as suposições sobre a
estabilidade operacional precisam demonstrar-se verdadeiras e é recomendável que
estudos futuros busquem avaliar, com base no histórico operacional em larga escala
destes equipamentos, se os tempos gastos nos deslocamentos efetivamente demonstram
tal estabilidade e a quantifiquem frente ao desempenho de operadores humanos.
Para compreender a limitação do resultado obtido, recomenda-se antes de tomar os

resultados aqui apresentados como aplicáveis a uma determinada operação, questionar
em quais situações um caminhão autônomo pode apresentar dificuldade em tomadas de
decisão que um operador humano não teria.
O exemplo típico em que o operador humano pode produzir operação mais consistente é
na interação do caminhão com elementos atípicos e imprevisíveis, dos quais é possível
citar como exemplo:
• aproximação de um veículo leve;
• presença de animais na via;
• condições climáticas que possam interferir no sensoriamento;
• condições de piso que causem atrito dinâmico com o pneu do caminhão;
• equipamentos de infraestrutura trabalhando na frente de lavra ou local de
basculamento;
• outros.
Nestes casos, recomenda-se avaliar de maneira conjunta a tecnologia utilizada no

caminhão autônomo, frente às condições operacionais da mina para compreender se a
97
aplicação do caminhão autônomo efetivamente proporcionará ganho de estabilidade e
consequentemente de produtividade.
98
6. CONCLUSÕES
O trabalho de pesquisa consolidado nesta Dissertação demonstrou que a metodologia

apresentada resultou em um simulador capaz de reproduzir com boa assertividade uma
operação de carregamento e transporte em ambiente de mineração.
A análise das distribuições estatísticas representativas dos processos estocásticos com

base nos estudos anteriores é inconclusiva, no entanto a análise realizada neste trabalho
sugere que eliminando-se os eventos atípicos, os tempos de carregamento e
basculamento apresentam distribuição simétrica. Isto indica que caso os estudos
anteriores que concluíram pelo uso da distribuição Log-normal não tenham retirado os
eventos atípicos da sua base de dados e caso os estudos que concluíram pelo uso da
distribuição Normal ou distribuições simétricas semelhantes tenham removido tais
eventos atípicos, existe a possibilidade de reconciliação entre as conclusões dos diferentes
estudos. Como o simulador SACT modela as etapas típicas do ciclo de carregamento e
transporte, os eventos atípicos foram eliminados da base de dados e as distribuições
estatísticas apresentam a simetria esperada.
O comparativo com as operações das minas níquel e de calcário demonstrou com sucesso
a validade das simulações do SACT. A dispersão dos dados reais está presente nas duas
minas, sendo que aparenta ser maior na mina de calcário, provavelmente em função da
existência de múltiplos conjuntos que compõem as medições de carregamento e
transporte na mina.
Na comparação com o software comercial Talpac®, foi possível identificar a existência de

pequenas divergências, possivelmente associadas à heurística de cada simulador e em
especial na maneira como cada simulador define o número de caminhões no ciclo que
resulta no atingimento do patamar de saturação.
Estabeleceu-se clara consistência das simulações que compuseram o comparativo de

desempenho dos caminhões autônomos. A diferença de produtividade também varia de
99
maneira consistente à medida que altera-se o número de caminhões no ciclo, assim como
quando avaliada em relação à DMT.
Conclui-se assim, que mantidas todas as demais variáveis, a estabilidade operacional

teórica derivada da reprodutibilidade da operação autônoma pode resultar em ganhos de
produtividade, desde que o número de caminhões no ciclo encontre-se na faixa em que
exista interação significativa entre os caminhões, e que ainda não se tenha atingido o
patamar de saturação.
Considera-se a metodologia adotada no SACT como capaz de reproduzir com boa

fidelidade a operação de uma mina, validando, portanto, as conclusões relativas ao
desempenho dos caminhões autônomos frente a caminhões idênticos operador por
humanos.
Sugere-se para trabalhos futuros:
• Novas investigações sobre o comportamento das variáveis estocásticas e seu

ajuste a distribuições estatísticas conhecidas, à luz das diferenças intrínsecas
decorrentes da influência de eventos atípicos nos tempos individuais;
• Estudos adicionais relativos à estabilidade operacional associada a caminhões
autônomos, considerando especialmente as situações em que as condições
operacionais possam prejudicar tal estabilidade;
• Avaliação de tecnologias utilizadas nos equipamentos autônomos, tanto voltados
para a detecção do ambiente e das situações atípicas, como voltados à tomada de
decisão pela máquina, frente a condições que exijam análise complexa partindo
dos sensores do equipamento e seus eventuais impactos sobre a estabilidade
operacional;
• Adicionar novas distribuições estatísticas ao SACT e adicionar a opção de uso de
distribuição empírica;
• Implementar modelos do tipo m-caminhões-n-escavadeiras no SACT.
100
7. REFERÊNCIAS BIBLIOGRÁFICAS
AHANGARAN, D. K.; YASREBI, A. B.; WETHERELT, A.; FOSTER, P. Real-time Dispatching

Modelling for Trucks With Different Capacities in Open Pit Mines. Archives of Mining
Sciences, v. 57, n. 1, p. 39–52, 2012.
ALARIE, S.; GAMACHE, M. Overview of solution strategies used in truck dispatching

systems for open pit mines. International Journal of Surface Mining, Reclamation and
Environment, v. 16, n. 1, p. 59–76, 2002.
ALEXANDRE, R. F. Modelagem , Simulação da Operação e Otimização Multiobjetivo

Aplicada ao Problema de Despacho de Veículos em Minas a Céu Aberto. [s.l.]
Universidade Federal de Minas Gerais, 2010.
ASHTON, A. R. Computer aided analysis and design of mine transportation systems.

[s.l.] University of Nottingham, 1989.
BAJANY, D. M.; XIA, X.; ZHANG, L. A MILP Model for Truck-shovel Scheduling to Minimize
Fuel Consumption. Energy Procedia, v. 105, p. 2739–2745, 2017.
BARBOSA, R. C. Stochastic simulation as a tool for optimizing the allocation of mining

trucksWorld Mining Congress Proceedings. Anais...Rio de Janeiro: 2016
BASTOS, G. S. Methods for Truck Dispatching in Open-Pit Mining. [s.l.] Aeronautics

Institute of Technology, 2010.
BASTOS, G. S. Decision making applied to shift change in stochastic open-pit mining

truck dispatching16th IFAC Symposium on automation in Mining, Mineral and Metal
Processing. Anais...San Diego, california: IFAC, 2013Disponível em:
<http://dx.doi.org/10.3182/20130825-4-US-2038.00090>
BELLAMY, D.; PRAVICA, L. Assessing the impact of driverless haul trucks in Australian
surface mining. Resources Policy, v. 36, n. 2, p. 149–158, 2011.
BIRD, D.; DEAL, C.; THOMSON, A.; VINSON, C. New Technology & Innovation - Report 2
- Autonomous Mining Equipment. London: [s.n.]. Disponível em:
<https://www.rfcambrian.com/index.php/2019/05/15/report-2-autonomous-mining-
equipment/>.
BURT, C. An Optimisation Approach to Materials Handling in Surface Mines. [s.l: s.n.].
BURT, C. N.; CACCETTA, L. Equipment selection for surface mining: A review. Interfaces,
v. 44, n. 2, p. 143–162, 2014.
101
CATERPILLAR INC. Field Guide 2013. Peoria: Caterpillar Inc, 2013.
CATERPILLAR INC. Caterpillar Performance Handbook 48. 3. ed. Peoria: Caterpillar

