🌎Mineria.Space🚀

Etiqueta: Geovia

  • PRÓXIMA GENERACIÓN DE MODELADO GEOLÓGICO IMPLÍCITO

    PRÓXIMA GENERACIÓN DE MODELADO GEOLÓGICO IMPLÍCITO

    INTRODUCCIÓN

    La industria minera está entrando en un período de transformación disruptiva utilizando la digitalización, la transparencia de la información, la gobernanza de datos, la portabilidad de datos y la innovación de procesos. Las empresas mineras ahora pueden implementar una variedad de sensores diferentes a lo largo de su proceso que pueden proporcionar datos en tiempo real de exploración y operaciones mineras que, en conjunto, se denominan “Internet de las cosas mineras” (MIoT).

    Las decisiones comerciales que hoy en día pueden tomar días o semanas utilizando datos modelados manualmente se tomarán en minutos a partir de una fusión de datos estimados y reales. Esta toma de decisiones estará respaldada por procesos automatizados e informada mediante la simulación de posibles escenarios y sus consecuencias upstream y downstream. Esto se traduce en ahorros de tiempo sustanciales y mejoras en la precisión, transparencia y agilidad comercial al tomar decisiones informadas de manera oportuna. Pero esta visión solo puede convertirse en realidad cuando se basa en una nueva generación de aplicaciones de software estructuradas en un lenguaje de modelado que puede ser compartido, procesado y entendido tanto por máquinas como por personas.

    NECESIDAD DE CAMBIO

    Con la reciente desaceleración de la demanda y la caída resultante de los precios de las materias primas, en los últimos siete años muchas empresas mineras se han centrado en la productividad para lograr costos competitivos y mantener un flujo de caja positivo. Sin embargo, los programas de mejora de la productividad y las aplicaciones incrementales de tecnología llegarán tan lejos y están llegando a un límite. Ahora es evidente que la industria minera comparte un sentimiento común de que el próximo cambio en la reducción de costos y, por lo tanto, la productividad, se habilitará a través de la implementación holística de tecnología en toda la cadena de valor de la minería, respaldada por un desafiante proceso de gestión del cambio.

    El cambio transformacional requiere un cambio de mentalidad que involucre a las personas, la cultura, la organización corporativa y la tecnología. Aquellas empresas que sean las primeras en adoptar, adaptar y dominar las tecnologías y el cambio establecerán una ventaja competitiva significativa. Las empresas que tardan en adoptar o se resisten al cambio verán que su curva de costos se estancará y, a la larga, quedarán fuera del negocio (por ejemplo, Kodak, Blockbuster).

    La industria minera está pasando de un período en el que los estudios o planes de escritorio estáticos compartimentados eran comunes a centros de operaciones remotos más recientemente. Sin embargo, vamos a un mundo nuevo donde cada dato está mapeado, catalogado, conectado y disponible bajo demanda para modelar y simular escenarios o situaciones de la vida real para una mejor toma de decisiones. En este nuevo mundo, todo está conectado: personas con personas, personas con máquinas y máquinas con máquinas. Los procesos de minería se llevan a cabo de manera colaborativa y dinámica para capturar valor rápidamente (casi en tiempo real) en condiciones cambiantes.

    La marca GEOVIA® de Dassault Systèmes está construyendo el «puente» para hacer ese cambio con herramientas capaces de unir el plan y la ejecución combinando el mundo virtual con la realidad. El modelado geológico implícito rápido representa solo la primera de numerosas aplicaciones que se crearán de forma nativa en la plataforma 3DEXPERIENCE® de Dassault Systèmes para permitir esta visión.

    MODELADO SEMÁNTICO

    Para aprovechar todo el potencial de las tendencias tecnológicas como MIoT, aprendizaje automático y big data, es necesario implementar una nueva arquitectura de software y organización de datos mediante el modelado semántico.

    Muchos recursos web existentes son comprensibles solo para los humanos, ya que el lenguaje de marcado (HTML) solo presenta datos para información textual y gráfica destinada al consumo humano. El inventor de la World Wide Web, Tim Berners-Lee, introdujo por tanto la idea de la Web Semántica (Berners-Lee, Hendler & Lassila, 2001). La Web Semántica tiene como objetivo los recursos Web comprensibles por máquina, cuya información puede ser compartida y procesada tanto por herramientas automatizadas, como motores de búsqueda, como por usuarios humanos.

