·

•
•
•
•
•
 ESTIMACIÓN RECURSOS
Y RESERVAS

GEOMETRIA
FINAL/ULTIMATE PIT
LIMITS/PIT SHELL

SECUENCIAMIENTO
CAPEX Y OPEX INICIAL(PITS ANIDADOS,
MILAWA, ETC.)

SECUENCIAMIENTO LoM / VIDA DE LA MINA

OPERATIVO
FASES DE MINADO/
POLIGONOS DE EXTRACCIÓN
 EFECTO VARIOGRAMAS NO
SUAVIZADO SON REPRESENTADOS
ESTIMACIÓN RECURSOS • Estos métodos, Kriging, buscan la
Y RESERVAS minimización de los errores de la • Estadísticas del modelo
varianza. no coinciden con la
e.g: subestimación de low-grades y información de entrada.
sobreestimación de hi-grades

SIMULACIÓN GEOESTADÍSTICA DE
INCERTIDUMBRE GEOLÓGICA
CUERPOS MINERALES
• Los modelos estimados generan un único modelo que se asume como
verdad absoluta.
• El desconocimiento implícito del comportamiento de los depósitos
minerales conlleva a desviaciones entre lo estimado y la realidad.
 SIMULACIÓN
ESTIMACIÓN
GEOESTADÍSTICA

ESTIMACIÓN
Y SIMULACIÓN
GEOESTADÍSTICA DE
RECURSOS Y RESERVAS

31732 bloques de zona

mineralizada

Dimensiones: 20 x 20 x 10
 SIMULACIÓN
ESTIMACIÓN
GEOESTADÍSTICA

ESTIMACIÓN
Y SIMULACIÓN
GEOESTADÍSTICA DE
RECURSOS Y RESERVAS
 MODELO SECUENCIA LoM ALCANZAREMOS
PRODUCCIÓN Y VPN
DETERMÍNISTICO DETERMINÍSTICA ESTAS METAS?

• La incertidumbre o riesgo geológico se transfiere a través de

todos los estados del proceso de valoración del activo mineral.
• Datos de entrada promedio no entregan soluciones promedio.
• No poder ejecutar los planes mineros/metalúrgicos de manera
que los objetivos propuestos sean alcanzados tiene serias
implicaciones financieras.
↑ INVERSIONES EN
↑ LAS DESVIACIONES EXPLORACIÓN DE ↓ RENDIMIENTO DE ↑ COSTOS DE
DE PRODUCCION RECURSOS Y LA INVERSION CAPITAL
RESERVAS
SIMULACIÓN 1
SIMULACIÓN 2
SIMULACIÓN 3
UNA SECUENCIA LoM
PRODUCCIÓN Y VPN MANEJO DEL RIESGO
ESTOCÁSTICA
4E+09

3.5E+09
SIMULACIÓN n
3E+09

2.5E+09

2E+09

1.5E+09

1E+09

500000000

0
1 3 5 7 9

SA P10 SA P50 SA P90 E-TYPE

FUNCIÓN OBJETIVO MAXIMIZAR VPN

MINIMIZAR DESVIACIONES
DE PRODUCCIÓN

MINIMIZAR MANEJO DEL RIESGO

DESVIACIONES DE
CALIDADES

MINIMIZAR COSTOS DE
DESVIACIÓN
Optimización de planeación minera para complejos mineros:
𝓢∪𝓟∪𝓜 𝕋 ℍ 𝕊 𝓢∪𝓟∪𝓜 𝕋 ℍ 𝕊
𝟏
𝑴𝒂𝒙 𝒇(𝚽) = 𝑽𝒊𝒕𝒉𝒔 𝑷𝒊𝒕𝒉 − 𝑪𝒖𝒊𝒕𝒉 𝑫𝒖𝒊𝒕𝒉𝒔 + 𝑪𝒍𝒊𝒕𝒉 𝑫𝒍𝒊𝒕𝒉𝒔
𝕊
𝒊 𝒕 𝒉 𝒔 𝒊 𝒕 𝒉 𝒔
• Stockpiles (𝓢)
• Plantas de procesamiento (𝓟)
• Minas (𝓜)
• Periodos 𝕋
• Atributos Hereditarios ℍ -> Calidades, costos de procesamiento, Ingresos por venta, consumo energético, etc.
• Valor de Atributos Hereditarios V -> cada atributo hereditario puede ser valorado dentro del proyecto por funciones
diferentes
• Simulaciones de cuerpo mineral o escenarios 𝕊
• Tasa de descuento financiero y tasa de descuento de riesgo P D
• Costos por desviación superior(u) e inferior (l) C

Se modelaron las restricciones tanto físicas como operativas:
• Restricción de reservas
• Capacidad de extracción de la mina
• Capacidad de procesamiento de planta
• Capacidades de Stockpiles y patios de mezcla
• Ángulo de Talud máximo
• Costos de oportunidad máximo
Variables de decisión:
El problema fue modelado como una optimización multi-objetivo
y múltiples vecindades. Cada variable de decisión optimizará un
sector del problema de planeación de complejos mineros.
• Secuencia de extracción:
Donde y cuando se hará minería.
• Políticas de Destino:
Los bloques minados como serán clasificados a partir de sus
atributos y a donde serán destinados.
• Corrientes de Procesamiento:
Complejos mineros suelen tener diferentes pilas y patios, minas y
plantas que abastecen a otras pilas, patios y plantas.
Las tasas de distribución entre nodos que reciben y envían.
Esquema de cadena de valor mineral para Complejo Minero modelado en caso de estudio:

Para el caso de estudio se trabajó un complejo

minero de estructura común en la industria.