Inc, 2018a.
CATERPILLAR INC. FPC® - Fleet Production and Cost Analysis, 2018b.
CEKEROVSKI, T. Optimization of Operative Management System of Mobile Mining

Equipment With Application of GPS Technology. [s.l.] Univerzitet Goce Delchev Shtip /
Goce Delcev University, Stip, 2015.
CHAOWASAKOO, P. Matching truck-and-shovel operations in open-pit mines using

statistical data - dispatching strategies, match factor, and age-based maintenance.
[s.l.] Aalto University, 2017.
CHAOWASAKOO, P.; SEPPÄLÄ, H.; KOIVO, H.; ZHOU, Q. Improving fleet management in
mines: The benefit of heterogeneous match factor. European Journal of Operational
Research, v. 261, n. 3, p. 1052–1065, 2017.
COSTA, F. P. DA. Aplicações de Técnicas de Otimização a Problemas de Planejamento

Operacional de Lavra em Minas a Céu Aberto. [s.l.] Universidade Federal de Ouro Preto,
2005.
COSTA, F. P. DA; SOUZA, M. J. F.; PINTO, L. R. Um modelo de programação matemática para

alocação estática de caminhões visando ao atendimento de metas de produção e
qualidade. Rem: Revista Escola de Minas, v. 58, n. 1, p. 77–81, 2005.
COUTINHO, H. L. Melhoria Contínua Aplicada para Carregamento e Transporte na

Operação de Mina a Céu Aberto. [s.l.] Universidade Federal de Ouro Preto, 2017.
CURI, A. Minas a Ceu Aberto: Planejamento de Lavra. 1. ed. São Paulo: Oficina de Textos,
2014.
CURI, A. Lavra de Minas. 1. ed. São Paulo: Oficina de Textos, 2017.
DANTZIG, G. B.; RAMSER, J. H. The Truck Dispatching Problem. Management Science, v.

6, n. 1, p. 80–91, 1959.
DARLING, P. SME Mining Engineering Handbook. 3rd. ed. [s.l.] Society for Mining,
Mettalurgy and Exploration Inc., 2011.
DEMBETEMBE, G. G. Nchanga Open Pit Fleet Optimization for Productivity

Improvement. [s.l.] University of Zambia, 2017.
102
DESTRO, E. Software para Planejamento Operacional de Lavra, Simulação e
Despacho de Caminhões Visando ao Atendimento das Metas de Produção e
Qualidade da Mistura de Minérios. [s.l.] Universidade Federal de Ouro Preto, 2015.
ELBROND, J. Haulage System Analysis: Queuing Theory. In: KENNEDY, B. A. (Ed.). . Surface
Mining. 2nd. ed. Littleton, Colorado: Society for Mining, Mettalurgy and Exploration Inc.,
1990. p. 743–748.
ERCELEBI, S. G.; BASCETIN, A. Optimization of shovel-truck system for surface mining.

Journal of the Southern African Institute of Mining and Metallurgy, v. 109, n. 7, p.
433–439, 2009.
FELSCH JUNIOR, W. S. Análise do Desempenho dos Operadores de Equipamentos de

Mina e Simulação de Cenários Futuros de Lavra: Estudo de Caso - Mina Casa de
Pedra - Congonhas/MG. [s.l.] Universidade Federal de Ouro Preto, 2014.
FELSCH JUNIOR, W. S.; ORTIZ, C. E. A.; OLIVEIRA, V. DE S. Beneficios de la implementación

de un sistema de telemetría para la gestión de las operaciones mineras. Interfases, n. 011,
p. 87–102, 2018.
FJELLSTRÖM, N. Simulation of an Underground Haulage System, Renström Mine,

Boliden Mineral. [s.l.] Luleå University of Technology, 2011.
GÖLBAŞI, O.; DAGDELEN, K. Equipment Replacement Analysis of Manual Trucks with

Autonomous Truck Technology in Open Pit Mines (K. Dagdelen, Ed.)Proceedings of
the 38th International Symposium on the Application of Computers and Operations
Research in the Mineral Industry (APCOM 2017). Anais...Golden, Colorado: Colorado
School of Mines, 2017
HARDY, R. J. Selection Criteria For Loading and Hauling Equipment - Open Pit Mining
Applications Volume 1. [s.l.] Curtin University of Technology, 2007.
HSU, N. Data Quality of Fleet Management Systems in Open Pit Mining: Issues and
Impacts on Key Performance Indicators for Haul Truck Fleets. [s.l.] Queen’s
University, 2015.
HUSTRULID, W.; KUCHTA, M.; MARTIN, R. Open Pit Mine Planning & Design 3rd
Edition. 3. ed. Boca Raton: CRC Press, 2013.
IANNONI, A. P.; CHIYOSHI, F.; MORABITO, R. A spatially distributed queuing model

considering dispatching policies with server reservation. Transportation Research Part
E: Logistics and Transportation Review, v. 75, p. 49–66, 2015.
103
KOMATSU LTD. Komatsu to increase its autonomous trucks fleet in 2020. Disponível
em: <https://www.komatsulatinoamerica.com/chile/en/komatsu-aumentara-su-flota-
de-camiones-autonomos-en-2020/>. Acesso em: 3 ago. 2020.
KRAUSE, A. J. Shovel-Truck Cycle Simulation Methods in Surface Mining. [s.l.]

University of Witwatersrand, 2006.
KRAUSE, A.; MUSINGWINI, C. Modelling open pit shovel-truck systems using the Machine
Repair Model. Journal of the Southern African Institute of Mining and Metallurgy, v.
107, n. 8, p. 469–476, 2007.
LAZARIV, T.; LEHMANN, C. Goodness-of-Fit Tests for Large Datasets. Dresden: [s.n.].
Disponível em: <http://arxiv.org/abs/1810.09753>.
LEHMER, D. H. Mathematical Methods in Large-scale Computing Units. In: The Annals of

The Computation Laboratory of Harvard University. Cambridge, Massachusets:
Harvard University Press, 1951. v. XXVIp. 141–146.
LEITE, A. N. Stochastic optimization approaches to open pit mine planning:

Applications for and the value of stochastic approaches. [s.l.] McGill University, 2008.
LINS DE NORONHA, O.; CANO NUÑEZ, A. E.; REIS, A. F. DOS; ARROYO ORTIZ, C. E.
Dimensionamiento de flota en las operaciones de carguío y transporte usando modelos
de simulación de sistemas. Interfases, n. 011, p. 43–55, 2018.
MAMBO, I. F. Simulação da Operação de Carregamento e Transporte Numa Mina à

