UNIVERSIDADE FEDERAL DE OURO PRETO

ESCOLA DE MINAS
DEPARTAMENTO DE ENGENHARIA DE MINAS

USO DA PESQUISA OPERACIONAL PARA AVALIAR CENÁRIOS OBTIDOS COM

MODELO PARA DIMENSIONAMENTO DA FROTA DE EQUIPAMENTOS DE
CARGA E TRANSPORTE

LUAN LUIZ OLIVEIRA MARTINS

OURO PRETO - MG
Novembro de 2022
 LUAN LUIZ OLIVEIRA MARTINS

USO DA PESQUISA OPERACIONAL PARA AVALIAR CENÁRIOS OBTIDOS COM

MODELO PARA DIMENSIONAMENTO DA FROTA DE EQUIPAMENTOS DE CARGA E
TRANSPORTE

Trabalho de Conclusão de Curso apresentado ao

Curso de Engenharia de Minas da Universidade
Federal de Ouro Preto como requisito parcial para a
obtenção do título de Bacharel em Engenharia de
Minas. Área de concentração: Lavra de Minas/
Planejamento de Lavra

Orientador: Prof. Dr. Elton Destro

(DEMIN/EM/UFOP)

OURO PRETO - MG
Novembro de 2022
 SISBIN - SISTEMA DE BIBLIOTECAS E INFORMAÇÃO

M386u Martins, Luan Luiz Oliveira.

MarUso da pesquisa operacional para avaliar cenários obtidos com
modelo para dimensionamento da frota de equipamentos de carga e
transporte. [manuscrito] / Luan Luiz Oliveira Martins. - 2022.
Mar46 f.: il.: color., tab..

MarOrientador: Prof. Dr. Elton Destro.

MarMonografia (Bacharelado). Universidade Federal de Ouro Preto.
Escola de Minas. Graduação em Engenharia de Minas .

Mar1. Pesquisa operacional. 2. Minas e recursos minerais - Carregamento

e transporte. 3. Otimização matemática. I. Destro, Elton. II. Universidade
Federal de Ouro Preto. III. Título.

CDU 622.68:519.8

Bibliotecário(a) Responsável: Sione Galvão Rodrigues - CRB6 / 2526

 MINISTÉRIO DA EDUCAÇÃO
UNIVERSIDADE FEDERAL DE OURO PRETO
REITORIA
ESCOLA DE MINAS
DEPARTAMENTO DE ENGENHARIA DE MINAS

FOLHA DE APROVAÇÃO

Autor
Luan Luiz Oliveira Martins

Título
Uso da Pesquisa Operacional para avaliar cenários obtidos com modelo para dimensionamento da frota de equipamentos
de carga e transporte

Monografia apresentada ao Curso de Engenharia de Minas da Universidade Federal

de Ouro Preto como requisito parcial para obtenção do título de Bacharel em Engenharia de Minas.

Aprovada em 07 de novembro de 2022.

Membros da banca

Prof. Dr. Elton Destro - Orientador (UFOP - Universidade Federal de Ouro Preto)
Profa. Dra. Rita de Cássia Pedrosa Santos (UFOP - Universidade Federal de Ouro Preto)
MSc. Isabela dos Santos Stopa Almeida (Vale)

Elton Destro, orientador do trabalho, aprovou a versão final e autorizou seu depósito na Biblioteca Digital de Trabalhos de Conclusão
de Curso da UFOP em 22/11/2022.

Documento assinado eletronicamente por Elton Destro, PROFESSOR DE MAGISTERIO SUPERIOR, em 22/11/2022, às
17:25, conforme horário oficial de Brasília, com fundamento no art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de
2015.

A autenticidade deste documento pode ser conferida no site http://sei.ufop.br/sei/controlador_externo.php?

acao=documento_conferir&id_orgao_acesso_externo=0 , informando o código verificador 0430393 e o código CRC
207502A3.

Referência: Caso responda este documento, indicar expressamente o Processo nº 23109.015737/2022-38 SEI nº 0430393

R. Diogo de Vasconcelos, 122, - Bairro Pilar Ouro Preto/MG, CEP 35402-163

Telefone: 3135591590 - www.ufop.br
À minha querida mãe, Maria Goreti de Oliveira Guimarães Martins.
 AGRADECIMENTOS

Primeiramente agradeço à Deus por me conceber saúde para ter chegado até aqui, por
iluminar meu caminho e ter colocado pessoas boas ao longo da minha trajetória.
A minha mãe, Maria Goreti de Oliveira Guimarães Martins, você é tudo para mim.
Ao meu amor, Ryanne Marjory, com todo suporte, carinho, cuidado e paciência, fez
parte dessa jornada tornando as dificuldades diminutas.
Ao professor Elton Destro, meu orientador, por todo apoio, supervisão, contribuição e
conhecimento transmitidos.
Aos meus grandes amigos Rafael Pereira, Rafael Nonato, Gustavo Ferreira, entre outros,
pelo apoio e cooperação durante toda trajetória acadêmica.
Aos colaboradores da VALE que participaram, direta ou indiretamente, da minha
capacitação, fortalecendo meu conhecimento e me guiando para ser um profissional exemplar
À Universidade Federal de Ouro Preto e à Escola de Minas, pelo suporte e pela
indiscutível qualidade de ensino e dignificação dos seus estudantes.
“A única coisa que interfere com meu
aprendizado é a minha educação” (Albert
Einstein)
 RESUMO

A competitividade cresce diariamente em todo o setor mineral e, para garantir a liderança, é

necessário inovar e ter confiabilidade das decisões tomadas. Nesse sentido, a Pesquisa
Operacional, como ferramenta de apoio a criação de modelos de otimização mostra-se eficiente
para tomada de decisões a curto e longo prazo. Este estudo propõe validar e implementar um
modelo de otimização, para analisar dois cenários obtidos com técnicas de dimensionamento
de frotas de equipamentos de carregamento e transporte, levando em consideração metas de
produção e qualidade. Para isso, utilizou-se a ferramenta Solver do software Excel para análise
dos cenários, sendo o primeiro deles composto por 3 escavadeiras hidráulicas e 13 caminhões
e, o segundo, composto por 4 escavadeiras hidráulica e 10 caminhões de capacidades iguais aos
do primeiro cenário. Como resultado da implementação dos dois cenários, verificou-se que as
metas, tanto de produção quanto de qualidade, foram atendidas, sendo que, no Cenário 1,
obteve-se 4 caminhões não operacionais e, no Cenário 2, dois caminhões.