El problema fue resuelto con metaheurísticas a

diferencia de los métodos tradicionales que
implementan optimizadores exactos.

Recocido simulado fue usado en un primer

estado y posteriormente se evaluó la
implementación de múltiples metaheurísticas
(recocido simulado y Algoritmo genético) para
un segundo estado de optimización
 Parámetro Valor

Ángulo de talud final 45°

Variables del modelo:
Costo Costos de Minería 1 $/ton
Parámetro Valor
Desviación Tasa de incremento de costos de
0.1 $/ 10 m
Capacidad planta alta ley 15’000.000 ton/año 13$/ton minería
Costos de remanejo 0.3 $/ton
Capacidad planta baja ley 10’000.000 ton/año 5$/ton
Recuperación planta alta ley 90%
Capacidad de Botaderos 25’000.000 ton/año 3$/ton
Recuperación planta baja ley
Capacidad de Stockpile 5’000.000 ton 3$/ton 50% / 60%
(Cu/Mo)
Objetivo de Cobre metálico Costos de procesamiento planta
120.000 ton/año 6.5 $/ton
producido planta alta ley alta ley
Objetivo de Molibdeno metálico Costos de procesamiento planta
13.500 ton/año 2.2 $/ton
producido planta alta ley baja ley
Objetivo de Cobre metálico Tasa de
15.000 ton/año 10% / 10%
producido planta baja ley descuento(financiero/Riesgo)
Objetivo de Molibdeno metálico 5809$/ton
6.000 ton año Precio de Venta Metales(Cu/Mo)
producido planta baja ley 6484$/ton
Resultados obtenidos:
NPV ACUM
4E+09

3.5E+09 P90=3.447E9 Perfil de

3E+09 P50=3.285E9 riesgo Secuencia estocástica
P10=2.996E9
2.5E+09

2E+09

1.5E+09
2.881E9
1E+09

500000000

0
1 2 3 4 5 6 7 8 9 10

SA P10 SA P50 SA P90 E-TYPE Secuencia Determinística

Resultados obtenidos:
18000000 16000000

16000000 14000000

12000000
14000000
10000000
12000000
8000000
10000000
6000000
8000000 4000000

6000000 2000000
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

SA P10 SA P50 SA P90 E-TYPE Capacity SA P10 SA P50 SA P90 E-TYPE Capacity

Tonelaje enviado a planta de alta ley Tonelaje enviado a planta de baja ley
• Diseñar modelos de optimización para complejos mineros permite a los stakeholders tomar decisiones con modelos no
simplificados.

• El plan estocástico además de generar una solución con mayor valor presente neto, 14% con respecto al plan
determinístico, permite conocer cuanta es la probabilidad de lograr dicho plan.

• Este conocimiento del comportamiento del riesgo geológico en la actividad minera-metalúrgica empodera a los
stakeholders a reportar el valor LoM con cierto nivel de certeza de que serán logrados.
• Controlar la incertidumbre geológica permite enfocar los esfuerzos de optimización en un punto de equilibrio entre
micro y macro-management.

• Modelos no simplificados permiten incluir variables operativas permitiendo a la secuencia de bloques ser ejecutable
en fases posteriores de diseño minero y secuenciamiento de fases.

• Planes con manejo de riesgo contienen la flexibilidad necesaria para que en el corto plazo la ejecución cuente con
herramientas suficientes para que las decisiones como las políticas de destino y/o ratios de corrientes de
procesamiento no se alejen del plan.
Para mayor profundización de los conceptos y métodos aplicados referirse a:

• Goodfellow, R. C., & Dimitrakopoulos, R. (2016). Global optimization of open pit mining complexes with uncertainty.
Applied Soft Computing Journal, 40, 292–304. https://doi.org/10.1016/j.asoc.2015.11.038

• Goodfellow, R. & Dimitrakopoulos, R. Math Geosci (2017) 49: 341. https://doi.org/10.1007/s11004-017-9680-3

• Contacto autores: jmparejaz@gmail.com gfranco@unal.edu.co

• TODAS LAS IMÁGENES Y GRAFICOS EN ESTA PRESENTACIÓN SON DE ELABORACIÓN PROPIA.

COSMO - Stochastic Mine Planning Laboratory

GIPLAMIN - Universidad Nacional de Colombia

Government of Canada - Emerging Leaders of Americas Program

COLCIENCIAS - Patrimonio Autónomo Fondo Nacional del

Financiamiento para la ciencia, la tecnología y la innovación,
Francisco José de Caldas