Académique Documents
Professionnel Documents
Culture Documents
GABRIEL LHEUREUX
DPARTEMENT DE MATHMATIQUES ET DE GNIE INDUSTRIEL
COLE POLYTECHNIQUE DE MONTRAL
UNIVERSIT DE MONTRAL
Ce mmoire intitul:
iii
iv
REMERCIEMENTS
Tout dabord, jaimerais remercier Michel Gamache davoir dclench mon intrt pour la
recherche oprationnelle par son enseignement de trs grande qualit. Il nest certainement pas
ais dtre professeur, mais Michel a su trouver sa place parmi les meilleurs.
Ensuite, jaimerais remercier mon directeur et mon co-directeur de recherche, respectivement
Michel Gamache et Franois Soumis, pour leur soutien, leur disponibilit et linspiration quils
mont fourni tout au long du projet. Leur constante implication fut un lment critique pour
lavancement de ce projet.
Finalement, jaimerais remercier Stphanie davoir t une source de motivation infinie tout au
long de mon BMI et jaimerais remercier mes parents, Andre et Daniel, pour leurs
encouragements et leur soutien. Tout a na t possible que grce vous.
Merci.
RSUM
Lexploitation dune mine ciel ouvert requiert un grand nombre dtapes de planification, que
ce soit au niveau de lanalyse du site, de lorganisation des installations ou de la gestion des
activits de production. Cette planification est complexe puisque les oprations planifier sont
nombreuses et fortement dpendantes les unes des autres. Dans ce projet, nous nous intressons
principalement au problme de planification moyen terme (i.e. une priode allant jusqu 3
mois) de ces activits. Ce problme consiste trouver lordre de traitement des blocs dune mine,
tout en minimisant les cots de production. Ces squences doivent respecter les liens de
prsances entre les blocs et les contraintes de mlange, ainsi que considrer le dplacement des
pelles et le groupement des blocs pour le forage/dynamitage.
Ce niveau de planification pour les mines ciel ouvert a reu peu dattention dans la littrature
jusqu prsent. Ainsi, nous proposons un modle compos dentiers mixtes (MIP) avec lequel
nous tablissons lorganisation des oprations et la squence dextraction des blocs de la mine.
Deux mthodes de rsolution sont dveloppes afin dexploiter ce modle.
En premier lieu, une mthode optimale faisant lusage de stratgies de rsolution est prsente.
Parmi ces stratgies, nous retrouvons la fixation de variables, ltablissement de priorits pour
larbre de branchement et linclusion de contraintes et de paramtres ayant la proprit dliminer
les symtries dans les solutions. Lutilisation de ce type de stratgies est indispensable et
amliore le temps de rsolution de faon drastique.
Par la suite, une mthode heuristique exploitant le caractre intuitif dextraire les blocs en
squence directe est dveloppe. Cette mthode repose sur ltablissement dune squence
intuitive qui sera ensuite propose au solveur, lors de la rsolution, par lentremise de rabais dans
la fonction objectif. Les rsultats dmontrent que cette faon de faire permet dobtenir de bonnes
solutions rapidement pour des modles de taille trs suprieure aux modles pouvant tre rsolus
de faon optimale.
vi
ABSTRACT
Operating an open pit mine requires a large number of planning steps, either for the site analysis,
the organization of facilities or the management of production activities. Such planning is
complex as the activities to plan are numerous and highly co-dependent. In this project, we are
primarily concerned with the problem of planning in the medium term (i.e. a period of up to 3
months) of these activities. This problem consists of finding the processing order for the blocks
of the mine, while minimizing production costs. These sequences must respect the precedence
relationships between blocks, the mixing constraints, the movements of the shovels and the
grouping of blocks for drilling / blasting.
This level of planning for open pit mining has received little attention in the literature so far.
Thus, we propose a model consisting of mixed integers (MIP) with which we establish the
organization of operations and the removal sequence for the blocks of the mine. Two resolution
methods are developed to use this model.
First, an optimal method making use of resolution strategies is presented. Among these strategies,
we find the setting of variables, the setting of priorities for the tree branching and the inclusion of
constraints and parameters with the property of eliminating symmetries in the solutions. The use
of such strategies is essential and improves the solution time dramatically.
Subsequently, a heuristic exploiting the intuitiveness of extracting blocks in a direct sequence is
developed. This method relies on the establishment of an intuitive sequence which is then
strongly suggested to the solver during the resolution through discounts in the objective function.
The results show that this approach achieves very good solutions quickly for models of size much
greater than the models which can be solved optimally.
vii
INTRODUCTION ............................................................................................... 1
1.3
1.4
Plan du mmoire............................................................................................................... 5
CHAPITRE 2
2.1
2.2
2.3
2.4
Planification tactique des quipements et mise en squence des blocs moyen terme . 11
CHAPITRE 3
3.1
MODLE MATHMATIQUE......................................................................... 12
viii
3.2
CHAPITRE 4
4.1
4.2
4.3
Approche gnrale.......................................................................................................... 45
ix
5.2
Exprimentations ............................................................................................................ 49
CONCLUSION ................................................................................................. 55
6.1
Contributions .................................................................................................................. 55
6.2
Avenues de recherche..................................................................................................... 56
BIBLIOGRAPHIE ........................................................................................................................ 58
ANNEXE 1 DISTRIBUTION DES CONTRAINTES SELON LE TYPE DEXEMPLAIRE . 60
Tableau 4.1: Rsum des paramtres des trois types dexemplaire ............................................... 28
Tableau 4.2 : Analyse du nombre de variables pour chaque type dexemplaire ............................ 29
Tableau 4.3 : Distribution partielle des contraintes selon le type dexemplaire ............................ 30
Tableau 4.4 : Rsultats du test pour le modle de base .................................................................. 33
Tableau 4.5 : Rsultats des tests pour le modle M1 ..................................................................... 35
Tableau 4.6 : Rsultats des tests pour le modle M2 ..................................................................... 37
Tableau 4.7 : Rsultats des tests pour le modle M3 ..................................................................... 39
Tableau 4.8 : Rsultats des tests pour le modle M4 ..................................................................... 41
Tableau 4.9 : Rsultats pour les colonnes Temps (secondes) , 1re Solution 5% OPT
(secondes) et Meilleure solution entire trouve (secondes) pour chaque tape de plan
dexprimentation, en excluant les tests pour le modle de base ........................................... 42
Tableau 4.10 : Rsultats pour le test T1.1 de chaque tape du plan dexprimentation excluant M3
................................................................................................................................................ 43
Tableau 5.1 : Rsultats du premier test contenant les poids tablis par la squence ..................... 49
Tableau 5.2 : Rsultats du deuxime test contenant les poids et la fixation des variables ............ 50
Tableau 5.3 : Tableau comparatif entre la mthode de rsolution optimale du chapitre 4 et la
mthode de rsolution heuristique du chapitre 5 .................................................................... 50
Tableau 5.4 : Rsultats des tests sur la rduction de la valeur des poids ....................................... 52
Tableau 5.5 : Rsultats des tests pour une production minimale de 100% .................................... 52
xi
xii
MIP
Programmation/Programme Linaire
PLNE
xiii
CHAPITRE 1
INTRODUCTION
Lexploitation dune mine ciel ouvert requiert diverses tapes de planification, que ce soit au
niveau de la dlimitation de la fosse finale, de la localisation des installations de surface ou de la
gestion de toutes les activits de production. Ce type de planification est assez complexe et
sappuie souvent sur lexpertise dingnieurs et sur lutilisation de systmes daide la dcision.
