Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Traducción Mining Cut Off Grade Strategy To Optimise

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 10

Estrategia de ley de corte de minera para optimizar el VAN basado en el factor iterativo

GRG multianual
Uno de los problemas más difíciles en una operación minera es cómo determinar la ley de corte
minable óptima durante la vida útil de la mina que maximizará el valor presente neto de la operación
(VAN). Maximizar el VAN en una operación minera, sujeta a diferentes restricciones, es un problema
de programación no lineal. La optimización de la ley de corte se usa para determinar la estrategia
de explotación minera que maximizará el valor de beneficio total de la mina. Restringido por la
capacidad de producción de la planta y sacrificando el material de baja ley de minería, este enfoque
permite a la planta procesar mineral que ofrece un flujo de efectivo (flujo de caja) descontado
mejorado en el tiempo. La política de ley de corte calculada a partir del algoritmo presentado en
este documento tiene una influencia significativa en la economía general de la operación minera.
Este documento describe el proceso para determinar la estrategia de ley de corte utilizada en una
operación de minería basada en el algoritmo de Lane utilizando un factor de optimización que se
calcula iterativamente para cada año de producción que se ajusta dinámicamente a las reservas
restantes y por lo tanto a la vida total de la mina para maximizar el VAN del proyecto. El algoritmo
introducido es una adaptación del algoritmo de Lane que incorpora una rutina iterativa utilizada
para calcular el factor de optimización integrado en la ecuación de ley de corte. El algoritmo se
desarrolló en Virginia Tech y se ejecuta mediante un programa básico visual de Windows vinculado
a una interfaz de hoja de cálculo. Los beneficios de la metodología se demuestran utilizando un caso
de estudio hipotético. Los autores han observado una mejora del VAN total utilizando el enfoque
de gradiente reducido general (GRG) para calcular iterativamente el factor de optimización para
cada año de producción.

Introducción

Durante mucho tiempo, la "ley de corte óptima" ha sido un concepto controvertido para los mineros
de metales de todo el mundo. En tiempos posteriores, el concepto de "costo de oportunidad" surgió
como una nueva variable para la definición de "ley de corte" cuando el objetivo es la maximización
del valor presente neto (VPN). Las variables típicas asociadas con la definición de ley de corte (COG)
son los parámetros técnicos de minería como recuperación, capacidades, etc. y un escenario
económico dado como los precios de los metales (precio base), los costos de mina y procesamiento,
etc. Las nuevas investigaciones se centran en desarrollar nuevas técnicas de optimización basadas
en el algoritmo de Lane para determinar la política de la COG (ley de corte). La optimización de la
ley de corte se usa para derivar una estrategia operativa que maximiza los beneficios de una mina.
Esta maximización de ganancias se basa en sacrificar material de baja ley durante la primera etapa
de la mina. Esto enviará mineral de alta ley al molino, lo que generará un mayor flujo de caja. Por lo
tanto, la política del COG tiene una influencia significativa en la economía general de la operación
minera. La determinación de la política del COG, que maximiza el VAN, ya se ha establecido en la
industria. Está demostrado que las COG variables, -que cambia debido al efecto declinante del VAN
durante la vida de la mina- no solo respetan el precio del metal y los costos en efectivo de las etapas
de minería, molienda y refinación, sino que también tienen en cuenta la limitación. las capacidades
de estas etapas y la distribución de tonelaje-ley del depósito. En otras palabras, las técnicas que
determinan la política óptima de COG considera el costo de oportunidad de no recibir los flujos de
efectivo futuros durante la vida de la mina debido a las capacidades limitadas presentes en las
etapas de minería, molienda o refinación.
Optimisation of COG

La optimización de las leyes de corte de la mina se ha buscado durante mucho tiempo como el medio
para maximizar el VAN de los proyectos de minería. En los últimos años, la teoría detrás de la
optimización de la ley de corte de la mina se ha ampliado para abarcar otras partes de la operación.
Principalmente, esto implica optimizar el rendimiento y la recuperación en la fábrica. Un molino
puede ser operado a una alta tasa de rendimiento, sacrificando la recuperación, pero logrando una
mayor tasa de producción de mineral. Esto es equivalente a una mina que opera en un COG de
punto de equilibrio anterior, sacrificando parte del recurso de baja ley para obtener un mayor flujo
de caja. Esta analogía sugiere que las herramientas desarrolladas para determinar la estrategia de
COG óptima en la mina también podrían usarse para encontrar una solución para la planta. Debido
a que la mina y el molino son interdependientes, no es factible optimizar el procesar tratando ambos
de forma independiente.

