Desbloqueo de recursos complejos

Maptek aplica técnicas estadísticas avanzadas para brindar soluciones prácticas a los desafíos mineros, reduciendo la incertidumbre en torno a la programación de la producción de la mina a largo plazo.

Puntos claves

  • Un estudio de Machine Learning mostró que los cambios en la interpretación geológica pueden afectar las ganancias hasta en $ 300 millones por período.
  • El rajo final y los diseños de fases se pueden derivar de modelos agregados de incertidumbre geológica como base para un mejor programa a largo plazo.
  • Las técnicas de optimización en Evolution pueden producir planes rentables que minimizan la incertidumbre en torno a los componentes críticos.

Encima: La variabilidad de las ganancias por período es una consecuencia directa de la incertidumbre geológica

Si le pregunta a un geólogo o ingeniero qué tan seguros están acerca de su modelo o programa, es posible que se sientan confiados o digan "es económicamente viable". Pero, ¿ha intentado cuantificar esa certeza o incertidumbre?

Reducir la incertidumbre en torno a la programación de la producción de minas a largo plazo es el objetivo de un proyecto que se encuentra actualmente en desarrollo en asociación con la Universidad de Adelaide como parte de un programa de investigación e industria del sur de Australia.

El proyecto de modelamiento de incertidumbre utiliza varias tecnologías nuevas, siendo la primera Maptek DomainMCF.

“El uso de Machine Learning para predecir dominios geológicos es muy eficiente y requiere pocos parámetros de entrada. Esto genera modelos que incluyen una medida de la incertidumbre, que luego se puede utilizar para tomar decisiones informadas”, comentó Steve Sullivan, jefe técnico de DomainMCF.

Se genera un modelo agregado promediando múltiples ejecuciones de DomainMCF que naturalmente exhiben variabilidad donde la geología es incierta. Este modelo agregado se utiliza para crear un diseño de escenario y foso definitivo, y proporciona la base para un cronograma a largo plazo utilizando Maptek Evolution Strategy.

La optimización en el modelo agregado crea un cronograma estratégico de mina optimizado para el valor actual neto. Aquí es donde se detiene el análisis convencional. Sin embargo, al evaluar el cronograma en cada ejecución por turno, se obtiene información sobre el impacto económico de la incertidumbre geológica.

Visualización de la incertidumbre en torno a la rentabilidad
Visualización de la incertidumbre en torno a la rentabilidad

Se procesaron diez ejecuciones de los mismos datos compuestos utilizando DomainMCF a través del motor de optimización Evolution Strategy. Los resultados preliminares muestran que la incertidumbre en la geología puede afectar las ganancias hasta en $ 300 millones por período.

La programación se puede analizar para juzgar qué tan sensible es un proyecto a los cambios en la interpretación geológica, un aspecto que se ha pasado por alto en el pasado.

Esto por sí solo es una poderosa herramienta de toma de decisiones para programas de perforación y diseño de rajos. Un objetivo para la siguiente etapa del proyecto es ajustar la optimización para reducir la brecha entre el mejor y el peor resultado para cada período. Esto debería reducir inherentemente la incertidumbre y mejorar la confianza en el resultado.

El Dr. Frank Neumann, líder del Grupo de Optimización y Logística, y la Dra. Aneta Neumann de la Universidad de Adelaide han estado ayudando con el proyecto de modelamiento de incertidumbre.

"La minería implica una gran variedad de incertidumbres que tienen un impacto significativo en la rentabilidad de una operación", dijo el Dr. Frank Neumann.

Las ganancias alcanzables en diferentes años son inciertas debido a la calidad o ley del mineral extraído. Las restricciones como los procesos de molienda deben resolver los componentes estocásticos e inciertos.

"Tratar con estos componentes estocásticos es crucial para una operación eficiente y rentable", continuó Neumann.

Las restricciones estocásticas permiten modelar las incertidumbres y limitar las fallas o los eventos no rentables y no deseados. Este modelamiento se puede lograr con técnicas de Machine Learning como el Deep Learning, que predice resultados en función del aprendizaje previo.

Después de modelar las incertidumbres, los métodos de optimización como la computación evolutiva en el software Evolution, pueden producir planes rentables que minimizan la incertidumbre en torno a los componentes críticos.

Ver el vídeo: Evolution Uncertainty modelling (inglés)