El presente Trabajo de Título se enfoca dentro del marco teórico de la planificación minera. A su
vez, una de las herramientas básicas para la planificación minera es el modelo de bloques, el cual
consiste en una representación discreta de un yacimiento determinado a través de un muestreo
ordenado de las características del terreno. La planificación de extracción de estos bloques se entiende
en este caso como la determinación del año en que cada uno de ellos será extraído a lo largo de un
horizonte dado. Para ello se contó con un Problema de Programación Mixta, el cual al ser ejecutado en
alguna herramienta computacional (en este caso CPLEX) entrega la solución óptima de extracción.
Además se contó con una agregación ‘a priori’ de los bloques en clusters como situación inicial,
realizada en el trabajo de título de Ximena Schultz.
El trabajo tiene como objetivo reducir aun más el modelo, de forma de poder ocuparlo en
Análisis de Escenarios con Procesos Estocásticos (el cual requiere ejecutar el modelo alrededor de
3.000 veces) y además crear un modelo corporativo para CODELCO. Es además deseable que la
solución encontrada no tenga un error mayor al 10% que la original, y en particular inferior al 3% con
respecto a la agregación “a priori” ya mencionada.
La metodología utilizada para llevar a cabo la simplificación consistió en tres etapas. Primero,
hubo una etapa de fijación de variables binarias donde muchas de ellas fueron fijadas en 0 cuando era
posible determinar que al tomar el valor 1 se transgredía alguna restricción. Luego vino una segunda
etapa donde se compactaron la mayoría de los datos que alimentan el problema, reemplazándose
grandes matrices con ceros y unos por pequeños archivos de pares ordenados. La última etapa
consistió en realizar una segunda agregación (“a posteriori”) de modo de formar grupos de clusters de
forma similar a la agregación “a priori”, para disminuir el número de variables utilizando criterios
distintos a la primera.
Finalmente se implementaron exitosamente 4 agregaciones distintas (con un máximo de 2, 3, 4 ó
5 clusters por grupo cada una), donde la mejor de ellas presenta una reducción del 80% del tiempo de
ejecución y un 3% de error con respecto al modelo con agregación “a priori”. Considerando que la
agregación “a priori” presentaba una reducción del tiempo de ejecución del 74% con un 3,62% de
error con respecto al modelo original, el modelo final queda con una reducción del tiempo de
ejecución acumulada del 95% con un 6,51% de error acumulado, con lo cual se cumple que el error
entre el modelo final y el original es inferior a 10%.
Identifer | oai:union.ndltd.org:UCHILE/oai:repositorio.uchile.cl:2250/103096 |
Date | January 2008 |
Creators | Vega Carrizo, Ricardo Andrés |
Contributors | Weintraub Pohorille, Andrés, Facultad de Ciencias Físicas y Matemáticas, Departamento de Ingeniería Industrial, Barrientos Mendoza, Alejandro, Conca Kehl, Patricio |
Publisher | Universidad de Chile |
Source Sets | Universidad de Chile |
Language | Spanish |
Detected Language | Spanish |
Type | Tesis |
Rights | Attribution-NonCommercial-NoDerivs 3.0 Chile, http://creativecommons.org/licenses/by-nc-nd/3.0/cl/ |
Page generated in 0.0014 seconds