EP Ingeniería de Minas

Permanent URI for this communityhttps://hdl.handle.net/20.500.12672/5150

Browse

Browsing EP Ingeniería de Minas by browse.metadata.advisor "Melgar Cabana, David Ysaac"

Filter results by typing the first few letters
Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Aplicación de mejora continua en la gestión del planeamiento operativo minero y su influencia en el beneficio económico mina Untuca – Cori Puno S.A.C
    (Universidad Nacional Mayor de San Marcos, 2018) Huaynate Saboya, Heber Einsten; Melgar Cabana, David Ysaac
    Dividida en 2 fases: fase 1, de diagnóstico situacional de noviembre del 2015 a junio del 2016, y la fase 2, de procesos de mejora continua que abarca desde julio del 2016 a agosto del 2017. Los resultados operativos en ambas fases evidencian el proceso de mejora continua ejecutada en la mina, siendo el resultado final una obtención de onzas de oro más eficiente acorde a los tonelajes extraídos del minado. En la fase 1 se obtiene en promedio 1,765 oz Au/mes, mientras que en la fase 2 progresivamente se incrementa la producción llegando hasta 3,959 oz Au/mes, con un promedio mensual de 3,323 oz Au/mes. En cuanto a tonelajes se incrementa de 29,105 TMH/mes en promedio en la fase 1, a 52,005 TMH/mes en promedio en la fase 2 de proceso de mejora continua. El área de planeamiento e ingeniería de la mina es la encargada de conciliar y gestionar el control y proyección de los costos ejecutados y estimados de los procesos de mejora continua, conjuntamente con la gerencia de operaciones y las áreas operativas involucradas. La presente investigación sustenta la hipótesis de que la aplicación de procesos de mejora continua influye en el beneficio económico representándose gráficamente por un modelo matemático de función potencial denominada curva de aprendizaje. La curva de aprendizaje es empleada en estimar programas de producción, costos y presupuestos. Es aplicada por primera vez por Theodore Paul Wright en 1936. En esta investigación se aplica la curva de aprendizaje en la estimación de los costos generados por los procesos de mejora continua, los cuales se aplican de forma medida, progresiva y presupuestada. Los 5 indicadores de sustento del presente estudio son lograr: menor variación de la desviación estándar típica; mayor tasa de aprendizaje; cumplimiento entre 90% al 110 % de los parámetros de productividad; cumplimiento entre 90% al 110 % de la confiabilidad del modelo matemático de curva de aprendizaje de estimación de costo; y una mayor influencia en el beneficio económico (ahorro) por la aplicación de procesos de mejora continua. Del análisis global de la investigación, se obtiene los siguientes logros que respaldan la hipótesis de la investigación: desviación estándar típica en 9 de 11 actividades <=1 $/tmh, la tasa de aprendizaje 137%, el cumplimiento de los parámetros de productividad en 94%, el cumplimiento de la confiabilidad del modelo matemático de estimación de costos en 109% y la influencia en el beneficio económico de la aplicación de procesos de mejora continua de 223%, lográndose un ahorro de US$ 1’873,113.
  • Thumbnail Image
    Item
    Desarrollo de modelos predictivos de regresión en la industria minera mediante el uso de algoritmo de machine learning
    (Universidad Nacional Mayor de San Marcos, 2022) Castillo Liberato, Oscar Adanver; Melgar Cabana, David Ysaac
    Una de las características que las empresas mineras siempre buscan minimizar es el alto riesgo que implica operar un proyecto. Estos pueden estar influenciados por factores geológicos, ambientales, sociales, de mercado, operativos, políticos, etc. Para afrontar estos riesgos y aumentar sus beneficios, muchas empresas han iniciado la transformación digital implementando tecnologías basadas en Inteligencia Artificial. Los resultados obtenidos han mejorado significativamente la productividad, el consumo energético, reducido los niveles de contaminación y optimizado la seguridad de sus trabajadores. La naturaleza propia de cada operación minera y el conocimiento limitado de estos temas en muchas operaciones actuales del Perú, nos incentivó a realizar modelos predictivos de regresión en casos de la industria minera mediante el uso de algoritmos de Machine Learning, un sub campo de la inteligencia artificial, utilizando un flujograma más didáctico e intuitivo. El estudio propone soluciones en tres casos de la industria minera a través de modelos predictivos de regresión. Estos modelos permiten estimar con un alto grado de certeza: el precio de oro, el contenido de sílice en el concentrado de hierro y el consumo de combustible en camiones mineros de gran tonelaje. Este estudio es de enfoque cuantitativo y del tipo exploratorio, lo que permitió desarrollar estos modelos usando diferentes algoritmos de machine learning a partir de datos históricos. Según las métricas de evaluación, los modelos que tuvieron un buen desempeño para predecir el precio de oro y el consumo de combustible se desarrollaron usando los algoritmos SVR y Árbol de regresión. Sin embargo, para predecir el contenido de sílice en el concentrado de hierro fue necesario el uso del algoritmo de ensamble Random Forest, principalmente por la complejidad del caso. Finalmente, es importante mencionar que para llegar a los resultados esperados hace falta un trabajo estructurado que implica conocimiento de ciencia de datos, conocimiento de minería, y un entendimiento claro del problema que se resuelve usando algoritmos de machine learning.
  • Thumbnail Image
    Item
    Optimización de la ley en el secuenciamiento del remanejo de stockpiles usando programación lineal entera mixta y Visual Basic
    (Universidad Nacional Mayor de San Marcos, 2020) Cleque Valverde, Manuel Alejandro; Melgar Cabana, David Ysaac
    Un plan de extracción de stockpiles debe realizarse de manera que cumpla los objetivos establecidos y considere las restricciones a las cuales se enfrenta la operación minera. En este caso, el objetivo es maximizar la ley de plata que se enviará a la planta de procesos y la principal restricción será mantener la ley de cobre que se envía a planta dentro de un rango aceptable para que no perjudique la recuperación metalúrgica. El cobre que se obtenga no es comercializado por política de la empresa. El ejercicio numérico realizado en este estudio consistió en definir: la ley de corte para clasificar el mineral y el desmonte, generación de polígonos para secuenciar teniendo como unidad de planificación polígonos de 2,500 toneladas, secuenciamiento de extracción de polígonos utilizando un modelo de programación lineal mixta entera en la cual la función objetivo debe ser maximizar la ley de plata y las restricciones son las leyes y tonelajes máximos y mínimos que puede aceptar la planta concentradora. Finalmente, se realizó una evaluación económica para calcular los ingresos obtenidos del plan de extracción propuesto. Se obtuvo un plan de extracción para doce meses durante los cuales se extrae 964,520 toneladas de mineral con una ley promedio de plata de 6.31 oz/ton y 107,969 toneladas de desmonte. Los primeros ocho meses se logra cumplir con las 75,355 toneladas de mineral mensuales con una ley de plata promedio de 6.67 oz/ton y una ley de cobre menor a 0.125%. Los últimos cuatro meses del programa de extracción presenta un importante incremento de la ley de cobre debido a la culminación de los stocks de baja de ley de cobre. Finalmente, en la evaluación económica, este plan nos genera unos ingresos totales de 19.6 millones de dólares por los doce meses.