Dans un projet dexploitation de mine ciel ouvert, nous retrouvons au moins quatre tapes: (1)
lexploration et lanalyse de rentabilit, (2) la prparation du site, (3) lexploitation et (4) la
remise en tat du site exploit. Ces tapes sont rsumes ici, mais sont plus dtailles par
Newman et al. (2010).
la premire tape, des gisements potentiels sont identifis et un modle gologique est tabli si
lexploitation dun de ces gisements est estime rentable. Dans ce modle, le gisement est
discrtis en blocs, pour lesquels la teneur en minerai et diverses caractristiques mcaniques et
chimiques sont tablies partir de lanalyse des carottes de forages et de mthodes
gostatistiques. Ces blocs sont les units de base utilises lors de la planification long et moyen
terme.
la seconde tape, on dtermine quelles seront les limites de la fosse la fin de sa vie
conomique. Ce problme consiste dterminer quels blocs seront extraits et ceux qui resteront
en place, tout en considrant lensemble des contraintes. Entre autres, on doit sassurer que la
pente des murs de la mine respecte linclinaison maximale permise et quun bloc nest extrait que
si les blocs qui le chapeautent le sont aussi. Ces contraintes font en sorte que le profil gnral de
la mine ressemble plus ou moins un cne. Ainsi, plus on souhaite creuser en profondeur, plus le
cne devient large, ce qui indirectement implique de slectionner des blocs dont la valeur
conomique est moins intressante. Ceci ncessite alors la rsolution dun problme
doptimisation afin de connatre le contour final de la mine qui procurera les meilleurs profits.
Lestimation du contour ultime de la mine ciel ouvert permet de dterminer la localisation des
installations de surfaces
Le site est alors prt pour la troisime tape, pendant laquelle on extrait et transporte le minerai.
Lextraction du minerai requiert lorganisation dune multitude dactivits dpendantes les unes
des autres dans lobjectif datteindre les cibles de productions. On retrouve, entres autres, les
2
activits suivantes : la slection des blocs extraire dans cette priode, le forage des blocs, le
dynamitage des blocs, lextraction des blocs par les pelles et le transport du matriel par camion.
Le minerai sera alors mis de ct sur des piles ou sera trait immdiatement lusine de
traitement.
Finalement, la quatrime tape consiste remettre le site dans un tat similaire celui existant
avant son exploitation. cette tape, on limine les parcs de rsidus et on favorise la croissance
de la vgtation environnante en effectuant une revgtation. Cette tape est atteinte la fin de la
vie conomique de la mine.
Dans ce type dentreprise, plusieurs aspects peuvent amliorer lefficacit de lexploitation : un
choix judicieux des techniques de minage, lautomatisation de certaines tches et une meilleure
planification des activits de minage. Ce dernier item est celui dont la mise en place est la moins
coteuse et dont les gains peuvent tre les plus significatifs. En exemple, la dtermination des
squences de minage permet dextraire plus rapidement les zones riches ce qui procure une
augmentation des revenus et compense les frais levs de dmarrage. La planification permet
galement de rpartir la charge de travail adquatement sur un horizon donn et destimer les
besoins en quipements.
4
camions. Chacune de ces activits impliquent des dplacements dquipements et demploys.
Les quipements doivent donc tre disponibles et tre utiliss de faon respecter leur capacit
respective. De plus, les blocs traiter doivent tre accessibles, ces derniers dpendant
physiquement des blocs qui les entourent. Lextraction du minerai doit respecter des contraintes
de mlange o des bornes infrieure et suprieure sont tablies pour chacune des diffrentes
caractristiques du minerai. Toutes ces contraintes doivent tre respectes, le tout dans lobjectif
de minimiser les cots dopration sur une priode de quelques mois. Si on sintresse la
structure du problme, on retrouvera le squenage des blocs sur des longues priodes de temps,
mais surtout lorganisation des ressources chacune de ces priodes. Ce niveau dcisionnel vient
prciser les cibles de production, mais vrifie aussi la faisabilit de la planification long terme.
Cest ce niveau quon doit prciser le moment auquel chacun des blocs est extrait, combien de
ressources seront utilises et si les critres de production sont ralistes.
5
qui se rsolvent par des algorithmes dvaluation et de sparation progressive. Malheureusement,
lapproche optimale est toujours susceptible dtre inefficace d la structure du problme. Les
problmes de flow-shop et de tourne de vhicules tant
NP-Difficiles, et celui de la
planification moyen terme dans les mines ciel ouvert tant une combinaison de ceux-ci, ce
dernier est ncessairement NP-Difficile. La puissance de calcul disponible pour rsoudre le
problme de planification moyen terme dans son ensemble de faon optimale nest pas
suffisante et ne le sera surement pas encore avant trs longtemps. Quelques modles long et
court terme sont rsolus de faon optimale, mais ces derniers nont pas beaucoup dlments
communs avec les modles moyen terme.
Pour linstant, les meilleures approches proposes sont des mthodes heuristiques, compte tenu
du fait que ces problmes sont NP-Difficiles. En effet, il nest pas rare de faire usage de
mtaheuristiques ou de programmation par contraintes pour des problmes dordonnancement.
Ces mthodes sont en gnral rapides mais ne garantissent pas loptimalit.
6
premier modle appel le modle de base. Aux chapitres 4 et 5, nous prsentons les mthodes de
rsolutions optimales et heuristiques. Finalement, le chapitre 6 est constitu dun retour sur les
impacts et les dfis de ce projet et dune conclusion sur les lments de ce mmoire.
CHAPITRE 2
REVUE DE LITTRATURE
Dans le but dtablir les bases de ce mmoire, nous prsenterons dans ce chapitre les mthodes
utilises pour faciliter la planification dans les mines ciel ouvert. Selon lhorizon de
planification, nous retrouvons des modles bien diffrents les uns des autres. Pour cette raison,
les modles seront regroups selon le type de planification quils reprsentent.
Newman et al. (2010) effectuent un excellent survol de tous les problmes de planification
prsents dans la littrature pour les mines souterraines et les mines ciel ouvert. Nous y
retrouvons principalement des modles de planification long terme (stratgique/tactique) et
court terme (tactique/oprationnel).
Ce qui suit dtaille ces diffrents types de modles, auxquelles nous ajoutons une catgorie
intermdiaire entre la mise en squence tactique des blocs et la gestion oprationnelle des
quipements. Le type de planification que vise ce mmoire correspond cette nouvelle catgorie.
Chicoisne et al. (2009) prsentent le modle dans la forme suivante. Cette formulation est
similaire celles utilises par la majorit des auteurs traitant du problme de mise en squence
des blocs avec contraintes de ressources.
Les contraintes (2) assurent le respect de la capacit de chacune des ressources et les contraintes
(3) assurent le respect des prcdences entre les blocs. Les contraintes (4) assurent le respect de la
dfinition des variables
dcision pour la priode 0. Dans la fonction objectif, on maximise la somme des profits
obtenus lors de lextraction des blocs b. Plusieurs lments de ce type de modle sont repris et
font partie du modle prsent dans ce mmoire.
Ces problmes contiennent habituellement un bon nombre de priodes et de blocs, ce qui rend la
rsolution optimale difficile et force les chercheurs plutt favoriser une approche heuristique.
En exemple, Chicoisne et al. (2009) ont dvelopp une mthode de rsolution heuristique qui
gnre des bornes infrieures de bonne qualit par un algorithme de triage des blocs et qui raffine
la solution par une mthode de recherche locale.
Nous retrouvons aussi dans la littrature lutilisation de mtaheuristiques. Sattarvand et NiemannDelius (2008) prsentent une revue de littrature sur lutilisation gnrale de ces mthodes pour
ce type de problme. Nous y retrouvons lalgorithme gntique, le recuit simul et la colonie de
fourmis. Lutilisation de ces mthodes nest pas encore commune pour ce problme de
planification, mais prsente un potentiel vident.
Pour ce qui est de la rsolution optimale du modle, nous retrouvons plusieurs types de stratgies
de rsolution. En exemple, Caccetta et Hill (1999) prsentent une nouvelle mthode de branch
and cut . Cette mthode contient plusieurs lments cls dont le renforcement des liens entre les
variables pour augmenter limpact de la fixation des variables lors du branchement, lajout de
10
coupes, la combinaison entre la recherche depth first et la recherche best first et la
gnration de bornes infrieures efficaces laide dune mthode heuristique.
Dautre part, Boland, Fricke et Froyland (2006) font lusage de contraintes renforant la
formulation originale. Ces contraintes fixent zro la valeur de
11
12
CHAPITRE 3
MODLE MATHMATIQUE
13
14
1. Dterminer la priode laquelle chaque activit (i.e. forage, dynamitage ou extraction) est
excute.