    El lenguaje de representación del conocimiento de última generación de la Web Semántica es el lenguaje de descripción de ontologías (OWL), publicado por el World Wide Web Consortium (W3C). Su sintaxis más común se basa en el marco de descripción de recursos (RDF), que describe el significado y las relaciones a través de una colección de triples, cada uno de los cuales consta de un sujeto, un predicado y un objeto. Este «conocimiento» es utilizado por las computadoras para «unir los puntos» de manera autónoma, sin requerir la intervención humana.

    PRÓXIMA GENERACIÓN DE MODELADO GEOLÓGICO IMPLÍCITO RÁPIDO

    El concepto de modelado paramétrico ha existido durante varios años en disciplinas tales como gráficos por computadora (Hughes et al., 2013), ingeniería (Reinschmidt, Griffs & Bronner, 1991), ingeniería de sistemas y diseño y estilismo (Aouad et al. ., 2013). El modelado paramétrico aplica un enfoque basado en características paramétricas para crear modelos sólidos basados ​​en restricciones, relaciones y dimensiones. Estos tipos de parámetros controlan la forma, el tamaño y la salida (cómo se combinan las diferentes piezas de geometría). Esto es fundamentalmente diferente del enfoque CAD tradicional, donde las piezas básicas de geometría (por ejemplo, líneas, polilíneas) se diseñan desde cero y se combinan manualmente para expresar la intención del modelador. En un marco paramétrico, la relación entre el resultado y la intención se invierte, ya que la intención se expresa primero (a través de un conjunto de parámetros) para crear formas 3D que representen con precisión la intención del modelador.

    El uso de funciones de base radial (RBF) para describir superficies implícitas en el espacio dado un conjunto de puntos de datos tampoco es nuevo en Analytic Geometry (Mittelman, 1983; Bloomenthal & Wyvill, 1997). Se ha utilizado desde finales de la década de 1960 en el campo de los gráficos por ordenador (Davis, Nagel & Guber, 1968). Más recientemente, este concepto se ha aplicado en el sector de los recursos naturales para crear representaciones en 3D de características geológicas (Cowan et al., 2002). En el espacio del modelado geológico, la premisa basada en datos del modelado implícito no solo reduce la naturaleza subjetiva del enfoque de modelado convencional, sino que también permite un cambio radical en agilidad, repetibilidad y trazabilidad.

    La próxima generación de modelado geológico implícito rápido que GEOVIA está introduciendo en 2018 continúa aprovechando el RBF como conducto para el modelado implícito, pero ahí es en gran medida donde terminan las similitudes. La aplicación GEOVIA introduce una variación del motor RBF tradicional con un kernel innovador y un algoritmo de tetraedros en marcha novedoso, junto con una implementación del conocido Fast Multipole Method (Greengard & Rokhlin, 1987) para el manejo eficiente de desafíos de datos multimillonarios. . El algoritmo de tetraedros en marcha extrae las funciones implícitas y las combina con la información semántica para obtener un modelo geológico que se ajusta a las expectativas de los geólogos. El enfoque también combina principios de modelado paramétrico a través de reglas y relaciones que determinan cómo se ensamblan las diferentes partes (datos, componentes del modelo) para formar modelos geológicos, lo que permite al geólogo expresar la intención del modelado.

    Esta solución de modelado geológico de próxima generación también tiene las siguientes características:

    Aprovechando la nube

    La aplicación aprovecha todo el potencial de la computación en la nube, no solo a través de la implementación de licencias, sino también a través del procesamiento dentro de un verdadero marco de software como servicio (SaaS). Es accesible para cualquier dispositivo que ejecute un navegador web compatible con HTML5 / WebGL, sin software para instalar y disponible desde cualquier lugar que pueda acceder a Internet.

    Datos vinculados

    Considere la visión de minas autónomas con cientos o quizás miles de máquinas equipadas con millones de sensores que se comunican entre sí. Para que eso suceda, se requiere un formato de datos que las máquinas puedan procesar y del cual las máquinas puedan inferir nuevos conocimientos de la información existente. Idealmente, las máquinas operarán directamente en el formato de datos, sin costos de transformación adicionales o pérdida potencial de información por la transformación. La filosofía de Linked Data con ontologías como lenguaje de representación subyacente permite exactamente este escenario.

