Escolar Documentos
Profissional Documentos
Cultura Documentos
Uso de Simulação de Eventos Discretos para Avaliação de Desempenho de Caminhões Autônomos em Mineração
Uso de Simulação de Eventos Discretos para Avaliação de Desempenho de Caminhões Autônomos em Mineração
DISSERTAÇÃO DE MESTRADO
Ouro Preto – MG
2020
RODRIGO CORREIA BARBOSA
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
CDU 622.27:004.94
MINISTÉRIO DA EDUCAÇÃO
UNIVERSIDADE FEDERAL DE OURO PRETO
REITORIA
ESCOLA DE MINAS
DEPARTAMENTO DE ENGENHARIA DE MINAS
FOLHA DE APROVAÇÃO
Uso de Simulação de Eventos Discretos para Avaliação de Desempenho de Caminhões Autônomos em Mineração
Membros da banca
Versão final
Aprovado em 14 de Setembro de 2020
De acordo
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.
Referência: Caso responda este documento, indicar expressamente o Processo nº 23109.009003/2020-58 SEI nº 0106339
https://sei.ufop.br/sei/controlador.php?acao=documento_imprimir_web&acao_origem=arvore_visualizar&id_documento=121179&infra_sistema=1… 1/1
Resumo
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
vii
Figura 18: Relatório Gráfico de Ociosidades do SACT ......................................................... 71
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
viii
Lista de tabelas
Tabela 1: Distribuições aplicáveis para cada variável do ciclo, com base na mina de Orapa
.................................................................................................................................................. 38
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
xi
3.1.5 Mina Casa de Pedra – Minas Gerais/Brasil............................................................. 43
6. CONCLUSÕES ........................................................................................................................................ 99
xii
8.4 Distribuição cumulativa empírica no basculamento ................................................ 127
8.5 Quadro consolidado de entrada dos cenários (autônomo x humano) ............... 130
xiii
1. INTRODUÇÃO
Demais Demais
custos atividades
40% 68%
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.
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
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.
13
operação real pode não se enquadrar bem nos parâmetros de Utilização e Disponibilidade
estimados (Hustrulid et al., 2013; Ta et al., 2013).
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.
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.
14
definidos de forma aleatória e ajustados à distribuição probabilística do evento (Ortiz et
al., 2013).
15
c) Executar simulações e gerar cenários variados, avaliando em cada caso a
produtividade obtida e os índices operacionais para validação do modelo.
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.
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
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.
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.
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.
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.
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).
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).
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.
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).
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 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.
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).
26
SELEÇÃO DE
EQUIPAMENTOS
MINERAÇÃO CONSTRUÇÃO
• 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
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
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).
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.
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.
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.
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.
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%).
35
3. METODOLOGIA PARA A CRIAÇÃO DO SIMULADOR
SACT
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
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
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.
38
Figura 5: Distribuições dos Tempos de Ciclo da mina Tandung Mayang em Junho/2014.
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.
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
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
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.
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.
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.
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
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.
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.
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
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
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.
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.
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.
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.
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.
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.
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.
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
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.
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
55
3.2.1 Dados de entrada
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
Desvio Padrão Não segundos
Média Não segundos
Manobra de Saída no Carregamento
Desvio Padrão Não segundos
Média Sim segundos
Tempo de Basculamento
Desvio Padrão Não segundos
Média Não segundos
Manobra de Entrada no Basculamento
Desvio Padrão Não segundos
Média Não segundos
Manobra de Saída no Basculamento
Desvio Padrão Não segundos
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
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.
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.
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.
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
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).
Pátio (N)
Pré
Troca de Pré Refeição
Refeitório (N) Turno
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
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
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.
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”.
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”.
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).
64
dado de entrada do início do turno, o valor apresentado utiliza a mesma unidade, ou seja:
minutos.
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:
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.
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.
67
Além dos relatórios numéricos, baseados em texto, o SACT traz também quatro relatórios
gráficos.
68
Figura 16: Relatório Gráfico de Utilização do SACT
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.
70
O segundo gráfico consolida as ociosidades no basculamento de maneira análoga ao
primeiro gráfico.
71
Figura 19: Relatório Gráfico de Fila no Carregamento do SACT
3.5 Validação
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®.
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®.
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.
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
Média: 27 s
σ: 10 s
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.
75
Média: 13,6 Km/h
σ: 3,8 Km/h
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.
76
Produtividade Real x Simulada (Mina de Calcário)
20
16 SACT(10)
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.
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):
• Carregamento: (Média de 120s e desvio padrão de 30s);
• 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);
• Basculamento: (Média de 60s e desvio padrão de 20s);
• 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.
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.
• 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.
80
• Tempo de Basculamento: Análogo ao tempo de carregamento.
• 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.
Frotas Simuladas:
82
Tabela 11: Validação do SACT em relação ao Talpac®
VARIÁVEIS TALPAC® SACT
Porte Tempos (s) Km/h
Resistência Rolamento
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.
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.
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.
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 (%)
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
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.
86
quaisquer perfis operacionais, sujeitas a pequenas variações em função das restrições
operacionais de cada mina.
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.
250
Autonomous 10% 2000
Autonomous 10% 5000
Autonomous 10% 10000
Autonomous 7,5% 1000
200
Autonomous 7,5% 2000
Autonomous 7,5% 5000
Autonomous 7,5% 10000
Autonomous 5% 1000
150
Autonomous 5% 2000
Autonomous 5% 5000
Autonomous 5% 10000
Autonomous 2,5% 1000
100
Autonomous 2,5% 2000
Autonomous 2,5% 5000
Autonomous 2,5% 10000
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
88
As cores quentes representam os operadores humanos e as cores frias representam os
caminhões autônomos.
