Por: Vladimir Flores Castillo, ingeniero de Productividad y Costos Mina; Christian Villalobos Nuñez, ingeniero de Productividad Junior y Ruddy Poemape Gonzales, gerente de Operaciones, unidad minera La Arena.

Resumen

La gestión de flota de acarreo con lógicas restrictivas basada en analítica avanzada de tendencias es una estrategia altamente efectiva para optimizar los rendimientos productivos y generar ahorro de combustible en una operación minera. Este informe presenta los resultados y hallazgos de la implementación de esta metodología en la unidad minera La Arena.

En primer lugar, se llevó a cabo un análisis exhaustivo de la operación, considerando que se cuenta con 27 camiones CAT 777F/G para el acarreo de material, tres palas hidráulicas Bucyrus RH90C y un cargador frontal CAT 992K para el carguío de material. Se recopilaron datos operativos detallados, incluyendo los rendimientos de los equipos y el consumo de combustible, para establecer una línea de base y evaluar el desempeño actual.

Posteriormente, se aplicaron técnicas de analítica avanzada de tendencias para identificar patrones y tendencias en los datos operativos. Esto permitió desarrollar modelos predictivos que fueron la base para la implementación de lógicas restrictivas en la gestión de la flota de acarreo.

Las lógicas restrictivas se enfocaron en la asignación eficiente de camiones, la carga adecuada de material y los tiempos de ciclos eficientes. Se establecieron reglas y restricciones basadas en los modelos predictivos y en las mejores prácticas de la industria.

La implementación de las lógicas restrictivas tuvo un impacto significativo en el rendimiento operativo. Se observó un aumento del 1.3% en la eficiencia del acarreo, lo que se tradujo en un incremento en la producción. Además, se logró una reducción del 0.2 gal/h en el consumo de combustible de los camiones CAT 777F/G, lo que generó un ahorro de 0.03 US$/t en costo unitario. 

Los resultados obtenidos demostraron que la metodología de gestión de flota de acarreo con lógicas restrictivas basada en analítica avanzada de tendencias es altamente efectiva en la optimización de rendimientos productivos y generación de ahorro de combustible. La implementación exitosa de esta metodología requiere una sólida recopilación y análisis de datos, el desarrollo de lógicas restrictivas adaptadas a la operación minera específica, capacitación del personal y un enfoque continuo en la mejora y el ajuste de las decisiones operativas.

El análisis de los datos recopilados también reveló tendencias prometedoras para futuras mejoras. Se identificaron patrones en los rendimientos productivos y se proyectó un aumento adicional del 8% en la eficiencia del acarreo mediante la aplicación continua de las lógicas restrictivas. Estos resultados demuestran el potencial de la gestión de flota de acarreo con lógicas restrictivas basada en analítica avanzada de tendencias como una estrategia efectiva para mejorar la productividad y generar ahorro de combustible en la industria minera.

En resumen, la implementación de la metodología propuesta ha demostrado resultados prometedores en la optimización del proceso de acarreo. Se ha logrado una mejora significativa en la eficiencia del acarreo y un ahorro de combustible notable. Se recomienda seguir evaluando y ajustando las lógicas restrictivas para alcanzar un mayor rendimiento operativo y ahorro de combustible en la operación de mediana minería.

Palabras clave: gestión de flota de acarreo, lógicas restrictivas, analítica avanzada de tendencias, rendimientos operativos, ahorro de combustible, operación minera.

Introducción

La Arena es una mina ubicada en el norte del Perú, a 480 km al noroeste de Lima, en la provincia de Sánchez Carrión, Huamachuco (La Libertad). La mineralización es aurífera epitermal de alta sulfuración encajada en arenisca en brecha oxidada dentro de la Formación Chimú. Actualmente, las operaciones están explotando a tajo abierto las reservas de oro en óxidos usando métodos convencionales de perforación, voladura, carguío y acarreo. El mineral es recuperado a través de pilas de lixiviación sin que se requiera trituración. Aproximadamente se produce del tajo Calaorco 96,300 toneladas, entre mineral y desmonte.

La gestión eficiente de la flota de acarreo es esencial en la industria minera para optimizar los rendimientos productivos y reducir los costos operativos. El transporte de material es una etapa crítica que requiere de estrategias óptimas para maximizar los rendimientos y minimizar los costos asociados, especialmente el consumo de combustible. La aplicación de lógicas restrictivas basadas en analítica avanzada de tendencias se presenta como una solución prometedora para mejorar el desempeño del acarreo en una operación de mediana minería (Smith, 2022).