    Interoperabilidad

    La interoperabilidad entre sistemas y su información heterogénea debe ser la base de la próxima generación de aplicaciones. En última instancia, esto permitirá que muchas fuentes de conocimiento independientes se conviertan en datos vinculados (Bizer, Heath & Berners-Lee, 2009), que es un habilitador central de la Web semántica. El modelo de datos de la próxima aplicación GEOVIA está alineado con los estándares del Consorcio Geoespacial Abierto, como GeoSciML. Dado que GeoSciML no se basa en los principios de Linked Data, sino que sigue siendo solo un estándar basado en XML, GEOVIA ha enriquecido las partes del estándar que son relevantes para la aplicación con significado semántico transformándolas en ontologías. Esto permite todos los beneficios de los datos vinculados, incluida la capacidad de comunicarse sin problemas con otras aplicaciones que utilizan GeoSciML.

    Semántica y búsqueda federada

    En el marco de la próxima generación de aplicaciones, cada pieza de información se almacena como datos en un repositorio unificado y ya no se incrusta en archivos o bases de datos de la manera tradicional de administrar datos. El modelo de datos semánticos (arquitectura) es el «pegamento» que mantiene los datos juntos a través de las relaciones trazadas y el nuevo «conocimiento» inferido por los algoritmos de aprendizaje automático.

    La búsqueda federada es la capacidad de descubrir y recuperar datos a través de múltiples fuentes de búsqueda, independientemente de la categoría. Un modelo de datos semánticos mejora aún más las capacidades de la búsqueda federada, ya que los datos se almacenan en una base de datos homogénea con metadatos asociados para cada pieza de información. Esto permite buscar en todas partes y al mismo tiempo explorar las relaciones inherentes de los datos. Para lograr esto desde una base de datos relacional convencional, todo el contenido debería estar indexado de antemano.

    CONCLUSIÓN

    La aplicación discutida en este documento representa el primer paso en el viaje de la marca Dassault Systèmes GEOVIA hacia la próxima generación de software que permite la visión de una mina verdaderamente autónoma. Aunque la tecnología es un facilitador clave de tal visión, la gestión del cambio se considera el componente más importante en este camino de transformación y, como tal, no debe subestimarse. Por ejemplo, es posible que se requieran diferentes conjuntos de habilidades y estructuras organizativas para resolver los desafíos de una manera más colaborativa, holística y eficiente.

    Para la industria minera, la visión de una mina autónoma representa un cambio transformacional que requiere una mentalidad diferente que implica nuevas formas de describir los desafíos y las soluciones innovadoras para abordarlos. La innovadora arquitectura de software de la nueva aplicación de GEOVIA es un ejemplo revolucionario de eso. Representa un hito importante para aprovechar todo el potencial de las tendencias tecnológicas discutidas anteriormente que, en combinación, sustentan la próxima ola de mejoras de productividad en la industria.

    REFERENCIAS

    Aouad, G., Wu, S., Lee, A., Onyenobi, T. (2013) Computer Aided Design Guide for Architecture, Engineering and Construction, Routledge, Oxford, UK.

    Berners-Lee, T., Hendler, J., Lassila, O. (2001) ‘The semantic Web’, Scientific American, 284, 5, pp. 34-43

    Bizer, C., Heath, T., Berners-Lee, T. (2009) ‘Linked data-the story so far’, Semantic services, interoperability and web applications: emerging concepts, pp. 205-227.

    Cowan, E. J., Beatson, R. K., Ross, H. J., Fright, W. R., McLennan, T. J., Mitchell, T. J. (2002) ‘Rapid geological modelling’, Applied Structural Geology for Mineral Exploration and Mining International Symposium Kalgoorlie 23-25 September, Australian Institute of Geoscientists Bulletin, 36 , pp. 39–41

    Davis, J., Nagel, R., Guber, W. (1968) ‘A Model Making and Display Technique for 3-D Pictures’, Proc. 7th Annual Meeting of UAIDE, 47-72.

    Greengard, L., Rokhlin, V. (1987) ‘A fast algorithm for particle simulations’, Journal of Computational Physics, 73, 2, pp. 325¬348.

