UNIVERSIDAD DE TALCA

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA CIVIL DE MINAS

OPTIMIZACIÓN DE LA TRANSICIÓN DE MÉTODO CIELO

ABIERTO A SUBTERRÁNEO USANDO ALGORITMOS
GENÉTICOS

MEMORIA PARA OPTAR AL TÍTULO

DE INGENIERO CIVIL DE MINAS

ALVARO ANDRÉS BRAVO ALBORNOZ

PROFESOR GUÍA

DR. MANUEL REYES JARA

CURICÓ - CHILE

2022
 RESUMEN

Durante muchos años la decisión de extraer mineral desde la tierra pasaba por elegir entre
usar un método cielo abierto o un método subterráneo. Sin embargo, en los últimos años a
partir del incremento de costos de extracción y la reducción de las leyes minerales, muchas
operaciones han tomado la decisión de migrar de un open pit a un método subterráneo.

Este trabajo propone un nuevo método usando algoritmos genéticos para buscar escenarios
de diseño en dos dimensiones que maximicen el beneficio económico al pasar de un método
cielo abierto a un método subterráneo. El método propuesto se fundamenta en la teoría de la
evolución, donde una serie de escenarios iniciales son modificados y seleccionados según su
valoración económica. El procedimiento se realiza en un modelo de bloques de libre acceso
que cumple con las características para ser explotado por método cielo abierto y subterráneo.

Los resultados de la utilización de algoritmos genéticos muestran que las soluciones

presentan mejora con el paso de las iteraciones y tiempos de ejecución aceptables. Para
realizar una comparación con otro método, se evalúa el mismo modelo de bloques usando un
algoritmo heurístico que busca obtener el punto de transición de un open pit a un método
subterráneo usando el VAN como factor de decisión. El VAN presentado por la solución
propuesta por el algoritmo genético es superior, sin embargo, presentan similitudes en los
escenarios de diseño óptimo.

Al ser el método planteado en este trabajo un primer acercamiento a la utilización de los

algoritmos genéticos para resolver el problema de transición de extracción cielo abierto a
subterránea, se propone incorporar variables geológicas y el uso de estructuras mas complejas
en tres dimensiones.

Palabras claves: Algoritmos Genéticos, Optimización, Minería Cielo Abierto, Minería

Subterránea, Transición

i
 ABSTRACT

For many years the decision to extract ore from the earth was to choose between using an
open pit method or an underground method. However, in recent years since the increase in
extraction costs and the reduction of mineral grades, many operations have made the decision
to migrate from an open pit to an underground method.

This study proposes a new method using genetic algorithms to look for two-dimensional
design scenarios that maximize the economic benefit by moving from an open pit method to
an underground method. The proposed method is based on the theory of evolution, where a
series of initial scenarios are modified and selected according to their economic valuation.
The procedure is performed in a model of blocks of free access that meets the characteristics
to be exploited by open pit and underground method.

The results of the use of genetic algorithms show that the solutions show improvement with
the passage of iterations and acceptable computing times. To make a comparison with
another method, the same block model is evaluated using a heuristic algorithm that seeks to
obtain the transition point from an open pit to an underground method using the NPV as a
decision factor. The NPV presented by the solution proposed by the genetic algorithm is
superior, however, they present similarities in the optimal design scenarios.

As the method proposed in this study is a first approach to the use of genetic algorithms to
solve the transition problem of open pit to underground extraction, it is proposed to
incorporate geological variables and the use of more complex structures in three dimensions.

Keywords: Genetic Algorithms, Optimization, Open Pit Mining, Underground Mining,

Transition

ii
 INDICE

1. INTRODUCCIÓN .............................................................................................. 1
1.1 Descripción del problema ........................................................................... 1
1.2 Objetivos ..................................................................................................... 2
1.2.1 Objetivo General .............................................................................. 2
1.2.2 Objetivos Específicos ....................................................................... 2
1.3 Alcances...................................................................................................... 2

2. DESARROLLO .................................................................................................. 3
2.1 Marco teórico .............................................................................................. 3
2.1.1 Modelo de bloques ........................................................................... 3
2.1.2 Minería a cielo abierto ..................................................................... 3
2.1.3 Problema de pit final ........................................................................ 4
2.1.4 Minería subterránea .......................................................................... 6
2.1.5 Block Caving .................................................................................... 7
2.1.6 Problema de transición de minería cielo abierto a subterránea ........ 8
2.1.7 Crown pillar ................................................................................... 10
2.1.8 Algoritmos genéticos ..................................................................... 11
2.1.9 Operadores genéticos ..................................................................... 11
2.1.10 Método heurístico para obtener el punto de transición óptimo. ..... 16
2.2 Metodología .............................................................................................. 17

