Simulación de carguio – acarreo en la Unidad Minera Tantahuatay

Abstract

En el presente trabajo se desarrolla un modelo probabilístico de transporte de mineral en el Tajo Tantahuatay de la compañía minera Coimolache S.A.C. con el objetivo de realizar modificaciones de parámetros de operación al mismo equipo de carguío y acarreo para incrementar la producción diaria del mineral. El modelo probabilístico se diseño y programo haciendo el uso del lenguaje de simulación GPSS (General Purpose System Simulator), el cual se basa en conceptos como el de Montecarlo de Jhon Von Neumann. Para el modelo se tomaron datos estadísticos del carguío y acarreo, insitu y en una guardia de trabajo de 12 horas. Este modelo probabilístico puede ser utilizado como una herramienta de toma de decisiones antes de iniciar la guardia, lo cual nos permite simular la producción en toneladas de mineral por guardia, estimar el porcentaje de utilización de los equipos de carguio (excavadoras) y estimar el número de volquetes en la cola y el tiempo promedio en las colas. Nos permite Visualizar oportunidades de mejoras en un sistema minero integrado, identificar los cuellos de botella y congestión y analizar escenarios productivos.

In the present work a probabilistic model of mineral transport is developed in the Open Pit Tantahuatay of the mining company Coimolache S.A.C. with the objective of making modifications of operating parameters to the same loading and hauling equipment to increase the daily production of the ore. The probabilistic model was designed and programmed using the simulation language GPSS (General Purpose System Simulator), which is based on concepts such as the Monte Carlo by Jhon Von Neumann. For the model statistical data were taken from the load and transport, in situ and in a 12-hour work guard. This probabilistic model can be used as a decision making tool before starting a guard, which allows us to simulate the production in tons of ore per guard, estimate the utilization percentage of the loading equipment (excavators) and estimate the number of trucks in the tail and the average time in the queues. It allows us to visualize opportunities for improvements in an integrated mining system, identify bottlenecks and congestion and analyze production scenarios.