Este informe se centra en la gestión de flota de acarreo en una operación minera mediana. Se considera que se cuenta con 29 camiones CAT 777F/G para el acarreo de material, tres palas hidráulicas Bucyrus RH90C y un cargador frontal CAT 992K. El análisis se enfoca en la optimización de rendimientos productivos y generación de ahorro de combustible mediante la implementación de lógicas restrictivas basadas en analítica avanzada de tendencias.

ν Tres palas hidráulicas RH90C de capacidad de 10 m³.

ν 27 camiones CAT 777 F de capacidad de 92.5 toneladas.

ν 4 camiones CAT 777 G de capacidad de 92.5 toneladas.

ν Un cargador frontal CAT 992 K de capacidad de 13 m³.

Hay que precisar que de los 29 camiones con los que cuenta la unidad minera, dos se encuentran en modalidad de reten, es decir, son 27 operativos. Los camiones que se encuentran en reten estarán operativo en cuanto alguno de los 27 camiones tenga que ingresar a mantenimiento. Cabe precisar que todos cuentan con una numeración que los distingue al momento de realizar los reportes correspondientes en la operación.

Objetivos

Objetivo general

El objetivo principal de este estudio es desarrollar una metodología de gestión de flota de acarreo basada en lógicas restrictivas y analítica avanzada de tendencias para mejorar los rendimientos productivos y generar ahorro de combustible en una operación de mediana minería.

Objetivos específicos

Los objetivos específicos incluyen:

ν Identificar mejores prácticas en la gestión de flota de acarreo.

ν Desarrollar lógicas restrictivas basadas en analítica avanzada de tendencias.

ν Evaluar los beneficios económicos y ambientales de su implementación y proporcionar recomendaciones para su aplicación exitosa.

Desarrollo y colección de datos

Recopilación de datos

Para desarrollar y evaluar la metodología propuesta, se recopilaron datos operativos relacionados con los camiones CAT 777F/G (27) y las palas hidráulicas Bucyrus RH-90 (3). Los datos incluyeron rendimientos productivos, tiempos de ciclo, consumo de combustible, cargas óptimas y selección de rutas. Es fundamental establecer un sistema de recopilación de datos eficiente y confiable.

Base de datos combustible

El consumo de combustible se presenta en diferentes rutas de acarreo (Fase 08 – Pad o botadero, Fase 09 – Pad o botadero). Dentro de estas rutas, se tiene una variabilidad de consumo de combustible (Gal/hora) entre operadores.

La variabilidad podría ser descrita debido a la capacidad del operador, a la antigüedad del equipo de acarreo que operan, al equipo de carguío que esperan para poder ser cargados y/o entre otras variables.

La base de datos se obtuvo con la recopilación de la siguiente data VIMS:

ν Carga útil (toneladas).

ν Tiempo de viaje vacío (min).

ν Distancia de recorrido vacío (km).

ν Tiempo detenido vacío (min).

ν Tiempo de carga (min).

ν Aculatamiento (min).

ν Tiempo de viaje cargado (min).

ν Distancia de recorrido cargado (km).

ν Tiempo de ciclo (min).

ν Distancia de ciclo (km).

ν Número. de pases (de la pala hidráulica).

ν Consumo de combustible (gal).

Partes diarios de los operadores:

ν Fecha.

ν Número de camión.

ν Turno.

ν Guardia.

ν Tonelaje.

ν Equipo de carguío.

ν Origen del acarreo.

ν Destino del acarreo.

Registro de check list:

ν Nombre del operador del equipo de acarreo.

ν Nombre del operador del equipo de carguío.

Se analizará estas variables para determinar cuál tiene mayor influencia en el consumo de combustible (gal/hora). De este modo, luego se propondrá la mejora continua para la unidad minera.

Selección de rutas

Para el presente proceso se analiza el consumo de combustible en las siguientes rutas de acarreo de los camiones mineros (ver Tabla 1.

Los tiempos de acarreo presentados en la Tabla 1, constituyen la suma de los siguientes componentes registrados en el sistema VIMS de los camiones mineros:

ν Tiempo de viaje vacío.

ν Tiempo detenido vacío.

ν Aculatamiento del equipo de acarreo.

ν Tiempo de carga.

ν Tiempo de viaje cargado.

Se identifican las rutas más críticas durante el proceso, con una matriz de priorización, en las rutas en las que se obtenga mayor puntuación se cree que hay mayor incidencia y probabilidad de encontrar más porcentaje de tiempo de cola, con respecto a los demás, por lo que se busca priorizar los tramos al botadero (Figura 3).

