Optimización de Rutas de Transporte de Minerales utilizando Machine Learning y Geoestadística

• Richard Soriano Ricalde
• Oct. 2, 2023

Optimización de Rutas de Transporte de Minerales utilizando Machine Learning

 

Introducción

En el contexto de la cuarta revolución industrial y el cambio climático, la minería 4.0 se centra en la creación de operaciones mineras eficientes, ecológicas, económicas y seguras en todo el mundo. Estas incorporan elementos de las tecnologías de la información y la comunicación (TIC), como big data, Internet de las cosas (IoT), inteligencia artificial (IA) y realidad virtual/aumentada (VR/AR). Se prevé que el mercado de la minería inteligente crezca de 8.600 millones de dólares en 2018 a 22.200 millones en 2025, con un crecimiento anual promedio del 14,5%, impulsado por la digitalización de la industria minera, según Zion Market Research (2019). El desarrollo de estas tecnología es crucial para la creación de un nuevo modelo de negocio que aproveche estas tecnologías avanzadas en la industria minera.

 

Debido al avance de la tecnología de minería inteligente, se generan, registran y comparten grandes cantidades de datos en tiempo real en las minas. Esto ha impulsado el interés en las tecnologías de inteligencia artificial, como el machine learning, que pueden analizar eficazmente estos grandes conjuntos de datos en el entorno minero. Las técnicas de inteligencia artificial han encontrado aplicaciones amplias en diversas áreas.

 

La optimización del sistema de transporte de mineral es un tema crucial en la industria minera. La eficiencia en el transporte de mineral puede tener un impacto significativo en la rentabilidad y sostenibilidad de las operaciones mineras. Los modelos de optimización de rutas se utilizan para ayudar a las empresas a planificar las rutas de manera eficiente, minimizando los costos y el ciclo de transporte.

 

El uso de Machine Learning puede ayudar a mejorar la eficiencia, la seguridad y la rentabilidad de la operación minera. Esta técnica permite aprovechar los datos históricos y la información geoespacial y geológica para crear modelos de optimización precisos y eficientes. para tomar decisiones más informadas.

 

 

Figura 1: Transporte de mineral en Mina Constanza.

Machine Learning

El machine learning es una rama de la inteligencia artificial que permite a los sistemas aprender de los datos sin ser explícitamente programados. Esta tecnología se puede utilizar para mejorar la precisión de los modelos de optimización de rutas de transporte de minerales al permitirles aprender de datos históricos sobre el tráfico, las condiciones meteorológicas y otros factores.

 

Figura 2: Métodos de machine learning

 

Los modelos de machine learning pueden utilizarse para:

• Optimización de rutas de acarreo:  Determinar las rutas de acarreo más eficientes en función de datos geoespaciales, topografía del terreno y la ubicación del destino. Esto puede ayudar a reducir los costos de transporte y el desgaste de los componentes de los vehículos.

 

• Predecir la producción: La producción de minerales es un factor importante que afecta a las rutas de transporte. El machine learning se puede utilizar para predecir la producción de mineral en función de datos históricos sobre rendimientos y los planes realizados para la operación.

 

• Predecir la calidad: La calidad de los minerales es un factor importante para tener en cuenta en la optimización de rutas de transporte. El machine learning se puede utilizar para predecir la calidad de los minerales en función de datos históricos sobre las operaciones mineras, contaminantes y composición mineralógica.

 

• Predicción de leyes del mineral: Utilizar modelos de Machine Learning para predecir las leyes del mineral en función de datos geológicos y geoespaciales. Esto ayuda a identificar áreas de alta concentración de mineral y guiar el carguío de manera más efectiva.

 

• Optimización de la secuencia de carguío: Machine Learning puede ayudar a determinar la secuencia óptima de carguío, considerando la variabilidad geológica. Esto implica la identificación de las áreas más ricas en mineral y la programación de la extracción en consecuencia.

 

• Diseño de tronaduras: Utilizar Machine Learning para optimizar el diseño de las tronaduras en función de datos geológicos y geoespaciales. Esto puede ayudar a reducir el desperdicio de mineral y los costos de extracción.

 

Los siguientes artículos son una breve descripción de investigaciones recientes que aplican Machine Learning (ML) al sistema de transporte de mineral en minas a cielo abierto recolectadas de la web de scopus:

 

1. Huo et al. (2023) estudiaron la programación de flotas de camiones inteligentes utilizando un algoritmo de Reinforcement Learning (aprendizaje por refuerzo) sin modelo para reducir las emisiones de gases de efecto invernadero.

 

2. Choi et al. (2022) realizaron un estudio analítico del rendimiento del modo de transporte en camiones durante el transporte de mineral en minas a cielo abierto, utilizando un conjunto de datos de 16,005 modos de transporte en camiones.