3. RESULTADOS Y ANÁLISIS .......................................................................... 25

4. CONCLUSIONES ............................................................................................ 34

5. REFERENCIAS ................................................................................................ 35

6. APÉNDICES ..................................................................................................... 37

iii
 INDICE DE FIGURAS

Figura 2.1 Geometría típica de un open pit. ................................................................. 4

Figura 2.2 Modelo para Cono Móvil Positivo. ............................................................. 5

Figura 2.3 Modelo para Cono Móvil Negativo. ........................................................... 5

Figura 2.4 Categorización de métodos subterráneos según tipo de soporte. ................ 7

Figura 2.5 Block Caving. .............................................................................................. 7

Figura 2.6 Desafíos del problema de transición de cielo abierto a subterránea. ........ 10

Figura 2.7 Procesos de mutación. ............................................................................... 12

Figura 2.8 Procesos de cruzamiento. .......................................................................... 13

Figura 2.9 Ruleta dividida de acuerdo al valor de fitness de cada individuo. ............ 14

Figura 2.10 Esquema de las operaciones básicas de un algoritmo genético. ............. 15

Figura 2.11: Diagrama de flujo para método heurístico. ............................................ 16

Figura 2.12 Representación geométrica del pit final. ................................................. 17

Figura 2.13 Representación geométrica del caving. ................................................... 18

Figura 2.14: Representación geométrica del pit final, crown pillar y caving. ........... 18

Figura 2.15: Representación de la cadena que incluye los parámetros de diseño. ..... 19

Figura 2.16: Representación del proceso de mutación de un individuo. .................... 21

Figura 2.17: Representación del proceso de cruzamiento entre dos individuos. ........ 22

Figura 2.18: Probabilidades de selección para individuos de los intervalos 1 y 3. .... 23

Figura 2.19: Diagrama de flujo del algoritmo genético.............................................. 23

iv
Figura 3.1: Tiempos de ejecución del algoritmo para cada población inicial. ........... 26

Figura 3.2: Generaciones totales para cada iteración. ................................................ 27

Figura 3.3: Comparativa de generaciones para la iteración 8 y 9. .............................. 27

Figura 3.4: Generaciones máximas correspondientes a cada iteración. ..................... 28

Figura 3.5: Beneficio promedio máximo para cada iteración. ................................... 29

Figura 3.6: Beneficio máximo de cada iteración. ....................................................... 30

Figura 3.7: Relación de VAN por método de transición heurístico. .......................... 32

Figura 6.1: Representación geométrica del pit final en 3 dimensiones. ..................... 37

Figura 6.2: Representación geométrica del caving en 3 dimensiones. ....................... 37

Figura 6.3: Cadena genética con los parámetros de diseño de open pit y caving en 3d.38

v
 INDICE DE TABLAS

Tabla 2.1: Valores utilizados para obtener el valor económico. ................................ 20

Tabla 2.2: Intervalos de probabilidad para seleccionar individuos. ........................... 22

Tabla 3.1: Población inicial de individuos para cada iteración. ................................. 25

Tabla 3.2: Parámetros de diseño seleccionados para cada iteración. ......................... 31

vi
 1. INTRODUCCIÓN

1.1 Descripción del problema

La minería a cielo abierto es sensible a la profundidad del yacimiento, ya que el aumento de

