Smart and Adaptive Operational Decisions in Simultaneous Stochastic Production Planning of Mining Complexes

An industrial mining complex is an integrated business where material can be extracted from multiple open pits and underground sources and transformed at several intermediate stages in a processing plant until it can be sold and transported to clients.In this context, uncertainty arises from various sources.Geological uncertainty is a critical component that arises from partial knowledge regarding the mineral deposit.The performance of the mining and processing equipment can vary depending on the quality of the material, operators, weather conditions, amongst others.The variability observed in commodity prices is also an important source of uncertainty for defining future prices.Past approaches leveraged the value of the simultaneous stochastic optimization for long-term production planning of mining complexes by addressing multiple components altogether and managing the risk associated with different uncertainty sources.Regarding short-term planning, the typical practice is to optimize individually different mining complex components, which prevents unlocking value from intercorrelated activities.Besides, mining complexes are data-rich environments where data is generated continuously from multiple sensors installed in different types of equipment.This helps characterize supply materials, track fleet locations, and measure processing plant performances and requirements, among other monitoring indicators.This newly generated data can be assimilated to update orebody models, equipment performance assessments, and production plans and forecasts.Thus, fast and adaptive frameworks must be developed to account for these aspects.This thesis expands the simultaneous optimization of short-term planning of mining complexes to jointly consider equipment allocation, production scheduling, material destinations, and digline definitions while addressing uncertainty from geological attributes, equipment performance and processing plant responses.It also includes equipment access and operational requirements to improve the feasibility of the obtained solution.A new high-order method is proposed to simulate the performance of the processing facility.This is a novelty as the approach does not make assumptions about the data distribution and bypasses the requirements to upscale non-linear attributes, whereas standard simulation methods rely on second-order statistics.This work is a step towards connecting different time horizons in a simultaneous stochastic optimization framework.assessing the uncertainty with many aspects of the processing plant and, consequently, the associated costs.This simulation model is applied in two stages: the digline approach and the RL-based framework, which defines shovel allocation and production scheduling.A case study in a gold mining complex compared the approach to two other strategies to predict processing responses.The results show an increase in the cash flow by 14% and 24 % compared to the baseline cases.The new developments proposed in this thesis are a step towards simultaneous and adaptive short-term planning of mining complexes.While standard practices optimize components individually, the current work integrates shovel-and-truck allocation, extraction sequence, material destination, grade-control and digline definitions in a single framework.In addition, since new data can be constantly gathered while operations are in place, adapting production scheduling decisions given incoming information can substantially improve the value of the operation and minimize misclassification.This work addresses this by updating uncertainty models and using them for more informed mine planning decisions.Another important consideration is that operational aspects are indispensable in short-term planning but are hard to model mathematically.Thus, spatial constraints are embedded in many aspects throughout this thesis.Last but not least, truly risk-resilient mine planning requires integrating all relevant sources of uncertainty, which is not a standard practice in the industry.In particular, this thesis addresses uncertainties regarding geological attributes, equipment performance and processing responses, where the latter is rarely addressed.The presented case studies demonstrate that including all these aspects considerably improves the mining complex's profitability.v Résumé Un complexe industriel minier est une entreprise intégrée dans laquelle le matériau peut être extrait de plusieurs mines à ciel ouvert et souterraines, puis transformé à différentes étapes intermédiaires dans une usine de traitement avant d'être vendu et transporté aux clients.Dans ce contexte, l'incertitude provient de diverses sources.L'incertitude géologique est un élément critique qui découle d'une connaissance partielle du gisement minéral.Les performances des équipements d'extraction et de traitement peuvent varier en fonction de la qualité du matériau, des opérateurs, des conditions météorologiques, entre