Céu Aberto de Carvão. [s.l.] Universidade Federal de Ouro Preto, 2017.
MARTINS, A. G. Simulação das Operações de Lavra da Mina de Brucutu Utilizando um

Modelo de Programação Linear Para Alocar os Equipamentos de Carga. [s.l.]
Universidade Federal de Ouro Preto, 2013.
MATAMOROS, M. E. V. Stochastic Short-term Production Scheduling Accounting for

Fleet Allocation, Operational Considerations, Blending Restrictions and Future
Multi-element Ore Control Data. [s.l.] McGill University, 2014.
MAY, M. A. Applications of Queuing Theory for Open-Pit Truck/Shovel Haulage

Systems. [s.l.] Virginia Polytechnic Institute and State University, 2012.
MEECH, J.; PARREIRA, J. An interactive simulation model of human drivers to study

autonomous haulage trucks. Procedia Computer Science, v. 6, n. December 2011, p.
118–123, 2011.
MENNER, W. A. Introduction to modeling and simulation techniques. John Hopkins APL

Technical Digest, v. 16, n. 1, p. 6–17, 1995.
104
MINITAB INC. Minitab® 17.1.0, 2013.
MINITAB INC. The Anderson-Darling statistic. Minitab 17 Support, 2017.
MINUTEMAN SOFTWARE. GPSS WorldTM 5.2.2, 2010.
NAEEM, H. BIN. Fusion of Operations, Event-log and Maintenance Data: A Case Study
for Optimizing Availability of Mining Shovels. [s.l.] Luleå University of Technology,
2012.
NAGESHWARANIYERGOPALAKRISHNAN, S. Simulation-Based Robust Revenue

Maximization of Coal Mines Using Response Surface Methodology. [s.l.] University of
Arizona, 2014.
ORTIZ, C. E. A.; CURI, A.; CAMPOS, P. H. The Use of Simulation in Fleet Selection and
Equipment Sizing in Mining (C. Drebenstedt & R. Singhal, Eds.)Mine Planning and
Equipment Selection. Anais...Dresden: 2013
PADAN, J. W. Optimum Combination of Truck and Shovel Size for Open Pit Mining.
[s.l.] University of Arizona, 1960.
PARENTE, M. A. Development of an Intelligent Earthwork Optimization System. [s.l.]

Universidade do Minho, 2015.
PARK, S. K.; MILLER, K. W. Random number generators: Good ones are hard to find.
Communications of the ACM, v. 31, n. 10, p. 1192–1201, 1988.
PARREIRA, J. An Interactive Simulation Model to Compare an Autonomous Haulage

Truck System with a Manually-Operated System. [s.l.] University of British Columbia,
2013.
PATTERSON, S. R.; KOZAN, E.; HYLAND, P. Energy efficient scheduling of open-pit coal
mine trucks. European Journal of Operational Research, v. 262, n. 2, p. 759–770, 2017.
PAYNE, W. H.; RABUNG, J. R.; BOGYO, T. P. Coding the Lehmer pseudo-random number
generator. Communications of the ACM, v. 12, n. 2, p. 85–86, 1969.
PEREIRA, R. M. O uso da simulação na análise de cenários em operações de

carregamento e transporte na Mineração Usiminas S.A. [s.l.] Universidade Federal de
Ouro Preto, 2016.
PIDD, M. Computer Simulation in Management Science. 5th. ed. [s.l.] John Wiley & Sons
Ltd, 2004.
105
PINTO, E. B. Despacho de caminhões em mineração usando lógica nebulosa , visando
ao atendimento simultâneo de políticas excludentes. [s.l.] Universidade Federal de
Minas Gerais, 2007.
PINTO, L. R. Metodologia de análise do planejamento de lavra de minas a céu aberto

baseada em simulação das operações de lavra. [s.l.] Universidade Federal de Rio de
Janeiro, 1999.
PRADO, D. S. DO. Teoria das Filas e da Simulação (Serie Pesquisa Operacional -

Volume 2). 5a ed. Nova Lima, Minas Gerais: Falconi Editora, 2014.
PROMODEL CORPORATION. ProModel® 10.4.0, 2020.
QUIQUIA, G. W. M. Mejoramiento continuo en la gestión del ciclo de acarreo de

camiones en minería a tajo abierto en Antamina, Cerro Verde, Toquepala, Cuajone,
Yanacocha, Alto Chicama, Las Bambas, Cerro Corona, Antapacay y Pucamarca. [s.l.]
Universidad Nacional de Ingeniería (Lima - Peru), 2015.
RIBEIRO, C. M. Modelagem e Simulação de Sistemas a Eventos Discretos Via Redes de

Petri Estocásticas: Aplicação em Mineração. [s.l.] Universidade Federal de Minas
Gerais, 2015.
RIVERA, J. R. M. Efectos de la Incorporación de Tecnologías Autónomas en el Diseño

y la Planificación Minera, 2014. Disponível em:
<http://repositorio.uchile.cl/handle/2250/131395>
ROBINSON, J. On the Hamilton Game (a Traveling Salesmen Problem). Arlington, VA:

[s.n.].
ROCKWELL SOFTWARE. Arena® 15.1, 2017.
RODOVALHO, E. DA C. Aplicações de ferramentas de simulação em operações

mineiras para determinação de índices operacionais utilizados em planos de lavra
adaptados ao estudo de caso da Mineração Casa de Pedra - CSN (Congonhas/MG).
[s.l.] Universidade Federal de Ouro Preto, 2013.
RODRIGUES, L. F.; MORABITO, R.; CHIYOSHI, F. Y.; IANNONI, A. P.; SAYDAM, C. Towards
hypercube queuing models for dispatch policies with priority in queue and partial backup.
Computers and Operations Research, v. 84, p. 92–105, 2017.
RODRIGUES, L. F.; PINTO, L. R. Análise comparativa de metodologias utilizadas no

despacho de caminhões em minas a céu aberto. [s.l.] Universidade Federal de Minas
Gerais, 2006.
RUNGEPINCOCKMINARCO LTD. Talpac® 10.2, 2013.
106
RUNGEPINCOCKMINARCO LTD. HaulSim 3.0, 2018.
SAAYMAN, P.; CRAIG, I. K.; CAMISANI-CALZOLARI, F. R. Optimization of an autonomous

vehicle dispatch system in an underground mine. Journal of the Southern African
Institute of Mining and Metallurgy, v. 106, n. 2, p. 77–86, 2006.
SAHOO, L. K.; BANDYOPADHYAY, S.; BANERJEE, R. Benchmarking energy consumption for

dump trucks in mines. Applied Energy, v. 113, p. 1382–1396, 2014.
SALAMA, A. Haulage System Optimization for Underground Mines: A Discrete Event

Simulation and Mixed Integer Programming Approach. [s.l.] Luleå University of
Technology, 2014.
SILVA, J. P. M. DOS S. Em Torno da Dinâmica Não-Linear de Sistemas Discretos de

Carga e Transporte. [s.l.] Faculdade de Engenharia da Universidade do Porto, 2005.
SILVA, M. DE F. Application of Efficient Frameworks for Joint Simulation of Multi-

