Académique Documents
Professionnel Documents
Culture Documents
Evaluacin de Recursos
Julin Ortiz
lvaro Parra
Exequiel Seplveda
5 Seminario de Acercamiento Tecnolgico
Codelco Digital: Minera del Futuro
Temas
Contexto
ALGES Laboratorio Avanzado de Aplicaciones de Supercmputo
para Geoestadstica
Objetivo
Proyectos
Equipo
Proyectos
Captura de datos
Modelamiento numrico
SC y HPC
Aplicaciones
Conclusiones
Contexto
Evaluacin de recursos es clave en etapas posteriores de proyectos
mineros
Evaluacin de
Recursos
Diseo y
Planificacin
Optimizacin
de Procesos
Geometalurgia
Anlisis
estadstico y
espacial de los
datos
Modelamiento e
interpretacin
geolgica
Interpolacin
de atributos y
cuantificacin
de la
incertidumbre
Informacin
Prediccin
Riesgo
Evaluacin
econmica y
anlisis de
riesgo
ALGES Objetivo
Laboratorio Avanzado para Aplicaciones de
Supercmputo en Geoestadstica
SC / HPC
Data Mining
Estadstica
Geoestadstica
Anlisis de Imgenes
Modelos Estocsticos
Desarrollo de Software
Transf. Tecnolgica
ALGES Proyectos
Proyectos
actuales
Proyectos
colaborac.
Proyectos
conceptual
MIMA
U-Mine
MUGS
BIMA
Captura de
datos
Modelam.
de recursos
Modelam.
Geomet.
Control
Procesos
TexIM
CAM-G
MQAlt
Captura
de Datos
Modelam.
Geolgico
Modelam.
Procesos
MPU
GMA-R
Anlisis y
Reconciliacin
ALGES Equipo
Captura de datos
Captura de datos
Informacin de sondajes es la base de la
construccin de modelos de recursos
Mapeo geolgico permite identificar / cuantificar
variables informacin es subutilizada
Idea: incorporar mayor informacin a los modelos
Geo-referenciada
Cuantitativa
Rpida
Captura de datos
Captura de datos
Captura de datos
Captura de datos
Captura de datos
Leyes
Mineraloga cuantitativa
Minerales de alteracin
Textura
Tipos litolgicos
Atributos geometalrgicos
Multivariable y
mejores modelos
Modelo geolgico
Estimacin y categorizacin
Bivariable y
modelos simples
Univariable y
modelos simples
Modelo geolgico
Modelo de recursos
Aplicaciones
Flexibilidad operacional (Nmero de frentes)
Requerimientos de mezclas (Stocks, Arsnico,)
Modelos consistentes (CuT/CuS)
Multivariable y
mejores modelos
Bivariable y
modelos simples
Univariable y
modelos simples
Modelo geolgico
Modelo de recursos
Informacin
cuantitativa
Min / Lito / Alt
Texturas
Relaciones de
dependencia
Multivariables
Restricciones
mineralgicas
Inferencia y modelo
Prediccin
Simulacin
Inferencia
Unidades de
estimacin
Estadsticas de
poblaciones
Estimacin e
incertidumbre
Modelo consistente
Mide error esperado
Anlisis de riesgo
Depende de la
pregunta
Costo de
incertidumbre
700.00
680.00
Profit(million US$)
660.00
640.00
Optimum (unattainable)
620.00
600.00
580.00
6x 6
8x 8
10 x 10
12 x 12
14 x 14
Proyectos
Geologa Recursos Reservas Geometalurgia
Proyectos
actuales
Proyectos
colaborac.
Proyectos
conceptual
MIMA
U-Mine
MUGS
BIMA
Captura de
datos
Modelam.
de recursos
Modelam.
Geomet.
Control
Procesos
TexIM
CAM-G
MQAlt
Captura
de Datos
Modelam.
Geolgico
Modelam.
Procesos
MPU
GMA-R
Anlisis y
Reconciliacin
SC y HPC Problemtica
Problemtica
Grandes modelos
Intensidad de clculo
Millones de bloques
Muchas variables
Soluciones:
Supercmputo (SC)
Computacin de alto desempeo
(HPC)
Grandes
volmenes de
datos
Muchas variables
y parmetros
Velocidad
Mltiples
realizaciones
Modelos
complejos
Algoritmos secuenciales
Optimizados para correr en slo una CPU
Corren slo en un computador
Difcilmente escalables hardware ms
potente
Software insuficiente:
Construccin de modelos distritales o modelos
de detalle con ms de 107 bloques
Codelco Norte
Ro Blanco
Sierra Gorda
SC y HPC Definiciones
Supercmputo
Resolver problemas de gran escala principalmente por volumen de
datos y complejidad de los algoritmos
Se resume en correr grandes problemas con capacidad masiva
SC Masivo
HPC Afinado
SC y HPC Definiciones
Conceptos
Speedup:
SN
Ts
Tp
Ley de Amdahl:
El mximo Speedup terico:
SN
(1 P)
P: Nmero de procesadores
Ts Tiempo utilizando algoritmo secuencial
T p Tiempo utilizando algoritmo paralelo
P
N
SC y HPC Definiciones
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,11
1,25
1,43
1,67
2,00
2,50
3,33
5,00
10,00
25
Mximo Speedup
20
15
10
5
0
0,2
0,4
0,6
0,8
Proporcin paralelizable
Enfoques
1. Algoritmos eficientes
2. Algoritmos paralelizados
4. Problemas distribuibles
Particionar el problema
Ejecutar cada particin en un conjunto de computadores
5. Cluster
Enfoques
Escalabilidad
En volumen de datos
En eficiencia
Algoritmos paralelos
Los algoritmos secuenciales no son
necesariamente paralelizables
Pensar en el problema y en la
escalabilidad
Algoritmos distribuidos
Lidiar con restricciones de Hardware
Utilizar todos los recursos disponibles
Pensar en el problema y en la
escalabilidad
No 100%
paralelizables
Memoria necesaria:
103 103 250 4(N + 3) Bytes (N+3) 210 210 210
(N+3) Giga Bytes
32
0,5
MUGS 4 cores
Resultados preliminares:
Aplicables a grandes
bases de datos
Crecimiento en tiempo de
bsqueda no es
exponencial
Falta paralelizar
componente CPU
2.
3.
Estable
Cbico
Esfrico
Exponencial
Conclusiones
SC y HPC ofrecen potencial para resolver problemas que hoy no
pueden ser resueltos con software y hardware disponibles
Los proyectos presentados tienen el potencial de:
Poder evaluar varios enfoques de estimacin / parmetros
Rpida validacin
Capacidad para realizar muchas simulaciones en poco tiempo y
analizar escenarios
Capacidad para actualizar modelos de manera rutinaria
Conclusiones
Cambio de paradigma:
Nuevo software escalable
Secuencialmente puede ser ms lento
Rapidez por cmputo masivo y paralelizable