2. tablir la squence des faces traiter en considrant les prcdences.
3. Connatre lemplacement de chacune des pelles chaque priode.
4. Respecter la squence de minage : le forage, le dynamitage, lextraction et le transport du
matriel fragment.
5. Respecter les contraintes de mlange et de production.
6. valuer le nombre de ressources qui sont disponibles.
7. Respecter la capacit de chacune des ressources (i.e. capacit des pelles, capacit du
concasseur, etc.).
8. Planifier lextraction partielle ou complte des faces.
9. Organiser le dplacement des pelles.
10. Choisir les regroupements de faces qui feront partie de la planification.
11. Connatre lemplacement des quipements autres que les pelles et les foreuses.
12. Organiser laffectation des camions aux pelles lors de chaque quart de travail.
13. Grer les employs (i.e. embauche, qualifications, conditions de travail, horaire, etc.)
14. Planifier la maintenance des quipements.
15. Planifier la construction des routes.
16. Assurer ltablissement dune zone de scurit lors des dynamitages.
Les lments considrer dans un tel problme sont trs diversifis et dpendent principalement
de lhorizon de planification pour lequel on doit obtenir une solution. Le problme vis dans ce
mmoire est la planification moyen terme dans laquelle on tente de grer lorganisation des
oprations, tout en tablissant la squence dextraction de certains blocs de la mine. Pour ce faire,
nous considrons dans notre modle les items 1 10.
Les lments 11 16 ont t jugs non pertinents pour le modle ou ont t ignors dans ce
premier modle par souci de simplification. Lunit temporelle utilise dans le modle tant
15
dune journe et les activits des lments 11 13 prenant moins quune unit de temps pour
sexcuter, nous pouvons supposer que la gestion plus dtaille de celles-ci revient plutt une
planification par quart de travail et donc au problme de court terme. Les lments 14 16
ajouteraient un niveau de dtails intressant pour le problme, toutefois ils engendrent une
complexit plus leve et augmentent la combinatoire. Dans ce mmoire, nous les avons ignors
par souci de simplicit. Il serait intressant de les inclure ventuellement dans ce type de modle.
16
in
out
=
Voici les variables qui permettent la planification pour le forage et le dynamitage :
=
=
Il est important de noter que la valeur dans le temps des variables
et
par une fonction en escalier possdant une seule marche. Ces variables reprsentent ltat au
temps t du regroupement c.
Fonction objectif :
Dans la fonction objectif, le paramtre TCU (pour Travel Cost Undefined) reprsente la moiti du
cot de dplacer une pelle entre deux zones, tant donn que le changement entre ces zones est
reprsent autant par la variable
que la variable
et
. Le paramtre
reprsente le
et
contient toutes les faces qui sont accessibles dans la mme zone que la face f.
17
est cumulative. Pour obtenir la quantit qui a t retire au temps t, nous devons
et
de toutes
18
tant donn que les faces possdent habituellement un tonnage suprieur la capacit d'une pelle
pour une priode, nous limitons ici la production que peut effectuer chacune des pelles. La
demande minimale et la capacit maximale sont traites diffremment. Les contraintes (7)
limitent la production effectue une face durant une priode t la capacit maximale de la pelle
qui y est affecte. Pour la production minimale (6), nous considrons une seule contrainte par
priode pour lensemble des pelles. On assure que la somme de la production des pelles soit
suprieure un pourcentage minimal de la capacit totale disponible. Une demande de capacit
minimale individuelle pour chaque pelle pourrait rendre le problme non ralisable en forant le
dplacement des pelles lorsque la quantit de matriel est infrieure au minimum de production
exig ou encore force la solution tre sous-optimale en effectuant lextraction sur plus de
priodes afin dtre en mesure de pouvoir extraire le reste qui aurait t cr autrement.
La prsence de la variable
peut y avoir de production que sil y a prsence de la pelle devant la face. De plus, on limite le
tonnage qui peut tre extrait d'une face f en fonction de la pelle s qui lui est attribue (la capacit
de la pelle s tant
et
19
Ces contraintes assurent que le nombre de ressources en opration chaque priode (et ce, en
fonction du temps ncessaire pour effectuer l'opration) est compris dans les fentres respectives
([
et [
et
par une fonction en escalier possdant une seule marche. Ces variables reprsentent ltat au
temps t des faces f.
Les contraintes suivantes limitent le nombre nf de faces qui peuvent tre entames simultanment
dans une seule priode.
Par la suite, il faut lier ces nouvelles variables la variable dextraction des faces.
20
Ces contraintes dfinissent le fonctionnement des variables
Nous devons dfinir les dplacements dans le but dobtenir les cots associs. Cet ensemble de
contraintes remplit cette fonction. Pour chaque dplacement de pelle (arrive ou dpart dune
face), on doit dfinir la provenance ou la destination de celle-ci. Les dplacements entre deux
zones sont beaucoup plus coteux que les dplacements entre deux faces dune mme zone.
contient les
faces qui doivent tre exploites avant que le regroupement c puisse tre exploit et lensemble
contient les regroupements auxquels appartient la face f.
21
et
, et assurent que
Ces contraintes reprsentent la slection des regroupements c qui seront utiliss pour permettre
l'exploitation des faces. Dans l'ensemble
compatibles entre eux. Chaque lment de l'indice k reprsente un tel ensemble. Les
regroupements d'un tel ensemble ne sont pas compatibles car ils partagent au moins une face
commune ce qui signifie quon ne peut slectionner qu'un seul de ces regroupements.
Une fois que les regroupements compatibles sont tablis, ces contraintes rendent possible le
forage de ces regroupements.
22
23
La limite infrieure sur le nombre dquipes de forage utiliser au temps t
La limite infrieure sur le nombre dquipes de dynamitage utiliser au temps t
La limite suprieure sur la capacit de production de la pelle s
LS
nf
24
Fonction objectif :
Contraintes de mlange:
25
Contraintes sur lutilisation des ressources la priode t :
Contraintes de prcdence :
26
Contraintes de lien temporel :
27
CHAPITRE 4
Dans ce chapitre, nous prsentons des stratgies et des modles pour favoriser une rsolution
rapide du modle de base prsent au chapitre 3. Dabord, nous commenons par dfinir les
valeurs que nous avons utilises pour les principaux paramtres du modle, ce qui nous permettra
ensuite dvaluer la taille du problme. Ensuite, nous dcrivons brivement le gnrateur de
mines virtuelles qui a t dvelopp et qui permettra dvaluer les diffrents modles.
Finalement, nous dcrivons le plan dexprimentation qui est propos pour tester les diffrentes
stratgies de rsolution.
La production minimale exige des pelles (LS) est de 80% du total de tonnage disponible.
Le cot de dplacement dune pelle dune face une autre dans la mme zone est
proportionnel la distance euclidienne entre les faces. Si les faces sont dans des zones
diffrentes, le cot de dplacement est fixe, unique et relativement grand.
et
28
La teneur est la seule caractristique du matriel qui est considre (i.e. e = 1 est la seule
valeur pour cet indice qui sera considre).
Dans ce mmoire, trois types dexemplaires sont produits. Les exemplaires sont des
reprsentations de mines fictives contenant toutes les informations ncessaires la rsolution du
modle et ayant un horizon temporel bien dfini. Le premier type dexemplaires (T1) est utilis
pour effectuer les tests dans le plan dexprimentation. La planification pour ces exemplaires
seffectue sur un horizon temporel de 10 priodes. Le deuxime type dexemplaires (T2) sera
utilis dans le prochain chapitre o une mthode heuristique est propose pour une planification
seffectuant sur 30 priodes. Finalement, le troisime type dexemplaires (T3) reprsente un idal
pour le problme de planification moyen terme et couvre une planification sur 90 priodes. Le
tableau 4.1 rsume les valeurs attribues aux paramtres pour les trois exemplaires. Les cinq
premires ranges du tableau indiquent le nombre de priodes comprises dans lhorizon de
planification, ainsi que le nombre de faces, de zones, de faces par zone et de pelles. La sixime
ligne indique le nombre de regroupements potentiels (i.e. tout agencement possible de 3 faces
conscutives et plus sur un banc dextraction donn). Finalement, les deux dernires lignes
indiquent la taille du problme rsoudre.
