OPTIMIZACIÓN INTEGRADORA Y SIMULACIÓN: UNA COMPARACIÓN DE DOS ESTUDIOS DE CASO

EN PLANEACIÓN MINA

ABSTRACTO

Este artículo describe los beneficios de integrar formulaciones de optimización dentro de modelos
de simulación. Se presentan dos casos de estudio diferentes en minería, ambos requieren una
optimización de mezcla. El principal problema es modelar una cadena de suministro compleja que
involucre la combinación de múltiples entradas para producir una cantidad de productos
potenciales para los clientes. El primer enfoque implica resolver un modelo de optimización para
producir un plan a largo plazo, luego simular este plan a lo largo del tiempo sin la capacidad de
cambiar el plan a medida que pasa el tiempo. El segundo enfoque implica un sistema más integrado
donde se ejecutan varias instancias de un modelo de optimización a lo largo de la simulación
utilizando entradas actualizadas. Se proporciona una descripción del problema, proporcionando la
necesidad tanto de optimización como de simulación, y luego se comparan los dos estudios de casos
para mostrar los beneficios de integrar la optimización dentro del modelo de simulación.

1 MODELADO DE UNA CADENA DE SUMINISTRO DE EXPORTACIÓN MINERA

Una cadena de suministro de exportación, comenzando con la extracción de mineral de un pozo y

terminando con la carga de este mineral en embarcaciones en un puerto, es un componente clave
de muchas empresas mineras. Estas cadenas de suministro están compuestas por una serie de
operaciones complejas, como minería, procesamiento de mineral, transporte, gestión de almacenes
y carga de buques. Dos características diferenciadoras de las cadenas de suministro mineras son la
cantidad de tiempo durante el cual operan y los muchos grados de incertidumbre que afectan a
cada enlace de la cadena. La minería, por su propia naturaleza, es una industria intensiva en capital
con ciclos de inversión relativamente largos. La vida útil de la producción minera generalmente
puede durar 30 años o más, que a su vez va precedida de importantes plazos de entrega entre el
descubrimiento del yacimiento y la producción inicial. Sumado a esto, dos áreas clave de
incertidumbre desempeñan un papel impulsor en cualquier proyecto minero: la incertidumbre en
la geología del yacimiento (suministro) y la incertidumbre en el precio de mercado del producto final
(demanda). Estos factores, junto con el tamaño del capital y las inversiones operativas requeridas
en cualquier proyecto minero, hacen del análisis y la gestión del riesgo una función central para
cualquier empresa que participe en la industria minera. Típicamente, la operación y el rendimiento
de cada componente de una cadena de suministro minera se analizan de forma aislada, con poca
consideración dada a su interacción con los procesos ascendentes y descendentes. En realidad, las
influencias estocásticas y dinámicas que afectan a un componente de la cadena pueden tener un
flujo significativo en los efectos de otros subsistemas en la cadena de suministro. Por lo tanto, la
evaluación del desempeño del sistema integrado total necesita capturar la interacción de estos
subsistemas. La simulación de eventos discretos (DES) ha demostrado ser una herramienta
poderosa para modelar cadenas de suministro, capturar la dinámica e interacciones del sistema y
permitir que el desempeño general del sistema integrado se evalúe rigurosamente (Chang
y Makatsoris 2001). La construcción de un modelo de cadena de suministro DES permite emprender
una extensa capacidad y análisis de riesgos antes de cualquier decisión de inversión importante. La
aplicación de DES para modelar cadenas de suministro de minería es particularmente beneficiosa
cuando se utiliza en el proceso de planificación estratégica, para ayudar a la toma de decisiones a
largo plazo. Estas decisiones generalmente se asocian con gastos de capital significativos, y pueden
formar parte de un Estudio de viabilidad previa o de factibilidad bancaria. En un entorno nuevo, la
planificación estratégica se centra en el diseño del proyecto, incluidos aspectos como los requisitos
de infraestructura, el diseño de la planta, la configuración y la capacidad del equipo y la evaluación
de las diferentes opciones para los principios y procesos operativos. Una vez que el proyecto está
en marcha, la planificación estratégica se usa para considerar y evaluar las principales opciones de
expansión de la capacidad e identificar los cuellos de botella del sistema. Si bien el objetivo principal
de las cadenas de suministro de exportación mineras es maximizar la capacidad de producción, es
decir, toneladas de mineral cargadas a los buques en el puerto, en algunas operaciones mineras, el
mineral extraído se mezcla en una variedad de productos con diferentes características antes de ser
exportado Este puede ser el caso de los minerales como el carbón, el hierro y el manganeso. En
estas operaciones, un objetivo adicional, en forma de lograr una calidad de material predeterminada
en los buques, es una medida igualmente importante del rendimiento del sistema. La mezcla
también es de primordial importancia en los procesos de extracción de mineral de extracción
química, como el oro y el níquel. En estos casos, maximizar el rendimiento requiere la creación de
una combinación óptima de insumos. En una cadena de suministro de productos mezclados, el
objetivo de entregar una determinada calidad de producto a menudo entra en conflicto directo con
el objetivo de maximizar la capacidad de producción, lo que resulta en un mayor nivel de
complejidad en toda la cadena de suministro. En las cadenas de suministro como estas, el proceso
de toma de decisiones de planificación del movimiento y mezcla del mineral a través del sistema es
primordial para el rendimiento general del sistema. Es posible capturar este complejo proceso de
planificación en un lenguaje de modelado DES, pero resulta ser una tarea muy difícil y lenta
(Anderson y Evans 2008). Dado que los problemas de planificación a menudo se modelan y
resuelven utilizando un marco de optimización, un enfoque alternativo es desacoplar el proceso de
toma de decisiones del modelo de simulación, desarrollar un modelo de optimización independiente
para él, y luego integrar los dos para crear un modelo holístico de la cadena de suministro. El modelo
de optimización se construye para replicar la actividad de planificación que realizan profesionales
experimentados en el sitio regularmente. La integración de este modelo de optimización en un
marco DES resulta en la creación de un modelo de cadena de suministro que captura el efecto de la
incertidumbre del sistema en múltiples horizontes de tiempo. Esto permite obtener una visión más
profunda del comportamiento del sistema bajo diferentes configuraciones de infraestructura y
filosofías operativas. En la Figura 1 se presenta un ejemplo de una cadena de suministro de
exportación minera genérica que incorpora un componente de mezcla. El suministro de mineral está
determinado por el plan de la mina, que generalmente contiene una cantidad de posibles fuentes
de mineral que estarán disponibles durante la preparación. ventanas de tiempo determinadas. La
demanda del producto final mezclado está dada por el plan de envío, que puede incluir buques
actualmente anclados y esperando ser cargados, así como también cualquier buque designado que
aún no haya llegado al puerto. El mineral en bruto contenido en el plan de mina debe trasladarse
de un pozo a otro a través de una serie de subsistemas intermedios que pueden incluir plantas de
procesamiento, sistemas de transporte (redes ferroviarias o sistemas de transporte) y depósitos.
Una característica de las cadenas de suministro de exportación en la industria minera es la inclusión
de almacenamientos intermedios (reservas y colas) entre estos subsistemas para mitigar el impacto
de la variabilidad del rendimiento del subsistema en el rendimiento general del sistema. En el caso
de una operación de extracción mixta de múltiples pozos y multiproducto, las existencias
intermedias también se utilizan para mezclar el mineral en productos a enviar que cumplan con los
parámetros de calidad especificados, así como para propósitos de almacenamiento intermedio. El
proceso de modelado descrito en este documento es aplicable a una cadena de suministro de
exportación minera como la presentada en la Figura 1.