Element Mineral Deposits and Stochastic Optimization of Open Pit Mine Production
Scheduling. [s.l.] McGill University, 2014.
SOOFASTAEI, A.; AMINOSSADATI, S. M.; KIZIL, M. S.; KNIGHTS, P. A discrete-event model

to simulate the effect of truck bunching due to payload variance on cycle time, hauled
mine materials and fuel consumption. International Journal of Mining Science and
Technology, v. 26, n. 5, p. 745–752, 2016.
SUBTIL, R. F.; SILVA, D. M.; ALVES, J. C. A practical approach to truck dispatch for open pit
mines. 35th APCOM Symposium - Application of Computers and Operations
Research in the Minerals Industry, Proceedings, n. September, p. 765–777, 2011.
TA, C. H.; INGOLFSSON, A.; DOUCETTE, J. A linear model for surface mining haul truck
allocation incorporating shovel idle probabilities. European Journal of Operational
Research, v. 231, n. 3, p. 770–778, 2013.
TORKAMANI, E. Linkage of Truck-and-shovel Operations to Short-term Mine Plans

Using Discrete Event Simulation by. [s.l.] University of Alberta, 2013.
TUKEY, J. W. The Future of Data AnalysisThe Annals of Mathematical Statistics.

Anais...Institue of Mathematical Statistics, 1962Disponível em:
<https://projecteuclid.org/download/pdf_1/euclid.aoms/1177704711>
UPADHYAY, S. P.; ASKARI-NASAB, H. Simulation and optimization approach for

uncertainty-based short-term planning in open pit mines. International Journal of
Mining Science and Technology, v. 28, n. 2, p. 153–166, 2018.
107
WINSTON, W. L. Operations Research: Applications and Algorithms. 4th. ed. [s.l.]
Brooks/Cole—Thomson Learning, 2004. v. 4
ZHANG, L.; XIA, X. An Integer Programming Approach for Truck-Shovel Dispatching

Problem in Open-Pit Mines. Energy Procedia, v. 75, p. 1779–1784, 2015.
108
8. APÊNDICE
8.1 Testes de qualidade do ajuste para tempo de

carregamento
Probability Plot for ESC-1

Goodness of Fit Test
Lognormal - 95% CI Exponential - 95% CI
99,99 99,99 Lognormal
90 AD = 37,549
99
50 P-Value < 0,005
90
10
Percent
Percent
Exponential
50
1
AD = 396,964
10 P-Value < 0,003
1
Normal
0,01 0,01 AD = 4,270
0,1 1 10 0,0001 0,001 0,01 0,1 1 10 100 P-Value < 0,005
ESC-1 ESC-1
Normal - 95% CI
99,99
99
90
Percent
50
10
0,01
0 2 4 6
ESC-1
109
Weibull - 95% CI Gamma - 95% CI
99,99 99,99
Weibull
90 99 AD = 9,965
50
90 P-Value < 0,010
10
Percent
Percent
50
Gamma
1 10
AD = 17,281
P-Value < 0,005
1
Logistic
0,01 0,01 AD = 1,331
0,1 1 10 0,1 1 10
P-Value < 0,005
ESC-1 ESC-1
Logistic - 95% CI
99,99
99
90
Percent
50
10
1
0,01
0 2 4 6
ESC-1

90 AD = 21,475
99 50 P-Value < 0,005
90
10
Percent
Percent
Exponential
50
1
AD = 359,578
10 P-Value < 0,003
1
Normal
0,01 0,01 AD = 4,212
0,1 1 10 0,0001 0,001 0,01 0,1 1 10 100
P-Value < 0,005
ESC-2 ESC-2
Normal - 95% CI
99,99
99
90
Percent
50
10
0,01
0 2 4 6
ESC-2
110
99,99 99,99
Weibull
90 99 AD = 12,968
50
90 P-Value < 0,010
10
Percent
Percent
50 Gamma
1
AD = 9,629
10
P-Value < 0,005
1
Logistic
0,01 0,01 AD = 1,767
0,1 1 10 0,1 1 10
P-Value < 0,005
ESC-2 ESC-2
Logistic - 95% CI
99,99
99
90
Percent
50
10
1
0,01
0 2 4 6
ESC-2
Probability Plot for PCR-3

90 AD = 6,027
99 50 P-Value < 0,005
90
10
Percent
Percent
Exponential
50
1
AD = 240,319
10 P-Value < 0,003
1
Normal
0,01 0,01 AD = 3,068
0,1 1 10 0,0001 0,001 0,01 0,1 1 10 100
P-Value < 0,005
PCR-3 PCR-3
Normal - 95% CI
99,99
99
90
Percent
50
10
0,01
0 2 4 6
PCR-3
111
99,99 99,99
Weibull
90 99 AD = 5,564
50 90 P-Value < 0,010
10
Percent
Percent
50
Gamma
1 10 AD = 2,592
P-Value < 0,005
1
Logistic
0,01 0,01 AD = 3,202
0,1 1 10 0,1 1 10
P-Value < 0,005
PCR-3 PCR-3
Logistic - 95% CI
99,99
99
90
Percent
50
10
1
0,01
0 2 4 6
PCR-3

99 Lognormal
90 AD = 0,668
90 P-Value = 0,069
50
Percent
Percent
Exponential
50
AD = 6,960
10
P-Value < 0,003
10
Normal
1 1 AD = 0,538
2 3 4 0,01 0,1 1 10
P-Value = 0,147
PCR-4 PCR-4
Normal - 95% CI
99
90
Percent
50
10
1
2 3 4
PCR-4
112
99 Weibull
90 AD = 0,619
90 P-Value = 0,096
50
Percent
Percent
50 Gamma
AD = 0,610
10
P-Value = 0,119
10
Logistic
1 1 AD = 0,448
1 2 3 2 3 4
P-Value = 0,220
PCR-4 PCR-4
Logistic - 95% CI
99
90
Percent
50
10
1
1 2 3 4
PCR-4

99 90 AD = 3,381
P-Value < 0,005
90 50
Percent
Percent
10
Exponential
50
AD = 101,932
10 P-Value < 0,003
1
1 Normal
0,1 AD = 4,682
0,1 1 10 0,001 0,01 0,1 1 10 100
P-Value < 0,005
PCR-5 PCR-5
Normal - 95% CI
99,9
99
90
Percent
50
10
1
0,1
0,0 1,5 3,0 4,5
PCR-5
113
99,99 99,9 Weibull
99
90 AD = 6,243
90 P-Value < 0,010
50
Percent
Percent
50
10
Gamma
AD = 2,115
10
P-Value < 0,005
1
1
Logistic
0,1 AD = 2,865
0,1 1 10 0,1 1 10
P-Value < 0,005
PCR-5 PCR-5
Logistic - 95% CI
99,9
99
90
Percent
50
10
0,1
0 2 4 6
PCR-5