 

3. Wang et al. (2022) propusieron modelos de redes neuronales para diseñar estrategias de cambio automático genéricas para camiones, con el objetivo de reducir las dificultades en el trabajo.

 

4. Nobahar et al. (2022) investigaron el tiempo de espera de los camiones y el tiempo inactivo de las excavadoras para optimizar la gestión de flotas.

 

5. Aliabadi et al. (2022) aplicaron el algoritmo Random Forest (RF) para analizar los efectos de la vibración humana y las posturas incómodas en las molestias musculoesqueléticas de los conductores.

 

6. Köken et al. (2022) propusieron dos modelos de ML (Regresión No Lineal y Programación de Expresión Genética) para predecir el consumo de energía de las cintas transportadoras en función de sus características de funcionamiento.

 

7. Choi et al. (2021) estudiaron la producción de mineral en un modo de transporte en camiones con el apoyo de Internet de las cosas (IoT) y métodos de ML como SVM y K-Nearest Neighbour.

 

8. Wang et al. (2021) propusieron el algoritmo eXtreme Gradient Boosting para abordar el problema del consumo de combustible de camiones y analizar la relación entre los factores que afectan al consumo de combustible.

 

9. Sun et al. (2021) utilizaron el aprendizaje profundo (Deep Learning) y el reconocimiento de imágenes para reconocer eficazmente el volumen de carga de los camiones mineros.

 

10. Carvalho y Dimitrakopoulos (2021) desarrollaron un modelo de Reinforcement Learning (aprendizaje por refuerzo) para abordar la incertidumbre operativa en la programación de camiones.

 

11. Wang et al. (2020) establecieron la relación entre los estilos de conducción y el consumo de diésel mediante la aplicación del algoritmo USL para categorizar los estilos de conducción de los conductores en tres tipos.

 

12. Xiao et al. (2019) propusieron un sistema de advertencia de seguridad basado en visión por computadora para camiones grandes, con la ventaja de mejorar la velocidad de detección de peligros.

 

13. Sun et al. (2018) aplicaron varios algoritmos de Machine Learning supervisado, como Máquinas de Soporte Vectorial (SVM) y Bosques Aleatorios (RF), para examinar el tiempo de viaje de camiones en dos tipos de carreteras de transporte en minas a cielo abierto: carreteras temporales y carreteras fijas.

 

 

Figura 3: Cuadro resumen de los trabajos de investigación mencionados

 

La minería inteligente es un área de investigación emergente que utiliza tecnologías avanzadas (como el IoT y la robótica) y metodologías (como el Aprendizaje por Refuerzo Profundo, Digital Twins ,simulación y metaheurísticas) para mejorar la productividad y sostenibilidad de la industria minera.

 

Por ejemplo, la predicción basada en el Aprendizaje Automático (Machine Learning) del precio del mineral y la volatilidad de la demanda puede ayudar a las compañías mineras a gestionar mejor el riesgo y alcanzar sus objetivos de producción. Además, la aplicación de métodos de Machine Learning para predecir el consumo de combustible y el tiempo de viaje de los camiones mineros puede ahorrar significativamente costos operativos, mejorar la eficiencia del transporte y promover la sostenibilidad ambiental. Por ejemplo, métodos avanzados de Machine Learning, como Máquinas de Soporte Vectorial de Mínimos Cuadrados y K-Nearest Neighbour, pueden utilizarse para la imputación de datos y abordar la baja resolución de los datos del Sistema de Posicionamiento Global (GPS) de los camiones.

 

 

 

Conclusiones

El auge de las tecnologías de minería inteligente ha resultado en una abundancia de trabajos de investigación que abordan aplicaciones de Machine Learning (ML) en la industria minera.

 

Los modelos de optimización de rutas basados en machine learning y ofrecen una serie de ventajas para las empresas mineras, incluyendo:

Mayor precisión: Los modelos basados en machine learning y geoestadística pueden aprovechar los datos históricos y la información geográfica para crear modelos de optimización más precisos.

 

Mayor eficiencia: Los modelos basados en machine learning y geoestadística pueden ayudar a las empresas mineras a minimizar los costes de transporte y a mejorar la eficiencia operativa.

 

Mayor flexibilidad: Los modelos basados en machine learning y geoestadística pueden adaptarse a las condiciones cambiantes del mercado y del entorno.

 

 

Referencias

Bruinsma W, Perim E, Tebbutt W, Hosking S, Solin A, Turner R (2020) Scalable exact inference in multi-output Gaussian processes. In: Daumé H, Singh A (eds) Proceedings of the 37th international conference on machine learning, volume 119 of Proceedings of Machine Learning Research, PMLR.

Optimal haulage routing of off-road dump trucks in construction and mining sites using Google Earth and a modified least-cost path algorithm Autom. ConStruct. (2011)

Machine Learning in Mining SSRN (2023)

Automation and AI Technology in Surface Mining With a Brief Introduction to Open-Pit Operations in the Pilbara (2023)