Palavras-chave: Pesquisa Operacional; Modelo de otimização; Plano operacional de lavra;

Dimensionamento de frotas de equipamentos de carga e transporte.
 ABSTRACT

Competitiveness grows daily in all mineral sector, and to ensure leadership it is necessary to
innovate and have the reliability of the decisions taken. In this sense, Operations Research as a
tool to support the creation of optimization models for short and long-term decision-making
proves to be efficient. This study proposes to validate and implement an optimization model
for analyzing two scenarios obtained with sizing techniques for loading and transport equipment
fleets, considering production and quality goals. In this sense, it was used the Solver tool of the
Excel software to implement the two scenarios: the first being composed of 3 hydraulic
excavators and 13 trucks, and the second, composed of 4 hydraulic excavators and 10 trucks
with capacities equal to the first scenario. The result of the implementation of the two scenarios
met the production and quality goals and, in scenario 1, it was found 4 non-operational trucks
and, in scenario 2, two trucks.

Keywords: Operations research; Optimization model; Mining operational planning; Truck-

Shovel fleets sizing.
 LISTA DE FIGURAS

Figura 1: Cenários obtidos com a implementação do modelo para dimensionamento da frota

de equipamentos de lavra em operação conjugada proposto por Mendonça, 2002. Núm. de Esc.
= número de escavadeiras; Caminhões = número de caminhões e ProdTotal = produção total
em m3 ........................................................................................................................................ 20
Figura 2: Lançamento dos dados de entrada do modelo de otimização no Excel...................26
Figura 3: Declaração da função objetivo e restrições de quantidade (produção) e qualidade no
Excel. ........................................................................................................................................ 26
Figura 4: Formulário Parâmetros do Solver com a indicação da célula da função objetivo e
declaração das variáveis de decisão e restrições de quantidade e quantidade .......................... 27
Figura 5: Resultado preliminar após declaração das restrições de quantidade e qualidade no
Solver ........................................................................................................................................ 28
Figura 6: Declaração da variável de decisão Y no Solver....................................................... 28
Figura 7: Processo de adição das restrições relacionadas à variável de decisão Y no Solver 29
Figura 8: Definição das quantidades mínima e máxima de material a ser lavrado se Yj = 1 .. 30
Figura 9: Declaração da variável de decisão n no solver ........................................................ 31
Figura 10: Número de viagens do caminhão k por frente de lavra ......................................... 32
Figura 11: Declaração da variável de decisão Z no solver ...................................................... 33
Figura 12: Tempo mínimo e máximo de operação do caminhão k quando utilizado ............. 34
Figura 13: Distribuição do número de viagens por equipamento de transporte (sem
arredondamento) ....................................................................................................................... 34
Figura 14: Distribuição do número de viagens por equipamento de transporte (com
arredondamento) ....................................................................................................................... 35
Figura 15: Cálculo dos parâmetros de qualidade .................................................................... 35
Figura 16: Resultados obtidos com a implementação do modelo de otimização para o Cenário
1 (3 escavadeiras e 13 caminhões) - Parte 1. ............................................................................ 37
Figura 17: Resultados obtidos com a implementação do modelo de otimização para o Cenário
1 (3 escavadeiras e 13 caminhões) - Parte 2 ............................................................................. 38
Figura 18: Resultados obtidos com a implementação do modelo de otimização para o Cenário
2 (4 escavadeiras e 10 caminhões) - Parte 1. ............................................................................ 39
Figura 19: Resultados obtidos com a implementação do modelo de otimização para o Cenário
2 (4 escavadeiras e 10 caminhões) - Parte 2 ............................................................................. 40
 LISTA DE TABELAS

Tabela 1: Limites máximo e mínimo dos parâmetros de controle da qualidade da mistura de

minérios (dados de entrada). ....................................................................................................19
Tabela 2: Variáveis operacionais de carga. ............................................................................. 20
Tabela 3: Variáveis operacionais para o transporte de minério. ............................................. 21
Tabela 4: Parâmetros de qualidade, em %, por frente de lavra (dados de entrada)................. 21
Tabela 5: Tempo de ciclo por frente de lavra. ......................................................................... 22
Tabela 6: Parâmetros do modelo de otimização ...................................................................... 22
 SUMÁRIO

1. INTRODUÇÃO ........................................................................................................... 12
2. OBJETIVOS ................................................................................................................ 13
2.1. Objetivo geral ............................................................................................................. 13
2.2. Objetivos específicos .................................................................................................. 13
3. REVISÃO BIBLIOGRÁFICA ................................................................................... 14
3.1. Pesquisa Operacional ................................................................................................. 14
3.2. Contextualização histórica ......................................................................................... 15
3.3. Pesquisa Operacional aplica a mineração .................................................................. 15
3.4. Fases de um estudo da Pesquisa Operacional ............................................................ 16
3.5. Programação Linear no contexto da Pesquisa Operacional ....................................... 17
3.5.1. Função Objetivo ............................................................................................... 17
3.5.2. Restrições ......................................................................................................... 18
3.6. Problema de Mistura de Minérios .............................................................................. 18
4. MATERIAIS E MÉTODOS ....................................................................................... 19
4.1. Desenvolvimento ........................................................................................................ 19
4.1.1. Definição do cenário de estudo ........................................................................ 19
4.1.2. Método para desenvolvimento do modelo de otimização................................. 22
4.1.3. Definição da Variável de decisão .................................................................... 23
4.1.4. Definição da Função da Função Objetivo ....................................................... 23
4.1.5. Definição das Restrições .................................................................................. 23
4.1.6. Implementação do modelo proposto ................................................................ 25
5. RESULTADOS E DISCUSSÃO ................................................................................ 37
5.1. Resultados obtidos com o modelo de otimização composto por 3 escavadeiras e 13
caminhões. ............................................................................................................................. 37
5.2. Resultados obtidos com o modelo de otimização composto por 4 escavadeiras e 10
caminhões .............................................................................................................................. 39
6. CONCLUSÕES............................................................................................................ 42
SUGESTÕES PARA TRABALHOS FUTUROS .............................................................. 43
REFERÊNCIAS BIBLIOGRAFICAS ................................................................................. 44
 12