99 90 AD = 5,212
P-Value < 0,005
90 50
Percent
Percent
10
Exponential
50
AD = 117,067
10 P-Value < 0,003
1
1 Normal
0,1 AD = 4,104
0,1 1 10 0,001 0,01 0,1 1 10 100
P-Value < 0,005
PCR-6 PCR-6
Normal - 95% CI
99,9
99
90
Percent
50
10
1
0,1
0,0 1,5 3,0 4,5
PCR-6
114
99,99 99,9 Weibull
99
90 AD = 6,963
90 P-Value < 0,010
50
Percent
Percent
50 Gamma
10
AD = 2,914
10
P-Value < 0,005
1
1
Logistic
0,1 AD = 2,544
0,1 1 10 0,1 1 10
P-Value < 0,005
PCR-6 PCR-6
Logistic - 95% CI
99,9
99
90
Percent
50
10
0,1
0,0 1,5 3,0 4,5
PCR-6
Probability Plot for ESC Terceirizada

90 AD = 5,137
99
50 P-Value < 0,005
90
10
Percent
Percent
Exponential
50
AD = 662,886
1
10 P-Value < 0,003
1
Normal
0,01 0,01 AD = 23,044
0,1 1 10 0,0001 0,001 0,01 0,1 1 10 100
P-Value < 0,005
ESC Terceirizada ESC Terceirizada
Normal - 95% CI
99,99
99
90
Percent
50
10
0,01
0 2 4 6
ESC Terceirizada
115
Probability Plot for ESC Terceirizada
99,99
99,99 Weibull
90 99 AD = 27,683
50 90 P-Value < 0,010
10
Percent
Percent
50
Gamma
10 AD = 5,483
1
P-Value < 0,005
1
Logistic
0,01 0,01 AD = 19,631
0,1 1 10 0,1 1 10
P-Value < 0,005
ESC Terceirizada ESC Terceirizada
Logistic - 95% CI
99,99
99
90
Percent
50
10
1
0,01
0,0 2,5 5,0 7,5
ESC Terceirizada
116
8.2 Testes de qualidade do ajuste para tempo de
basculamento
Probability Plot for CFE-1

90 AD = 11,391
99
50 P-Value < 0,005
90
10
Percent
Percent
Exponential
50
1
AD = 244,251
10 P-Value < 0,003
1
Normal
0,01 0,01 AD = 12,710
0,2 0,5 1 0,00001 0,0001 0,001 0,01 0,1 1 10
P-Value < 0,005
CFE-1 CFE-1
Normal - 95% CI
99,99
99
90
Percent
50
10
0,01
0,00 0,25 0,50 0,75
CFE-1

99,99 99,99
Weibull
90 99 AD = 22,912
50
90 P-Value < 0,010
10
Percent
Percent
50
Gamma
1 10
AD = 9,657
P-Value < 0,005
1
Logistic
0,01 0,01 AD = 4,555
0,1 1 0,2 0,5 1
P-Value < 0,005
CFE-1 CFE-1
Logistic - 95% CI
99,99
99
90
Percent
50
10
1
0,01
0,0 0,4 0,8 1,2
CFE-1
117
90 AD = 21,390
99 50 P-Value < 0,005
90
10
Percent
Percent
Exponential
50
1
AD = 205,645
10 P-Value < 0,003
1
Normal
0,01 0,01 AD = 9,103
0,1 1 0,00001 0,0001 0,001 0,01 0,1 1 10
P-Value < 0,005
CFE-2 CFE-2
Normal - 95% CI
99,99
99
90
Percent
50
10
0,01
0,0 0,4 0,8 1,2
CFE-2

99,99 99,99
Weibull
90 99 AD = 8,029
50 90 P-Value < 0,010
10 50
Percent
Percent
Gamma
1
10 AD = 15,284
P-Value < 0,005
1
Logistic
0,01 0,01 AD = 11,522
0,01 0,1 1 0,1 1
P-Value < 0,005
CFE-2 CFE-2
Logistic - 95% CI
99,99
99
90
Percent
50
10
1
0,01
0,0 0,8 1,6
CFE-2
118
90 AD = 40,805
99 50 P-Value < 0,005
90
10
Percent
Percent
Exponential
50
1
AD = 525,340
10 P-Value < 0,003
1
Normal
0,01 0,01 AD = 57,043
0,2 0,5 1 0,0001 0,001 0,01 0,1 1 10
P-Value < 0,005
CFE-5 CFE-5
Normal - 95% CI
99,99
99
90
Percent
50
10
0,01
0,0 0,5 1,0
CFE-5

99,99 99,99
Weibull
90 99 AD = 79,738
50
90 P-Value < 0,010
10
Percent
Percent
50 Gamma
1
AD = 42,731
10
P-Value < 0,005
1
Logistic
0,01 0,01 AD = 36,875
0,1 1 0,2 0,5 1
P-Value < 0,005
CFE-5 CFE-5
Logistic - 95% CI
99,99
99
90
Percent
50
10
1
0,01
0,0 0,4 0,8 1,2
CFE-5
119
99 90 AD = 3,240
P-Value < 0,005
90 50
Percent
Percent
10
Exponential
50
AD = 85,539
10 P-Value < 0,003
1
1 Normal
0,1 AD = 1,194
0,2 0,5 1 0,0001 0,001 0,01 0,1 1 10
P-Value < 0,005
CFE-7 CFE-7
Normal - 95% CI
99,9
99
90
Percent
50
10
1
0,1
0,0 0,5 1,0
CFE-7

99,99 99,9 Weibull
99
90 AD = 2,231
90 P-Value < 0,010
50
Percent
Percent
50
10
Gamma
AD = 1,781
10
P-Value < 0,005
1
1
Logistic
0,1 AD = 0,865
0,1 1 0,2 0,5 1
P-Value = 0,014
CFE-7 CFE-7
Logistic - 95% CI
99,9
99
90
Percent
50
10
0,1
0,0 0,5 1,0
CFE-7
120
90 AD = 12,121
99 50 P-Value < 0,005
90
10
Percent
Percent
Exponential
50
1
AD = 387,219
10 P-Value < 0,003
1
Normal
0,01 0,01 AD = 25,121
0,2 0,5 1 0,00001 0,0001 0,001 0,01 0,1 1 10
P-Value < 0,005
CFE-8 CFE-8
Normal - 95% CI
99,99
99
90
Percent
50
10
0,01
0,0 0,5 1,0
CFE-8

99,99 99,99
Weibull
90 99 AD = 36,792
50 90 P-Value < 0,010
10
Percent
Percent
50
Gamma
1 10 AD = 12,101
P-Value < 0,005
1
Logistic
0,01 0,01 AD = 10,969
0,1 1 0,1 1
P-Value < 0,005
CFE-8 CFE-8
Logistic - 95% CI
99,99
99
90
Percent
50
10
1
0,01
0,0 0,4 0,8 1,2
CFE-8
121
Probability Plot for CRB-1
90 AD = 2,918
99 50 P-Value < 0,005
90
10
Percent
Percent
Exponential
50
1
AD = 158,344
10 P-Value < 0,003
1
Normal
0,01 0,01 AD = 9,723
0,1 1 0,00001 0,0001 0,001 0,01 0,1 1 10
P-Value < 0,005
CRB-1 CRB-1
Normal - 95% CI
99,99
99
90
Percent
50
10
0,01
0,0 0,4 0,8 1,2
CRB-1