2. EL COMPONENTE DE SIMULACIÓN

El modelado de simulación de eventos discretos (DES) es el proceso de emular operaciones del

mundo real en un entorno controlado en una computadora. Esta técnica proporciona un proceso
racional y cuantitativo para aumentar la comprensión de las posibles consecuencias de las
propuestas alternativas. Estos pueden variar desde un cambio en las filosofías operacionales hasta
la puesta en marcha de nueva infraestructura. De ahí que el modelado DES sea una herramienta útil
tanto para la toma de decisiones estratégicas a largo plazo como para la planificación a corto plazo
y las decisiones operativas.

Un modelo DES se construye considerando cada elemento físico como una entidad discreta, con su
propio conjunto de propiedades o atributos definidos de manera única (Zeigler, Praehofer y Kim
2000). Estas entidades representan las actividades operacionales que componen los procesos que
se modelan. Las actividades tardan períodos de tiempo finitos para ejecutarse, lo que impone
retrasos a la entidad modelada. El tiempo de procesamiento o las demoras pueden ser de naturaleza
aleatoria, por lo tanto, los métodos estocásticos se utilizan para generar retrasos inducidos
aleatoriamente, todos los cuales dependen de los datos y las reglas operacionales que se definen
para ese proceso o equipo en particular. Esta combinación de eventos lógicos y aleatorios está
diseñada para reflejar el entorno operativo más probable. Cada sistema dentro de un modelo DES
tiene reglas de operación y parámetros individuales que necesitan definirse con precisión. En el
contexto de una operación minera, una cadena de suministro de exportación implica el movimiento
de mineral de pozo a puerto, a través de cualquier cantidad de subsistemas. En muchas cadenas de
suministro mineras, las reglas operativas con respecto al movimiento de mineral se definen
simplemente (por ejemplo, el material en trozos se destina a una pila de trozos y el material de finos
se destina a una pila de finos). La falta de diversificación de productos en estas instancias significa
que hay pocos o ningún requisito de mezcla en toda la cadena de suministro. Estas reglas operativas
simples pueden incorporarse a los modelos DES de la cadena de suministro de la minería con relativa
facilidad, lo que permite que el modelo DES brinde una representación realista de la cadena de
suministro de exportación como un todo. Sin embargo, en algunas cadenas de suministro mineras,
el proceso de mover mineral de pozo a puerto es mucho más complicado. Este es particularmente
el caso cuando el mineral se mezcla en una variedad de productos con diferentes características
antes de exportarse, lo que puede ser el caso de minerales como carbón, hierro y manganeso. Para
operaciones como estas, los movimientos diarios de mineral se planifican y ejecutan normalmente
por grupos de individuos experimentados, que combinan las existencias mineras actuales y los
niveles de existencias con un plan de envío. El proceso de decisión por el que lo hacen es complejo
y no se puede describir con un simple conjunto de reglas. Esto limita la capacidad de un lenguaje de
modelado DES para replicar con precisión el proceso de toma de decisiones que se utiliza en la
práctica y, por lo tanto, proporciona una representación precisa de la cadena de suministro de
exportación.

