Aplicación del Ciclo de Gestión Riesgos(CGR): Desde el Aprendizaje Operativo al Aseguramiento de la Promesa de Negocio

Transcripción

1 Aplicación del Ciclo de Gestión Riesgos(CGR): Desde el Operativo al Aseguramiento de la Promesa de Negocio Junio 2017 Gerencia de Geometalurgia Cía. Minera Doña Inés de Collahuasi Comisión Minera, Junio 2017

2 Agenda Ciclo de Gestión de Riesgo Rol de la Geometalúrgia Aplicación del Comentarios Finales

3 Ciclo de Gestión de Riesgo 1

4 1 Ciclo de Gestión de Riesgo Todo proceso es variable y cuanto menor sea la variabilidad del mismo, mayor será la calidad del producto resultante. Edwards Deming

5 1 Ciclo de Gestión de Riesgo Ciclo de Gestión de Riesgo PLANIFICACIÓN EJECUCIÓN VERIFICACIÓN Caja 1 Caja 2 Caja 3 Caja 4 Caja 5 MAPA DEL PROCESO MATRIZ DE RIESGOS PLANES DE MITIGACION & CONTROL PROCEDIMIENTO DE TRABAJO VERIFICACIÓN Y AUTORIZACIÓN CONOCIMIENTO / APRENDIZAJE / COMUNICACION Caja 6 INVESTIGACIÓN INCIDENTES Ciclo de Gestión de Riesgo nos ha llevado a los siguientes resultados

6 C1 (US$/Lb) TonsCu /pp IF Total Compañía Cu Producido (tmf) 1 Ciclo de Gestión de Riesgo Seguridad: IF Producción Cu Total ,20 1,00 0,80 0,60 0,40 1,15 0,97 0,88 0,60 0, ,20 0, Costos: C1 Productividad 2,5 2,0 1,5 1,0 2,1 1,5 1,4 1,4 1,2 1,2 1,0 1,0 0,8 1, ,5 0,

7 Rol de la Geometalurgia 2

8 2 Rol de la Geometalurgia Enfoque Clásico La Geometalurgia tradicional está enfocada en generar y dar confiabilidad a los modelos que serán utilizados en los procesos de Planificación Campaña Anual de sondajes Generación de modelos Geológicos Geometalúrgicos Conciliación de Modelos Entrega a Planificación de Producción Resultados de Producción Enfoque COLLAHUASI Geometalurgia permite alertar y gestionar desviaciones a la promesa del negocio, generando aprendizaje operacional que lleven a tomar decisiones oportunas. Identificar y Alertar Tempranamente Generar Mejorar e Implementar herramientas predictivas

9 Misión Geometalurgia 2 Rol de la Geometalurgia Aumentar la Confiabilidad de la Promesa de Negocio 1 Términos de Referencia Aumentar Confiabilidad Promesa de Negocio 2 Confección de la Promesa de Negocio 3 Ejecución de la Promesa de Negocio PLANIFICACIÓN EJECUCIÓN VERIFICACIÓN MAPA DEL PROCESO MATRIZ DE RIESGOS PLANES DE MITIGACION & CONTROL PROCEDIMIENTO DE TRABAJO VERIFICACIÓN Y AUTORIZACIÓN CONOCIMIENTO / APRENDIZAJE / COMUNICACION INVESTIGACIÓ N INCIDENTES

10 Aplicación del 3

11 2 3 Aplicación del Aumentar Confiabilidad de Promesa Negocio Términos de Referencia Ejecución de la Promesa de Negocio Modelos desde la perspectiva del MINERAL Modelos desde perspectiva PROCESO METALÚRGICO Levantamiento de parámetros operacionales DESVIACIONES Investigación de causa raíz de la desviación ACR-Proceso Mejorar / Implementar nuevos modelos

12 Aplicación del Desviaciones Desviación en RecCu Desviación en RecMo Sel Desviación en Rec Agua espesadores rel Desviación tasa filtrado 1. Implementación Modelo Arcillas Con un foco operativo Hallazgos Aumento % Sólido Aumento % ganga fina en concentrado Mo Baja velocidad sedimentación Mallas de filtros obstruidas ACR-Procesos Investigación Decisión de comportamiento focalizar arcillas, estudios test y metalúrgicos Base Datos DRX-FRX Estudio arcillas Hidrofóbicas, hidrofílicas, Construcción sus impactos modelo arcillas individuales aplicando en los procesos geoestadísitica MODELO DE ARCILLAS SE INCLUYE DOMINIOS DE CAOLIN PIROFILITA MONTMORILLONITA