autres facteurs.La variabilité observée dans les prix des matières premières constitue également une source importante d'incertitude pour la définition des prix futurs.Les approches passées ont exploité la valeur de l'optimisation stochastique simultanée pour la planification de la production à long terme des complexes miniers en prenant en compte plusieurs composants ensemble et en gérant les risques associés aux différentes sources d'incertitude.En ce qui concerne la planification à court terme, la pratique habituelle consiste à optimiser individuellement les différents composants du complexe minier, ce qui empêche de débloquer de la valeur à partir d'activités intercorrélées.Par ailleurs, les complexes miniers sont des environnements riches en données, générées en continu par de multiples capteurs installés sur différents types d'équipements.Ces données permettent de caractériser les matériaux d'approvisionnement, de suivre la localisation des flottes et de mesurer les performances et exigences de l'usine de traitement, ainsi que d'autres indicateurs de suivi.Ces nouvelles données peuvent être assimilées pour mettre à jour les modèles du gisement, les évaluations des performances des équipements et les plans et prévisions de production.Ainsi, des cadres rapides et adaptatifs doivent être développés pour prendre en compte ces aspects.Cette thèse élargit l'optimisation simultanée de la planification à court terme des complexes miniers pour prendre en compte conjointement l'allocation des équipements, la planification de la production, les destinations des matériaux et les définitions des lignes de fouille, tout en abordant l'incertitude des attributs géologiques, des performances des équipements et des réponses de l'usine de traitement.Elle inclut également les contraintes d'accès aux équipements et les exigences opérationnelles afin d'améliorer la faisabilité de la solution obtenue.Une nouvelle méthode de simulation d'ordre élevé est proposée pour simuler les performances de l'installation de traitement.Cette approche est innovante, car elle ne fait aucune hypothèse sur la distribution des données et vi évite la nécessité de mettre à l'échelle les attributs non linéaires, contrairement aux méthodes de simulation standard qui reposent sur des statistiques d'ordre deux.Ce travail constitue une étape vers la connexion de différents horizons temporels dans un cadre d'optimisation stochastique simultanée.Premièrement, un nouveau cadre de répartition des camions basé sur un modèle de Q-Learning entraine une politique adaptative qui répond aux différentes configurations du complexe minier pour acheminer les matériaux extraits par les pelles vers les unités de traitement, en respectant les objectifs planifiés et en maximisant l'efficacité des équipements.L'approche prend en compte les incertitudes des attributs géologiques associés aux teneurs en métal et aux performances opérationnelles découlant des activités de chargement, de transport et de déchargement.Un modèle de simulation à événements discrets (DES) émule les opérations des pelles et des camions, tandis qu'un agent d'apprentissage par renforcement (RL) interagit avec ce modèle et apprend à partir d'expériences échantillonnées. .L'approche est testée sur un complexe minier de cuivre et d'or et montre des améliorations en termes de débit de l'usine et de réduction des files d'attente à différents emplacements Ensuite, une méthode basée sur du RL avec acteur-critique est présentée pour l'allocation de la flotte minière et la définition d'un calendrier de production afin de maximiser le flux de trésorerie.Deux agents RL interagissent dans un environnement coopératif, partageant la même récompense.Un agent définit le placement de la pelle en fonction de certaines exigences opérationnelles, et l'autre définit les destinations de traitement et le nombre de camions à affecter à la pelle correspondante.Un DES prévoit le flux de matériaux des fronts miniers vers les destinations associées, en intégrant également des données supplémentaires issues de stations d'échantillonnage pour mettre à jour les modèles incertains du gisement.Une étude de cas appliquée à un complexe minier de cuivre met en évidence la capacité de la méthode à prendre des décisions éclairées tout en intégrant de nouvelles données, montrant une amélioration de 47 % du flux de trésorerie par rapport à une approche de référence non adaptative.Une approche intégrée est également présentée afin d'inclure davantage de composantes à court terme dans une optimisation simultanée, englobant l'allocation des pelles, la planification de la production et les diglines de contrôle de la teneur dans un cadre basé sur RL.Les diglines sont obtenues à l'aide d'une méthode de regroupement hiérarchique modifiée avec des contraintes vii spatiales.La fonction objectif minimise la perte associée au traitement simultané de tous les blocs miniers appartenant à une même digline.Une étude de cas réalisée dans un complexe minier de cuivre

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.