    Hughes, J.F., van Dam, A., McGuire, M., Sklar, D.F., Foley, J.D., Feiner, S.K., Akeley K. (2103) Computer Graphics: Principles and Practice, Third Edition, Addison-Wesley Professional, Boston, US

    Mittelman, P. (1983) ‘Computer Graphics at MAGI’, Computer Graphics 83, Online Publications, UK, pp. 291-301

    Reinschmidt, K.F., Griffs, F.H., Bronner, P.L. (1991) ‘Integrated Engineering, Design, and Construction’, Journal of Engineering and Management, ASCE, 117, 4, pp. 756¬772

    *This is a translation of original article: 3DS-GEOVIA-GeologicalModeling_WhitePaper.pdf

  • Optimización Simultánea Con GEOVIA Whittle

    Optimización Simultánea Con GEOVIA Whittle

    RESUMEN

    Este documento describe la base técnica del módulo de Optimización Simultánea Avanzada (SIMO Avanzada) en GEOVIA Whittle ™. El módulo SIMO avanzado permite a los planificadores de minas crear programas óptimos a largo plazo para la operación de minas a cielo abierto. 1 SIMO avanzado utiliza el motor ProberB que se desarrolló por Whittle Development Pty Ltd. El método para encontrar el programa óptimo se descompone en tres pasos: 1) agregar bloques en retrocesos, paneles y contenedores de mezcla para reducir el tamaño del problema; 2) expresar el problema de programación en un sistema lineal que se puede resolver mediante programación lineal y utiliza un enfoque iterativo para encontrar un horario óptimo; y 3) iterar de forma semialeatoria a través del espacio de la solución para asegurar que el programa obtenido esté cerca de la solución óptima.

    INTRODUCCIÓN

    Los métodos tradicionales utilizados en la planificación estratégica de minas tienden a optimizar un parámetro a la vez, mientras que la Optimización Simultánea Avanzada (SIMO Avanzada) considera todos los parámetros y alternativas simultáneamente, por lo que proporciona una solución casi óptima. Soluciones anteriores que utilizaban Milawa para la optimización del cronograma, Stockpile & Cut-off Optimization (SPCO) para la optimización de cut-off, y múltiples escenarios de mezclas extractivas para optimizar la mezcla se reemplazan mediante el uso de Advanced SIMO, que optimiza todos estos parámetros para maximizar las ganancias.

    La optimización tradicional de pit shell (Lerch-Grossman o Pseudoflow) todavía es necesaria para crear pit shell óptimo. Los pit shell son en su mayoría independientes del cronograma y el almacenamiento y, por lo tanto, se pueden realizar independientemente de una optimización SIMO avanzada. Si bien se podría argumentar esta afirmación, las restricciones de pendiente y la economía siguen siendo, con mucho, los principales impulsores de la forma del pit Shell en el cronograma.

    Una ejecución de optimización simultánea (SIMO) optimizará uno y solo un escenario de la estrategia de retroceso. Si se desea optimizar la selección y la estrategia de retroceso, esa optimización podría realizarse por separado utilizando el selector de retroceso, o mejor, con suficientes recursos informáticos evaluando manualmente las diferentes estrategias, a través del análisis de la piel, por ejemplo.

    A partir de un conjunto de parámetros de entrada (modelo de bloque, restricciones económicas y mineras, etc.), un usuario desea calcular un programa que maximice las ganancias a través del valor actual neto (VPN). El VPN se formula en función de esos parámetros de entrada, el programa y todas las demás variables. El cronograma es la variable que tiene más grados de libertad y tiene el mayor impacto en el VPN. El cronograma proporciona una descripción de qué bloque extraer y cuándo con el detalle de sus destinos (es decir, si se va a procesar, almacenar o descartar). Encontrar el plan de mina óptimo se puede reducir básicamente a encontrar el cronograma óptimo.

    El programa óptimo para una mina se puede describir con un conjunto de ecuaciones lineales e inecuaciones con una función objetivo que representa el VPN después de la vida de la mina. El objetivo de la optimización es resolver todas las variables y parámetros de entrada que maximizan la función objetivo. Si dicho sistema es lineal y lo suficientemente pequeño, se puede resolver utilizando un solucionador de programación lineal (LP) tradicional y se garantiza una solución óptima. Desafortunadamente, en el caso de la mayoría de los programas de mina, el sistema no es ni lo suficientemente pequeño ni lineal.

    ¿POR QUÉ LA OPTIMIZACIÓN SIMULTÁNEA ES MEJOR QUE LOS MÉTODOS TRADICIONALES?

    La suposición básica que se hace al optimizar un parámetro por separado de otros es que los parámetros son independientes entre sí. Por ejemplo, la optimización de corte supone que las leyes de corte se pueden optimizar independientemente del cronograma. Sin embargo, cambiar el límite a menudo significa que el programa que alguna vez fue óptimo puede no serlo para un límite diferente.

    Cuando se optimiza en pasos separados, una decisión tomada en una etapa temprana (por ejemplo, Programa en la Figura 1) impacta las decisiones posteriores, por lo tanto, reduce o enmascara las posibilidades de una mejor solución por completo.