13 Aplicación del

14 Aplicación del 2. Mejoramiento 2 Modelo de Durezas Mejor respuesta a la variabilidad local de la dureza Desviaciones Desviación en TPH Desviación en fragmentación Hallazgos Desviación en durezas a nivel local verificado con máquina impacto Desviación local verificado con granulometría alimentación online ACR-Procesos Baja Definición predicción nuevos local dominios de modelo estimación por dominios no adecuados Estudio incertidumbre MODELO DE DUREZAS CON DOMINIOS ADECUADOS

15 Aplicación del

16 Aplicación del 3. Mejoramiento 2Modelo Mineralógico Aumenta la predicción de la mena Desviaciones Desviación Ley Concentrado Cu- As Desviación en definición zonas minerales Hallazgos Baja correspondencia con modelo menas Factores concentración por mena inadecuados (sulfosales) Inconsistencia de zonas minerales con mapeo bancos / sondajes ACR-Procesos Baja Implementación predicción Tecnología de Qemscan: modelo 150 datos/año por usar Además: sólo método Extracción Parcial (4,000 Extracción datos) Parcial (Cokriging con NUEVO mapeo (150,000 datos) MODELO MINERALÓGICO

17 Aplicación del

18 Implementación Modelo de Grado de Liberación 2 Aplicación del a) Dar mejor respuesta a la variabilidad de la Recuperación Cu b) Definir estrategias operacionales en la Molienda Desviación en RecCu 100,0 80,0 60,0 40,0 20,0 0,0 Desviaciones Desviación en RecCu Hallazgos Mineral con alto potencial obtiene baja recuperación Cu Alto P80 molienda con alta RecCu Liberación >80% vs Rec Cu Permite Estrategia Molienda ACR-Procesos Ocurrencias de Implementación la mena con Tecnología variabilidad Qemscan del tamaño (150 datos/año para estudio Grado grado liberación) Liberación variable Definición dominios por grado liberación Geoestadística MODELO DE GRADO DE LIBERACIÓN Rec. Cu Conc.1-4 (%)

19 Aplicación del Modelo Grado Liberación 90% de los sulfuros del bloque tienen sobre un 80% de sulfuros liberados 40% de los sulfuros del bloque tienen sobre un 80% de sulfuros liberados < 100

20 Aplicación del 5. Implementación 2 Modelo de Sedimentación Para gestionar Recuperación de Agua de Espesadores de Relaves Desviaciones Desviación en Recuperación agua espesadores de relaves Desviación en make up Restricciones en tratamiento Hallazgos No es posible predecir comportamientos del mineral en espesadores de relaves No es posible predecir utilización de agua fresca frente a imprevistos en recuperación agua proceso Pérdida de interfaz en espesadores de relaves ACR-Procesos No existe modelo que Se incorporan permita test de gestionar Sedimentación en batería recuperación de test metalúrgicos agua Alta correlación de Se velocidad requiere sedimentación y predecir Caolín velocidad de Dominios sedimentación de arcillas para estimación velocidad sedimentación MODELO DE SEDIMENTACIÓN

21 Aplicación del Modelo Caolin Muestras Velocidad Sedimentación

22 6. Mejoramiento Modelo Recuperación Cu Se hace cargo del potencial de Recuperación del mineral Desviaciones RecCu modelo desviada respecto a real Planta Modelo RecCu no permite ser usado para la predicción operativa (Corto Plazo) Hallazgos 7% desviación mensual (5 puntos en recuperación) No incorpora factor de escalamiento No permite visualizar potencial del mineral Test con perfil granulométrico no ajustado a actual Planta Utiliza p80 constante Utiliza UGM que limita variabilidad local (grandes volúmenes) Aplicación del ACR-Procesos Nuevo modelo considera: Baja predicción de modelo Test flotaciones RecCu estándares (agua, P80, Test perfil no granulométrico estándares Planta actual, no aire celdas rescata y ramppotencial up aire, rpm del celdas, mineral tipo celdas, No tiempos aplica MODELO residencia) escalamiento De laboratorio RECUPERACIÓN modelo Klimpel a Gamma a Planta COBRE Se aplica escalamiento MODIFICADO Se aplica geoestadistica Rescata potencial del mineral