Tableau 4.1: Rsum des paramtres des trois types dexemplaire
T1
T2
T3
Priodes
10
30
90
Faces
30
90
192
Zones
18
24
Pelles
Regroupements
60
315
864
Variables
15,660
310,815
2,541,024
Contraintes
5,912
83,729
627,178
Il est important de remarquer que pour les exemplaires T3, le nombre de variables et de
contraintes reprsente un obstacle vident la rsolution de ce modle.
29
Si nous analysons la distribution des variables, nous remarquons que celles traitant du
dplacement des pelles (
et
nombre dindices impliqus dans leur dfinition. En effet, pour chaque pelle s chaque priode t
il existe une variable de dplacement pour chaque paire de faces dans une zone. Dans les
exemplaires T3, les variables
variables.
Tableau 4.2 : Analyse du nombre de variables pour chaque type dexemplaire
Variables
T1
T2
T3
57%
78%
82%
10%
4%
3%
10%
4%
3%
10%
4%
3%
4%
3%
3%
4%
3%
3%
2%
1%
1%
2%
1%
1%
2%
1%
1%
0%
0%
0%
contenant les faces devant tre exploites avant de pouvoir dynamiter le regroupement c,
augmente trs rapidement en fonction du nombre de faces et du nombre de regroupements. En
effet, pour les exemplaires de type T1, cette somme est de 50, alors quelle est de 1920 pour les
exemplaires de type T3. Il sagit dun facteur daugmentation de 38.4, alors que le nombre de
30
faces naugmente que par un facteur de 6.4 et que le nombre de regroupements naugmente que
par un facteur de 14.4. Une discussion sur le raffinement de cet lment se trouve au chapitre 6.
La distribution partielle des contraintes selon le type dexemplaire est prsente ci-dessous. Les
contraintes qui sont absentes du tableau 4.3 reprsentent chacune moins de 5% de la taille du
modle. Le tableau complet se trouve lannexe 1.
Tableau 4.3 : Distribution partielle des contraintes selon le type dexemplaire
Contraintes
T1
T2
T3
15
23%
16%
14%
16
9%
11%
12%
19
9%
11%
12%
20
9%
11%
12%
18
8%
25%
27%
En prvision du plan dexprimentation faisant usage dexemplaires de type T1, nous pouvons
affirmer que les lments traitant du dplacement des pelles sont les plus nombreux et nous
pouvons supposer que les amliorations les concernant auront un impact majeur sur la rsolution
du modle.
31
rgle quune face ne peut pas tre utilise si la face devant elle et la face au-dessus delle nont
pas t enleves. tant donn lutilisation des regroupements, ces rgles sont suffisantes pour les
exemplaires de type T1 et T2. Par contre, pour les exemplaires de type T3, il est important
dappliquer des rgles de prcdence supplmentaires afin de respecter les contraintes de pentes
mentionnes au chapitre 1. Les regroupements sont dtermins partir des faces adjacentes dune
mme range et sur le mme niveau; ainsi toutes les combinaisons squentielles de trois faces
adjacentes et plus sur chacune des ranges sont considres. partir de cette liste de
regroupements, le logiciel tablit la liste des regroupements incompatibles (i.e. les regroupements
partageant au moins une face). Le gnrateur dexemplaires fournit aussi la liste de tous les
paramtres importer dans le modle.
Une fois que les donnes sont gnres et importes, nous pouvons amorcer la rsolution du
modle pour cet exemplaire.
32
amliore le temps de rsolution sans dgrader la solution. La mise en uvre et les tests effectus
pour chacune des tapes de ce plan sont dtaills dans les sections suivantes.
33
Dfinition des colonnes :
# Contraintes Rduit
# Variables Rduit
# Nuds Visits
Largeur max. de
larbre
Temps (secondes)
cart dintgrit
LP\OPT
1re Solution 5%
OPT (secondes)
Meilleure solution
entire trouve
(secondes)
Rduit
#
Variables
Rduit
# Nuds
Visits
Largeur
max. de
larbre
Temps
(secondes)
cart
dintgrit
LP\OPT
1re
Solution
5% OPT
(secondes)
Meilleure
solution
entire
trouve
(secondes)
4060
12020
1457910
840000
36000
N/A
N/A
N/A
#
Modle
Base
Test
T1.1
Contraintes
Pour ce test, plusieurs informations ne sont pas disponibles puisque la rsolution na pas t
complte, mais nous pouvons observer que le nombre de nuds visits est trop grand pour
permettre une rsolution rapide.
34
4.3.3 Modle M1
Pour le modle M1, deux nouvelles stratgies sont testes. Ces stratgies ont pour objectif de
faciliter la rsolution du problme en fixant a priori certaines variables zro et en prcisant des
priorits pour ltape de branchement. Ces deux stratgies sont les suivantes :
A) Fixation des variables
La fixation des variables en prtraitement se base sur le calcul des moments au plus
tt en ne considrant que les contraintes de prcdences entre les faces et les dures
minimales dextraction. Pour chaque face , sachant que celle-ci ne peut pas tre extraite
avant la priode
la face
nous ajoutons au modle de base des contraintes fixant zro ces variables pour les
priodes vises.
B) tablissement des priorits
Lors de la procdure de branchement, il est possible dtablir une priorit pour la slection
des variables. Dans ce problme, il y a certains avantages rendre la valeur des variables
entire en premier. En effet, la relaxation (PL) du programme linaire en nombres
entiers (PLNE) se rsout trs rapidement, mais la solution trouve est loin dtre raliste.
Les pelles sont divises et distribues sur plusieurs faces en mme temps, ce qui limine
la majorit des dplacements. La valeur de la solution du PL est souvent trs loin de la
valeur de la solution du PLNE. Il est donc important damorcer le branchement en fixant
les variables associes aux pelles, ce qui influencera directement les variables pour les
dplacements (
liens directs entre ces ensembles de variables. Ltablissement de ces priorits sur
se
fait sur la base quil est plus important de fixer les variables en suivant un ordre
chronologique.
Compte tenu des rsultats obtenus pour les tests T1.1 et T1.2 du modle M1, le test T1.3 na pas
t effectu. Voici les rsultats de ces tests :
35
Tableau 4.5 : Rsultats des tests pour le modle M1
Rduit
#
Variables
Rduit
#
Modle
Test
Contraintes
# Nuds
Visits
Largeur
max. de
larbre
Temps
(secondes)
cart
dintgrit
LP\OPT
1re
Solution
5% OPT
(secondes)
Meilleure
solution
entire
trouve
(secondes)
M1
T1.1
2680
10735
736204
117000
6464
31.5%
40
40
M1
T1.2
2680
10735
811274
138000
7483
31.4%
38
Nous remarquons immdiatement que le modle M1 reprsente une amlioration sur le temps de
rsolution dau moins 80% sur le modle de base et est donc au moins 5 fois plus rapide que
celui-ci. Le nombre de nuds visits diminue dau moins 50% et la largeur maximale de larbre
de branchement diminue dau moins 85%. Nous remarquons aussi que la solution optimale est
trouve assez rapidement (voir la dernire colonne) et que le reste du temps ne sert qu
confirmer quil sagit bien de la meilleure solution entire. En effet, le solveur prend prs de 2
heures pour effectuer cette confirmation, alors que la meilleure solution entire est trouve aprs
40 secondes.
Les stratgies suivantes tentent de rduire ce temps dexploration de larbre de branchement ne
permettant pas damliorer la valeur de la solution optimale.
4.3.4 Modle M2
Le modle M2 est bas sur le modle M1 auquel nous ajoutons trois stratgies se traduisant par
lajout dun nouveau terme dans la fonction objectif et de deux nouveaux blocs de contraintes.
