HPC y Supercmputo Aplicado a la

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

La cuantificacin de recursos requiere de las siguientes etapas:

Captura de
datos

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

El objetivo del laboratorio ALGES es desarrollar las herramientas y modelos

para la caracterizacin de fenmenos geolgicos
Tareas

Prediccin de variables categricas y continuas

Cuantificacin de incertidumbre para toma de decisiones
Modelamiento multivariable (estimacin y simulacin)
Desarrollo de software y modelamiento matemtico:
Anlisis de imgenes de datos geolgicos, mineros y metalrgicos
Supercmputo para modelamiento geoestadstico
Optimizacin y toma de decisiones

AMTC Centro Avanzado de Tecnologa para la Minera

ALGES Proyectos

La visin es entender, modelar e integrar todas las variables relevantes al

negocio modelos geolgicos, geotcnicos y geometalrgicos.
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

Plan. y Opt. bajo

Incertidumbre

Anlisis y
Reconciliacin

ALGES Equipo

3 acadmicos jornada completa

1acadmico jornada parcial
3 investigadores asociados
3 tesistas de Magster
8 estudiantes de pregrado

Fuerte vnculo industrial

Equipo de investigadores multidisciplinario con mucha experiencia:
Ciencias de la Computacin Supercmputo / HPC / Computacin
Cientfica
Tecnologas de la Informacin Administracin y Anlisis de Datos
Corporativos
Astronoma Data Mining / Anlisis de Imgenes
Matemticas Modelos Estocsticos / Geoestadstica
Minera Muestreo / Geoestadstica / Optimizacin / Modelamiento Numrico
Metalurgia Flotacin / Control de Procesos / Modelamiento de Proceso

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

Sistema semi-supervisado de captura de

informacin de mineralogas mediante anlisis de
imgenes.
Extensin a alteraciones, litologas, texturas

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

Modelamiento numrico de geologa y

recursos
Procedimiento estndar:
Captura de datos: mapeo de sondajes
Anlisis e interpretacin de datos:
Controles de mineralizacin
Definicin de unidades geolgicas
Definicin de unidades de estimacin

Multivariable y
mejores modelos

Modelo geolgico
Estimacin y categorizacin

Bivariable y
modelos simples

Univariable y
modelos simples

Modelo geolgico
Modelo de recursos

Modelamiento numrico de geologa y

recursos
Ms variables conduce a mejores modelos
Estimacin y Simulacin multivariable

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

Modelamiento numrico de geologa y

recursos
Modelamiento e interpretacin geolgica
Proceso lento Meses
Difcil de automatizar
Sujeto a error (por interpretaciones)

Informacin
cuantitativa
Min / Lito / Alt
Texturas

Relaciones de
dependencia
Multivariables
Restricciones
mineralgicas

Inferencia y modelo
Prediccin
Simulacin

Modelamiento numrico de geologa y

recursos
Modelamiento de recursos y categorizacin
Basado en modelo geolgico
Determinstico o estocstico

Debe considerar relaciones multivariables

Estimacin y cuantificacin de incertidumbre

Incertidumbre se traduce en riesgo

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

Modelamiento numrico de geologa y

recursos
En resumen:
Modelamiento geolgico asistido por
computador

Modelamiento numrico de geologa y

recursos
En resumen:
Modelamiento geolgico asistido por
computador
Interpolacin y cuantificacin de
incertidumbre
Kriging y simulacin
Impacto en geometalurgia

Modelamiento numrico de geologa y

recursos
En resumen:
Modelamiento geolgico asistido por
computador
Interpolacin y cuantificacin de
incertidumbre
Kriging y simulacin
Impacto en geometalurgia

Evaluacin econmica y anlisis de riesgo

720.00

700.00

680.00

Profit(million US$)

Incertidumbre en geologa (tonelaje,

posicin y extensin de unidades), leyes y
atributos geometalrgicos
Depende del uso que se le dar al modelo:
diseo, planificacin, evaluacin de
procesos, optimizacin de operaciones
unitarias
Anlisis de riesgo requiere de
herramientas ad hoc para el problema

660.00

Samples without added error

Samples with added error

640.00

Optimum (unattainable)
620.00

600.00

580.00
6x 6

8x 8

10 x 10

12 x 12

Advanced drilling grid (m)

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

Plan. y Opt. bajo

Incertidumbre

Anlisis y
Reconciliacin

SC y HPC Problemtica
Problemtica
Grandes modelos
Intensidad de clculo
Millones de bloques
Muchas variables

Modelos sensibles a muchos

parmetros actualizacin y
validacin
Mltiples simulaciones anlisis
de incertidumbre
Tiempos razonables de
procesamiento

Soluciones:
Supercmputo (SC)
Computacin de alto desempeo
(HPC)

Grandes
volmenes de
datos

Muchas variables
y parmetros

Velocidad

Mltiples
realizaciones

Modelos
complejos

SC y HPC Situacin actual

Algoritmos secuenciales
Optimizados para correr en slo una CPU
Corren slo en un computador
Difcilmente escalables hardware ms
potente

El hardware ya no es un problema ($)

PCs de escritorio con 4 o ms CPUs y con GPU
Clusters
Cloud Computing

Algoritmos secuenciales + hardware cota

Software insuficiente:
Construccin de modelos distritales o modelos
de detalle con ms de 107 bloques
Codelco Norte
Ro Blanco
Sierra Gorda