1. INTRODUÇÃO

A busca pelo melhor cenário na mineração, que envolvam a redução de custos e aumento
de produção, torna-se cada dia mais necessário nesse setor. Novas tecnologias estão sendo
desenvolvidas rapidamente para equipamento de mineração, puxadas pela demanda de
mercado. Isto inclui diversos programas e modelos que auxiliam na tomada de decisões na
rotina do dimensionamento de frotas e alocação de equipamentos, facilitando e potencializando
o desempenho dos processos na mineração.
Nesse sentido, a Pesquisa Operacional (PO) tem-se mostrado fundamental, colaborando
na otimização dos recursos no meio empregado. E, com o advento da computação, essa ciência
passou a ser difundida com maior intensidade.
Em condições apropriadas, ao se empregarem técnicas de modelagem matemática e
eficientes algoritmos computacionais, a PO pode subsidiar o decisor na análise dos mais
variados aspectos e situações de um problema complexo, permitindo a tomada de decisões
efetivas e a construção de sistemas mais produtivos (SABROPO, 2017).
Segundo José Neto (2020), a metodologia da PO é mais indicada para solucionar
problemas que podem ser representados por modelos matemáticos. Tais modelos podem ser
classificados, quanto ao nível de incerteza existente entre as relações das variáveis, como
determinísticos (sem incerteza: as informações relevantes são tidas como conhecidas; modelos
de otimização) ou probabilísticos (quando uma ou mais variáveis de decisão não são
conhecidas; modelos de simulação).
Problemas de programação são modelados tal que o melhor uso de recursos escassos
possa ser determinado, conhecidos os objetivos e necessidades do analista. Problemas de
programação linear compõem uma subclasse de problemas nos quais a modelagem é
inteiramente expressa em termos de equações lineares. Em se tratando de programação linear,
esse objetivo é expresso através de uma função linear, denominada “função-objetivo”
(FOGUIATTO, s.d.).
Atualmente, foi verificada a baixa disponibilidade de estudos de PO desenvolvidos para
em torno de criações de modelos de otimização que inferem o desdobramento de um
planejamento de curto prazo (turno de trabalho). Neste sentido, o presente trabalho busca
contribuir com um modelo de otimização para planejamento operacional de lavra a curto prazo
e avaliar se as frotas dos equipamentos de carga e transporte encontradas na fase de
dimensionamento atendera às metas de produção e qualidade especificadas previamente. Para
isso, foi utilizada a ferramenta computacional Solver disponível no software Excel.
 13

2. OBJETIVOS

2.1. Objetivo geral

Implementar um modelo de otimização para analisar cenários obtidos com técnicas de

dimensionamento de frotas de equipamentos de carregamento e transporte levando em
consideração metas de produção e qualidade.

2.2. Objetivos específicos

i) Utilizar o Solver do software Excel para implementar e resolver um modelo de

otimização para planejamento operacional de lavra a curto prazo;

ii) Escolher, dentre os cenários obtidos com um modelo base para dimensionamento
das frotas de equipamentos de carga e transporte, aqueles que atenderão às metas
de produção previamente estabelecidas;

iii) Avaliar se os cenários escolhidos na fase de dimensionamento das frotas de

equipamentos atenderão tanto às metas de produção quanto às de qualidade
especificadas previamente no plano operacional de lavra.
 14

3. REVISÃO BIBLIOGRÁFICA

Este capítulo aborda as principais temáticas acerca dos modelos de otimização utilizados
na Pesquisa Operacional (PO).

3.1. Pesquisa Operacional

Para que as empresas se mantenham no mercado diante do cenário competitivo, é

necessário empregar métodos e técnicas diferenciadas a fim de obter um diferencial
competitivo. Um diferencial competitivo pode ser obtido por quem gerencia melhor seus
recursos empresariais, que são escassos. A PO se desenvolveu para gerenciar recursos escassos
e obteve sucesso. Hoje é possível fazer usos dos métodos da PO no ambiente corporativo e, por
conseguinte, obter um diferencial comparativo em relação à concorrência (JOSÉ NETO, 2020).
Do ponto de vista acadêmico, o aumento da capacidade de processamento
computacional e, com isso, a possibilidade de lidar com problemas cada vez maiores, tem
impulsionado o desenvolvimento de novos métodos analíticos que estão em constante evolução
e propiciam uma vasta gama de aplicações. Do ponto de vista prático, a Pesquisa Operacional
demanda um esforço de equipe, em geral multidisciplinar, exigindo uma estreita cooperação
entre líderes (tomadores de decisão), analistas e pessoas que serão afetadas pela ação de gestão.
Sendo assim, a PO demanda uma interação natural entre as áreas de administração, engenharias,
computação e matemática (SABRAPO,2017).
Nota-se que a PO é uma feramente de grande importância na tomada de decisões, o que
faz dela requerida no meio empresarial. Isso em funções de modelos que estuda, desenvolve e
aplica métodos analíticos avançados para auxiliar na tomada de decisão nas mais diversas áreas
de atuações, de forma a inferir em resultados ótimos proporcionando direcionamento seguro no
objetivo esperado.
A Pesquisa Operacional destaca-se pelo grande número de técnicas para solução de
problemas de tomada de decisão. Agrupam-se essas técnicas em três grandes grupos: os
modelos determinísticos, onde as variáveis envolvidas são constantes e conhecidas; os modelos
estocásticos, onde variáveis aleatórias são características definidas por meio de funções de
probabilidade; e outras técnicas advindas com o desenvolvimento computacional e aplicação
de técnicas de outras ciências na Pesquisa Operacional (Belfiore et al., 2013 apud Barbosa
2017).
 15

3.2.Contextualização histórica

O termo Pesquisa Operacional remete as origens da área, cujo interesse inicial foi a
gestão eficiente de operações (basicamente de logística militar). Assim, o desenvolvimento da
PO foi fruto do esforço de guerra dos Aliados no início dos anos 40 e, tal esforço, tinha por
objetivo desenvolver métodos para resolver problemas de operações militares. O sucesso dessas
aplicações levou o mundo acadêmico e empresarial a utilizar as técnicas, então criadas, em
problemas de administração (JOSE NETO, 2020).

3.3. Pesquisa Operacional aplicada à mineração

De acordo com SABRAPO, 2017 apud JOSE NETO (2020), a PO é empregada em

áreas consideradas estratégicas, tais como energia, prospecção e exploração de petróleo,
gerência de operações, logística, finanças, marketing, planejamento e gestão de sistemas de
serviços, segurança da informação, administração industrial, gestão da qualidade, análise
locacional entre outros de interesse civil e militar.
Sobre o planejamento das operações de lavra, os desafios estão em atingir as metas
estabelecidas para o Run of Mine (ROM), cuja mistura deve fornecer a qualidade requerida,
muitas vezes tendo diferentes características físico-químicas analisadas (como granulometria e
teor de contaminantes) além de extrair o estéril para liberar novas áreas com minério.
Outro requisito da operação de lavra que, em alguns casos, pode ser conflitante com as
metas para ROM, é de evitar o estrangulamento da cava de onde, devido ao seu
aprofundamento, os equipamentos de carga, por motivo de segurança, devem retirar materiais
apenas do topo para irem alargando a cava em busca de minério (AMARAL, 2008 apud
QUINTÃO, 2014).
Lidar com essas características torna o planejamento e controle operacional de lavra
desafiador no que se refere, por exemplo, a determinar qual a sequência de blocos que deve ser
lavrada, a quantidade ótima da composição do produto mineral e o planejamento operacional
de lavra, o qual aloca os equipamentos de carga e transporte dentro da mineradora.
 16