    Las siguientes secciones, Pasos 1 al 3, describirán brevemente la lógica para derivar un cronograma de minería óptimo con SIMO.

    PASO 1: AGREGACIÓN PARA “BLEND BINS”

    La descripción de este problema de programación en un sistema de ecuaciones es demasiado grande para que la resuelva cualquier computadora. Para reducir el tamaño del sistema, GEOVIA Whittle utiliza «contenedores de mezcla» como metodología de agregación. Dado que los bloques que tienen grados de material similares tendrán un resultado similar, agregar esos bloques reducirá significativamente el tamaño del problema sin afectar los resultados (a expensas de la entrada adicional del usuario para especificar los contenedores de mezcla).

    Los pits se subdividen en retrocesos (pushbacks) y en bancos (benches). Un panel designa un banco específico dentro de un retroceso (ver Figura 2), y los bloques de un retroceso y un banco específicos se asignan a un panel. La definición de contenedores de mezcla permitirá agrupar los bloques de un panel que tienen características de grado similares en un solo contenedor (Figura 3).

    El usuario define los contenedores de mezcla especificando el rango de grado para cada contenedor. Tenga en cuenta que los rangos de grado del depósito, si se eligen incorrectamente, tendrán un impacto significativo en la optimización. Proporcionar suficientes contenedores de mezcla alrededor de los límites sensibles es fundamental para el proceso. Los usuarios generalmente comienzan con un mayor número de contenedores de mezcla para determinar dónde se encuentra el límite de mineral o desmonte, qué grupos de contenedores se procesan, almacenan o recuperan juntos, y luego los consolidan para que los contenedores se conviertan en clases de materiales para la programación.

    Una vez que los bloques se han agregado a pushback, panel y contenedores, el tamaño del sistema ahora se reduce a un tamaño aceptable. El beneficio adicional de subdividir por retroceso (pushback) y panel es que la estructura ahora puede seguir implícitamente las restricciones mineras relacionadas con el perfil de la pendiente y la precedencia del bloque.

    PASO 2: ENCONTRAR UNA SOLUCIÓN ÓPTIMA

    Para describir el enfoque, echemos un vistazo primero al caso sin existencias.

    Caso sin stockpile

    Un cronograma puede expresarse mediante un vector Xi, j que especifica la profundidad total extraída para el retroceso iy el período j, de modo que, para cada período de un cronograma, se puede saber cuánto de cada retroceso se extrae. Por ejemplo, en un caso simple de un pozo con un retroceso, seis bancos y tres períodos, el vector X = (0.5, 3.2, 5.8) indica que al final del período 1, la mitad del primer banco (banco 0) es minado; al final del período 2, la minería alcanzó el 20% del cuarto banco (banco 3); y al final del período 3 sólo queda el 20% del último banco.

    Si el problema del cronograma se expresa utilizando el principio anterior mientras se agregan restricciones de minería, mezcla y procesamiento, la resolución de Xi, j proporcionará la solución óptima para el problema.

    Sin embargo, el sistema no se puede resolver como está. Debe ser lineal para que se pueda resolver con los solucionadores LP tradicionales. Si los bancos y los retrocesos que se extraerán dentro de cada período son fijos, se puede hacer que el sistema sea lineal y encontrar el programa óptimo para este caso específico utilizando un solucionador de LP.

    El solucionador de LP podrá calcular cuál es la fracción óptima del banco para extraer.

    En nuestro ejemplo anterior, si (0.5, 3.2, 5.8) fuera un cronograma óptimo, esa solución se habría encontrado cuando arreglaríamos el banco 0 para el período 1, el banco 3 para el período 2 y el banco 5 para el período 3. En otras palabras, al proporcionar el valor inicial X = (0, 3, 5), el solucionador podrá encontrar la solución óptima (0.5, 3.2, 5.8) para ese caso. Arreglar los bancos y los retrocesos a la mía en cada período es una limitación seria, y no es práctico ni útil solicitar que información del usuario. Dado que el usuario no sabe a priori qué bancos y retrocesos extraer dentro de cada período, uno tendría que iterar a través de todas las combinaciones de bancos y retrocesos que se pueden extraer en todos los períodos para encontrar la solución óptima. En el ejemplo anterior, con un retroceso, cinco bancos y tres períodos, el software necesitaría iterar a través de 56 combinaciones.2 Ese número crecerá exponencialmente a medida que se agreguen más retrocesos, bancos y períodos. Con solo 10 bancas, 10 períodos y 5 retrocesos, el número de combinaciones se acerca a 6,7 ​​× 10 24, por lo que, para un problema de tamaño normal, esto produce demasiadas combinaciones para evaluar. Para resolver este problema, se utiliza un enfoque iterativo análogo al método de Newton (Recetas numéricas. El arte de la computación científica, 3ª edición, 2007) para encontrar un óptimo local (consulte la Figura 4 en la página siguiente).