3 EL COMPONENTE DE OPTIMIZACIÓN

El modelado de optimización es ideal para analizar procesos complejos de toma de decisiones,

donde se ha identificado cualquier cantidad de objetivos (posiblemente en conflicto) como
deseables, sujetos a limitaciones como la capacidad del sistema, las limitaciones operativas y el
tiempo (Winston 1987). Una de las características más poderosas de un modelo de optimización es
su capacidad para considerar cientos de miles de posibilidades y determinar la decisión óptima en
un período de tiempo muy corto. En la industria minera, el modelado de optimización se ha aplicado
ampliamente en la planificación minera a largo plazo, en particular los problemas de programación
de producción y el diseño del pozo (Hustrulid y Kuchta 2006). También es posible aplicar el modelo
de optimización al problema de planificar el movimiento y la mezcla del mineral a través de una
cadena de suministro de exportación compleja, como que se presenta en la Figura 1. Este
componente de optimización se puede integrar en un modelo DES de toda la cadena de suministro,
lo que permite desarrollar un modelo holístico del sistema. Hay varias ventajas de modelar una
cadena de suministro de exportación compleja de esta manera. Automatizar el proceso de generar
los planes y llevarlos a cabo en la simulación reduce la necesidad del aporte humano y ayuda en el
proceso de captura y retención del conocimiento. Además, un modelo de optimización
independiente proporciona la capacidad de modificar y probar fácilmente estrategias de
planificación alternativas de forma aislada. Los modelos de optimización también tienen la
capacidad de evaluar múltiples criterios (por ejemplo, calidad del producto, sobrestadía, cantidad
de tonelada de existencias manipuladas), así como explorar el efecto de cambiar la prioridad de
cada uno de estos objetivos. Se incluye un componente de optimización de un modelo DES de una
cadena de suministro de exportación minera genérica, como el presentado en la Figura 1, para
planificar el movimiento de material a través del sistema en un horizonte temporal a corto plazo;
por ejemplo, quincenalmente, semanalmente o diariamente. De ello se deduce que las entradas al
modelo de optimización son los planes de mina y envío a corto plazo y los niveles y combinaciones
actuales en las reservas intermedias. Las salidas del modelo dirigen el movimiento del material a
través del sistema a lo largo del tiempo a través de las reservas intermedias intermedias para
intentar satisfacer el plan de envío, en términos tanto de la cantidad como de la calidad de los
productos finales enviados. El modelo de optimización está formulado como un programa lineal de
período múltiple de la forma:
donde A es una matriz de m por n, un vector de fila n-dimensional, b un vector de columna de m
dimensiones y un vector de columnas de variables x de n dimensiones (Wolsey 1998). El horizonte
de tiempo que cubrirá el modelo se divide en unidades discretas, por ejemplo, la salida del modelo
puede ser un plan de movimientos de mineral en una base turno por turno para la próxima semana.
Las variables de decisión clave para cada período de tiempo individual incluyen:

 Para cada fosa o cara de minería individual, las toneladas de mineral que se extraen y las
minas que se almacenan para enviarlas;
 Para cada arsenal de minas, las toneladas de productos parcialmente mezclados para
transportar al puerto y qué puerto almacenar para transportarlas;
 Para cada barco cargado durante el período de tiempo, la cantidad de producto mezclado
para cargar de cada reserva de puerto.

El objetivo principal del programa lineal es maximizar el rendimiento del mineral obtenido por el
sistema en el horizonte temporal considerado. También se incluyen objetivos secundarios para
forzar la calidad del producto cargado en los barcos y la combinación de las existencias intermedias
para que estén lo más cerca posible del objetivo, y se incluyen mediante el uso de ponderaciones
de penalización en la función objetivo. Se puede aplicar una amplia gama de restricciones en un
modelo de un problema de asignación como este, y se puede adaptar a la operación específica que
se está modelando (Winston 1987 y Wolsey 1998). Más típicamente en el contexto de una aplicación
minera, se incluyen restricciones para limitar la capacidad de cada elemento de equipo en cualquier
período de tiempo, para monitorear la mezcla de las existencias intermedias y, en algunos casos,
para hacer cumplir una orden de precedencia o secuencia en ciertas actividades o eventos.
Obsérvese que una formulación directa de un problema de planificación que involucre la mezcla
típicamente presentará una serie de restricciones no lineales, lo que puede conducir a
formulaciones matemáticas demasiado complicadas y tiempos de solución poco prácticos. Para
superar este problema, se pueden hacer un pequeño número de suposiciones simplificantes para
permitir que la formulación se linealice y, por lo tanto, reduzca considerablemente el tiempo de
solución del modelo de optimización, sin perder un detalle o precisión significativos en los planes
producidos. Además, el efecto de estas suposiciones simplificadoras puede medirse y evaluarse
directamente a través de los resultados del sistema de simulación.