la profundidad del rajo se traduce en mayores costos de transporte desde el fondo del pit
hacia la superficie. Por esta razón, los depósitos que se encuentran a mayor profundidad son
explotados a través de minería subterránea. Sin embargo, existen depósitos extensos
verticalmente que son potencialmente explotables usando una combinación del método cielo
abierto y subterráneo. (Chung, Topal & Ghosh, 2016).
Durante la última década, importantes yacimientos de cielo abierto han comenzado a
planificar la implementación de una transición hacia la extracción usando el método
subterráneo. El yacimiento Chuquicamata, ubicado en el norte de Chile, explotado por más
de 100 años usando el método de cielo abierto, ha alcanzado una profundidad de 1100 metros,
lo que implica un recorrido de transporte equivalente a 11 km, desde el fondo del rajo hasta
la planta de procesamiento o los botaderos. (Flores & Catalán, 2019).
Muchos autores han abordado la optimización del problema de transición para determinar el
punto económico óptimo para pasar de explotación a cielo abierto a subterránea. Sin
embargo, existe poca información disponible que haya sido recopilada en una guía para
diseñadores o profesionales que aborde los desafíos operacionales que pueden surgir en el
proceso de transición. (Hamman, Cowan, Venter & De Souza, 2020).
El primer método para determinar la profundidad de transición desde cielo abierto a
subterráneo fue “Allowable Stripping Ratio”, el cual es la relación del costo de explotación
de 1 tonelada de mena en minería subterránea y el costo de extraer 1 tonelada de estéril en
minería cielo abierto (Popov, 1971). Nilsson (1992) presenta un algoritmo basado en los
flujos de caja y el valor actual neto (VAN), sin embargo, Nilsson (1997), destaca que la tasa
de descuento es el parámetro más importante en el proceso de transición. Bakhtavar y
Shahriar (2007) introducen un método heurístico basado en la comparación de los valores
económicos de un modelo de bloques al ser explotado usando el método cielo abierto y
subterráneo por separados.
Los algoritmos genéticos son un método que se ha aplicado a problemas como definir el pit
final y las fases de un yacimiento (Suarez, 2017), pero no al problema de transición de cielo
abierto a subterránea. Los algoritmos genéticos a través de sus operadores genéticos;
selección, cruzamiento y mutación seleccionan individuos a partir de una población inicial,
los cuales con el paso de las generaciónes experimentan cruzamiento y mutación para crear
un nuevo individuo con mejores características que el anterior (Mitchell, 1999).

1
1.2 Objetivos
1.2.1 Objetivo General

Aplicar un algoritmo de optimización genético para la transición de una mina cielo

abierto a caving.

1.2.2 Objetivos Específicos

- Caracterizar la geometría del pit final y el caving y definir las variables de decisión.
- Desarrollar un algoritmo genético para obtener el punto de transición óptimo desde
el open pit al caving en una vista en dos dimensiones.
- Evaluar los resultados del algoritmo genético usando el VAN como factor económico
de decisión y compararlo con método heurístico de transición de open pit a
subterráneo.

1.3 Alcances

El diseño del pit final será considerado como un cono truncado sin rampas ni bancos, ya
que el algoritmo busca optimizar la profundidad del pit y no las posiciones de las rampas
y switchbacks. Además, por motivos de procesamiento computacional, las caras del cono
que representa el pit final serán de 45°. Dado que no se realizará diseño de rampas,
tampoco se seleccionarán equipos de carguío, transporte y procesamiento de mineral. El
costo mina y planta serán obtenidos a través de una comparación de costos realizados
diferentes minas ubicadas en Chile. Para evaluar el caving, no se considera las obras
civiles previas como túneles de acceso y chimeneas o piques de traspaso, los costos de
extracción y procesamiento también son obtenidos por medio comparación de costos
realizados a minas subterráneas en Chile. En el caso del precio del cobre a utilizar, este
será un promedio de los precios del año 2021.

2
 2. DESARROLLO

2.1 Marco teórico

2.1.1 Modelo de bloques

El modelo de bloques consiste en la discretización del yacimiento minero en paralelepípedos,

o bloques, del mismo tamaño en una grilla regular o irregular. El modelo de bloques
simplifica y resume la información que se tiene sobre un yacimiento. A cada bloque se le
asignan varios valores representando las propiedades de macizo rocoso, que contiene, por
ejemplo, ubicación geográfica, estimaciones de la cantidad de mineral que contiene, o ley,
densidad, etcétera. Además, en el caso de minería a cielo abierto, el modelo considera que
debe haber un secuenciamiento en la extracción de los bloques, estableciendo que un bloque
de mayor profundidad puede ser extraído solamente después de haber extraído los bloques
directamente sobre él, y también las paredes de la mina deben respetar una máxima pendiente
para evitar derrumbes. (Lagos, 2011)

2.1.2 Minería a cielo abierto

El método cielo abierto u open pit se define como el método de extracción de cualquier
depósito de mineral cercano a la superficie donde se emplea la utilización de uno o más
bancos horizontales (Altiti, Alrawashdeh & Alnawafleh, 2020). El inicio de la excavación
consiste en remover las capas de material estéril, denominada sobrecarga, para luego acceder
a la zona mineralizada y comenzar la producción. El material estéril es depositado en zonas
fuera de los límites del rajo llamadas botaderos y el mineral es enviado a planta de producción
o pilas de lixiviación, dependiendo el tipo de mineral extraído.
La tasa de producción de estas minas varía desde 15.000 t/año en operaciones de pequeñas
minas de hierro, hasta más de 360 Mt/año en grandes operaciones porfídicas de cobre como
Escondida, en Chile (Whetherelt & Van der Wielen, 2011).
La geometría de la operación a cielo abierto se caracteriza por una forma cónica que viene
dada por la implementación de bancos y rampas. Los bancos son cruciales en la operación y
se pueden clasificar como inactivos o activos; los bancos activos son las zonas donde se
explota el mineral, mientras que los bancos inactivos son remanentes de los bancos activos y
cumplen la función de mantener estable la pendiente del pit. Además de ser zonas de
explotación, los bancos cumplen una función de seguridad ante posibles derrumbes o