Ces stratgies ont pour objectif dliminer la recherche de solutions fonctionnellement identiques
et donc dliminer la symtrie entre les solutions. Ces trois stratgies sont les suivantes :
C) Rabais li la teneur
Ce rabais fait partie de la fonction objectif et vient favoriser lutilisation des faces
possdant les teneurs les plus leves. Ceci vient diffrencier les faces qui sont autrement
interchangeables dans plusieurs situations. Lapplication de ce rabais est tout fait raliste
et vient favoriser une production plus riche en minerai de faon gnrale. Nous
introduisons le paramtre
36
rabais est dcroissant en fonction du temps pour favoriser une production plus riche au
dbut de la planification et pour liminer les symtries dans lordre dextraction. Ce terme
sintroduit dans la fonction objectif de la faon suivante :
Cette contrainte attribue la zone x la pelle s tel que s = x pour les trois premires
priodes de la planification. En exemple, la pelle 1 sera affecte la zone 1 et la pelle 2
sera affecte la zone 2. Puisque les ressources et les faces ne sont pas toutes initialises
en prtraitement (i.e. la situation de dpart nest pas prdfinie), les priodes 1 et 2
reprsentent des priodes dinitialisation moins contraintes que les suivantes, permettant
au solveur de produire une solution avec une priode dinitialisation ralisable. Il est donc
important dassurer que les pelles se trouvent dans leur zone jusqu la troisime priode,
cette priode tant la premire tre considre dans chacun des blocs de contraintes.
Dans notre cas, le nombre de pelles est gal ou infrieur au nombre de zones. Dans le cas
o il y aurait moins de zones que de pelles, il est important dadapter ce bloc de
contraintes en consquence.
37
E) Contraintes ddies llimination des symtries dans les solutions obtenues
Dans le problme, les pelles doivent extraire partiellement le tonnage total dune des faces
afin de respecter des contraintes de production et de mlange. Les pelles sont toutes
identiques et les faces, sous certaines conditions, peuvent tre considres comme
interchangeables. Cette situation gnre des symtries dans les solutions potentielles. En
effet, lors du branchement, plusieurs branches sont tout fait identiques et mnent des
solutions similaires dans lesquelles les pelles sont simplement nommes dans un ordre
diffrent. Ces solutions sont fonctionnellement identiques et pour rsoudre le modle,
nous navons besoin que dune seule dentre elles.
Les contraintes qui ont t slectionnes pour liminer les symtries entre les solutions
dans ce modle forcent lutilisation des pelles en ordre croissant du numro
didentification qui leur a t attribu. Cette stratgie sinspire de celle propose par
Albareda-Sabola et al. (2007) qui prsentent un problme de localisation dusines et
daffectation de vhicules des clients. Voici donc le bloc de contraintes adapt pour le
problme de planification moyen terme des mines ciel ouvert :
Dans le dveloppement de ces stratgies ayant pour objectif de briser les symtries,
dautres contraintes ont t envisages. Pour les tests du plan dexprimentation, ces
contraintes ne reprsentaient pas une amlioration suffisante pour tre considres ou
ntaient pas compatibles avec dautres contraintes.
Tableau 4.6 : Rsultats des tests pour le modle M2
Rduit
#
Variables
Rduit
#
Modle
Test
Contraintes
# Nuds
Visits
Largeur
max. de
larbre
Temps
(secondes)
cart
dintgrit
LP\OPT
1re
Solution
5% OPT
(secondes)
Meilleure
solution
entire
trouve
(secondes)
M2
T1.1
2423
8875
24682
4200
200
33.8%
37
M2
T1.2
2423
8875
15600
2250
107
33.7%
58
M2
T1.3
2423
6655
30983
4900
204
33.8%
14
38
Lajout de ces stratgies amliore le temps de rsolution denviron 97% par rapport au modle
M1, qui lui-mme amliorait le temps de rsolution dau moins 80% par rapport au modle de
base. Le modle M2 est donc au moins 200 fois plus rapide que le modle de base. Le nombre de
contraintes et le nombre de variables aprs la rduction effectue par CPLEX a aussi diminu
denviron 10%, malgr lajout de contraintes. Finalement, le nombre de nuds visits dans
larbre de branchement pour le modle M2 est rduit de 97% par rapport au modle M1. Cette
rduction du nombre de nuds visits est significative et est entirement responsable de la
rduction sur le temps de rsolution. Ces nouvelles stratgies sont donc efficaces.
Malgr ces bons rsultats, les possibilits damlioration sont encore prsentes puisque la
solution de la relaxation linaire du programme linaire en nombres entiers (PLNE) contient
toujours un fractionnement irraliste des pelles. Les stratgies suivantes tentent de favoriser les
valeurs entires lors de la rsolution du PL.
4.3.5 Modle M3
Le modle M3 est constitu du modle M2 auquel nous ajoutons une seule stratgie. Cette
stratgie a pour objectif dobtenir de meilleures solutions lors de la rsolution de la relaxation
linaire du PLNE. Voici cette stratgie :
F) Dplacements minimaux
Dans la rsolution du PL, les variables
au temps t sont trs fractionnaires, ce qui limine la majorit des dplacements et rduit
fortement les cots. Cette situation cre un cart important entre la valeur de la solution
du PL et du PLNE. Dans le but de diminuer ce fractionnement, nous imposons un nombre
minimale de dplacements pour les pelles. Il est possible de calculer ce nombre en
prtraitement pour un exemplaire donn. Dans certaines occasions, lajout dune
contrainte qui oblige le nombre de dplacements excder ce minimum liminera
indirectement la prsence de variables
faible. En effectuant la somme des dplacements entre deux faces de la mme zone et la
somme des dplacements entre les zones (en faisant bien attention de ne pas compter
ceux-ci deux fois), nous pouvons obliger le nombre total de dplacements tre suprieur
une valeur prdtermine (VAL).
39
Rduit
#
Variables
Rduit
#
Modle
Test
Contraintes
# Nuds
Visits
Largeur
max. de
larbre
Temps
(secondes)
cart
dintgrit
LP\OPT
1re
Solution
5% OPT
(secondes)
Meilleure
solution
entire
trouve
(secondes)
M3
T1.1
2664
10557
38687
4000
400
0.8%
13
310
M3
T1.2
2664
7775
10521
1394
138
0.8%
19
28
M3
T1.3
2664
7844
1402
318
26
0.8%
13
14
La colonne la plus intressante de cette srie de tests est la colonne cart dintgrit . Cette
colonne indique lcart entre la valeur de la solution du PL et la valeur de la solution entire
optimale. Un pourcentage infrieur 1% dmontre que la solution du PL est beaucoup plus
proche de la solution optimale que dans les modles M2 et M1. Malheureusement, ce gain au
niveau de lcart dintgrit ne se traduit pas au niveau du temps de rsolution de faon constante.
En effet, nous ne pouvons pas quantifier de faon absolue lamlioration quapporte le modle
M3 par rapport au modle M2, mais nous savons quelle reprsente un avantage vident pour
lcart entre la solution optimale et la solution du PL, en plus dtre parfois beaucoup plus rapide
en diminuant grandement le nombre de nuds visits (e.g. le test T1.3). Notons que le nombre de
nuds visits en fonction du temps de rsolution est beaucoup moins lev pour le modle M3
(moins de 100 nuds/secondes) que pour le modle M2 (plus de 125 nuds/secondes) et donc
que le temps de rsolution par nud de branchement augmente.
4.3.6 Modle M4
Le modle M4 est constitu du modle M2 auquel nous ajoutons plusieurs contraintes regroupes
sous une seule stratgie. Ces nouvelles contraintes ont pour objectif daider la fixation des valeurs
entires et de renforcer les liens entre les variables. Il est important de noter que la stratgie du
modle M3 nest pas prsente dans le modle M4. Des tests qui ne seront pas prsents ici ont
dmontrs que le modle M4 tait plus performant sans lutilisation de la stratgie ajoute dans le
modle M3.
40
G) Contraintes de renforcement des liens entre les variables
Ces contraintes visent renforcer les liens entre les variables, afin datteindre des
solutions entires plus rapidement et daugmenter limpact de la fixation des variables lors
du branchement. Il sagit donc dajouter des contraintes de liaison entre les variables.
Le premier bloc de contraintes de cette stratgie vient expliciter le lien entre les variables
et les variables
signifie quil ne peut pas y avoir de dplacement vers cette face au temps t ou de
dplacement partir de cette face au temps t+1.