La optimización de la ley de corte maximizando el VAN de un proyecto sujeto a limitaciones de


capacidad en la mina, la planta y el mercado económico. Estos se suelen expresar como limitaciones
anuales para el tonelaje extraído, el tonelaje molido y el producto vendido. En cualquier punto dado
en el tiempo, al menos una restricción, y posiblemente dos, restringirán el sistema. Para que la
optimización de la ley de corte funcione correctamente, las restricciones de capacidad deben ser
independientes del COG.

Lane ha desarrollado un enfoque integral para determinar la política del COG. Whittle y Wharton
enriquecieron el enfoque al incluir la variable costo de oportunidad en la ecuación. Este concepto
se conoce como costo de demora y costo de cambio. Asad, por el contrario, utilizó el precio dinámico
del metal y la escalada de costos durante la vida útil de la mina para la optimización de la COG.

La Tabla 1 muestra la notación utilizada en el algoritmo de Lane.

En su enfoque, Lane demuestra que un cálculo COG que maximiza el VAN debe incluir el costo fijo
asociado con no recibir los flujos de efectivo (flujo de caja) futuros más rápidamente debido a la
decisión del COG tomada ahora. El COG, cuando el concentrador es la restricción, se da a
continuación.

donde “gm (i)” es el COG de fresado (molienda ¿?), “f” es el costo fijo, “Fi” es el costo de oportunidad
por tonelada de material molido en el año “i”, “P” es la ganancia ($) por unidad vendida, “s” es el
precio de venta por unidad de producto ($ / unidad de producto), “y” es la recuperación del molino
(%).
El costo de oportunidad se determina como:

donde “d” es la tasa de descuento, “NPVi” es el VAN de los flujos de efectivo futuros de los años i
hasta el final de la vida de la mina.

“N”, y “C” es la capacidad total de molienda en el año “i”.

donde “fa” son los costos fijos anuales.


En este estudio, el algoritmo basado en el enfoque de Lane se escribió en VISUAL BASIC utilizando
una hoja de cálculo que sirve como interfaz de usuario, lo que resulta en una interfaz de usuario
fácil de usar. Además, el algoritmo introducido se ha actualizado con un factor de optimización 𝜎𝑡
sustituyendo “f” y “Fi” en la ecuación de Lane. El factor de optimización es calculado iterativamente
por el programa usando iteraciones de GRG. Como se muestra más adelante en este documento, el
VAN total en el curso de la vida de la mina se mejoró utilizando este nuevo enfoque. El programa de
computadora incorpora el factor de optimización 𝜎𝑡 que se incluye en la ecuación de COG final, que
considera el costo de procesamiento “c” y el costo de extracción “m” por tonelada, como se indica
en la ecuación (4).

donde 𝜎 es el factor de optimización. Este enfoque maximiza aún más el VAN total del proyecto
de la mina. Probablemente, el papel más importante de este enfoque es que calcula el factor de
optimización 𝜎𝑡 en un enfoque iterativo actualizando las reservas restantes, por lo tanto, la vida útil
de la mina, en cada año, en cada iteración, con el fin de maximizar el VAN del proyecto. Este nuevo
enfoque que utiliza un factor de optimización variable año por año dio como resultado un VAN total
mejorado como se muestra más adelante en este documento. El programa resuelve el factor de
optimización maximizando el VAN del proyecto, que se basa en la distribución del grado de tonelaje
de mineral y los parámetros económicos de la mina (consulte la Tabla 2 y la Figura 1). El modelo
matemático COG dio como resultado un problema no lineal (NLP) que se resuelve utilizando un
proceso iterativo basado en el algoritmo de gradiente reducido generalizado (GRG). El método GRG
es un potente algoritmo informático utilizado para resolver NLP y está integrado al código del
programa como una subrutina que se ejecuta dentro del módulo de código de la hoja de cálculo. El
algoritmo GRG fue desarrollado por primera vez por Ladson y es una de las técnicas que entran
dentro de las categorías de gradiente reducido o gradiente de proyección usadas en matemáticas y
ciencias de la computación para resolver modelos no lineales.