3
deslizamiento de rocas hacia el interior de la operación (Whetherelt & Van der Wielen,
2011).
Las rampas son la ruta de transporte para llevar el mineral desde el interior del rajo hacia la
superficie. Es importante un buen trabajo en el diseño de las rampas y la mantención
posterior, ya que así se pueden evitar problemas como mayor desgaste de los neumáticos de
los camiones, pérdida de productividad y excesiva generación de polvo (Whetherelt & Van
der Wielen, 2011). En la figura 2.1 se muestra una vista lateral de la geometría de una
operación a cielo abierto.

Figura 2.1 Geometría típica de un open pit.

Fuente: Whetherelt & Van der Wielen, 2011

2.1.3 Problema de pit final

El pit final es el volumen de extracción que representa la envolvente de mayor valor

económico de un yacimiento a ser explotado a cielo abierto (Del Solar & Bernal, 2017). Uno
de los primeros algoritmos para la determinación del pit final es aquel definido por Lerch &
Grossmann (1964), en que, mediante la definición de un grafo dirigido caracterizado por
arcos de precedencias de extracción como consecuencia espacial de cada bloque y las
condiciones de estabilidad y parámetros de diseño, y por otro lado el cálculo de beneficio
económico estático y a priori a partir de las condiciones de ingresos y costos en función de
un destino predefinido para cada bloque dentro de un modelo de bloques, se busca aquel
subgrafo con la máxima clausura que representa el pit con mayor valor económico. De esta
manera, el pit resultante es el subconjunto de bloques que maximizan el valor económico no
descontado y que respetan las restricciones de precedencia coherentes con el ángulo de talud
global que se imponga. (Lerch & Grossmann, 1964)

4
Otro algoritmo para determinar el pit final es el Cono Móvil Optimizado, propuesto por
Lemieux (1979), el cual se puede dividir en 3 procedimientos:

- Cono Móvil Positivo: Consiste en extraer desde el modelo de bloques, en forma

ordenada y secuencial, todos aquellos conos invertidos ubicados sobre un bloque de
valor positivo, cuya sumatoria de bloques de como resultado un valor también
positivo, como se muestra en la figura 2.2, donde solo se extrae el cono que esta sobre
el bloque con valor 90.

Figura 2.2 Modelo para Cono Móvil Positivo.

Fuente: Latorre, 2015

- Cono Móvil Negativo: Es opuesto al cono móvil positivo, ya que consiste en suponer
que todos los bloques positivos y sus respectivos conos invertidos han sido extraídos
desde el modelo de bloques. Luego, el procedimiento consiste en evaluar si un bloque
debe ser devuelto al modelo. Así se muestra en la figura 2.3.

Figura 2.3 Modelo para Cono Móvil Negativo.

Fuente: Latorre, 2015

- El tercer procedimiento consiste en decidir si los conos superpuestos forman o no

parte del pit final. Esta técnica considera dos rutinas de reordenamiento. La primera
se utiliza para encontrar aquellos bloques positivos que pueden formar parte del pit
final con solo analizar la secuencia de extracción de los bloques ubicados en los pits
superpuestos. La segunda rutina de reordenamiento se utiliza para identificar
conjuntos de conos, los cuales están interrelacionados en la medida en que los conos
positivos son positivos poque su stripping es compartido con conos negativos. Si el
cono es positivo por sí mismo, entonces es incorporado al pit final. (Latorre, 2015)

5
Hochbaum (2001), presenta el algoritmo de pseudoflujo, el cual resuelve el problema de flujo
máximo y trabaja con pseudoflujos en lugar de masas. Este método presenta variantes, donde
se destacan los métodos highest label y lowest label. Los métodos de pseudoflujo entregan
una nueva vida a la optimización presentada por Lerch & Grossmann. El método highest
label, en particular, es consistentemente más rápido que los algoritmos genéricos de Lerch &
Grossmann. (Muir, 2004)

2.1.4 Minería subterránea

Minería subterránea es definida como la explotación de mineral donde las operaciones de

extracción son realizadas bajo tierra. A diferencia de la explotación a cielo abierto, la minería
subterránea presenta diversos métodos de explotación, dependiendo de las características
propias del depósito. La estabilidad de la roca cumple un rol importante en este tipo de
explotación, ya que es un factor para considerar a la hora de seleccionar un método de tipo
autosoportados, artificialmente soportados o de hundimiento (Henríquez, 2019). A
continuación, se detallan cada uno de estos métodos y se resumen en la figura 2.4.