23 Aplicación del

24 Desviaciones Modelo TPH no permite ser usado para la predicción operativa (Corto Plazo) 3 7. Mejoramiento Modelo 2 Tratamiento Planta Considera condiciones actuales de la Planta TPH modelo desviado respecto a real Planta Hallazgos 10% desviación mensual No es sensible a dureza DWI Se necesita ajustar con parámetros operacionales Planta Asume constante granulometría alimentación SAG Asume P80 constante Aplicación del ACR-Procesos Baja predicción de modelo TPH por no Nuevo ser sensible modelo a dureza independiente del bloque de P80 No Construido está sobre actualizado muestreo Planta por lo actual que (representa requiere Planta actual) ajustarlo Incorpora a parámetros MODELO modelo Fragmentación para actuales TRATAMIENTO granulometría de Planta Utiliza alimentación P80 PLANTA constante Utiliza modelo MODIFICADO durezas

25 Aplicación del

26 Comentarios Finales 4

27 4 Comentarios Finales El Ciclo de Gestión de Riesgos es la herramienta clave en el enfoque actual de la Geometalurgia en CMDIC El aprendizaje desde las desviaciones operacionales ha permitido mejorar/desarrollar modelos que den respuesta a contingencias operacionales. Este Modo de Trabajar nos permite dar Confiabilidad a la Promesa de Negocio desde la experiencia operativa.

28 GRACIAS

29 BACK UP

30 2 Aplicación del Conceptualización Nuevo Modelo de RecCu En función de P80 del mineral Desde test de labortorio RCu 200um m = 92% RCu 230um m = 87% RCu P80 m = 210μm Bloque A RCu m = 91% RCu 200um m = 88% Rcu μm 230 μm 210μm RCu 230um m = 85% Bloque B P80m = 220μm RCu m = 87% P80 Bloque N RCu 200um m = 87% RCu 230um m = 85% P80m = 240μm RCu m = 83% Alimentación Planta RCu m periodo n = 88% P80 m periodo n = 225μm

31 LABORATORIO 3 Aplicación del Determinación Rcu Global Para determinar RCu escalada a P y 230 um a tiempo residencia bloque PLANTA ESCALAMIENTO De laboratorio se obtienen 156 curvas de RCu vs tiempo a P80=200 um Tiempo de Residencia Desde Tiempo Residencia escalado se obtienen RCu escaladas a P80=200 y 230 um De laboratorio se obtienen 156 curvas de RCu vs tiempo a P80=230 um Condiciones Planta: Volumen celdas = Cte %sólido flotación= 30% cte TPH bloque (desde modelo) Con esto se obtiene Tiempo Residencia en función del TPH definido por una ecuación de la recta (lineal) Tiempo de Residencia Escalado Factor de Escalamiento = 2.4 (validado por Yianatos) Tpo lab = tpo res planta/2.4

32 Aplicación del Conceptualización 2 Modelo P80 mineral Permite determinar RecCu mineral en función de P80 Restricciones del mineral en molienda

33 Aplicación del Implementación 2 Nuevo Modelo de Tratamiento Planta Considera muestreos Planta, simulaciones, modelamiento matemático

34 Descripción de Procesos Nuestros Modelos Geometalúrgicos Como Factores modificantes de nuestras Reservas

35 Descripción de Procesos Modelamiento Geometalúrgico 1 Aplicando el CGR, detectamos desviaciones y generamos aprendizaje 2 Con el aprendizaje operacional determinamos qué parámetros / modelos necesitamos mejorar o implementar 3 Siempre, debemos controlar la calidad de nuestro proceso de modelamiento geometalúrgico

36 Descripción de Procesos Controles de Calidad del Modelamiento Geometalúrgico Desde la muestra metalúrgica hasta la reconciliación Control Calidad test metalúrgicos Validaciones estimación Geoestadística Reconciliación Muestras representativas QAQC test ITO laboratorio protocolos estándar Escalamiento Validación Derivas Predicción Mensual, trimestral, aprendizaje de desviaciones

37 Diferencia Relativa Muestras Duplicadas 3 Descripción de Procesos Las muestras metalúrgicas son representativas El dato del test metalúrgico es confiable (QAQC) Número muestras vs proporción Litología en modelo Quinquenio 25 Gráfico de Dispersión Variable BWI Dato original vs Duplicado Variable BWI Coef. Correlación: 0.94% Error Relativo: 0.4% 0 Muestras Originales % Diferencia Relativa - Variable BWI 40% 30% 20% 10% 0% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% % Datos % Dif Relat Series3

38 Descripción de Procesos Test metalúrgicos protocolizados por experto Escalamiento Laboratorio Planta validado por experto

39 Descripción de Procesos La estimación geoestadística es adecuada y está validada La estimación geoestadística honra los datos (muestras)

40 Descripción de Procesos Nuestros modelos son reconciliados generando aprendizaje de las desviaciones