Le deuxime bloc de contraintes de cette stratgie force des vidences dans la squence
des oprations. La premire partie vient fixer zro les variables de fermeture des faces
pour les priodes suivant immdiatement louverture de ces mme faces. La deuxime
partie vient assurer que le dynamitage dun regroupement soit effectu au plus tard 3
priodes aprs le forage et que la fermeture dune face soit effectue au plus tard 5
priodes aprs louverture de cette face.
41
Rduit
#
Variables
Rduit
# Nuds
Visits
Largeur
max. de
larbre
Temps
(secondes)
cart
dintgrit
LP\OPT
1re
Solution
5% OPT
(secondes)
Meilleure
solution
entire
trouve
(secondes)
#
Modle
Test
Contraintes
M4
T1.1
1718
830
22145
3500
31
33.4%
M4
T1.2
1718
830
732
400
33.4%
M4
T1.3
1718
830
14620
2500
27
33.3%
22
Le modle M4 reprsente une amlioration du temps de rsolution denviron 70% par rapport au
modle M2. Le nombre de contraintes est rduit de 30% et le nombre de variables est rduit de
90%. Le nombre de nuds est aussi diminu de 10% (e.g. pour T1.1) jusqu 95% (e.g. pour
T1.2). La 1re solution moins de 5% de la solution optimale et la meilleure solution entire sont
aussi trouves plus rapidement. Ce modle est au moins 1000 fois 1500 fois plus rapide que le
modle de base.
42
E) Contraintes ddies llimination des symtries dans les solutions obtenues
G) Contraintes de renforcement des liens entre les variables
Il est important de noter que le modle M3 apporte une amlioration au niveau de la borne
infrieure initiale, mais reprsente, en moyenne, une augmentation du temps de rsolution.
De plus, notons que des solutions acceptables sont trouves trs rapidement en fonction du temps
total de rsolution. En effet, la colonne 1re Solution 5% OPT (secondes) reprsente le
temps requis pour atteindre une solution possdant une valeur 5% ou moins de la valeur de la
solution entire optimale. Le tableau suivant prsente un rsum des colonnes Temps
(secondes) , 1re Solution 5% OPT (secondes) et Meilleure solution entire trouve
(secondes) pour chaque tape de plan dexprimentation, lexception des tests pour le modle
de base.
Tableau 4.9 : Rsultats pour les colonnes Temps (secondes) , 1re Solution 5% OPT
(secondes) et Meilleure solution entire trouve (secondes) pour chaque tape de plan
dexprimentation, en excluant les tests pour le modle de base
1re
Solution
5% OPT
(secondes)
Meilleure
solution
entire
trouve
(secondes)
Modle
Test
Temps
(secondes)
M1
T1.1
6464
40
40
M1
T1.2
7483
38
M2
T1.1
200
37
M2
T1.2
107
58
M2
T1.3
204
14
M3
T1.1
400
13
310
M3
T1.2
138
19
28
M3
T1.3
26
13
14
M4
T1.1
31
M4
T1.2
M4
T1.3
27
22
43
Les solutions entires acceptables (i.e. 5% de loptimum) sont trouves jusqu 25 fois plus
rapidement que les meilleurs solutions entires et latteinte de ces solutions acceptables seffectue
jusqu 1500 fois plus rapidement que le temps de rsolution totale (e.g. le test T1.2 pour le
modle M1).
Ensuite, par lajout des diffrentes stratgies proposes dans ce chapitre, nous remarquons une
grande diminution du nombre de contraintes et de variables aprs la rduction effectue par
CPLEX et du nombre de nuds visits lors du branchement. Voici un tableau rcapitulatif du
test T1.1 pour chaque tape du plan dexprimentation en excluant M3. Tel que prcdemment
mentionn, la solution optimale est identique pour chaque tape du plan. Seule la performance de
rsolution diffre.
Tableau 4.10 : Rsultats pour le test T1.1 de chaque tape du plan dexprimentation excluant M3
Rduit
#
Variables
Rduit
#
Modle
Test
Contraintes
# Nuds
Visits
Largeur
max. de
larbre
Temps
(secondes)
cart
dintgrit
LP\OPT
1re
Solution
5% OPT
(secondes)
Meilleure
solution
entire
trouve
(secondes)
Base
T1.1
4060
12020
1457910
840000
36000
N/A
N/A
N/A
M1
T1.1
2680
10735
736204
117000
6464
31.5%
40
40
M2
T1.1
2423
8875
24682
4200
200
33.8%
37
M4
T1.1
1718
830
22145
3500
31
33.4%
Malgr une amlioration considrable de plus de 99.9% du temps de rsolution (i.e. plus de 1000
fois plus rapide) entre le modle M4 et le modle de base et une diminution de 98% du nombre
de nuds visits, des tests supplmentaires dmontrent que les exemplaires de taille suprieure
T1 ne peuvent pas tre rsolus de faon pratique mme aprs lajout des stratgies du modle M4.
Aprs 4 heures (i.e. 14400 secondes), pour un exemplaire de 15 priodes et 40 faces, lcart entre
la valeur de la meilleure solution en nombres entiers trouve jusqu prsent et celle de la
meilleure solution fractionnaire un nud de branchement encore ouvert tait suprieur 17%.
44
Pour des exemplaires de type T1, une excellente solution peut facilement tre trouve par le
planificateur. Le caractre avantageux de faire les faces en squences directes nest pas vident
pour le solveur. Il faut ly inciter, mais sans forcer la solution, ou au contraire, lui imposer une
squence et construire la solution en faisant lusage dune mthode heuristique.
45
CHAPITRE 5
Dans le chapitre prcdent, nous avons tabli les limites des mthodes de rsolution optimale.
Malgr lajout de plusieurs stratgies dacclration au modle de base et une amlioration du
temps de rsolution de plus de 99.9%, loptimalit ne peut tre atteinte que pour des exemplaires
de type T1. En effet, une lgre augmentation du nombre de pelles, de faces, de zones, de
regroupements ou de priodes reprsente une augmentation substantielle du nombre de
contraintes et de variables.
Dans le but de trouver des solutions pour des exemplaires plus grands que T1, nous prsentons
une approche heuristique dans ce chapitre.
et
squence, en ignorant les autres contraintes, est llment le plus intuitif pour un dcideur. En
effet, une squence simple est une solution facile et habituellement plutt efficace. Ce type de
solution est un excellent point de dpart et ne requiert aucune expertise particulire.
46
lextraction dune face. La contrainte de production minimale est respecte du fait que le respect
de la squence produite assure une production 100% de la capacit pour chaque pelle. La
47
demande minimale en teneur moyenne (i.e. la contrainte de mlange) est le seul lment non
considr dans la construction de la squence et reprsente donc la seule dviation possible lors
de la rsolution du modle.
Une fois les squences tablies, le squenceur gnre une liste de poids en fonction de la
squence obtenue. Chaque affectation dune pelle une face dans la squence dure 3 priodes.
Cependant, des poids sur 15 priodes sont accords cette affectation. Cette tendue dbute 6
priodes avant le dbut et termine 6 priodes aprs la fin de laffectation. Les poids attribus sur
cette tendue sont reprsents par une fonction triangulaire. Les poids augmentent rapidement
jusquau dbut de laffectation et diminuent plus lentement par la suite. La figure 5.1 illustre la
fonction triangulaire reprsentant ltendue des poids pour une affectation donne (priodes A,B
et C).
Figure 5.2 : Fonction triangulaire reprsentant ltendue des poids pour une affectation
Ces poids sont utiliss dans la fonction objectif du modle M4 comme tant des cots ngatifs
pour les variables
ralisabilit du problme. De plus, nous retirons les contraintes ddies llimination des
symtries, ces dernires devenant inutiles tant donn lintroduction de la squence. Une fois ces
modifications effectues, il est possible de rsoudre le modle et dobtenir la solution dcoulant
de la squence prtablie. Notons que lutilisation du gnrateur de squence dans son tat actuel
prend plus de temps que la rsolution en soit, mais ce temps peut facilement tre rduit par une
optimisation du code et une diminution de lutilisation de linterface dExcel 2007.
48
3.
