Machine learning applied to short-term mine planning to increase the operational performance of mine equipment.

Os processos, sistemas e pessoas envolvidos na cadeia de produção mineral são responsáveis pelo aumento considerável na geração de dados operacionais. Neste cenário, torna-se necessária a utilização de ambientes com capacidades de armazenamento e processamento de dados cada vez mais robustos para que métodos de análises inteligentes possam ser aplicados, a fim de realizar previsões do desempenho produtivo por meio de algoritmos de aprendizado de máquina. O objetivo deste estudo é aumentar a previsibilidade do desempenho operacional de equipamentos de mina, diretamente relacionado com a tomada de decisão nas atividades de planejamento de lavra de curto prazo. Para alcançar este objetivo foi proposta uma metodologia de aprendizado de máquina para o planejamento de lavra que abrange tarefas desde a preparação dos dados envolvidos no processo produtivo, até a tomada de decisão e replicação da rotina de análise para os próximos períodos que serão planejados. A metodologia foi aplicada no planejamento de lavra dos turnos operacionais em uma mina de cobre localizada na região norte do Brasil com o objetivo de prever o desempenho de produção de escavadeiras considerando variáveis de planejamento de lavra, geológicas, geográficas, de manutenção, da programação de horas, das turmas de trabalho escaladas para o turno e dos turnos de trabalho a serem planejados. A partir de diversos algoritmos de aprendizado de máquina, foram criados 175 modelos preditivos, treinados e testados por meio de validação cruzada, para que fosse definido uma modelagem que melhor se ajustasse ao padrão dos dados operacionais. Estes resultados comprovaram que sistemas preditivos podem ser inseridos na rotina operacional do planejamento de lavra de curto prazo, auxiliando na tomada de decisão para a alocação de equipamentos de maneira realística, eficiente e ágil.The complex combination of controls, systems and human aspects presented in the mine value chain are today responsible for an increasing amount of digital data in the mining industry. In this scenario, it is imperative the use of reliable and intelligent systems that can store and process the data to predict mine equipment performance. The objective of this study is to improve the prediction of operational performance in mine equipment for the short-term planning. For this purpose, it is proposed a machine learning (ML) methodology to map the production process from data collection until planning, with replication of the generated routines for subsequent short-term period analysis. The methodology was applied to predict the operational performance of excavators during working shifts in an open pit copper mine located in Northern Brazil, considering a series of variables such as operational, geological, geographic, maintenance. 175 predictive models were generated during the study, which were tested through cross-validation to improve the model adjustment to the collected data. The results obtained using this methodology confirmed that the use of ML predictive models provides a better understanding of the operation and allocation of mine loading fleet through the use of fast and realistic predictive routines