Integer Programming to Evaluate Operational Impact of Penetration Rate Predictive Model

Short-term mine production scheduling for underground mines is considered to be both complex and crucial not only for having successful operations but also for accomplishing targets stated for the medium- and long-term mine plans. Moreover, underground operations are also known for having a significant amount of independent decisions concerning the available resources, tasks to be accomplished, and technical aspects of the underground mining openings. Consequently, for having high productivity within the operations, it is necessary to utilize a decision-making tool to build short-term production plans. Furthermore, incorporating predictions of performances based on historical operational data into the decision-making tool allows the decision-makers to accumulate more knowledge about the reality of the operation. This thesis explores the benefits that performance predictions can offer when incorporating them into the generation of drilling plans within the context of underground mines. In particular, an artificial neural network (ANN) is trained with operational data from an underground gold mine. Consequently, the trained network is used to predict the rate of penetration (ROP) for all possible combinations between the available drilling machines and operators, activities to be performed, and openings or destinations where these tasks can be executed. Moreover, an integer program formulation is constructed to demonstrate the impact of incorporating these predictions into operational decision-making. The integer programming formulation aims to maximize the drilled meters per day while respecting physical and operational constraints. A comparison between the initial drilling plan of operations and the plans given by the optimization model with and without accounting for the predictions is performed. The plan generated by the model which utilizes the predictions resulting from the neural network outperforms both the initial plan of drilling activities and the plan generated by the optimization model without accounting for the predictions during the first 15 days of operations Alternate abstract: La planification minière à court terme des opérations souterraines est considérée complexe et à la fois cruciale, non seulement pour la réussite des opérations, mais aussi pour la réalisation des objectifs fixés par la planification à moyen et long terme. De plus, les opérations souterraines sont également connues pour avoir un nombre important de décisions indépendantes concernant les ressources disponibles, les tâches particulières à accomplir et les aspects techniques des tunnels. Pour avoir une productivité élevée, il est donc nécessaire d'utiliser un outil d’aide à la décision pour établir des plans de production à court terme. Par ailleurs, l'intégration de prédictions d’efficacité basées sur des données opérationnelles historiques dans le outil d’aide à la décision permet aux décideurs d'accumuler davantage de connaissances sur la réalité de l'opération. Dans ce contexte, cette thèse explore les avantages que ces prédictions peuvent offrir lors de leur intégration dans la génération de plans de forage dans le contexte des mines souterraines. En particulier, la formation d’un réseau neuronal artificiel (RNA) est exécutée avec des données industrielles provenant d'une mine d'or souterraine. Ce réseau est ensuite utilisé pour prédire le taux de pénétration (TP) pour toutes les combinaisons possibles de machines de forage et d’opérateurs disponibles, l’assignation de tâches et les tunnels ou destinations où ces tâches devront être exécutées. De plus, une formulation de programme en nombre entier est construite pour démontrer l'impact de l'incorporation de ces prédictions dans la prise de décision opérationnelle. Cette formulation vise à maximiser les mètres forés par jour, tout en respectant les contraintes physiques et opérationnelles. Une comparaison entre le plan d'opérations de forage initial et les plans améliorés par le modèle d'optimisation avec et sans prédictions de TP est effectuée. Au cours d’une période de 15 jours d'exploitation, le plan généré par le modèle d’optimisation qui utilise les prédictions résultant du réseau neuronal surpasse à la fois le plan initial et le plan généré par le modèle d'optimisation qui n’utilise pas les prédictions