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.
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%
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
Variação do nº de Viagens por Perfil de Transporte em Relação ao
Operador Humano de Referência (DMT = 2.000m) (%)
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
20% Unstable Human Baseline Human 20% Stable Human Autonomous 10%
Autonomous 7,5% Autonomous 5% Autonomous 2,5% Autonomous 0%
91
Variação do nº de Viagens por Perfil de Transporte em Relação ao
Operador Humano de Referência (DMT = 5.000m) (%)
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
20% Unstable Human Baseline Human 20% Stable Human Autonomous 10%
Autonomous 7,5% Autonomous 5% Autonomous 2,5% Autonomous 0%
92
Variação do nº de Viagens por Perfil de Transporte em Relação ao
Operador Humano de Referência (DMT = 10.000m) (%)
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
20% Unstable Human Baseline Human 20% Stable Human Autonomous 10%
Autonomous 7,5% Autonomous 5% Autonomous 2,5% Autonomous 0%
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).
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
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.
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.
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.
96
repetibilidade na execução das etapas do ciclo operacional, resulta em ganhos
consistentes de produtividade, podendo este ganho chegar a 10%.
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.
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.
97
aplicação do caminhão autônomo efetivamente proporcionará ganho de estabilidade e
consequentemente de produtividade.
98
6. CONCLUSÕES
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.
99
maneira consistente à medida que altera-se o número de caminhões no ciclo, assim como
quando avaliada em relação à DMT.
100
7. REFERÊNCIAS BIBLIOGRÁFICAS
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.
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. 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.
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.
CURI, A. Minas a Ceu Aberto: Planejamento de Lavra. 1. ed. São Paulo: Oficina de Textos,
2014.
DARLING, P. SME Mining Engineering Handbook. 3rd. ed. [s.l.] Society for Mining,
Mettalurgy and Exploration Inc., 2011.
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.
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.
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.; 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>.
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.
104
MINITAB INC. Minitab® 17.1.0, 2013.
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.
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.
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.
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.
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.
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.
106
RUNGEPINCOCKMINARCO LTD. HaulSim 3.0, 2018.
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.
107
WINSTON, W. L. Operations Research: Applications and Algorithms. 4th. ed. [s.l.]
Brooks/Cole—Thomson Learning, 2004. v. 4
108
8. APÊNDICE
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
Probability Plot for ESC-1
Goodness of Fit Test
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
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
Probability Plot for ESC-2
Goodness of Fit Test
Weibull - 95% CI Gamma - 95% CI
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
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
Probability Plot for PCR-3
Goodness of Fit Test
Weibull - 95% CI Gamma - 95% CI
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
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
Probability Plot for PCR-4
Goodness of Fit Test
Weibull - 95% CI Gamma - 95% CI
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
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
Probability Plot for PCR-5
Goodness of Fit Test
Weibull - 95% CI Gamma - 95% CI
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
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
Probability Plot for PCR-6
Goodness of Fit Test
Weibull - 95% CI Gamma - 95% CI
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
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
Goodness of Fit Test
Weibull - 95% CI Gamma - 95% CI
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
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
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
Probability Plot for CFE-2
Goodness of Fit Test
Lognormal - 95% CI Exponential - 95% CI
99,99 99,99 Lognormal
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
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
Probability Plot for CFE-5
Goodness of Fit Test
Lognormal - 95% CI Exponential - 95% CI
99,99 99,99 Lognormal
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
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
Probability Plot for CFE-7
Goodness of Fit Test
Lognormal - 95% CI Exponential - 95% CI
99,9 99,99 Lognormal
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
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
Probability Plot for CFE-8
Goodness of Fit Test
Lognormal - 95% CI Exponential - 95% CI
99,99 99,99 Lognormal
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
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
Goodness of Fit Test
Lognormal - 95% CI Exponential - 95% CI
99,99 99,99 Lognormal
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
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
Probability Plot for CRB-3
Goodness of Fit Test
Lognormal - 95% CI Exponential - 95% CI
99,9 99,99 Lognormal
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
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
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
50
0
PCR-3 PCR-4 PCR-5
100
Percent
50
0
PCR-6 0 5 10
100
50
0
0 5 10
124
Empirical CDF of Tempo de Carga (min)
Normal
0 2 4
ESC-1 ESC-2 ESC Terceirizada
100
50
0
PCR-3 PCR-4 PCR-5
100
Percent
50
0
PCR-6 0 2 4
100
50
0
0 2 4
50
0
PCR-3 PCR-4 PCR-5
100
Percent
50
0
PCR-6 0 2 4
100
50
0
0 2 4
125
Empirical CDF of Tempo de Carga (min)
Gamma
0 2 4
ESC-1 ESC-2 ESC Terceirizada
100
50
0
PCR-3 PCR-4 PCR-5
100
Percent
50
0
PCR-6 0 2 4
100
50
0
0 2 4
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
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
50
0
CFE-7 CFE-8 CRB-1
100
Percent
50
0
CRB-3 0 1 2
100
50
0
0 1 2
127
Empirical CDF of Tempo de Basculamento (min)
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
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
Empirical CDF of Tempo de Basculamento (min)
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
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%
desvio padrão de 5%
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%
desvio padrão de 0%
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
(autônomo x humano)
131
8.7 Quadro consolidado de nº de viagens simuladas
(autônomo x humano)
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