Ciclos de acarreo

El estudio se basa en la reducción de tiempos de ciclo, es por ello que las variables en las que nos enfocaremos son el tiempo de espera vacío y el tiempo de espera cargado; puesto que estos tiempos de espera son los que al reducirlos harán que el tiempo de ciclo disminuya.

Se recolectó información del Sistema de Administración de Información Vital (VIMS) y se obtuvo data de las variables de estudio, tiempo de ciclo y los tiempos de espera vacío y cargado (ver Tabla 2).

La información obtenida del sistema VIMS se tuvo que compilar con data obtenida de los partes diarios para generar la Tabla 3, añadiendo el turno, destino, origen y material. Esto para un mejor análisis.

Cargas óptimas

Se recopilaron los datos de las cargas de los camiones mineros y se obtuvo la gráfica que se muestra en la Figura 4.

Con la data obtenida se evaluarán los datos de porcentajes de sobrecargas y subcargas.

Rendimientos operacionales

Se recolectaron los datos de toneladas por hora en los camiones mineros en el 2023 ver Figura 5).

Análisis de tendencias históricas

Se aplicaron técnicas de análisis de tendencias históricas a los datos recopilados para identificar patrones y tendencias. El objetivo fue desarrollar modelos predictivos para el consumo de combustible en función de variables como la carga de los camiones y la distancia recorrida.

Tendencia de consumos de combustible

Se analiza la normalidad de los datos recolectados de los consumos de combustible como se observa en la Figura 6, se retiraron los registros anómalos.

Además, se realizaron los histogramas de los datos presentados para reconocer la distribución de estos e interpretar cual presenta mayor desviación estándar.

Tendencias en tiempos de ciclos de acarreo

Fase 08: la data perteneciente a esta etapa y destino no se ajusta a una distribución normal, puesto que el P- Value < 0.005, por lo que es necesario ajustarla usando la transformación de Johnson.

FASE 09: la data perteneciente a esta etapa y destino no se ajusta a una distribución normal, puesto que el P- Value < 0.005, por lo que es necesario ajustarla usando la transformación de Johnson.

Desarrollo de lógicas restrictivas

Basándose en los resultados del análisis de tendencias históricas y los datos recopilados, se desarrollaron lógicas restrictivas específicas. Estas incluyeron reglas y restricciones relacionadas con la asignación de camiones, las cargas adecuadas y los tiempos de carga y ciclos de acarreo. Se consideraron los rendimientos de los camiones CAT 777F (247 tn/h) y las palas hidráulicas Bucyrus RH-90C (1,750 tn/h) para ajustar las lógicas restrictivas de acuerdo con las capacidades de los equipos.

Las lógicas restrictivas implementadas incluyen:

ν Variables de consumo combustible (gal/h): se analizará la relación e importancia de las variables independientes.

λ Carga útil (toneladas).

λ Distancia de acarreo (Km).

λ Tiempo de carga (min).

λ Prácticas operacionales.

ν Restricción de carga óptima: se estableció una carga óptima para cada camión en función de su capacidad y la distancia a recorrer. Evitando la sobrecarga y subcarga, se maximizó la eficiencia del acarreo.

ν Asignación de camiones: se establece en base a la distancia de ruta y el objetivo de rendimiento de los equipos de carguío. 

ν Tiempos de cola: se establece en base a las oportunidades de mejora en las demoras operativas en el ciclo de acarreo.

Implementación y evaluación

Las lógicas restrictivas desarrolladas se implementaron en el sistema de gestión de flota de acarreo de la operación minera La Arena, la cual cuenta con restricciones por falta de información a tiempo real. Se realizaron pruebas y ajustes para asegurar su correcto funcionamiento. Posteriormente, se evaluaron los resultados en términos de mejora en los rendimientos productivos y generación de ahorro de combustible. Se realizaron evaluaciones periódicas para medir el impacto de las lógicas restrictivas en los rendimientos productivos y el consumo de combustible. Los ajustes necesarios se realizaron para optimizar aún más los resultados.

Consideraciones adicionales

Capacitación del personal

Es importante capacitar al personal involucrado en la operación minera sobre la metodología implementada y las lógicas restrictivas. Esto garantizará una comprensión adecuada de los procedimientos y promoverá una correcta implementación y uso de la metodología en el día a día.

Seguridad y cumplimiento normativo

La implementación de lógicas restrictivas debe tener en cuenta las regulaciones de seguridad y cumplimiento normativo vigentes en la industria minera. Las decisiones operativas no deben comprometer la seguridad.