7.
Ajouter cette face au dbut de la squence pour cette pelle, soit seq(1,p)
8.
9.
10.
degr(c) = degr(c) 1
Prochain regroupement (next)
15.
16.
17.
18.
19.
degr(c) = degr(c) 1
Prochain regroupement (next)
Prochaine pelle (next)
49
5.3 Exprimentations
Sauf indication contraire, tous les tests de ce chapitre ont t effectus sur des exemplaires de
type T2 et avec le modle M4 prsent la fin du chapitre 4. Ces exemplaires contiennent 30
priodes, 90 faces et 315 regroupements. Les modles correspondants contiennent environ 310
000 variables et 84 000 contraintes, soit 20 fois plus de variables et 15 fois plus de contraintes
que les modles des exemplaires de type T1.
Rsolution
du modle
(secondes)
Valeur de la
solution
optimale
29
2450
Ce temps de rsolution peut tre rduit de faon simple. lextrieur de ltendue de 15 priodes
pour chaque affectation, la valeur des poids est nulle. Pour les
poids nul, le squenceur peut fournir une liste de contraintes fixant les variables correspondantes
zro. Il est important de noter que les contraintes renforant le lien entre
et
ajoutes
dans le chapitre 4 pour le modle M4 augmentent limpact de la fixation zro des variables
.
Le test suivant concerne la rsolution du modle auquel les poids de la squence et la fixation
zro des variables
50
Tableau 5.2 : Rsultats du deuxime test contenant les poids et la fixation des variables
Chargement
du modle
(secondes)
Rsolution
du modle
(secondes)
Valeur de la
solution
optimale
2450
Bien que le chargement soit un peu plus long tant donn lajout dune quantit importante de
contraintes, le temps de rsolution lui est diminu de plus de 85%. La valeur de la solution
optimale tant la mme, la fixation des variables est un lment bnfique la rsolution du
modle dans le cadre de cette approche.
titre comparatif, nous prsentons ici un tableau permettant de comparer la rsolution optimale
dun exemplaire de type T1 en faisant lusage des stratgies prsentes au chapitre 4 et la
rsolution heuristique base sur la squence telle que prcdemment dfinie. La colonne OBJ
reprsente la valeur de la solution optimale obtenue en faisant lusage de la mthode dfinie dans
la colonne Mthode. OPT reprsente une rsolution optimale en faisant lusage du modle M4 et
des stratgies inclues dans celui-ci et OPT100% reprsente la mme mthode pour laquelle nous
fixons le paramtre LS (i.e. lutilisation minimale des pelles) 100%. HEUR reprsente une
rsolution base sur la squence dfinie dans ce chapitre.
Tableau 5.3 : Tableau comparatif entre la mthode de rsolution optimale du chapitre 4 et la
mthode de rsolution heuristique du chapitre 5
# Nuds
Visits
Largeur
max. de
larbre
Temps
(secondes)
OBJ
Rduit
#
Variables
Rduit
OPT
1718
830
22145
3500
31
748
OPT100%
2963
3080
494
283
945
HEUR
1765
1290
970
#
Mthode
Contraintes
La rsolution est videmment beaucoup plus rapide lorsque nous utilisons une squence
prtablie. Notons que la diffrence entre les deux dernires mthodes (i.e. OPT100% et HEUR)
sur la valeur de la solution optimale est denviron 2.5%. La valeur de la solution optimale pour la
mthode OPT est de beaucoup infrieure aux deux autres mthodes tant donn la possibilit de
51
diminuer la production afin dconomiser sur le dplacement des pelles lorsque LS est fix
80%, ce qui nest pas ncessairement souhaitable et ne permet pas une bonne comparaison entre
la mthode optimale et la mthode heuristique.
% Cots
Val. Sol.
Temps
(sec)
Tous les tests suivants ont t effectus sur des exemplaires de type T2.
52
Tableau 5.4 : Rsultats des tests sur la rduction de la valeur des poids
% Cots
Val. Sol.
Temps
(sec)
98%
2450
13
83%
2450
14
66%
2450
15
55%
2360
16
52%
2330
36
50%
2270
66
45%
2240
@180
31%
2431
@180
La diminution des poids de la squence permet lobtention dune meilleure solution, mais
implique une augmentation marque du temps de rsolution. Il est important de se rappeler que
les poids sont ngatifs dans la fonction objectif et ne sont pas considrs dans la colonne Val.
Sol. . La diminution de ces valeurs est donc principalement due la possibilit de diminuer la
production des pelles jusqu 80% du total de capacit, ce qui nest pas ncessairement dsirable.
Afin dviter une diminution de lutilisation des pelles, nous avons refait les tests prcdents pour
dterminer leffet dune contrainte de production minimale 100% du total de capacit.
Tableau 5.5 : Rsultats des tests pour une production minimale de 100%
% Cots
Val. Sol.
Temps
(sec)
98%
2725
13
81%
2725
13
64%
2725
13
52%
2725
14
50%
2725
15
47%
2725
19
43%
2725
68
31%
2725
145
53
Notons que la valeur de la solution optimale ne dpend pas ici de la diminution des poids de la
squence, ce qui prouve rellement que la diminution de la valeur de la solution optimale dans le
test prcdent est due la possibilit de diminuer la production afin de rencontrer la demande
minimale de 80%. Notons que les solutions sont trouves beaucoup plus rapidement que dans le
test prcdent tant donn la diminution du nombre de combinaisons possibles pouvant satisfaire
la contrainte de production minimale.
54
leves de ces deux limites, laugmentation de la taille de la mine reprsente une ralisabilit plus
facile atteindre et une pertinence accrue.
ce sujet, il est important de remarquer que la gnration de la squence, dans ltat actuel de la
mthode propose, reprsente la seule tape ncessaire pour obtenir une solution. En effet, la
mthode dtablissement des squences permet dobtenir la solution de faon directe. Ceci est d
la structure du modle dfinie par les paramtres choisis au dbut du chapitre 4 et la
provenance des donnes. Ainsi, il est attendu quun ensemble plus riche de donnes et de
paramtres (e.g. provenant de mines relles) sur des exemplaires plus grands permettrait une
meilleure valuation de la mthode et justifierait le raffinement de celle-ci, notamment par
lutilisation de diffrentes structures de poids, lamlioration de limpact de la phase
doptimisation et linstauration dun processus itratif permettant dobtenir de meilleures
solutions.
55
CHAPITRE 6
CONCLUSION
Dans ce mmoire, nous avons trait du problme de planification moyen terme dans les mines
ciel ouvert. Ce problme est complexe et ncessite habituellement lexpertise dingnieurs et
lutilisation de systmes daide la dcision. Les avantages damliorer la qualit de ces
dcisions sont nombreux. Une bonne planification peut videmment engendrer une rduction des
cots (e.g. une meilleure gestion des quipements), mais surtout une augmentation des profits
(e.g. une meilleure production de valeur). La nature des oprations dune mine ciel ouvert
implique un engagement des quipements sur de longues priodes de temps, ce qui amplifie
limpact des dcisions court terme sur les dcisions qui devront tre prises dans le futur et
limite la rversibilit des dcisions prises. Ceci fait en sorte que ces problmes sont trs
contraints et que les combinaisons possibles dlments de solution sont trs nombreuses.
6.1 Contributions
Lobjectif principal de ce mmoire tait de prsenter un nouveau modle de programmation en
nombre entiers permettant de rsoudre le problme de planification moyen terme des mines
ciel ouvert. Les modles mathmatiques traitant de ce problme sont trs rares dans la littrature.
Nous avons prsent un modle dtaill qui permet de considrer, sur un horizon de 10 30
priodes, plusieurs lments de la problmatique tel que les contraintes de mlange, les
contraintes de prcdence entre les blocs, les contraintes de capacit de ressources, le
dplacement des pelles effectuant lextraction du matriel et la synchronisation des activits
(incluant le forage et le dynamitage des blocs). Pour permettre la rsolution de ce modle, deux
approches ont t prsentes : une approche optimale et une approche heuristique.
