MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 570 / MARZO 2025 34 En el artículo A guide for pit optimization with Pseudoflow in python (Avalos y Ortiz, 2020), se proporcionan detalles adicionales sobre el uso del algoritmo de pseudoflow y su implementación en el lenguaje Python. Este recurso puede servir como referencia para investigadores interesados en aplicar esta metodología en la optimización de tajos mineros. Una vez obtenido el código de optimización de tajos, se procede a aplicar condicionales y bucles para gestionar diversas restricciones durante la ejecución del programa. Una de estas restricciones consiste en evaluar qué sucede si el break-even es igual a la ley de corte. Es importante resaltar que la ley break-even se refiere al uso del prefijo “cog1” como un dato de ingreso para el proceso de optimización del tajo. Dentro de este grupo podrían existir diversos tipos de materiales que serán nombrados subsecuentemente y que están vinculados con los materiales finos (cog1_1) y gruesos (cog1_2). Mientras que la ley de corte “cog2” hace referencia a la ley de corte con las que se cuantificarán las reservas dentro del tajo optimizado tanto para los minerales finos (cog2_1) así como gruesos (cog2_2) (Hall, 2019). En caso que cog1 es diferente a cog2, se ejecuta una función específica para utilizar el algoritmo de optimización. En cambio, si son iguales, no se realiza ninguna acción adicional. import subprocess import subprocess import os import pandas as pd import psutil import pseudoflow pr1 = 'PROCESS1' pr2 = 'PROCESS2' pr3 = 'PROCESS3' pr4 = 'PROCESS4' pr5 = 'PROCESS5' cog1_cog2_equal = 1 df_1 = pd.read_csv('known/' + pscsv) var_1 = [ ] for col in df_1.col: var1 = '_'.join(df_1[col][0:3].astype(str).str.strip().tolist()) var_1.append(var1) with open(pscsva, 'a') as f: f.write(','.join(var_1)) df_2 = pd.read_csv('known/' + ppcsv) var_2 = [ ] for col in df_2.col: var2 = '_'.join(df_2[col][0:8].astype(str).str.strip().tolist()) var_2.append(var2) with open(ppcsva, 'a') as f: f.write(','.join(var_2)) df = pd.read_csv('data.txt', sep='\t') iterator = len(df) t = 0 while t < iterator: col_2 = 1 col_3 = 2 col_6 = 5 col_9 = 8 if f == 1: Funciones = [ps, pp] row = df.iloc[t] Tabla 3. Datos Obtenidos de las Simulaciones NPV (US$ Millones) Fuente: elaboración propia. Nota. Los puntos resaltados, en color “azul”, son los escenarios de interés. Material Grueso - Au (g/t) Material Fino - Au (g/t) 0.1 0.12 0.14 0.16 0.18 0.2 0.22 0.24 0.26 0.31 439.9 439.6 439.1 438.7 438.4 437.7 437.5 437.1 436.7 0.33 438.2 438.0 437.5 437.1 436.8 436.2 435.9 435.5 435.0 0.35 435.9 435.6 435.2 434.7 433.8 433.7 433.4 433.0 432.5 0.39 429.0 428.7 427.6 427.1 426.8 426.7 426.3 426.0 425.5 0.41 424.1 423.9 423.4 422.9 422.6 422.6 422.3 421.9 421.5 0.43 419.7 419.5 419.0 418.6 418.2 418.1 417.8 417.4 417.0 0.45 414.6 414.3 413.9 413.4 413.0 413.0 412.6 412.3 411.8 0.47 409.5 409.2 408.8 408.3 408.0 407.6 407.3 406.9 406.4 0.49 404.4 404.1 403.6 403.2 402.8 402.5 402.2 401.8 401.4 0.51 398.5 398.3 397.8 397.4 397.0 396.7 396.5 396.1 395.7 0.53 393.0 392.8 392.3 392.0 391.8 391.5 391.2 390.8 390.7 0.55 387.6 387.4 387.0 387.6 387.2 386.7 386.4 386.0 385.7
RkJQdWJsaXNoZXIy MTM0Mzk2