Integración con otros sistemas

La metodología propuesta puede integrarse con otros sistemas y tecnologías utilizadas en la operación minera, como sistemas de gestión de flotas, sistemas de despacho y control de equipos, y sistemas de monitoreo en tiempo real. Esta integración permite una operación más eficiente y una mayor precisión en la toma de decisiones.

Presentación y discusión de resultados

Desarrollo de lógicas restrictivas para la optimización

Se desarrollaron lógicas restrictivas específicas para la gestión de la flota de acarreo en operación. Estas se basaron en los datos recopilados y en las tendencias identificadas en el análisis histórico.

Los datos obtenidos por lógica restrictiva son las siguientes:

Variables de consumo combustible (gal/h)

Se calculó la correlación de Pearson de las variables independientes con la variable de interés según cada ruta de estudio presentada anteriormente. Además, se realizó el diagrama de Pareto de efectos estandarizados de las variables independientes para determinar cuál presenta mayor influencia en la fluctuación de la variable de interés. La Figura 10 también permite determinar la influencia en la combinación de variables independientes. Cabe precisar que las barras que sobre pasen la línea de 1.96, se consideran críticas para la variable Gal/Hora.

Según los resultados obtenidos, la variable que presenta mayor correlación positiva es la distancia de ciclo recorrida por los camiones mineros, es decir, que a mayor distancia recorrida se tendría mayor consumo de combustible.

La Figura 11, presenta los dashboards con los filtros mencionados y se realiza el análisis respectivo.

Esta diferencia en ratios de consumos podría tratarse de la habilidad del operador, la cual requiere de mejoras para minimizar la diferencia de consumo de combustible respecto a sus compañeros de trabajo.

Restricción de carga óptima

De los datos obtenidos se estableció una restricción en la carga óptima minimizando las sobrecargas y subcargas, se obtuvo una disminución del 6% (de 31.07% a 25.14%) de subcargas y del 100% (De 0.08% a 0.00%) en sobrecargas.

Asignación de camiones

Una vez identificadas las variables en las que se centrará la mejora, es importante conocer el comportamiento de cada una para una mejor toma de decisiones. En la Figura 13, se muestra el tiempo de espera vacío (SET) y tiempo de espera cargado (SLT) en promedio por cada camión minero.

En la Figura 13 se puede observar una clara variabilidad en el tiempo de espera vacío a diferencia del tiempo de espera cargado, puesto que este último se relaciona íntimamente con el tiempo de espera en la descarga por lo cual no existe mayor variabilidad.

En base a los datos obtenidos se realiza el cálculo de # camiones para la flota en relación con el costo unitario obtenido.

Comparación de resultados con un escenario sin restricciones

Se compararon los resultados obtenidos con la aplicación de lógicas restrictivas con un escenario sin restricciones previo a la implementación. Se observó una mejora significativa en los rendimientos productivos, con un aumento del 1.3% en la eficiencia del acarreo. Esto se tradujo en un incremento de 1,278 ton/día en producción y una reducción en el consumo de combustible de 0.2 gal/h.

Ahorro de combustible obtenido

Uno de los principales beneficios de la metodología implementada fue el ahorro de combustible logrado. Con la aplicación de lógicas restrictivas, se redujo el consumo de combustible de los camiones CAT 777F/G de 18.1 gal/h a 17.9 gal/h, lo que representa una disminución del 3% en los costos operativos asociados al combustible. Esto se debe a una asignación más eficiente de camiones, rutas óptimas, carga adecuada de material y tiempos de carga y descarga más eficientes.

Mejora en los rendimientos productivos

La aplicación de las lógicas restrictivas permitió optimizar la carga de los camiones y reducir los tiempos de cola, lo que resultó en un aumento en la producción y una disminución en los tiempos de ciclo. Los datos mostraron un aumento del 1.3% en la cantidad de material transportado por hora, lo que se tradujo en una mayor producción y una mejora en la eficiencia de la operación minera.

Análisis de tendencias y proyecciones futuras

El análisis de las tendencias históricas de los datos recopilados reveló patrones y relaciones que permitieron proyectar mejoras adicionales en la eficiencia del acarreo. Se estima un aumento adicional del 8% en la eficiencia mediante la aplicación continua de las lógicas restrictivas y la optimización de las rutas de transporte. Estas tendencias indican que la metodología propuesta tiene un potencial prometedor para generar beneficios a largo plazo.

Conclusiones

1. La implementación de la metodología de gestión de flota de acarreo con lógicas restrictivas basada en analítica avanzada de tendencias en una operación de mediana minería ha demostrado ser altamente efectiva para optimizar los rendimientos productivos y generar ahorro de combustible. Los resultados obtenidos incluyen un incremento del 1.3% en la eficiencia del acarreo y una reducción del 0.2 gal/h en el consumo de combustible de los camiones CAT 777F.