4 INTEGRACIÓN DE COMPONENTES

En general, un modelo DES de una cadena de suministro de exportación minera considerará el

rendimiento del sistema durante un período de un año, utilizando un plan de mina y un plan de
envío desarrollado para ese año como insumos. El modelo de optimización se utiliza para planificar
los movimientos de material de forma más frecuente, como quincenal, semanal o con varios días de
antelación. El horizonte de tiempo utilizado para el proceso de planificación es un factor importante
para determinar la complejidad del problema de planificación y, por lo tanto, el tiempo de cálculo
requerido para resolver una instancia de problema individual. Cuando se han decidido los horizontes
de tiempo que se utilizarán, por ejemplo, un marco de tiempo de simulación de un año, con
movimientos de mineral planificados cada quince días, se puede comenzar una ejecución de modelo
de simulación ejecutando el modelo de optimización para producir un plan inicial de mineral
movimientos por cada dos semanas del año. El resultado es un plan a corto plazo que luego se
traduce en tareas discretas llevadas a cabo por el modelo de simulación. El modelo DES luego intenta
llevar a cabo estas tareas lo más cerca posible del plan, sujeto a eventos aleatorios y variabilidad. Se
requiere una pequeña cantidad de inteligencia dentro del modelo de simulación para tratar las
ocurrencias inesperadas, como el mal tiempo que hace que la operación se cierre, o la falla no
planificada de los elementos individuales del equipo. Aquí es donde nuestros dos estudios de caso
divergen en el enfoque. Mientras que el primer estudio continúa durante todo el año con el plan
inicial, en el segundo estudio, al final del período definido de planificación a corto plazo, el control
pasa de nuevo al modelo de optimización con un conjunto actualizado de insumos para la siguiente
planificación horizonte. Esto permite que se desarrolle un plan específico para las circunstancias
simuladas de cada período de planificación. Este proceso se repite para cada horizonte de
planificación individual a lo largo de la ejecución de la simulación. Los dos estudios de casos
presentados ahora comparan los resultados de ejecutar una simulación a largo plazo utilizando un
plan fijo único generado por un modelo de optimización al comienzo de la ejecución de simulación,
con un modelo integrado más avanzado que resuelve regularmente la formulación de optimización
con entradas actualizadas a medida que avanza el tiempo de simulación.

5 ESTUDIOS DE CASO

5.1 Optimización desacoplada y Lihir de simulación

Lihir Gold Limited (Lihir) es el propietario y desarrollador de una de las principales minas de oro del
mundo, ubicada en la isla de Lihir, en la provincia de Nueva Irlanda de Papúa Nueva Guinea. Lihir
tiene uno de los recursos de oro más grandes del mundo y se encuentra entre los principales
productores de oro del mundo. TSG Consulting (TSG) fue encargada por Lihir para llevar a cabo un
estudio de simulación como parte de un Estudio de Feabilidad que examina la adición de una línea
de molienda 3Mtpa separada, junto con celdas de flotación y equipos auxiliares, para tratar mineral
de baja ley. Uno de los principales objetivos era investigar si el transportador existente que conecta
las trituradoras a las plantas de procesamiento podría suministrar a ambas plantas el material
suficiente. La Figura 2 muestra un diagrama simplificado de la cadena de suministro.

El impulsor clave del rendimiento del sistema son las autoclaves. El rendimiento de la autoclave
depende de una combinación compleja de componentes del material, principalmente basada en los
niveles de azufre. La mezcla de mineral de alto grado (HGO) con mineral flotante (FGO) en las
autoclaves puede modificarse instantáneamente para mantener una combinación óptima de
componentes; sin embargo, esto a su vez está influenciado por las elecciones anteriores de qué
acciones tienen sido utilizado para componer las existencias de HGO y FGO. Como los dos estudios
de casos presentados en este documento son de naturaleza bastante similar, se proporcionará una
descripción general simplificada para este estudio de caso, centrándose más en el segundo caso de
estudio.
5.1.1 Componente de optimización – Lihir

El componente de optimización se resuelve al comienzo de la ejecución de la simulación, con el

objetivo de maximizar el rendimiento de las autoclaves a lo largo del año, dadas las existencias
disponibles que se esperan para cada período de corto plazo individual. El modelo asume que el
plan óptimo se lleva a cabo exactamente en cada período, de modo que en cualquier momento
todos los niveles de existencias se conocen exactamente y pueden actualizarse con nuevo material
disponible en el plan de la mina para proporcionar un conjunto ampliado de existencias disponibles
para el próximo período. El plan resultante (lista de movimientos de material) proporciona un nivel
óptimo de azufre a las autoclaves en cada período de tiempo.

