Modelos de apoyo para la toma de decisiones en la gestión de costos en cierre de minas

Abstract

La gestión de costos de cierre de mina es un desafío actual para las empresas mineras en general (ejemplo; metálicas, no-metálicas, de mediana o gran minería). Una gestión deficiente de estos puede conllevar al abandono de minas y generación de pasivos ambientales. Las empresas mineras, los reguladores y los inversionistas comparten un interés común por garantizar que los costos de cierre de la mina se identifiquen con precisión. Existen muchos métodos empíricos para la estimación de costos de cierre en minas, la mayoría de estos se basan en la experiencia operativa, costos históricos de cierre en minas, cotizaciones de contratistas o en base a diseños y suposiciones justificadas hechas inclusive antes de la construcción de una mina. Este estudio tiene por objetivo abordar el problema de estimación de costos y la identificación de las variables críticas que influyen en los costos de cierre con nuevas técnicas robustas basados en modelos de predicción probabilísticos para reducir la incertidumbre en la estimación de costos en cierre de minas. Los casos de estudio para el análisis incluyen seis (06) depósitos de residuos mineros y metalúrgicos que están siendo tratados para cierre. Estos depósitos contienen lodos ácidos, lodos neutros y relaves. Se usaron métodos como descomposición de valores singulares (SVD), y de análisis de componentes principales (PCA) para la identificación y ponderación de las variables independientes críticas en la estimación de costos. Para los métodos de predicción, se exploran modelos de regresión de variables múltiples como regresión lineal múltiple (LM), árbol de decisiones (AD), árbol de decisiones potenciado (ADP), máquinas de soporte vectorial (MSV) y proceso de regresión Gaussiano (PRG). En esta tesis, se encontró que los modelos base de tipo LM y MSV son los que presentan un bajo índice de error RMSE y tiempos de computación menores en comparación con los otros modelos. Esta metodología puede ser aplicada a distintos escenarios de cierre ya que integra herramientas y técnicas actuales para asistir en la toma de decisiones robusta y objetiva en la gestión de costos en cierre de minas. La investigación de estos métodos probabilísticos en gestión de cierre de minas es limitada, y la aplicación en estimación de costos no existe, por lo que este trabajo es innovativo y demuestra el potencial del uso de ‘machine learning’ – aprendizaje automático – como herramienta soporte en la toma de decisiones en la gestión de cierre de minas.

The management of closure costs is a current challenge for mining companies. A poor management of closure costs can lead to the abandonment of mines and the generation of environmental liabilities. Mining companies, regulators and investors share a common interest in ensuring that mine closure costs are accurately identified. There are many empirical methods for estimating mine closure costs, most of them are based on operational experience, historical mine closure costs, contractor quotes, or based on designs and assumptions made even before the construction of a mine. The objective of this study is to address the cost estimation and the identify the critical variables that influence closure costs with new robust techniques based on probabilistic prediction models to reduce the uncertainty in the estimation of costs in mine closure. The case studies for the analysis include six (06) mining and metallurgical waste deposit areas expected for closure. These deposits contain acid sludge, neutral sludge, and tailings. Methods such as singular value decomposition (SVD) and principal component analysis (PCA) were used to identify and weight the independent critical variables in the cost estimation. For prediction methods, regression models of multiple variables are evaluated such as multiple linear regression, decision tree, ensembled decision tree, support vector machines (SVM) and Gaussian regression process (GRP). In this thesis, the base models of the multiple linear regression and SVM are found to result in a low error indicator RMSE and shorter computation times compared to the other models. This methodology can be applied to other closure scenarios since it integrates modern tools and techniques to support robust and objective decision- making in cost management in mine closure projects. The investigation of these probabilistic methods in mine closure management is limited, and the application in cost estimation does not exist, so this work is innovative and demonstrates the potential of using 'machine learning' as support tool in decision-making in mine closure management. It is recommended that future research and applications integrate this methodology with optimization models in mine closure management.