3.4. Fases de um estudo da Pesquisa Operacional

A Pesquisa Operacional, como definida anteriormente, aplica conceitos e métodos de

outras áreas científicas para concepção, planejamento ou operação de sistemas para atingir a
solução de um problema.
Segundo Taha (2008), as principais fases de implementação de PO, na prática, incluem:
. Definição do problema: envolve definir o escopo do problema sob investigação. Essa
função deve ser executada por toda a equipe de PO. A meta é identificar os três elementos
principais de um problema de decisão: 1) descrição das alternativas de decisão, 2) determinação
do objetivo do estudo e 3) especificação das limitações sob as quais modelado funciona.
. Construção do modelo: implica na tentativa de traduzir a definição do problema em
relações matemáticas. Se o modelo resultante se ajustar a um dos métodos matemáticos padrão,
tal como programação linear, pode-se, geralmente, chegar a uma solução utilizando algoritmos
disponíveis. Alternativamente, se as relações matemáticas forem muito complexa para permitir
a determinação de uma solução analítica, a equipe de PO pode optar por simplificar utilizando
simulações e modelos heurísticos que podem ser combinados para resolver o problema de
decisão.
. Solução do modelo: é de longe a fase mais simples de todas as fases da PO, porque se
baseia na utilização de algoritmos de otimização bem definidos. Um aspecto importante da fase
de solução do modelo é a análise de sensibilidade, que trata de obter informações adicionais
sobre o comportamento da solução ótima quando o modelo passa por algumas mudanças de
parâmetros. A análise de sensibilidade é particularmente necessária quando os parâmetros do
modelo não podem ser estimados com precisão. Nesses casos, é importante estudar o
comportamento da solução ótima na vizinhança dos parâmetros estimados.
. Validação do modelo: verifica se o modelo proposto faz ou não o que diz fazer, isto é,
se ele prevê adequadamente o comportamento do sistema em estudo. Inicialmente, a equipe de
PO deve estar certa de que o resultado do modelo não inclua “surpresas”. Em outras palavras,
se a solução faz sentido e ainda se os resultados são intuitivamente aceitáveis. Do lado formal,
um método comum para verificar a validade de um modelo é comparar seus resultados com
dados históricos. O modelo é valido se, sob condições similares de entradas, reproduz
razoavelmente o desempenho anterior. Todavia, de modo geral, não há nenhuma garantia de
que o desempenho futuro continuará a reproduzir o comportamento passado. Além disso, como
o modelo costuma ser baseado no exame cuidadoso de dados passados, a comparação proposta
costuma ser favorável. Se o modelo proposto representa um novo sistema (não existente), não
 17

haverá dados históricos disponíveis. Nesses casos, pode-se usar a simulação como uma
ferramenta independente para verificar os resultados do modelo matemático.
. Implementação da solução de um modelo validado: envolve a tradução dos resultados
em instruções operacionais inteligíveis que serão emitidas para as pessoas que administrarão o
sistema recomendado. A carga dessa tarefa cabe principalmente à equipe de PO.

3.5. Programação Linear no contexto da Pesquisa Operacional

Programação Linear (PL) é uma técnica que pressupõe a relação linear entre as
características do problema, buscando a solução ótima para o problema estudado. Essas
características do problema são representadas e relacionadas por meio de uma série de
equações/inequações lineares (RODRIGUES, 2014).
A PL é uma técnica que busca encontrar o valor (entre uma gama de valores possíveis)
máximo ou mínimo, sempre respeitando situações que restringem a obtenção de valores
maiores ou menores. Apesar de não serem uma técnica exclusiva de planejamento, programação
e controle da produção (PPCP), pode auxiliar muito nos seus processos decisórios (BEZERRA,
2014).
Quando se fala em maximizar ou minimizar, está se referindo diretamente com
problemas de otimização. Nesse contexto, e necessário definir a função objetivo e as restrições
que o sistema apresenta.

3.5.1. Função Objetivo

Segundo Barbosa (2015), a função objetivo e as restrições são sempre equações ou

inequações lineares. Nesse contexto matemático, os problemas ficam com sua linguagem
modificada, ou seja, passam para a linguagem matemática.
Desse modo, a função objetivo pode ser escrita de duas formas:

. Se o problema for maximizar z:

max z = c1x1+c2x2+... +cnxn

. Se o problema for minimizar z:

min z = c1x1+c2x2+... +cnxn

Em que c1, c2, …, cn são números reais e x1, x2, ..., xn são variáveis do problema.
 18

3.5.2. Restrições

Visto que a função objetivo em uma PL representa a meta a ser alcançada. Além dela,
existe, também, as restrições, que são separadas em:

. Restrição de igualdade (equação):

a11x1 + a12x2 + ... + a1n xn = b1

. Restrição de desigualdade (inequação):

a11x1 + a12x2 + ... + a1n xn ≤ b1
a11x1 + a12x2 + ... + a1n xn ≥ b1

Sendo que b1, b2, ..., bn representam as limitações das restrições e aij são os coeficientes
das equações e inequações que descrevem, no problema, os números de quantidade, valor e
custo.
Para determinar as restrições do problema, primeiro é necessário verificar os fatores que
limitam a produção. No caso da otimização de um plano de lavra, as restrições se referem as
quantidades disponíveis de ROM, caminhão, equipamento de carga entre outros.

3.6. Problema de Mistura de Minérios

O problema de mistura de minérios consiste em encontrar as quantidades de minérios e

teores dos elementos químicos ideais para otimizar o resultado dessa mistura de acordo com o
objetivo determinado, respeitando as exigências do cliente como, por exemplo, redução do
custo, maior aproximação das metas de produção e de qualidade, aumento do rendimento da
mistura etc.
Essas metas de qualidade e produção requeridas pelos clientes normalmente não são
alcançadas, devido à grande variabilidade dos minérios. A partir dessa dificuldade, são criados
intervalos de tolerância para cada um dos parâmetros avaliados (MILAGRES, 2019).
 19

4. MATERIAIS E MÉTODOS

Nesta seção são apresentados os procedimentos realizados para alcançar os objetivos

desta pesquisa.