5.1.2 Componente de simulación – Lihir

Cada período de tiempo tendrá una lista de stocks requerida para ser triturados y transportados a
los molinos, produciendo un nivel dado de azufre en las autoclaves. La simulación intentará llevarlo
a cabo sujeto a toda la variabilidad que ocurre en la vida real (confiabilidad del equipo, fluctuación
en la ley del mineral, impactos en el clima, etc.). Una gran parte de un modelo de simulación
involucra tareas mundanas tales como mover mineral de A a B, asegurar que los contenedores
mezclen material, etc. Estos procesos funcionan de la misma manera en todos los modelos y pueden
simplificarse usando plantillas. La parte interesante de cada modelo es la lógica operativa. Las dos
áreas principales de lógica operativa dentro del modelo de simulación Lihir fueron:

 mantener las existencias de mineral grueso (COS) llenas, y;

 manteniendo las autoclaves funcionando a una concentración de azufre apropiada.

estas dos secciones del modelo fueron referidas como los dos cerebros. manejaron las decisiones
desde un alto nivel, análogamente a un operador de sala de control que tiene una vista de alto nivel
de la operación y puede tomar decisiones basadas en mucha información.

5.1.3 Almacén de Cerebro

El cerebro de la pila controlaba el nivel de COS al cambiar qué material se extraía y se batía a través
del circuito de trituración y transporte. De interés principal fue el nivel relativo de HGO a FGO en el
COS. El cerebro de las reservas era de naturaleza simplista. Se colocaron varios puntos de
interrupción en los niveles de cada pila de existencias, lo que les permitió definirse en términos de
zonas (lleno, medio lleno, vacío por ejemplo). Si una de las existencias estaba en una zona inferior a
la otra, intentaría enviar todos los camiones para transportar ese material y luego hacer una
campaña hacia abajo del circuito de trituración y transporte hacia la COS. Se aplicó una campaña
mínima para asegurar que el modelo no cambiar constantemente entre HGO y FGO.

5.1.4 Cerebro de concentración

La concentración del cerebro controlaba la concentración de azufre en los tanques de preoxidación

que alimentan las autoclaves. Lo hizo variando la tasa de HGO Mills y la cantidad de concentrado de
FGO agregado. El sistema de transferencia en el tanque de concentración solo permitía una
velocidad de transferencia, efectivamente activada o desactivada, por lo que la concentración de
azufre en los recipientes de oxidación previa rebotaba entre rangos aceptables

5.1.5 Resultados
El objetivo principal de determinar si el sistema transportador podría suministrar ambas plantas se
cumplió, incluso en el peor de los casos. Sin embargo, hubo otros dos hallazgos importantes.En
primer lugar, una suposición clave del modelo de optimización es que todas las existencias
disponibles en un período se combinan para producir una sola calificación promedio para alimentar
a las autoclaves. En realidad, el grado real de azufre varía considerablemente con el tiempo,
dependiendo del método de elección de bloques para alimentar el COS. La Figura 3 muestra la
variación en el nivel real de% de azufre en comparación con el nivel esperado en el modelo de
simulación. Las fluctuaciones instantáneas del nivel de azufre pueden tener serios impactos en el
funcionamiento de la planta y, por lo tanto, en el rendimiento. Esto resalta el beneficio de la
simulación para comprender el impacto de la variabilidad de la vida real.

Falta

Con el fin de proporcionar resultados más realistas con la simulación en años posteriores, se
tuvieron que imponer suposiciones simplificadoras para garantizar que las existencias reflejaran
más fielmente lo que estaba en el plan original.

5.2 Optimización y simulación integradas – KPC

PT Kaltim Prima Coal (KPC) opera una mina de carbón cerca de Sangatta en Kalimantan Oriental,
Indonesia. El carbón se extrae en varios grados y se mezcla a través de una serie de reservas
intermedias que están unidas por un transportador terrestre de 13 km (OLC) antes de ser cargadas
como productos múltiples en los buques. Para determinar las posibles consecuencias del aumento
de la producción y los escenarios de producción alternativos, KPC requirió una comprensión de la
interacción entre el rendimiento y la calidad, y cómo éstos se ven afectados por los cambios en la
infraestructura y / o la política operativa. Como punto de partida, se construyó un modelo DES de
la cadena de suministro de exportación de KPC. La evaluación inicial encontró que los resultados del
modelado no se reconciliaron lo suficiente con el rendimiento real de la operación. Investigaciones
posteriores encontraron que la actividad de planificación que se realiza regularmente en el sitio para
asignar movimientos de mineral desde el pozo para satisfacer la demanda del producto en el puerto
no se pudo capturar con suficiente precisión dentro del marco DES. Como resultado, se desarrolló
un modelo de optimización del proceso de planificación para ser incorporado dentro del modelo
DES de toda la cadena de suministro. La naturaleza de la planificación de la operación de KPC para
lograr las cualidades del carbón contratado implica múltiples objetivos, incluidos el rendimiento, la
mezcla y la entrega a tiempo a los buques. Como resultado, el modelo de optimización que se
construyó necesitaba incorporar estos objetivos múltiples, así como también tener la capacidad de
interactuar con el modelo DES. La integración del componente de optimización dentro del modelo
DES permitió a KPC vincular los efectos de las incertidumbres de la vida real con los planes
estratégicos que se están desarrollando. La adición e integración del componente de optimización
dentro del modelo DES fue una tarea compleja. De forma aislada, los tres elementos clave de este
modelo (modelo de cantidad, modelo de calidad y planificación) están bien establecidos; sin
embargo, la adición incremental de cada uno de estos elementos en un marco integrado de DES y
optimización aumenta en gran medida la complejidad del modelo.

