Modelo predictivo de planificación operativa bajo el enfoque de machine learning para gestionar los tiempos de ciclo del volquete en una mina subterránea

Abstract

El acarreo en minas subterráneas por lo general conlleva un gran costo operacional, por lo que es necesario nuevas metodologías que aporten a la gestión de datos del volquete y con ello se pueda optimizar el ciclo de acarreo. En tal sentido, a partir del tratamiento de datos del sistema de gestión de flota de la mina subterránea ubicada al centro del Perú , se aplicó la técnica de automatización machine learning para estimar los tiempos del ciclo del volquete. Es importante mencionar, que para la predicción se emplearon un inventario de 590,088 de datos comprendidos por la fecha, turno, tiempo de carga, tiempos de descarga, tiempo del ciclo de los volquetes, polígono, banco, material, equipo de carguío, equipo de acarreo, locación de descarga, viajes, distancia de acarreo/retorno. Dicha información fue tomada desde marzo hasta julio del presente año. Así mismo, dentro del proceso de selección del tipo de algoritmo de machine learning a utilizar, se seleccionó a la red neuronal backpropagation (BP), la cual está compuesta por una capa de entrada con 17 neuronas, una capa oculta con 100 neuronas y una capa salida con 1 neuronas. Además, la programación de la red neuronal BP se llevó a cabo utilizando el 80% de los valores para el entrenamiento, 10 % para la validación del modelo predictivo y finalmente 10% del conjunto total de datos para la prueba. El modelo predictivo desarrollado tuvo un valor de RMSE de 0.26 en su validación realizada, lo que significa que el modelo tiene un buen rendimiento y capacidad de predicción. Por lo tanto, los resultados que se obtengan en la posterior prueba pueden ser utilizados por el área de operaciones para mapear las rutas de manera más eficiente. En ese sentido, la ruta que parte del Tajo 590, ubicado en el subnivel 4055 hacia la locación de descarga denominada “Cancha Sur Marginal 2” es una ruta crítica, debido que su valor real del tiempo del ciclo de acarreo supera al valor predicho tanto por el límite superior como inferior, esto puede indicar posibles problemas o desafíos operativos que deben abordarse para mejorar la eficiencia y el rendimiento del ciclo del volquete CV 31 en la ruta identificada.

The haulage in subway mines usually involves a high operational cost, so new methodologies that contribute to the data management of the dumper are needed to optimize the haulage cycle. In this sense, based on the treatment of data from the fleet management system of the subway mine located in central Peru, the machine learning automation technique was applied to estimate the dumper cycle times. It is important to mention that an inventory of 590,088 data comprising date, shift, loading time, unloading time, dump truck cycle time, polygon, bench, material, loading equipment, haulage equipment, unloading location, trips, haulage/return distance were used for the prediction. This information was taken from March through July of this year. Likewise, within the selection process of the type of machine learning algorithm to be used, the backpropagation (BP) neural network was selected, which is composed of an input layer with 17 neurons, a hidden layer with 100 neurons and an output layer with 1 neuron. In addition, the BP neural network programming was carried out using 80% of the values for training, 10% for predictive model validation and finally 10% of the total data set for testing. The predictive model developed had an RMSE value of 0.26 in its validation, which means that the model has a good performance and predictive capacity. Therefore, the results obtained in the subsequent test can be used by the operations area to map routes more efficiently. In that sense, the route starting from Pit 590, located at sublevel 4055 towards the unloading location called "Cancha Sur Marginal 2" is a critical route, because its actual value of haul cycle time exceeds the predicted value by both the upper and lower limit, this may indicate possible operational problems or challenges that need to be addressed to improve the efficiency and performance of the CV 31 dump truck cycle on the identified route.