4.1. Desenvolvimento

4.1.1. Definição do cenário de estudo

O presente estudo foi realizado utilizando seis frentes de trabalho, constituídas de

minério de ferro.
O modelo de otimização a curto prazo levou em consideração uma produção de 27.333_t
por turno de 12 horas trabalhadas.
Definiu-se como parâmetros de controle da qualidade os teores máximo e mínimo de
Fe, P, SiO2, Al2O3 além de um parâmetro físico (a fração granulométrica abaixo de 100#)
presentes na mistura de minérios, conforme Tabela 1.

Tabela 1: Limites máximo e mínimo dos parâmetros de controle da qualidade da mistura de

minérios (dados de entrada).
Mín (%) Máx (%)
Fe 52,0 56,0
P 0,041 0,046
SiO2 4,1 4,9
Al2O3 1,22 1,36
-100# 23,0 24,0
 20

Foram analisados dois cenários para as frotas de equipamentos da mina, os quais foram
destacados na Figura 1.

Figura 1: Cenários obtidos com a implementação do modelo para dimensionamento da frota

de equipamentos de lavra em operação conjugada proposto por Mendonça, 2002. Núm. de
Esc. = número de escavadeiras; Caminhões = número de caminhões e ProdTotal = produção
total em m3.

As variáveis operacionais de carga, utilizadas para implementação do modelo de

otimização, são descritas na Tabela 2.

Tabela 2: Variáveis operacionais de carga.

Equipamentos de Carga
Tipo Escavadeira Hidráulica
Porte 9,5 jd3
Tempo de ciclo 0,8 min
Fator de eficiência 83%
Fator de enchimento da caçamba 80%
Fator de operação conjugada 90%
Horas programada por ano 7200
Disponibilidade física 75%
Utilização 80%
Fonte: Mendonça, 2002. (adaptado)
 21

As variáveis operacionais para o transporte do minério utilizadas na implementação do

modelo de otimização são descritas na Tabela 3.

Tabela 3: Variáveis operacionais para o transporte do minério.

Equipamentos de Transporte

Tipo Caminhão fora de estrada

basculante
Porte (capacidade) 180 t
Peso específico do material 4,1 t/m3
Tempo de ciclo médio 18 min
Fator de eficiência 83%
Fator de enchimento da caçamba 100%
Fator de operação conjugada 90%
Horas programadas por ano 7200
Disponibilidade física 70%
Utilização física 80%
Fonte: Mendonça, 2002. (adaptado)

Na Tabela 4 são apresentados os parâmetros de qualidade por frente de lavra adotados

na implementação do modelo de otimização.

Tabela 4: Parâmetros de qualidade, em %, por frente de lavra (dados de entrada).

Frente 1 Frente 2 Frente 3 Frente 4 Frente 5 Frente 6
Fe 56 62 64 43 51 49
P 0,049 0,053 0,048 0,037 0,042 0,041
SiO2 3,9 4,2 3,8 5,9 7,3 6,4
Al2O3 1,70 1,03 0,92 1,76 0,82 1,55
-100# 22,6 19,5 23,9 25,8 19,3 21,4
 22

A Tabela 5 refere-se ao tempo de ciclo médio por frente de lavra.

Tabela 5: Tempo de ciclo por frente de lavra.

Tempos de Ciclo (min)
Frente 1 Frente 2 Frente 3 Frente 4 Frente 5 Frente 6
18 21 24 19 25 20

A Tabela 6 mostra parâmetros utilizados no modelo de otimização.

Tabela 6: Parâmetros do modelo de otimização.

Abreviação Parâmetros do modelo
ProdMáx Produção máxima por turno 28.000 t
ProdMin Produção mínima por turno 27.000 t

Qminj Quantidade mínima de material a ser 5.000 t

lavrado se Yj = 1

Qmaxj Quantidade máxima de material a ser 10.000 t

lavrado se Yj = 1

nFrentes Número de frentes de lavra (ou 3 ou 4

equipamento de carga)

M Número elevado (utilizado no modelo de 100.000 t

otimização)

Tmink Tempo mínimo de operação do 200 min

caminhão k quando utilizado

4.1.2. Método para desenvolvimento do modelo de otimização

O primeiro passo para implementar um modelo de otimização é o estudo e diagnóstico do

problema. É indispensável conhecer o processo que se pretende otimizar de modo a identificar
as variáveis que devem ser levadas em consideração na construção do modelo.
Após o estudo e diagnóstico, foram seguidos os passos para fazer a modelagem:
I. Definição das variáveis de decisão;
II. Definição da função objetivo;
 23

III. Definição das restrições.

4.1.3. Definição das Variáveis de decisão

Uma variável de decisão é uma incógnita em um problema de otimização. Ela tem um

domínio, que é uma representação compacta do conjunto de todos os valores possíveis para a
variável. Os tipos de variável de decisão são referências a objetos cuja natureza exata depende
do otimizador subjacente de um modelo. Uma variável de decisão pode ser instanciada somente
no contexto de uma determinada instância do modelo (IBM).
Para implementação do modelo de otimização aqui descrito e chegar aos objetivos
almejados foram utilizadas as seguintes variáveis de decisão:

▪ Xj = Produção (em toneladas) na frente de lavra j

1 se houver produção na frente j

▪ Yj = {
0 caso contrário
1 se o caminhão k estiver em operação
▪ Zk = {
0 caso contrário

▪ nkj = Número de viagens do caminhão k, na frente de lavra j

4.1.4. Definição da Função da Função Objetivo

▪ Max X4 (maximizar o uso do minério da frente com menor teor de Fe)

4.1.5. Definição das Restrições

▪ Com relação ao teor mínimo na mistura, tl, do parâmetro de controle i (%)

∑ 𝑡𝑖𝑗 − 𝑡𝑙𝑖 . ∑ 𝑥𝑗 ≥ 0 ∀𝑖 ∈𝑄
𝑗∈𝐹 𝑗∈𝐹

Sendo:
F: Conjunto das frentes de lavra
Q: Conjunto dos parâmetros de controle da qualidade da mistura
tij: Teor do parâmetro de controle i na frente j (%)
tli: Teor mínimo na mistura do parâmetro de controle i (%)
▪ Com relação ao teor máximo na mistura, tu, do parâmetro de controle i (%)
 24

∑ 𝑡𝑖𝑗 − 𝑡𝑢𝑖 . ∑ 𝑥𝑗 ≤ 0 ∀𝑖 ∈𝑄
𝑗∈𝐹 𝑗∈𝐹

Em que:
F: Conjunto das frentes de lavra
Q: Conjunto dos parâmetros de controle da qualidade da mistura
tij: Teor do parâmetro de controle i na frente j (%)
tui: Teor máximo na mistura do parâmetro de controle i (%)