5.2.1 Componente de simulación – KPC

El modelo DES integrado en la cadena de carbón de KPC es un modelo grande y complejo que
incorpora muchas características para permitirle replicar con precisión la operación real. Las
entradas para este modelo incluyen:

 Capacidad y capacidad clave de planta y equipo;

 Configuración del equipo;
 Fiabilidad del equipo (tiempo de inactividad planificado y no planificado);
 Plan de mina;
 Plan de envío (pronóstico).

La capacidad y confiabilidad del equipo se determina a través del análisis del desempeño histórico
de la operación existente. La configuración del equipo se basa en la operación actual y puede
manipularse para simular diferentes condiciones operativas o expansiones de capital. KPC
suministra los planes de envío y envío en forma de archivos de registro de mina y la hoja de cálculo
del programa de envío actual. Los escenarios se organizan manipulando estos parámetros clave de
entrada para probar el sistema bajo diferentes condiciones.

5.2.2 Componente de optimización – KPC

El objetivo principal de la optimización es determinar una secuencia de tareas para entregar el

carbón requerido a los buques que esperan en el corto a mediano plazo. La diferencia clave entre
esta formulación de optimización y la desarrollada para el Caso de Estudio 1 (Lihir) es que en lugar
de producir una mezcla óptima de insumos para un proceso químico, este modelo de optimización
produce una combinación óptima para cada barco. El modelo está formulado en Lingo utilizando
una combinación de técnicas de modelado bien conocidas (Schrage 2000 yWolsey 1998). El modelo
DES luego sigue la lista de tareas producidas hasta el momento en que las tareas se completan o se
requiere replanificación.

Planeando el horizonte. El horizonte de planificación utilizado en el modelo de optimización puede

variarse. Después de una fase de prueba, se estableció que un horizonte de planificación de 21
turnos (7 días), con planes actualizados cada 9 turnos (3 días), proporcionaba resultados realistas y
no requería tiempos de solución excesivos. Además, este enfoque aseguró que el modelo DES fuera
poco probable que se desincronizara significativamente con el plan.

Función objetiva. La siguiente es una lista de objetivos incluidos en el modelo de optimización. La

importancia de cada uno de estos objetivos se controla ponderando multiplicadores en el
solucionador.

 Maximiza el rendimiento En primer lugar, esto es para maximizar el tonelaje en el OLC, sin
embargo, también se pretende maximizar las toneladas extraídas y las toneladas
despachadas.
 Minimice la desviación de la calidad de todas las reservas de minas y puertos desde sus
límites inferiores y superiores asignados. La desviación de calidad se calcula creando una
variable para registrar la diferencia entre la calidad deseada y la real, y luego incluir esta
variable en la función objetivo con un valor negativo para penalizar la desviación.
 Minimiza la desviación de cada # ??????? calidad objetivo (demanda del producto).
 Cargue cada recipiente lo más rápido posible.

Restricciones La siguiente es una lista de las restricciones que el modelo de optimización debe
respetar cada vez que se le pide que construya un plan.

Hoyos

 Solo bloques de minas que están disponibles en cada hoyo.

 Los bloques deben explotarse en una secuencia que respete las restricciones de seguridad
en los pozos.
 No exceda la capacidad de la pala en ningún pozo ni en todos los pozos en ningún turno.
 No extraiga más que el tonelaje de cualquier bloque dado.

Transportador terrestre

 No exceda la velocidad máxima de transporte.

Reservas de puertos

 No exceda la capacidad de cada arsenal de puertos.

 Intentar mantener la calidad de cada reserva de puerto dentro de su rango de calidad
designado en todo momento.
 No exceda la capacidad total del puerto.

Buques
  Cargar buques a su tonelaje declarado.
 No cargue las embarcaciones antes de su hora de llegada.
 No exceda la capacidad nominal del cargador del barco.
 Intente cargar cada recipiente con la calidad designada de cada producto requerido.

5.2.3 Resultados

Análisis de escenario. El modelo integrado de DES se ha utilizado para evaluar las consecuencias de
decisiones estratégicas a largo plazo, decisiones de planificación a corto plazo y toma de decisiones
operativas al crear y evaluar planes semanales. En cualquier aplicación, el modelado DES es un
proceso complejo que tiene la capacidad de generar una cantidad significativa de resultados de
salida. La interpretación de estos resultados requiere un conocimiento profundo del modelo y sus
resultados. Para describir mejor el rendimiento de la operación en diferentes escenarios operativos,
se ha identificado un número reducido de Indicadores clave de rendimiento (KPI) que permiten una
comprensión simplificada y manejable de los resultados del modelo.