    Como se muestra en la Figura 4, a partir de cualquier solución factible inicial (el conjunto fijo de bancos y retrocesos para extraer para cada período), el solucionador de LP calcula el programa óptimo; si la solución está dentro de los límites del programa inicial (es decir, no ha alcanzado los límites de los bancos y los retrocesos que se arreglaron), entonces el programa ha encontrado un máximo local; de lo contrario, el programa reinicia el proceso utilizando esta última solución como una solución inicial factible para la siguiente iteración. Este proceso puede comenzar desde cualquier solución inicial factible, permitiendo encontrar un máximo local en el espacio de la solución.

    Caso con Stockpile

    El uso de existencias agrega un nivel de complejidad al algoritmo general. Es decir, el sistema de ecuaciones descrito anteriormente vuelve a ser no lineal. Las variables de entrada agregadas que se necesitan para las existencias requerirán cambiar las restricciones de ley y tonelaje, y deberán expresarse como un producto de dos variables (por ejemplo, ax1x2 +… = k, donde x1 y x2 representan la ley de la pila y la cantidad de material que sale de la reserva, respectivamente). El sistema ahora es cuadrático no convexo y no se puede resolver con un solucionador de LP. Entonces, el enfoque adoptado es resolver por separado las leyes de las pilas y los movimientos de las pilas. Primero, las leyes de la reserva (x1) se estiman iterativamente; luego, el grado de la pila se fija para permitir que el solucionador de LP resuelva el programa.

    Tenga en cuenta que este enfoque no optimiza las leyes de la pila de existencias y el cronograma juntos, por lo que las leyes de la pila de existencias pueden no ser óptimas para el cronograma. Sin embargo, dado que muchos bloques contribuyen a las reservas, la calidad de la pila no tiende a cambiar significativamente con el cronograma.

    Este enfoque es una mejora significativa en comparación con SPCO, que solo optimiza las leyes de corte. Aquí, el movimiento del material de la pila y las calidades de la pila se optimizan para ofrecer el mejor VAN posible.

    PASO 3: ENCONTRAR LA SOLUCIÓN ÓPTIMA

    El enfoque iterativo descrito anteriormente no garantiza que la solución encontrada sea la solución óptima. La Figura 5 ilustra el concepto en el que partir de diferentes programas iniciales factibles puede conducir a diferentes máximos locales, y ese enfoque podría devolver un máximo local en lugar de la solución óptima.

    Utilizando un método análogo al método de Monte-Carlo, el procedimiento se repite un gran número de veces a partir de diferentes soluciones factibles iniciales. Como un alpinista que llega a la cima de un pico, solo para descubrir que estaban rodeados por otros puntos más altos de la montaña, este método coloca a muchos alpinistas al azar a través de la cordillera y la solución final se obtiene del escalador que llega a la cima en la cima más alta. cima.

    Se ha tenido cuidado para asegurar que el espacio de solución completo se muestrea aleatoriamente para que se encuentren todos los máximos locales. Las iteraciones se pueden dejar durante mucho tiempo, sin embargo, la velocidad a la que se encuentra un mejor máximo disminuye rápidamente y el algoritmo se detiene cuando la posibilidad de encontrar una solución significativamente mejor se vuelve muy improbable. (Ver Figura 6.)

    CONCLUSIÓN

    El enfoque de optimización simultánea avanzada de GEOVIA Whittle puede encontrar mejores resultados en comparación con los métodos tradicionales. Hemos demostrado que el plan de mina óptimo para un problema a cielo abierto se puede reducir a encontrar el cronograma óptimo mediante la optimización de mezclas, acopios y estrategias de procesamiento dentro de un enfoque iterativo. El algoritmo consiste en iterar a través del espacio de posibles horarios para encontrar el casi óptimo horario que obedece a las limitaciones de minería y procesamiento.

    *this is a traslation of original article «GEOVIA-Whittle-SIMO-WhitePaper»