Capacidad de diseo y optimizacin insuficiente

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

HPC (Computacin de alto desempeo)

Uso de supercomputadores para resolver problemas de alta demanda
de cmputo
Se resume en correr problemas lo ms rpido posible

SC Masivo

HPC Afinado

SC y HPC Definiciones
Conceptos
Speedup:

SN

Ts
Tp

Nos gustara tener un speedup lineal, pero

No todos los algoritmos son paralelizables
Paralelizacin conlleva sobrecosto
Ley de Amdahl

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

Para un algoritmo con un 80% (P=0,8) paralelizable, el mximo Speedup

que puede alcanzar es slo 5
P

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

Hay un tope econmico de usar ms computadores con el fin de hacer

algo ms rpido

No basta con tener ms

procesadores

Enfoques
1. Algoritmos eficientes

Indexacin espacial inteligente

Bases de datos numricas

2. Algoritmos paralelizados

Capacidad de usar mltiples CPU (era multicore)

3. Aceleracin por hardware

Uso de una o ms GPU

Discos de estado slido
Mucha RAM

4. Problemas distribuibles

Particionar el problema
Ejecutar cada particin en un conjunto de computadores

5. Cluster

Muchos computadores dedicados al cmputo

Red de alto rendimiento
Hardware especializado en cmputo

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

Casi nunca lineal

Algoritmos distribuidos
Lidiar con restricciones de Hardware
Utilizar todos los recursos disponibles
Pensar en el problema y en la
escalabilidad

No 100%
paralelizables

Ejemplo: Anlisis de Carga

Clculo de memoria RAM en un cokriging
Grilla de dimensin 1000x1000x250 nodos 250 millones de nodos
Memoria por nodo:
N variables de 32 bits cada una 4N Bytes
Posicin nodo: coordenada de 3 dimensiones 12 Bytes

Memoria necesaria:
103 103 250 4(N + 3) Bytes (N+3) 210 210 210
(N+3) Giga Bytes

Memoria requerida relacionada con nmero de nodos

Para modelos grandes es necesario distribuir la carga

32

Algunas aplicaciones en desarrollo

En evaluacin de recursos, los problemas tpicos son:
Bsquedas espaciales de datos vecinos a usar en la interpolacin o
simulacin
Solucin de sistemas lineales de ecuaciones
Clculos de variogramas modelados

Cmo lo estamos enfrentando?

Estimacin por kriging y cokriging distribuyendo el problema

Simulacin secuencial paralelizada
Bsqueda CPU-GPU
Bandas rotantes: altamente paralelizable y multivariable

Algunas aplicaciones en desarrollo

Estimacin por kriging y cokriging
Dominio se divide en sectores
Cada sector se estima con todos los datos y en una CPU independiente
Speed up ~ N

Algunas aplicaciones en desarrollo

Cokriging comparado con GSLIB
Primer nivel de optimizacin de cdigo
Mejor desempeo con 2 o ms cores
1,7
1,8
1,6
1,4
1,2
1,0
0,9
1,0
0,8
0,6
0,4
0,2
0,0
GSLIB
MUGS Seq
MUGS 2 cores
Es necesario romper el paradigma de la programacin
secuencial: el software es ms lento en modo
secuencial, pero es escalable

0,5

MUGS 4 cores

Algunas aplicaciones en desarrollo

Bsqueda espacial:
Problema: buscar los K vecinos ms cercanos, dado N datos
disponibles

Algunas aplicaciones en desarrollo

Bsqueda espacial:
Problema: buscar los K vecinos ms cercanos, dado N datos
disponibles
Solucin: dividir clculos en filtros (CPU) + clculo masivo de distancias
(GPU)

Resultados preliminares:
Aplicables a grandes
bases de datos
Crecimiento en tiempo de
bsqueda no es
exponencial
Falta paralelizar
componente CPU

Algunas aplicaciones en desarrollo

Algoritmo de simulacin condicional multivariable
1.

Preparar simulacin (paralelizable)

Simular direcciones, frecuencias y fases para mtodo expectral, y parmetros de funciones
aleatorias

2.

Simulacin no condicional en cada sitio con dato (paralelizable)

Proyectar sitio sobre direcciones, calcular valor simulado y combinar

3.

Simulacin condicional en bloques (paralelizable)

Buscar K datos condicionantes, proyectar y obtener valor simulado en punto; condicionar,
transformar y combinar para obtener simulacin de bloques

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

An hay mucho trabajo por hacer:

Modelamiento geolgico
Interfaz humano-computador
Utilizacin de los resultados para toma de decisiones:
Simuladores de procesos mineros: planif CP, MP, LP, extraccin, sistemas
de despacho, etc.
Diseo, optimizacin y planificacin minera

Conclusiones
Cambio de paradigma:
Nuevo software escalable
Secuencialmente puede ser ms lento
Rapidez por cmputo masivo y paralelizable

big iron vs. cluster computing

SC y HPC debe facilitar el trabajo:

80-90% automatizado
20-10% supervisado por humano

Visin global apunta a desarrollo de modelos orientados a la

geometalurgia
Geologa Recursos Reservas Geometalurgia

HPC y Supercmputo Aplicado a la

Evaluacin de Recursos
Julin Ortiz
lvaro Parra
Exequiel Seplveda
5 Seminario de Acercamiento Tecnolgico
Codelco Digital: Minera del Futuro