El rendimiento del sistema es una combinación de los KPI que describen la capacidad del sistema
para cargar carbón en los buques en la cantidad y calidad correctas dentro de marcos de tiempo
razonables. Por lo tanto, el rendimiento del sistema no puede describirse solo por ningún indicador
de rendimiento, sino que es una combinación de KPI. Además, probar el sistema con un solo
rendimiento no es suficiente para permitir la identificación exitosa de los cuellos de botella del
sistema y las ineficiencias. Por el contrario, para establecer la sensibilidad del rendimiento del
sistema, el modelo se ejecuta con un rango de niveles de rendimiento, es decir, utilizando planes de
mina y envío con diferentes niveles de demanda y suministro de carbón. Esto establece una curva
de respuesta para el sistema, que describe el rendimiento del sistema a medida que aumentan las
demandas sobre él.

Para permitir una comprensión completa del rendimiento del sistema, la combinación de los
siguientes dos KPI es el enfoque del modelo DES integrado de la operación de KPC:

 Cantidad: toneladas trasladadas de la mina al barco y la utilización de las reservas

intermedias.
 Calidad: el partido entre los envíos contratados por los clientes y el carbón que realmente
se carga en sus buques. La calidad se mide por el valor calorífico bruto (GCV) del carbón.

Cantidad: el modelado DES le permite al usuario cuantificar la cantidad de producción extra de una
expansión de capital propuesta, así como proporcionar información valiosa sobre los efectos
auxiliares de cualquier acción. Esto es particularmente valioso en sistemas que contienen muchos
componentes que interactúan, como la operación de KPC. Probar la sensibilidad del rendimiento
del sistema a diferentes velocidades de equipos permite determinar el beneficio potencial de
cambiar las filosofías operativas utilizadas en esta área de la cadena de suministro, y también
proporciona un medio para evaluar si cada equipo es o podría ser un restricción o cuello de botella
en el sistema general.

Calidad: en la operación de KPC, la calidad del carbón se mide por el valor calorífico bruto (GCV). El
modelo integrado de DES incorpora el seguimiento de la calidad del carbón a través del sistema y,
por lo tanto, tiene la capacidad de medir la calidad del carbón cargado en los buques. Para
cuantificar la efectividad de la operación bajo varios escenarios, es necesario comparar la calidad
del envío contratado del carbón con la calidad cargada.

Ejemplo: El siguiente es un ejemplo del análisis que se puede llevar a cabo utilizando el modelo DES
integrado de la Cadena de carbón KPC. Este ejemplo examina el efecto de una potencial inversión
de capital para actualizar el cargador del barco para permitirle operar a un ritmo mayor, tanto de
manera aislada como junto con la opción de realizar una inversión adicional para actualizar el OLC
para permitirle también operar a una tasa mayor.

La Figura 5 examina el impacto de las mejoras de capital propuestas en la cantidad lograda por la
operación, medida por el KPI de toneladas enviadas durante un año. La línea Base Case muestra que
la operación actual tiene poco exceso de capacidad para hacer frente a cualquier aumento en la
demanda. Actualizar el OLC o el cargador del barco de manera aislada permite obtener ganancias
en el rendimiento, mientras que gastar el capital adicional para mejorar ambos elementos tiene
claramente el mayor impacto para el rendimiento potencial de la operación cuando la demanda de
envío aumenta en 5 % La disminución en la mejora en todos los escenarios cuando la demanda de
envío se incrementa en un 10% indica que el requisito de cumplir con la calidad contratada en cada
buque tiene una mitigación. Se obtuvo el beneficio de la mayor tasa de producción en este nivel de
demanda, ya que los barcos demandan toneladas de una calidad designada en lugar de simplemente
toneladas. Esto puede indicar un desajuste entre la calidad proporcionada por el plan de la mina y
la calidad exigida por el plan de envío, o que el cuello de botella que restringe la operación se haya
desplazado, posiblemente a la tasa de extracción o al tamaño de la pila. Con este conocimiento, el
modelo integrado de DES se puede utilizar para investigar un nuevo conjunto de escenarios que
consideran actualizaciones de capital alternativas y planes de entrada en estas áreas de la
operación. Las estimaciones de precios y costos se aplican para determinar cuáles de las mejoras de
capital potenciales son financieramente viables y proporcionan el mayor retorno de la inversión.