99,99 99,99
Weibull
90 99 AD = 10,909
50 90 P-Value < 0,010
10 50
Percent
Percent
Gamma
1 10 AD = 2,901
P-Value < 0,005
1
Logistic
0,01 0,01 AD = 5,131
0,01 0,1 1 0,1 1
P-Value < 0,005
CRB-1 CRB-1
Logistic - 95% CI
99,99
99
90
Percent
50
10
1
0,01
0,0 0,5 1,0 1,5
CRB-1
122
99 90 AD = 3,145
P-Value < 0,005
90 50
Percent
Percent
10
Exponential
50
AD = 99,348
10 P-Value < 0,003
1
1 Normal
0,1 AD = 2,556
0,2 0,5 1 0,001 0,01 0,1 1 10
P-Value < 0,005
CRB-3 CRB-3
Normal - 95% CI
99,9
99
90
Percent
50
10
1
0,1
0,0 0,5 1,0
CRB-3

99,99 99,9 Weibull
99
90 AD = 3,353
90 P-Value < 0,010
50
Percent
Percent
50
10
Gamma
AD = 1,516
10
P-Value < 0,005
1
1
Logistic
0,1 AD = 1,299
0,1 1 0,2 0,5 1
P-Value < 0,005
CRB-3 CRB-3
Logistic - 95% CI
99,9
99
90
Percent
50
10
0,1
0,0 0,4 0,8 1,2
CRB-3
123
8.3 Distribuição cumulativa empírica no
carregamento
Empirical CDF of Tempo de Carga (min)

Lognormal
0,0 2,5 5,0
ESC-1 ESC-2 ESC Terceirizada
100
50
0
PCR-3 PCR-4 PCR-5
100
Percent
50
0
PCR-6 0,0 2,5 5,0
100
50
0
0,0 2,5 5,0

Exponential
0 5 10
100
50
0
PCR-3 PCR-4 PCR-5
100
Percent
50
0
PCR-6 0 5 10
100
50
0
0 5 10
124
Normal
0 2 4
100
50
0
PCR-3 PCR-4 PCR-5
100
Percent
50
0
PCR-6 0 2 4
100
50
0
0 2 4

Weibull
0 2 4
100
50
0
PCR-3 PCR-4 PCR-5
100
Percent
50
0
PCR-6 0 2 4
100
50
0
0 2 4
125
Gamma
0 2 4
100
50
0
PCR-3 PCR-4 PCR-5
100
Percent
50
0
PCR-6 0 2 4
100
50
0
0 2 4

Logistic
0 2 4
100
50
0
PCR-3 PCR-4 PCR-5
100
Percent
50
0
PCR-6 0 2 4
100
50
0
0 2 4
126
8.4 Distribuição cumulativa empírica no
basculamento
Empirical CDF of Tempo de Basculamento (min)

Lognormal
0,4 0,8 1,2
CFE-1 CFE-2 CFE-5
100
50
0
CFE-7 CFE-8 CRB-1
100
Percent
50
0
CRB-3 0,4 0,8 1,2
100
50
0
0,4 0,8 1,2

Exponential
0 1 2
CFE-1 CFE-2 CFE-5
100
50
0
CFE-7 CFE-8 CRB-1
100
Percent
50
0
CRB-3 0 1 2
100
50
0
0 1 2
127
Normal
0,0 0,5 1,0
CFE-1 CFE-2 CFE-5
100
50
0
CFE-7 CFE-8 CRB-1
100
Percent
50
0
CRB-3 0,0 0,5 1,0
100
50
0
0,0 0,5 1,0

Weibull
0,0 0,5 1,0
CFE-1 CFE-2 CFE-5
100
50
0
CFE-7 CFE-8 CRB-1
100
Percent
50
0
CRB-3 0,0 0,5 1,0
100
50
0
0,0 0,5 1,0
128
Gamma
0,3 0,6 0,9
CFE-1 CFE-2 CFE-5
100
50
0
CFE-7 CFE-8 CRB-1
100
Percent
50
0
CRB-3 0,3 0,6 0,9
100
50
0
0,3 0,6 0,9

Logistic
0,0 0,5 1,0
CFE-1 CFE-2 CFE-5
100
50
0
CFE-7 CFE-8 CRB-1
100
Percent
50
0
CRB-3 0,0 0,5 1,0
100
50
0
0,0 0,5 1,0
129
8.5 Quadro consolidado de entrada dos cenários
(autônomo x humano)
DMT V Cheio Desv Pad V Vazio Desv Pad Load Desv Pad Dump Desv Pad
1000 17,57 17,92% 15,99 27,64% 3,00 22,66% 0,47 31,29%
20% Unstable Human
2000 17,57 17,92% 15,99 27,64% 3,00 22,66% 0,47 31,29%
Operador Humano 20% 5000 17,57 17,92% 15,99 27,64% 3,00 22,66% 0,47 31,29%
mais instável que a média
10000 17,57 17,92% 15,99 27,64% 3,00 22,66% 0,47 31,29%
1000 17,57 14,93% 15,99 23,04% 3,00 22,66% 0,47 31,29%
Baseline Human 2000 17,57 14,93% 15,99 23,04% 3,00 22,66% 0,47 31,29%
Operador Humano médio 5000 17,57 14,93% 15,99 23,04% 3,00 22,66% 0,47 31,29%
10000 17,57 14,93% 15,99 23,04% 3,00 22,66% 0,47 31,29%
1000 17,57 12,44% 15,99 19,20% 3,00 22,66% 0,47 31,29%
20% Stable Human
2000 17,57 12,44% 15,99 19,20% 3,00 22,66% 0,47 31,29%
Operador Humano 20% 5000 17,57 12,44% 15,99 19,20% 3,00 22,66% 0,47 31,29%
mais estável que a média
10000 17,57 12,44% 15,99 19,20% 3,00 22,66% 0,47 31,29%
1000 17,57 10,00% 15,99 10,00% 3,00 22,66% 0,47 31,29%
Autonomous 10%
2000 17,57 10,00% 15,99 10,00% 3,00 22,66% 0,47 31,29%
Autônomo com 5000 17,57 10,00% 15,99 10,00% 3,00 22,66% 0,47 31,29%
desvio padrão de 10%
10000 17,57 10,00% 15,99 10,00% 3,00 22,66% 0,47 31,29%
1000 17,57 7,50% 15,99 7,50% 3,00 22,66% 0,47 31,29%
Autonomous 7,5%
2000 17,57 7,50% 15,99 7,50% 3,00 22,66% 0,47 31,29%
Autônomo com 5000 17,57 7,50% 15,99 7,50% 3,00 22,66% 0,47 31,29%
desvio padrão de 7,5%
10000 17,57 7,50% 15,99 7,50% 3,00 22,66% 0,47 31,29%
1000 17,57 5,00% 15,99 5,00% 3,00 22,66% 0,47 31,29%
Autonomous 5%
2000 17,57 5,00% 15,99 5,00% 3,00 22,66% 0,47 31,29%
Autônomo com 5000 17,57 5,00% 15,99 5,00% 3,00 22,66% 0,47 31,29%
10000 17,57 5,00% 15,99 5,00% 3,00 22,66% 0,47 31,29%
1000 17,57 2,50% 15,99 2,50% 3,00 22,66% 0,47 31,29%
Autonomous 2,5%
2000 17,57 2,50% 15,99 2,50% 3,00 22,66% 0,47 31,29%
Autônomo com 5000 17,57 2,50% 15,99 2,50% 3,00 22,66% 0,47 31,29%
desvio padrão de 2,5%
10000 17,57 2,50% 15,99 2,50% 3,00 22,66% 0,47 31,29%
1000 17,57 0,00% 15,99 0,00% 3,00 22,66% 0,47 31,29%
Autonomous 0%
2000 17,57 0,00% 15,99 0,00% 3,00 22,66% 0,47 31,29%
Autônomo com 5000 17,57 0,00% 15,99 0,00% 3,00 22,66% 0,47 31,29%
10000 17,57 0,00% 15,99 0,00% 3,00 22,66% 0,47 31,29%
130
8.6 Quadro consolidado de utilização simulada
Utilização dos Caminhões (%)