▪ Quanto a produção mínima a ser lavrada no turno de trabalho

∑ 𝑋𝑗 ≥ 𝑝𝑟𝑜𝑑𝑀𝑖𝑛
𝑗∈𝐹

▪ Quanto a produção máxima a ser lavrada no turno de trabalho

∑ 𝑋𝑗 ≤ 𝑝𝑟𝑜𝑑𝑀á𝑥
𝑗∈𝐹

▪ Quanto a quantidade mínima lavrada por frente

𝑋𝑗 ≥ 𝑄𝑚𝑖𝑛𝑖 . 𝑌𝑗 ∀𝑗 ∈ 𝐹

▪ Quanto a quantidade máxima lavrada por frente

𝑋𝑗 ≤ 𝑄𝑚á𝑥𝑖 . 𝑌𝑗 ∀𝑗 ∈ 𝐹

▪ Quanto ao número de escavadeiras (ou frentes de lavra)

𝑋𝑗
𝑌𝑗 − ≥0 ∀𝑗 ∈ 𝐹
𝑀
∑ 𝑌𝑗 = 𝑛𝐹𝑟𝑒𝑛𝑡𝑒𝑠
𝑗∈𝐹

Sendo:
Se Yj = 0 → Xj = 0 (logo o material da frente de lavra j não será utilizado).
Se Yj = 1 → Xj poderá assumir qualquer valor menor ou igual a M. Logo, o
material da frente j poderá (ou não) ser utilizado.

▪ Quanto ao tempo mínimo de operação de um caminhão (quando utilizado)

𝑇𝑇𝑘 ≥ 𝑇𝑚𝑖𝑛𝑘 . 𝑍𝑘 ∀𝑘 ∈ 𝐶

Em que:
 25

TTk é o tempo de trabalho do caminhão k (em min)

C é o conjunto dos caminhões

▪ Quanto ao tempo máximo de operação de um caminhão (quando utilizado)

𝑇𝑇𝑘 ≤ 𝑇𝐸𝑘 . 𝑍𝑘 ∀𝑘 ∈ 𝐶

Sendo:
TTk é o tempo de trabalho do caminhão k (em min)
C é o conjunto dos caminhões
TEk é o tempo efetivo que o caminhão k deva estar em operação caso seja
utilizado (em min)

4.1.6. Implementação do modelo proposto

A implementação do modelo proposto foi realizada utilizando a ferramenta Solver do

software Excel. O solver trabalha com um grupo de células relacionadas direta ou indiretamente
com a fórmula na célula de destino.
Todas as células que influenciam no resultado da célula destino podem ser alteradas
pelo próprio Excel, desde que sejam fórmulas inter-relacionadas e atinja a meta desejada,
avaliando todas as restrições para chegar no resultado.
Após a definição do cenário de estudo, foi iniciado o processo de lançamento das
informações para implementação do modelo de otimização no software Excel. Para isso o
primeiro passo foi inserir os dados de entrada no Excel conforme Figura 2.
 26

Figura 2: Lançamento dos dados de entrada do modelo de otimização no Excel.

Em seguida, inseriu-se a função objetivo e as restrições de qualidade e quantidade do

modelo conforme já descritas no tópico 4.1.4 e 4.1.5.
A Figura 3 apresenta a função objetivo e as restrições de qualidade e quantidade do
modelo de otimização declaradas no software Excel.

Figura 3: Declaração da função objetivo e restrições de quantidade (produção) e qualidade no

Excel.
 27

Na Figura 4 é detalhado o processo de declaração da função objetivo (maximizar o

aproveitamento da frente de minério 4), variáveis de decisão X (produção, em toneladas, por
frente de lavra) e restrições (quantidade e qualidade) no formulário do Solver.

Figura 4: Formulário Parâmetros do Solver com a indicação da célula da função objetivo e

declaração das variáveis de decisão e restrições de quantidade e quantidade.

Após adicionar as demais restrições referentes à qualidade da mistura de minérios,

clicou-se no botão Resolver da janela Parâmetros do Solver. Foi encontrada uma solução,
chamada solução ótima, conforme mostrado na Figura 5. No entanto, trata-se de uma solução
preliminar, pois ela não contempla todas as restrições utilizadas no modelo de otimização.
 28

Figura 5: Resultado preliminar após declaração das restrições de quantidade e qualidade no

Solver.

O próximo passo foi adicionar a nova variável de decisão, Yj, a qual está relacionada ao
número de frentes de lavra ou número de equipamentos de carga. Juntamente, foram
adicionadas as restrições nas quais está variável foi utilizada conforme mostrado nas Figuras 6
e 7.

Figura 6: Declaração da variável de decisão Y no Solver.

 29

Figura 7: Processo de adição das restrições relacionadas à variável de decisão Y no Solver.

Na Figura 8, foram consideradas as quantidades mínima e máxima que devem ser

lavradas de cada frente. Essa é uma situação que deve ser considerada para evitar que a
quantidade de massa a ser lavrada em uma frente seja muito pequena, pois não seria interessante
a alocação do equipamento de carga à frente (ele ficaria muito tempo ocioso). Por outro lado,
se a quantidade a ser lavrada uma frente for maior que o limite máximo estabelecido, a
capacidade produtiva da escavadeira ou a quantidade disponível de material na frente de lavra
poderia ser ultrapassada.
 30

Figura 8: Definição das quantidades mínima e máxima de material a ser lavrado se Yj = 1.

A variável de decisão nkj, que remete ao número de viagens do caminhão k na frente de

lavra j, é responsável por criar um ambiente de distribuição de viagens do caminhão por frente
de lavra, visando o atendimento das metas de produção e parâmetros de qualidade da mistura
propostas. Durante o desenvolvimento do modelo para o dimensionamento das frotas de
equipamento de carga e transporte, verificaram-se limitações (relacionadas a tempo de
processamento) na determinação da solução ótima.
Após avaliar as possíveis causas da solução ótima não ter sido encontrada em um tempo
de processamento não muito elevado (menor que 1 minuto), confirmou-se que esta demora
estava relacionada à declaração do número de viagens como sendo variáveis inteiras. Para
contornar isso, utilizou-se valores de n como números reais não negativos com posterior
arredondamento dos valores encontrados. Ressalta-se que a influência deste procedimento na
qualidade das soluções encontradas pelo Solver foi avaliada e verificou-se, especificamente
para os cenários utilizados neste estudo, não haver comprometimentos operacionais (em termos
de produção e qualidade) relevantes.
 31

A declaração da variável de decisão n no Solver é apresentada na Figura 9.

Figura 9: Declaração da variável de decisão n no solver.