La política de COG calculada, dicta la cantidad que se extraerá, procesará y refinará en un período
dado 'i', y, en consecuencia, las ganancias se vuelven dependientes de la definición de COG. Por lo
tanto, la solución del problema está en la determinación de un COG óptimo en un período dado,
que en última instancia maximiza la función objetivo.

Procedimiento de algoritmo de optimización COG.

El COG gm (i) depende del NPVi, y el NPVi no se puede determinar hasta que se hayan encontrado
los COG óptimos. La solución a este tipo de problema de interdependencia se obtiene mediante un
enfoque iterativo, como se puede ver en la siguiente descripción del algoritmo utilizado.

Los pasos del algoritmo como se mencionó anteriormente (ecuación (1)) son los siguientes:

i) Lea los archivos de entrada: parámetros económicos (precio, costo de venta, capacidades, etc.) y
distribución de tonelaje de ley.

ii) Determinar el COG gm (i) mediante la ecuación (1); configurando V = NPVi, el inicial NPVi = 0
iii) Calcule el tonelaje de mineral “To” y el tonelaje de estéril “Tw” a partir de la curva de tonelaje-
ley del depósito: El tonelaje de mineral “To” y el grado de “gc” por encima del COG gm (i); el tonelaje
de estéril “Tw” que está por debajo del COG gm (i) y también, calcule la relación de arrastre SR
donde SR = Tw / To.

iv) set Qci = C, si “To” es mayor que la capacidad de molienda; de lo contrario, Qci = To. Además,
configure la cantidad “Qmi” extraída (Qmi=Qc (1+SR)) y Qri = QcgavgY

v) Determinar el beneficio anual por la siguiente ecuación

vi) Ajustando la curva de tonelaje - ley del depósito restando toneladas de “Qci” de los intervalos de
distribución de leyes por encima del valor óptimo COG gm(i) y las toneladas de estéril Qmi - Qci a
partir de los intervalos por debajo del valor óptimo COG gm (i) proporcionalmente entre ellos, de
modo que la distribución del tonelaje no se modifique.

vii) Compruebe, si “Qci” es menor que la capacidad de molienda “C”, configure la vida útil de la mina
N = i y vaya al paso (viii); de lo contrario, configure el indicador de año i = i +1 y vaya al paso (ii).

viii) Calcule el NPVi’s futuros acumulados en función de las ganancias “Pi” calculado en el paso (v)
para cada año de “i” a “N” por la siguiente ecuación

Para cada año i = 1, donde “N” es la vida total de la mina en años. El VPN total se calcula en esta
etapa considerando un factor de optimización igual a cero.

donde 𝜎 es el factor de optimización igual a cero (ver Tabla 2).


ix) La primera iteración se realiza ajustando el factor de optimización 𝜎 utilizando el método GRG
maximizando el NPVi calculado en el paso (viii). Si el NPVi calculado no converge, el algoritmo pasa
al paso (ii) y calcula el COG variando el factor de optimización embebido 𝜎. Si el NPV calculado
converge, el programa se detiene. Los gi´s de COG por años i = 1, N es la política óptima que
maximiza el VAN. La Tabla 3 muestra los factores de optimización calculados y el COG calculados
para cada año.
Los cambios en el valor presente neto por iteración se grafican en la figura 2 para mostrar el
comportamiento de convergencia. Por ejemplo, desde la primera iteración hasta la segunda
iteración, el VAN cambió de $ 365,801,976 a $ 375,056,288. El programa realiza varias iteraciones
para maximizar el VAN. En este caso particular después de la sexta iteración, el VAN alcanza su
máximo. Además, tenga en cuenta el enfoque dinámico utilizado en cada año para calcular las
reservas disponibles y, por lo tanto, la nueva vida útil de la mina. Este proceso se realiza en cada
iteración hasta que el programa converja en un VAN máximo. Como se describió, el enfoque del
factor de optimización iterativo se utiliza para maximizar el VPN, luego los resultados se comparan
con las técnicas tradicionales de estimación de COG de punto de equilibrio, y se comparan con los
resultados de las estimaciones del COG basadas en el algoritmo de Lane. Los resultados finales se
presentan a continuación.