DMT 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1000 87 85 82 75 63 54 47 42 38 35 33 31 29 28 27 26 25 25 24 24
2000 87 85 84 82 79 76 72 66 60 55 50 47 44 42 40 38 37 36 35 34
20% Unstable Human
5000 86 85 83 82 81 80 79 78 77 76 75 74 73 72 71 69 67 65 63 61
10000 84 83 82 81 80 79 78 78 77 76 76 76 75 74 74 74 73 73 73 72
1000 87 86 83 75 63 54 47 42 38 35 33 31 29 28 27 26 25 25 24 24
2000 87 86 84 83 80 78 73 66 60 55 50 47 44 42 40 38 37 36 35 34
Baseline Human
5000 86 85 84 83 82 81 80 79 78 77 77 76 75 73 72 70 68 65 63 61
10000 84 84 82 82 81 80 79 79 78 78 77 77 76 76 76 75 75 75 74 74
1000 87 86 83 76 63 54 47 42 38 35 33 31 29 28 27 26 25 25 24 24
2000 87 86 85 83 81 78 73 66 60 55 50 47 44 42 40 38 37 36 35 34
20% Stable Human
5000 86 85 84 83 82 82 81 80 80 79 78 77 76 75 73 71 68 65 63 61
10000 84 84 83 82 81 81 80 80 79 79 79 78 78 77 77 76 76 76 75 75
1000 87 86 84 76 63 54 47 42 38 35 33 31 29 28 27 26 25 25 24 24
2000 87 86 86 85 83 80 74 66 60 54 50 47 44 42 40 38 37 36 35 34
Autonomous 10%
5000 86 86 85 84 84 84 83 82 82 81 81 80 78 77 74 71 68 65 63 61
10000 84 84 83 83 82 82 81 81 81 80 80 80 80 79 79 79 78 78 78 77
1000 87 86 84 76 63 54 47 42 38 35 33 31 29 28 27 26 25 25 24 24
2000 87 87 86 85 84 81 74 66 60 54 50 47 44 42 40 38 37 36 35 34
Autonomous 7,5%
5000 86 86 85 85 84 84 83 83 83 82 82 81 79 78 75 72 68 65 63 61
10000 84 84 83 83 82 82 82 82 81 81 81 81 80 80 80 80 79 79 79 79
1000 87 86 84 76 63 54 47 42 38 35 33 31 29 28 27 26 25 25 24 24
2000 87 87 86 85 84 81 74 66 60 54 50 47 44 42 40 38 37 36 35 34
Autonomous 5%
5000 86 86 85 85 85 84 84 84 83 83 82 82 80 78 75 72 68 65 63 61
10000 84 84 83 83 83 83 82 82 82 82 81 81 81 81 81 80 80 80 80 80
1000 87 86 85 76 63 54 47 42 38 35 33 31 29 28 27 26 25 25 24 24
2000 87 87 86 86 84 81 74 66 60 54 50 47 44 42 40 38 37 36 35 34
Autonomous 2,5%
5000 86 86 85 85 85 85 84 84 84 84 83 82 81 79 75 72 68 65 63 61
10000 84 84 83 83 83 83 83 82 82 82 82 82 82 81 81 81 81 81 80 80
1000 87 86 85 76 63 54 47 42 38 35 33 31 29 28 27 26 25 25 24 24
2000 87 87 86 86 85 82 74 66 60 54 50 47 44 42 40 38 37 36 35 34
Autonomous 0%
5000 86 86 85 85 85 85 84 84 84 84 83 83 81 79 75 71 68 65 63 61
10000 84 84 84 83 83 83 83 83 82 82 82 82 82 82 81 81 81 81 81 81
131
8.7 Quadro consolidado de nº de viagens simuladas
Nº de Viagens
DMT 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1000 115 225 323 391 408 410 412 413 415 416 418 419 421 422 423 425 427 428 430 432
20% Unstable 2000 67 134 195 253 306 353 387 401 404 406 407 409 410 411 414 415 416 417 418 420
Human 5000 30 58 85 112 138 163 187 211 234 256 278 299 317 335 352 365 374 380 385 387
10000 15 29 41 55 66 80 92 105 117 128 140 151 162 173 184 194 205 216 225 236
1000 115 226 326 394 409 411 412 413 415 416 418 419 421 422 424 425 427 428 430 432
Baseline 2000 67 134 197 257 312 359 391 402 404 406 407 409 410 411 413 414 416 417 419 420
Human 5000 30 58 86 114 139 167 190 215 239 262 285 306 326 344 360 372 379 383 386 388
10000 15 29 42 55 68 81 93 106 119 131 143 155 166 177 189 199 210 222 231 242
1000 115 226 328 396 409 411 412 413 415 416 417 419 421 422 423 425 427 428 430 432
20% Stable 2000 68 134 198 259 315 364 394 402 404 406 407 409 410 411 413 414 416 417 419 420
Human 5000 30 58 87 115 141 169 193 219 243 268 292 313 333 352 366 376 382 384 386 388
10000 15 29 42 56 68 82 95 108 120 133 146 158 170 180 192 203 215 227 238 248
1000 115 227 331 399 409 411 412 413 415 416 417 419 421 422 423 425 427 428 430 431
Autonomous 2000 68 135 201 264 322 373 398 402 404 406 407 408 410 411 413 415 416 418 419 421
10% 5000 30 59 88 116 143 171 199 226 252 277 302 325 346 364 375 381 383 385 387 388
10000 15 29 44 57 70 85 97 110 124 136 148 162 174 187 199 212 224 237 248 259
1000 115 228 333 400 409 411 412 413 415 416 418 419 421 422 423 425 427 428 430 431
Autonomous 2000 68 135 201 265 326 376 399 403 404 406 407 408 410 411 413 415 416 417 419 421
7,5% 5000 30 59 88 117 144 173 200 228 255 280 306 330 352 368 378 382 383 385 387 388
10000 15 29 44 57 71 86 99 112 125 139 151 165 177 189 201 215 227 240 252 265
1000 115 228 334 400 409 411 412 413 415 416 418 419 421 422 423 425 427 428 430 431
Autonomous 2000 68 135 201 267 327 378 399 402 404 406 407 408 410 411 413 414 416 417 419 421
5% 5000 30 59 88 117 145 174 202 230 257 284 310 335 356 372 379 382 384 385 387 388
10000 15 29 44 57 72 86 100 114 127 140 154 167 180 192 205 218 230 244 256 268
1000 115 228 334 401 409 410 412 413 415 416 418 419 421 422 424 425 427 429 430 431
Autonomous 2000 68 135 202 267 329 380 400 402 404 405 407 408 410 411 413 415 416 417 419 421
2,5% 5000 30 59 88 117 146 174 203 231 259 287 313 338 359 373 380 382 384 385 387 388
10000 15 29 44 57 72 86 101 114 129 142 156 170 183 196 208 222 234 247 259 273
1000 115 228 334 401 409 410 412 413 415 416 418 419 421 422 424 425 427 429 430 431
Autonomous 2000 68 136 202 268 330 380 400 402 404 405 407 408 410 411 413 415 416 418 419 421
0% 5000 29 59 88 118 146 174 204 232 260 287 314 340 361 374 380 382 384 385 387 388
10000 15 29 44 57 72 86 101 114 129 143 156 170 183 197 210 224 236 249 261 275
132