Tout dabord, une approche optimale a t dveloppe. Suite lanalyse du modle de base, nous
avons dvelopp des stratgies permettant lamlioration du temps de rsolution. Ces stratgies
contiennent, entre autres, la fixation en prtraitement de variables, le renforcement des liens entre
les variables et lajout de contraintes ddies llimination des symtries dans les solutions
obtenues. Lutilisation de ces stratgies a permis une rsolution dau moins 1000 fois 1500 fois
plus rapide que pour la rsolution standard du modle de base. Malgr lefficacit de ces
stratgies, la rsolution optimale pour ce type de problme se limite des modles de taille
rduite, cest--dire des problmes de planification pour horizon temporel denviron 10 jours.
56
Afin dobtenir des solutions pour des tailles suprieures du problme, une approche heuristique a
t prsente. Cette approche exploite le caractre intuitif deffectuer lextraction des faces en
squence, menant au dveloppement dune mthode de construction de squences. Ces squences
construites en prtraitement prennent en considration la majorit des contraintes, lexception
des contraintes de mlange, et sont favorises fortement dans le modle lors de la rsolution par
lintroduction de cots ngatifs dans la fonction objectif. Cette mthode permet dobtenir des
solutions de base rapidement pour des problmes de taille moyenne. En effet, il est possible
dobtenir une solution en 13 secondes pour un problme de planification visant un horizon de 30
priodes et contenant 90 faces, ce qui correspond un modle contenant plus de 83 000
contraintes et plus de 310 000 variables.
57
mine ciel ouvert serait plutt direct et beaucoup plus simple que la mthode choisie dans ce
mmoire. Cette ncessit de raffinement touche aussi la gestion des prcdences. Les contraintes
(18) faisant lusage des ensembles
contraintes dans le modle lorsque nous considrons des exemplaires de type T2 et T3. Une
structure de prcdences plus simple et plus directe entre les faces pourraient diminuer le nombre
de ces contraintes. Il faut cependant faire attention respecter le lien entre les faces et leur
regroupement, ce qui ne permet pas de faire une simple conversion pour les contraintes (18).
En dfinitive, notre approche optimale se prterait bien une planification sur 90 jours faisant
lusage dune fentre mobile (i.e. un horizon fuyant) de 10 jours. Pour ce faire, il est important de
diriger les tranches de 10 jours sur les objectifs long terme et dassurer la liaison entre celles-ci.
Il est possible que laugmentation de la taille de la mine oblige la diminution du nombre de
priodes par tranche. Afin de contourner ce problme lors de la rsolution dun exemplaire de
mine de trs grande taille, une mthode sapparentant la recherche de grands voisinages peut
tre utilise. Dans cette mthode, chaque itration, une portion rsoluble et partielle de la mine
(i.e. de dimension semblable des exemplaires complets de type T1) contenant un sous-ensemble
des pelles prsentes est slectionne pour tre rsolue alors que les lments extrieurs cette
portion sont fixs. Ces faons de faire pourraient permettre dobtenir de trs bonnes solutions trs
rapidement.
58
BIBLIOGRAPHIE
Albareda-Sambola, M., Fernndez E. & Laporte, G. (2009). The capacity and distance
constrained plant location problem. Computers & Operations Research, 36 (2), 597-611.
Bley, A., Boland, N., Fricke, C. & Froyland, G. (2010). A strengthened formulation and cutting
planes for the open pit mine production scheduling problem. Computers & Operations Research,
37 (9), 1641-1647.
Boland, N. Fricke, C. & Froyland, G. (2006). A strengthened formulation for the open pit mine
production scheduling problem. Optimization Online, Consult le 20 mai 2011, tir de
http://www.optimization-online.org/DB_FILE/2007/03/1624.pdf.
Boland, N., Dumitrescu, I., Froyland, G. & Gleixner, A.M. (2009). LP-based disaggregation
approaches to solving the open pit mining production scheduling problem with block processing
selectivity. Computers & Operations Research, 36, 1064-1089.
Caccetta, L. (2007). Application of Optimisation Techniques in Open Pit Mining. In A.
Weintraub, C. Romero, T. Bjrndal, & R. Epstein (Eds.), Handbook of Operations Research in
Natural Resources (pp. 547-559), Springer.
Caccetta, L. & Hill, S.P. (1999) Optimization Techniques For Open Pit Mine Scheduling.
MODSIM 99, 203, 895-900.
Chicoisne, R., Espinoza, D., Goycoolea, M., Moreno, E. & Rubio, E. (2009). A new algorithm
for the open-pit mine scheduling problem (soumis pour publication).
Desgroseilliers, L.H. (2009). Systme automatis de conception dun plan de production minier
avec rtroaction. M.Sc.A. cole Polytechnique de Montral, Qc., Canada.
Dimitrakopoulos, R. & Ramazan, S. (2004). Uncertainty-based production scheduling in open pit
mining. SME Transactions, 316, 106-112.
Fioroni, M.M., Franzese, L.A.G., Bianchi, T.J., Ezawa, L., Pinto, L.R. & de Miranda Jr., G.
(2008). Concurrent Simulation and Optimization Models for Mining Planning. Proceedings of
the 2008 Winter Simulation Conference, Miami, FL, 759-767.
Gershon, M. (1987). Heuristic approaches for mine planning and production scheduling.
International Journal of Mining and Geological Engineering, 5, 1-13.
59
Hochbaum, D.S., Chen, A. (2000). Performance analysis and best implementations of old and
new algorithms for the Open Pit Mining Problem. Oper. Res., 48(6), 894-914.
Johnson, E.L., Nemhauser, G.L. & Savelsbergh, M.W.P. (2000). Progress in Linear
Programming-Based Algorithms for Integer Programming: An Exposition. INFORMS Journal on
Computing, 12 (1), 2-24.
Leite, A. & Dimitrakopoulos, R. (2007). Stochastic optimisation model for open pit mine
planning: application and risk analysis at copper deposit. Mining Technology, 116 (3), 109-118.
Lestage, P., Mottola, L., Scherrer, R. & Soumis, F. (1993). A Computerized Tool for Short Range
Production Planning in Use at the Mont Wright Operation. Proceedings of the International
Symposium on the application of computers and operations research in the mineral industries,
(Vol. 2, pp. 67-74). Montral: Elbrond and Tang.
McKenzie, P., Newman, A.M. & Tenorio, L. (2008). Front Range Aggregates Optimizes Feeder
Movements at Its Quarry. Interfaces, 38 (6), 436-447.
Newman, A.M., Rubio, E., Caro, R., Weintraub, A. & Eurek, K. (2010). A Review of Operations
Research in Mine Planning. Interfaces, 40 (3), 222-245.
Picard, J.C. (1976). Maximal Closure of a Graph and Applications to Combinatorial Problems.
Management Science, 22 (11), 1268-1272.
Ramazan, S. (2007). The new Fundemental Tree Algorithm for production scheduling of open pit
mines. European Journal of Operational Research, 177, 1153-1166.
Sattarvand, J. & Niemann-Delius, C. (2008). Perspective of metaheuristics optimization methods
in open pit production planning. Proceedings of the XXI World Mining Congress, Krakw,
Poland, 143-155.
Smith, M.L. (1998). Optimizing short-term production schedules in surface mining: Integrating
mine modeling software with AMPL/CPLEX. International Journal of Mining, Reclamation and
Environment, 12 (4), 149-155.
60
Contraintes
T1
T2
T3
15
16
19
20
18
13
14
5
7
17
21
22
23
24
25
4
2
3
6
8
9
10
11
12
22.8%
9.1%
9.1%
9.1%
7.6%
5.1%
5.1%
5.1%
4.6%
4.6%
4.6%
4.6%
4.6%
1.0%
1.0%
0.8%
0.2%
0.2%
0.2%
0.2%
0.2%
0.2%
0.2%
0.2%
15.6%
10.9%
10.9%
10.9%
25.2%
3.2%
3.2%
3.2%
3.1%
3.1%
3.1%
3.1%
3.1%
0.4%
0.4%
0.2%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
13.6%
12.3%
12.3%
12.3%
27.2%
2.8%
2.8%
2.8%
2.7%
2.7%
2.7%
2.7%
2.7%
0.1%
0.1%
0.1%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%