Após a declaração da variável de decisão nkj, foi necessário definir a primeira restrição
relacionada ao número de viagens dos caminhões. Nessa restrição, tem-se que a soma do
produto entre o número de viagens à frente j pela capacidade do caminhão k deve ser igual à
produção da frente Xj, ou seja:

∑ 𝑛𝑘𝑗 . 𝑐𝑎𝑝𝑎𝑐𝑖𝑎𝑑𝑒𝑘 = 𝑋𝑗 ∀𝑗 ∈𝐹
𝑘∈𝐶
 32

No entanto, por se tratar da primeira restrição relacionada ao número de viagens por

caminhão, o solver direcionou todas as viagens para um único caminhão, conforme apresentado
na Figura 10.
Figura 10: Número de viagens do caminhão k por frente de lavra.

Para contornar o cenário mostrado na Figura 10 e tornar o modelo mais próximo da

realidade da mineração, inseriu-se a variável de decisão Z, o que também possibilitou o
incremento de restrições relacionadas a tempo de ciclo e horas efetivamente trabalhadas.
O tempo efetivo de trabalho dos caminhões corresponde a 430 min e foi calculado, a
partir das variáveis operacionais de transporte descrita na Tabela 3, como segue:

𝐻𝑜𝑟𝑎 𝑒𝑓𝑒𝑡𝑖𝑣𝑎 = 𝐻𝑜𝑟𝑎𝑠 𝑝𝑜𝑟 𝑡𝑢𝑟𝑛𝑜  𝐹𝑎𝑡𝑜𝑟 𝑑𝑒 𝑒𝑓𝑖𝑐𝑖ê𝑛𝑐𝑖𝑎  𝐹𝑎𝑡𝑜𝑟 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎çã𝑜 𝑐𝑜𝑛𝑗𝑢𝑔𝑎𝑑𝑎  𝑈𝐹

Sendo a definição dos parâmetros:

Horas por turno = 12h
Fator de eficiência = 83%
Fator de operação conjugada = 90%
UF (Utilização Física) = 80%

Nesse sentido, um caminhão pode trabalhar no máximo 430 min por tuno de trabalho.
Assim como o QMin e o Qmáx, nesse momento foi necessário estipular um tempo mínimo de
 33

operação para um caminhão caso ele fique em operação. Caso contrário, poder-se-ia ter
equipamento de transporte sendo utilizado desnecessariamente para realizar, por exemplo,
apenas uma ou duas viagens no turno de trabalho de 12h.
A Figura 11 apresenta a declaração da variável de decisão Z e as restrições de tempo
máximo e mínimo de operação do caminhão k (quando operacional) são mostradas na Figura
12.

Figura 11: Declaração da variável de decisão Z no Solver.

 34

Figura 12: Tempo mínimo e máximo de operação do caminhão k quando utilizado.

Ao resolver o modelo, foram encontradas limitações (com relação ao tempo de

processamento) para encontrar a solução ótima quando o número de viagens dos caminhões foi
declarado como variáveis inteiras, como era esperado. Para isso, utilizaram-se os valores de n
como números reais não negativos e foi criada uma tabela que realiza o arredondamento dos
valores de n para números inteiros.
As Figuras 13 e 14 mostram este procedimento.

Figura 13: Distribuição do número de viagens por equipamento de transporte (sem

arredondamento).
 35

Figura 14: Distribuição do número de viagens por equipamento de transporte (com

arredondamento).

Em seguida, foi realizado o cálculo dos parâmetros de qualidade com base,

primeiramente, na massa por frente de lavra encontrada no Problema de Mistura de Minérios
utilizando n e, posteriormente, os parâmetros de controle da qualidade da mistura foram
calculados levando em consideração a massa por frente de lavra com a utilização do número de
viagens dos caminhões sendo arredondados. A Figura 15 apresenta ambas as situações.

Figura 15: Cálculo dos parâmetros de qualidade

 36

O mesmo processo de implementação do modelo de otimização foi realizado para o

cenário definido por 4 escavadeiras e 10 caminhões. Os resultados de ambos os cenários são
apresentados no Capítulo 5.
 37

5. RESULTADOS E DISCUSSÃO

Neste capítulo, está apresentado a análise e a discussão acerca dos resultados obtidos
neste trabalho.

5.1. Resultados obtidos com o modelo de otimização considerando 3 escavadeiras e 13

caminhões.

Nas Figuras 16 e 17 são apresentados os resultados obtidos com a implementação do

modelo de otimização para o Cenário 1 (3 escavadeiras e 13 caminhões).

Figura 16: Resultados obtidos com a implementação do modelo de otimização para o Cenário
1 (3 escavadeiras e 13 caminhões) - Parte 1.
 38

Figura 17: Resultados obtidos com a implementação do modelo de otimização para o Cenário
1 (3 escavadeiras e 13 caminhões) - Parte 2.

Para o primeiro cenário, obtiveram-se os seguintes resultados:

▪ Máximo aproveitamento da Frente 4 (10.000 t).
▪ Massa lavrada da Frente 2 igual a 8.000 t.
▪ Massa lavrada da Frente 3 igual a 10.000 t.
▪ Atendimento dos parâmetros de qualidade da mistura de minério.
▪ Atendimento da produção por turno de trabalho.
▪ Utilização de 9 caminhões dos 13 disponíveis na frota.
▪ Os valores encontrados para os parâmetros de qualidade utilizando a massa
obtida pelo arredondamento do número de viagens por caminhão mantiveram-
se dentro dos limites mínimo e máximo.
▪ A solução respeitou as quantidades mínima e máxima de material a ser lavrado
por frente de trabalho.
▪ O mesmo ocorreu para o tempo mínimo de operação de um caminhão quando
utilizado.
 39

▪ O modelo alocou os equipamentos de carga e transporte conforme desejado.

▪ O modelo apresentou uma diferença de somente duas viagens por turno de
trabalho de 12 h entre o número de viagens determinado com variáveis reais
(156) e reais com posterior arredondamento para o inteiro mais próximo (154).
▪ O modelo foi aderente ao intervalo de produção mínima e máxima por turno de
trabalho.

5.2. Resultados obtidos com o modelo de otimização considerando 4 escavadeiras e 10

caminhões

Nas Figuras 18 e 19 são apresentados os resultados alcançados com a implementação do

modelo de otimização para o Cenário 2 analisado (4 escavadeiras e 10 caminhões).

Figura 18: Resultados obtidos com a implementação do modelo de otimização para o Cenário
2 (4 escavadeiras e 10 caminhões) - Parte 1.
 40

Figura 19: Resultados obtidos com a implementação do modelo de otimização para o Cenário
2 (4 escavadeiras e 10 caminhões) - Parte 2.