Aplicación del algoritmo y resultados

Considere el siguiente caso hipotético de una mina de oro a cielo abierto. La distribución del grado
de tonelaje y los parámetros de diseño de la mina se muestran en la Tabla 4 y la Figura 1,
respectivamente. Los valores en la Tabla 4 dan las capacidades asumidas y los costos aceptados para
explotar este depósito en 2,857.14 t/día de la tasa de molienda. La mina operará tres turnos, siete
días a la semana, 350 días por año. El COG tradicional se define como equilibrio COG y se lo conoce
como la COG del ultimo pit.

Ley de corte del ultimo pit.


La Tabla 5 presenta el punto de equilibrio COG. Como se indica en la Tabla 5, este enfoque arroja un
VAN total de $ 128.0 millones y $ 601.4 millones de beneficio no descontado.

La Tabla 6 presenta la política de COG óptima basada en el algoritmo de Lane utilizando el costo fijo
y el costo de oportunidad:

Como se indica en la Tabla 6, este enfoque de optimización arroja un VAN total de $ 354.6 millones
y $ 676.5 millones con ninguna ganancia descontada.

Por otro lado, la Tabla 7 presenta los resultados del enfoque COG óptimo utilizando el factor de
optimización 𝜎𝑡 para cada año. La política de COG que está determinada por este enfoque de
optimización utilizando el factor de optimización 𝜎𝑡 da un VAN total de $ 377.5 millones y $ 676.5
millones con ninguna ganancia descontada.

De acuerdo con los valores mostrados en las Tablas 5 y 7, la política del COG determinada por el
enfoque de optimización utilizando el factor 𝜎𝑡 que se determina año por año (Tabla 7) da un NPV
más alto que la política del COG estimada utilizando breakeven tradicional y el enfoque COG de
Lane. Los resultados se dan gráficamente en la Fig. 3.

Como se puede ver en la Fig. 2, el programa se detiene después de la sexta iteración logrando un
VAN total de $ 377,476,180. Después de la sexta iteración, el factor de optimización converge y el
valor de NPV permanece constante.
Conclusiones

El valor actual neto calculado a partir del estudio de caso introducido indica que el factor de
optimización 𝜎𝑡 en la función objetivo (NPV) es significativo para maximizar el VAN original de
$127.99 millones, 38 años de vida útil de la mina a $ 377.5 millones, 10 años de vida útil de la mina
y un 195% de mejora. Si se compara con el enfoque de Lane, el algoritmo introducido mejora el VAN
total en un 6.4% de $ 354.7 millones, 14 años de vida útil.
El algoritmo de optimización COG presentado aquí es un nuevo enfoque alternativo que puede
mejorar la política de COG de una mina. Como actualmente se está investigando en Virginia Tech,
este programa podría servir como una plantilla fácil de usar para optimizar la política COG basada
en distribuciones de tonelaje - ley vinculadas a la geometría real del modelo de bloque de mineral y
la optimización de NPV que se basa en múltiples grados de fuente de mineral. Este algoritmo
también podría servir para incorporar costos variables de producción basados en coeficientes de
desmonte calculados interactivamente a partir del modelo de bloque de mineral.

Este enfoque proporciona flexibilidad fácil de usar para la evaluación de varios escenarios de casos
económicos durante las etapas de factibilidad y planificación. El programa se ha desarrollado dentro
de un entorno de Windows y está disponible en el Departamento de Ingeniería de Minería y
Minerales, Virginia Tech.

También podría gustarte