Para evaluar el impacto de las mejoras de capital propuestas en la calidad del carbón, se produce
un cuadro como el presentado en la Figura 6 para cada combinación de demanda y configuración
del equipo. Este cuadro compara la calidad del envío contratado del carbón con la calidad cargada
real. Cada punto del gráfico representa un recipiente cargado. El eje y mide la diferencia entre la
calidad contraída y la calidad real del carbón cargado por cada buque. Por lo tanto, un valor positivo
de y indica que el modelo ha excedido la calidad de carbón contraída para ese barco en particular.
El aumento en la magnitud del error de calidad del carbón hacia el final del año indica un desajuste
entre el plan de la mina y el plan de comercialización (envío) desarrollado para el año. Al final del
año, existe la posibilidad de que la mayoría de las existencias existentes, tal como se define en el
plan de la mina, se agoten, lo que se traduce en la calidad de cada pila intermedia del sistema, lo
que hace que sea más difícil producir la mezcla requerida para cada recipiente. Dado que hay más
de un producto final, cada uno con una receta de mezcla única y muchas existencias intermedias, el
agotamiento de las existencias de productos crudos significa que la calidad de ciertos productos
finales puede estar por encima del nivel contratado al mismo tiempo que la calidad de otros
productos. los productos finales están por debajo de su nivel contratado.

Un KPI que mide el porcentaje de buques cargados dentro de un porcentaje definido de la calidad
del carbón contratado se utiliza para evaluar el rendimiento de la operación con respecto a la calidad
del carbón. Los beneficios de las mejoras de capital, como el aumento de las capacidades de acopio,
se pueden demostrar en una gráfica como la Figura 6 mediante una reducción en los eventos a lo
largo del año donde el error de calidad del carbón excede un nivel predeterminado, por ejemplo +/-
10%.

Al integrar la optimización dentro de la simulación, se han cumplido más del 95% de los objetivos
de calidad de los barcos. Sin el beneficio de la información continuamente actualizada, estos
objetivos son extremadamente difíciles de alcanzar.

6. CONCLUSIONES

La aplicación de un modelo DES correctamente desarrollado proporciona una gama de beneficios

significativos al evaluar una cadena de suministro de exportación integrada. Estos beneficios
incluyen la capacidad de examinar las compensaciones entre las diferentes opciones para el gasto
de capital, así como evaluar las prácticas operativas alternativas, incluidas las opciones de
mantenimiento, mediante la cuantificación del rendimiento potencial.

En el caso de operaciones mineras que tienen objetivos múltiples y contradictorios, tales como
entregar una cierta calidad del producto y al mismo tiempo intentar maximizar la capacidad de
producción, es posible desacoplar el proceso de toma de decisiones de planear el movimiento y la
mezcla del mineral a través del minería de la cadena de suministro del modelo DES, desarrollar un
modelo de optimización independiente para él, y luego integrar los dos para crear un modelo
holístico de la cadena de suministro.

Integrar la optimización dentro de una simulación permite una representación más precisa del
sistema, proporcionando una solución más óptima. La compensación de esto es que los tiempos de
ejecución pueden volverse problemáticos, lo que posiblemente requiera simplificar los supuestos
de la optimización.

REFERENCIAS

Anderson, N. y G.W. Evans. 2008. Determinación de políticas de operación para un sistema de

transporte de barcazas a través de modelos de simulación y optimización. En los procedimientos de
la Conferencia de simulación de invierno de 2008, ed. S. J. Mason, R. R. Hill, L. Monch, O. Rose, T.
Jefferson y J. W. Fowler. 2756> 2760. Piscataway, Nueva Jersey: Instituto de Ingenieros Eléctricos y
Electrónicos, Inc.

Chang, Y. y H. Makatsoris. 2001. Modelado de la cadena de suministro utilizando simulación. Revista

Internacional de Simulación 2 (1): 24> 30.

}Hustrulid, W. y M. Kuchta. 2006. Planificación y diseño de minas a cielo abierto. Londres: Taylor y
Francis. Schrage, L. 2000. Modelado de optimización con Lingo. Chicago: Sistemas LINDO. Winston,
W.L. 1987. Investigación operativa: aplicaciones y algoritmos. California: Duxbury Press. Wolsey, L.A.
1998. Programación de enteros. Nueva York: Wiley-Interscience. Zeigler, B.P., H. Praehofer y T.G.
Kim. 2000. Teoría del modelado y la simulación. California: Aca-demic Press.

BIOGRAFÍAS DEL AUTOR

TOM SANDEMAN es un consultor en TSG Consulting. Ha estado trabajando en TSG durante 7 años
en una variedad de proyectos aplicando simulación y optimización para ayudar a los clientes a tomar
las mejores decisiones al comprar capital nuevo y utilizar su infraestructura existente. Tiene un
doble título en Ciencia y Comercio (con honores en Economía) de la Universidad de Melbourne, así
como un Diploma de Programación de Negocios. Su dirección de correo electrónico es
<tom@tsgconsulting.com.au>. CHRIS FRICKE es consultor en TSG Consulting, donde aplica
metodologías discretas de simulación y optimización de eventos para construir modelos de sistemas
dinámicos complejos, en particular para aplicaciones en la industria minera. Él tiene un Ph.D. en
Investigación de Operaciones de la Universidad de Melbourne, Australia. Su dirección de correo
electrónico es <chris.fricke@tsgconsulting.com.au>. PETER BODON es Director en TSG Consulting.
Su dirección de correo electrónico es <peter@tsgconsulting.com.au>.

CHRIS STANFORD es gerente de tecnología de carbón en PT Kaltim Prima Coal. Su dirección de

correo electrónico es <Chris.Stanford@kpc.co.id>.