No segundo cenário do modelo de otimização tratado, obteve como resultado os

seguintes pontos:
▪ Máximo aproveitamento da Frente 4 igual a 9.369 t
▪ Massa lavrada da Frente 1 igual a 5.000 t.
▪ Massa lavrada da Frente 2 igual a 5.000 t.
▪ Massa lavrada da Frente 3 igual a 8.631t.
▪ Atendimento dos parâmetros de qualidade da mistura de minério.
▪ Atendimento da produção por turno de trabalho.
▪ Utilização de 8 caminhões dos 10 disponíveis na frota.
▪ Os valores encontrados para os parâmetros de qualidade utilizando a massa
obtida pelo arredondamento do número de viagens por caminhão mantiveram-
se dentro dos limites mínimo e máximo.
▪ A solução respeitou as quantidades mínima e máxima de material a ser lavrado
por frente de trabalho.
▪ O mesmo ocorreu para o tempo mínimo de operação de um caminhão quando
utilizado.
▪ O modelo alocou equipamento de carga e transporte conforme desejado.
 41

▪ O modelo apresentou uma diferença de somente uma viagem por turno de

trabalho de 12 h entre o número de viagens determinado com variáveis reais
(156) e reais com posterior arredondamento para o inteiro mais próximo (157).
▪ O modelo foi aderente ao intervalo de produção mínima e máxima por turno de
trabalho.
▪ Pode-se considerar que a solução encontrada foi aderente a produção máxima
por turno de trabalho, mesmo o limite superior sendo ultrapassado em 260 t.
Ressalta-se que este resultado foi obtido após o arredondamento dos números
reais referentes às viagens dos caminhões e, especificamente neste trabalho, não
configura, em termos operacionais, o não atendimento a uma das restrições do
modelo de otimização.
 42

6. CONCLUSÕES

Este trabalho utilizou o Solver do software Excel para implementar e resolver o modelo
de otimização da frota de carga e transporte levando em considerações as restrições de produção
e qualidade especificadas como metas em um plano operacional de lavra. A Pesquisa
Operacional forma uma base sólida para definições básicas de projetos de engenharia para
otimização de frota. O uso das técnicas de Pesquisa Operacional permitiu a modelagem de
diferentes cenários a partir da extração de dados e problemas reais. Verifica-se, entretanto, a
carência de referência bibliográfica robustas voltada diretamente ao setor da mineração.
Foi observada certa dificuldade (tempo de execução maior que 1 min) de se encontrar a
solução ótima quando a variável relacionada ao número de viagens dos caminhões foi declarada
como valor inteiro. Para contornar essa situação, foi avaliada a possibilidade de o número de
viagens dos caminhões ser um valor real não negativo para, posteriormente, realizar o
arredondamento com zero casa decimal. Sobre os desvios do número de viagens após o seu
arredondamento em ambos os cenários, entende-se que, especificamente para os cenários
utilizados neste estudo, não haveria comprometimento, em termos operacionais, das metas de
produção e de qualidade estabelecidas para os parâmetros de controle.
Para os cenários encontrados pelo modelo para dimensionamento de frotas, as metas de
produção e qualidade foram atendidas, sendo que no Cenário 1 haveria 4 caminhões não
operacionais e, no Cenário 2, dois caminhões. Esses caminhões, eventualmente, poderiam estar
em manutenção preventiva ou corretiva.
Conclui-se que os objetivos da pesquisa foram alcançados, visto que foi implementado
e utilizado um modelo de otimização para analisar cenários obtidos com técnicas para
dimensionamento de frotas de equipamentos de carregamento e transporte levando em
consideração metas de produção e qualidade.
 43

SUGESTÕES PARA TRABALHOS FUTUROS

Como sugestões para trabalhos futuros, indicam-se:

▪ Implementar, utilizando uma linguagem de programação de computadores, o modelo

proposto para o dimensionamento de frotas de equipamentos proposto por Mendonça,
2002;
▪ Utilizar, no modelo de dimensionamento, equipamentos de carga e transporte com
capacidades diferentes;
▪ Utilizar o modelo de otimização proposto nesse trabalho e os resultados encontrados em
simuladores de processos;
▪ Aplicar o modelo apresentado neste trabalho a um cenário real de uma mineradora.
 44

REFERÊNCIAS BIBLIOGRÁFICAS

ANDRADE, Q. Sequenciamento e programação de lavra com alocação de equipamento

de carga. São Paulo, 2014, p 3. Tese (Mestre em Sistemas Lógicos) - Universidade Federal de
São Paulo.

BARBOSA, L. e MAPA, S. Aplicações da pesquisa operacional no setor de mineração:

estudo bibliométrico no período de 2006 a 2016. Revista Latino-Americana de Inovação e
Engenharia de Produção.

BARBOSA, M. e ZANARDINI, R. Iniciação à pesquisa operacional no ambiente de gestão.

3° ed., Curitiba: Intersaberes, 2015, p. 26.

BEZERRA, C. Técnicas de planejamento, programação e controle da produção e

introdução a programação linear. Curitiba: Intersaberes, 2014, p. 189.

FOGLIATTO, F. Pesquisa Operacional.167. (Notas de aula) – Universidade Federal do Rio

Grande do Sul. Porto Alegre,s.d.

LISBOA, R. Influência dos Tempos Fixos na Produtividade da Frota de Transporte. 128.

(Pós-graduação em Engenharia de Minas) - Universidade Federal do Rio Grande do Sul. Porto
Alegre, 2019.

MENDONÇA, R. J. de. Compatibilização e dimensionamento da frota de equipamentos de

lavra em operação conjugada. II Congresso Brasileiro de Mineração, 2002, pp. 447-459.

MILAGRES, J. Novo paradigma para o problema de mistura de minérios. 2019.128.

Bacharel em Engenharia de Produção - Universidade Federal de Ouro Preto, Ouro Preto, 2019.

NETO, J. Pesquisa Operacional. Curitiba: Contentus, 2020, pp.7-9.

QUINTÃO, A. Sequenciamento e programação de lavra com alocação de equipamentos

de carga. 2014.121. Mestrado em Engenharia de Sistemas Lógicos - Universidade de São
Paulo, São Paulo, 2014.

SABRAPO. Documento eletrônico. Disponível em <http://www.din.uem.br/sbpo/sbpo2017/>

Acesso em 28 outubro 2022.
 45

SILVA, V. Pesquisa Operacional e o Apoio à Decisão: Um Estudo de Caso em uma

Pequena Empresa de Brigadeiros de Uberlândia - MG. 2017.07. Universidade Federal de
Uberlândia, Uberlândia, 2017.

RODRIGUES, L et al. Pesquisa Operacional – Programação linear. Unisinos: Vele do Rio

dos Sinos, 2014, p.7.

TAHA, H. A. Pesquisa Operacional. Pearson: São Paulo, 8a ed., 2008, p.4.