Uso de Simulação de Eventos Discretos para Avaliação de Desempenho de Caminhões Autônomos em Mineração

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Uso de Simulação de Eventos Discretos para Avaliação de Desempenho de Caminhões Autônomos em Mineração

Enviado por

Direitos autorais:

Formatos disponíveis

MINISTÉRIO DA EDUCAÇÃO

Escola de Minas da Universidade Federal de Ouro Preto

USO DE SIMULAÇÃO DE EVENTOS DISCRETOS

RODRIGO CORREIA BARBOSA

USO DE SIMULAÇÃO DE EVENTOS DISCRETOS PARA AVALIAÇÃO DE DESEMPENHO

Dissertação apresentada ao Programa de Pós-

B238u Barbosa, Rodrigo Correia.

BarOrientador: Prof. Dr. Carlos Enrique Arroyo Ortiz.

Bar1. Lavra de minas - Planejamento. 2. Armazenamento e transporte de

Bibliotecário(a) Responsável: Sione Galvão Rodrigues - CRB6 / 2526

Rodrigo Correia Barbosa

Carlos Enrique Arroyo Or z - Dr. - UFOP

Professor (a) Orientador (a): Carlos Enrique Arroyo Or z - Dr. - UFOP

A auten cidade deste documento pode ser conferida no site h p://sei.ufop.br/sei/controlador_externo.php?

R. Diogo de Vasconcelos, 122, - Bairro Pilar Ouro Preto/MG, CEP 35400-000

Este trabalho apresenta a criação de um simulador especializado para o sistema de

Figura 2: Esquema de cálculo determinístico da produtividade em mineração ............... 12

Figura 3: Técnicas aplicadas ao dimensionamento de frotas. ............................................. 27

Figura 4: Carta de seleção de porte de equipamento. .......................................................... 28

Figura 5: Distribuições dos Tempos de Ciclo da mina Tandung Mayang em Junho/2014.

Figura 6: Frotas e combinações existentes para o ciclo de carregamento e transporte na

Figura 7: Parâmetros para a coleta de dados de tempo de carregamento e basculamento

Figura 8: Distribuições Cumulativas Empíricas para o Tempo de Carregamento da

Figura 9: Diagrama geral do algoritmo implementado para o simulador. ......................... 55

Figura 10: DCA - Diagrama de Ciclos de Atividades do simulador ..................................... 60

Figura 11: Tela Principal do SACT ......................................................................................... 62

Figura 12: Simulação em Execução no SACT ........................................................................ 63

Figura 13: Relatório Numérico de Produção e Tempos do SACT ....................................... 64

Figura 14: Relatório Numérico de Índices Operacionais do SACT...................................... 66

Figura 15: Relatório Numérico de Filas do SACT ................................................................. 67

Figura 16: Relatório Gráfico de Utilização do SACT ............................................................. 69

Figura 17: Relatório Gráfico de Produção do SACT ............................................................. 70

Figura 19: Relatório Gráfico de Fila no Carregamento do SACT ......................................... 72

Figura 20: Histograma do Tempo de Carregamento (Calcário) .......................................... 74

Figura 21: Histograma do Tempo de Basculamento (Calcário) .......................................... 74

Figura 22: Histograma da Velocidade Carregado (Calcário) ............................................... 75

Figura 23: Histograma da Velocidade Vazio (Calcário) ....................................................... 76

Figura 26: Gráfico de Comparação da Produção Simulada (Talpac® x SACT) .................. 85

Figura 27: Cenários de Produção (Humano x Autônomo) .................................................. 88

Figura 28: Comparativo entre o número de viagens do Caminhão Autônomo e do operador

Figura 29: Comparativo entre o número de viagens do Caminhão Autônomo e do operador

Figura 30: Comparativo entre o número de viagens do Caminhão Autônomo e do operador

Figura 31: Comparativo entre o número de viagens do Caminhão Autônomo e do operador

Tabela 2: Distribuição dos dados de entrada da mina de Moatize no modelo de simulação

Tabela 3: Distribuições utilizadas na modelagem da mina Ouro Branco........................... 42

Tabela 4: Distribuições Estatísticas da mina Casa de Pedra .................................................... 44

Tabela 5: Estatísticas dos Dados de Carregamento ............................................................. 49

Tabela 6: Estatísticas dos Dados de Basculamento .............................................................. 50

Tabela 7: Valores de Anderson-Darling para os tempos de carregamento ....................... 51

Tabela 8: Valores de Anderson-Darling para os tempos de basculamento ....................... 52

Tabela 9: Classificação dos dados de entrada do simulador ............................................... 57

Tabela 10: Rota de Transporte no Talpac® ......................................................................... 80

Tabela 11: Validação do SACT em relação ao Talpac® ....................................................... 83

1.1 Justificativa e relevância ......................................................................................................... 11

1.2 Definição do problema de pesquisa.................................................................................... 14

1.3 Objetivos e organização do trabalho .................................................................................. 15

1.3.1 Objetivos específicos....................................................................................................... 15

1.4 Escopo da dissertação e limitações..................................................................................... 16

2. O ESTADO DA ARTE DA SIMULAÇÃO DA OPERAÇÃO DE EQUIPAMENTOS MÓVEIS

2.1 Modelo de carregamento e transporte em mina (truck-shovel) ............................. 18

2.2 Produtividade no contexto da operação de carregamento e transporte ............. 22

2.3 Limitações dos métodos determinísticos ......................................................................... 23

2.4 Técnicas de modelagem do ciclo de carregamento e transporte ............................ 24