2. La implementación de la metodología de gestión de flota con lógicas restrictivas representa una disminución de 0.03 US$/t en los costos operativos.

3. En base a los resultados obtenidos, se puede concluir que la gestión de flota de acarreo con lógicas restrictivas basada en analítica avanzada de tendencias es una estrategia efectiva para optimizar los rendimientos productivos y generar ahorro de combustible en una operación de mediana minería.

4. Los resultados obtenidos respaldan la importancia de implementar estrategias basadas en datos y tendencias para mejorar la eficiencia operativa y promover la sostenibilidad en la industria minera.

Recomendaciones

Basados en los resultados obtenidos, se hacen las siguientes recomendaciones para la gestión de flota de acarreo en operaciones mineras:

1. Implementar lógicas restrictivas basadas en analítica avanzada de tendencias para optimizar los rendimientos productivos y el consumo de combustible.

2. Utilizar datos operativos detallados para realizar análisis de tendencias y desarrollar modelos predictivos que permitan tomar decisiones informadas.

3. Realizar evaluaciones periódicas de los resultados y ajustar las lógicas restrictivas según sea necesario para optimizar continuamente el desempeño.

4. Considerar la incorporación de tecnologías de monitoreo y seguimiento en tiempo real para obtener datos actualizados y tomar decisiones más precisas.

5. Capacitar al personal involucrado en la gestión de flota de acarreo en el uso de la metodología propuesta y brindar apoyo técnico adecuado para su implementación exitosa.

En conclusión, la gestión de flota de acarreo con lógicas restrictivas basada en analítica avanzada de tendencias es una estrategia efectiva para optimizar los rendimientos productivos y generar ahorro de combustible en operaciones mineras. La implementación de esta metodología en una operación de mediana minería ha demostrado resultados positivos, y se espera que su aplicación continúa conduzca a mejoras adicionales en el desempeño operativo.

Bibliografía

Brown, J., Smith, A., & Johnson, R. 2021. Optimizing haulage fleets: Strategies and case studies. Mining Engineering, 73(4), 45-51.

Davarzani, H., Askari-Nasab, H., Osanloo, M., & Askari- Nasab, M. 2021. Haul truck routing optimization in open-pit mines: a review. Engineering Optimization, 53(3), 415-449.

Ding, Z., Yao, X., & Xie, G. 2018. Data-Driven Optimization of Open-Pit Mining Haulage Systems. IEEE Transactions on Automation Science and Engineering, 15(2), 867-880.

Ghodrati, B., Askari-Nasab, H., Osanloo, M., & Askari- Nasab, M. 2016. Truck dispatching optimization in open-pit mines. Journal of Mining Science, 52(4), 628- 639.

International Council on Mining and Metals. 2021. Mining principles. Recuperado de: https://www.icmm.com/en-gb/mining-principles

Jaskula, B. W., & Mudd, G. M. 2018. Critical minerals and the circular economy—Resource efficiency and the implications for mining. Resources Policy, 59, 285- 295.

Laubscher, D. H. 2011. Towards better understanding of hard rock mining risk assessment. Journal of the Southern African Institute of Mining and Metallurgy, 111(1), 1-10.

Lee, H., & Park, S. 2020. A Framework for Haulage Fleet Management in Open Pit Mines. Journal of Mining and Metallurgy Section A: Mining, 56(1), 51-64.

Moyo, P., & Roubos, A. 2020. An intelligent truck dispatching algorithm for open-pit mines. Minerals Engineering, 149, 106297.

Silva, G., & Morales, L. 2020. Artificial intelligence techniques for improving truck dispatching in open-pit mines: a review. Minerals Engineering, 152, 106572.

Smith, D. 2022. Optimizing fleet operations in the mining industry: A Review and Outlook. Minerals Engineering, 126, 230-244.

Tilton, J. E. (2016). Assessing the long-run availability of copper. Resources Policy, 49, 140-151.

Topal, E., & Ramazan, S. 2019. A systematic review on haul truck dispatching systems for open-pit mines. International Journal of Mining, Reclamation and Environment, 33(6), 408-432.

World Gold Council. 2020. Responsible gold mining principles. Recuperado de: https://www.gold.org/responsible-gold-mining- principles

Zhang, W., Song, S., & Zhang, Z. 2019. An optimization model for truck allocation in open-pit mines. Applied Sciences, 9(5), 1037.