- Métodos autosoportados: Consiste en métodos en los que la roca se soporta a sí misma

y no requiere de un sistema de soporte externo, ya sean pilares artificiales o relleno
del mismo material del depósito. Por lo general es una minería medianamente
selectiva y de baja recuperación, ya que la estabilidad de los caserones está dada por
pilares que se dejan sin explotar.

- Métodos artificialmente soportados: Corresponde a métodos que requieren algún tipo

de relleno para proporcionar soporte a la excavación. Es un método aplicado
principalmente en presencia de roca poco competente. Presenta mayor selectividad y
menor dilución en la extracción del mineral.

- Métodos de Hundimiento: Son métodos que no presentan soporte alguno. Se

caracterizan por la ejecución de un corte basal horizontal en el macizo rocoso
(socavación) con el fin de generar una zona de colapso y aprovechar la energía
gravitacional para la propagación del hundimiento en altura. Son métodos poco
selectivos, pero de alta recuperación. (Henríquez, 2019)

6
 Figura 2.4 Categorización de métodos subterráneos según tipo de soporte.

Fuente: Henríquez, 2019

2.1.5 Block Caving

Block caving es una técnica en la que la gravedad en conjunto con los esfuerzos internos de
la roca crean fracturas y rompen la masa de roca en fragmentos que pueden ser manejados
por los equipos mineros. El concepto “Block” hace referencia a un diseño de bloques de miles
de metros cuadrados que fraccionan el cuerpo mineralizado. El hundimiento de la roca es
producido por un corte basal llamado socavación, este corte se realiza mediante tronadura en
la base de la roca, lo que provoca un fuerte debilitamiento de la capacidad de sostener la
columna de roca, junto con la fuerza de gravedad actuando sobre millones de toneladas de
roca crean fracturas en toda la columna, quebrando la roca en pequeños trozos que caen en
puntos de extracción donde son transportados por equipos LHD (Hamrin, 1980), como se
muestra en la figura 2.5.

Figura 2.5 Block Caving.

Fuente: AtlasCopco, 1997

7
Block caving es una técnica de producción a gran escala aplicable a depósitos con bajas leyes
y con las siguientes características:

- Grandes dimensiones en la horizontal y vertical.

- Una masa de roca que presente la capacidad de fracturarse en fragmentos manejables
para la operación minera.
- Una superficie de terreno que permita llevar a cabo la subsidencia.

Este método de explotación es económico y eficiente cuando las condiciones de la roca son
favorables. La cantidad de perforaciones y tronaduras son mínimas en comparación al
volumen de material que es removido. El comportamiento la masa de roca y el hundimiento
son difíciles de predecir cuándo se comienza a planificar la operación. (Hamrin, 1980)

2.1.6 Problema de transición de minería cielo abierto a subterránea

La estrategia para la selección del método de minado juega un rol importante, afectando
directamente el margen de ganancia de la operación. Globalmente, los depósitos superficiales
son explotados usando el método open pit, el cual es económicamente superior a la mayoría
de los métodos subterráneos en cuanto a ritmo de producción, dilución y seguridad. Sin
embargo, el método open pit es bastante sensible a la profundidad de minado debido a los
costos de transporte del mineral, por esto, el método subterráneo es usualmente aplicado a
depósitos profundos. Algunos depósitos superficiales se extienden verticalmente en
profundidad, por lo que son potenciales a realizar la transición desde minería cielo abierto a
subterránea. (Chung, Topal & Ghosh, 2016)

Uno de los primeros métodos que aborda este problema fue presentado por Soderberg y
Raush (1968) e involucra la diferencia de costos entre los métodos de explotación a cielo
abierto y subterránea, como se muestra en la ecuación 2.1.

𝐶𝑜𝑠𝑡𝑜 𝑚𝑖𝑛𝑎𝑑𝑜 𝑆𝑢𝑏𝑡𝑒 𝐶𝑜𝑠𝑡𝑜 𝑚𝑖𝑛𝑎𝑑𝑜 𝑂𝑝𝑒𝑛 𝑝𝑖𝑡

−
𝑆𝑡𝑟𝑖𝑝𝑝𝑖𝑛𝑔 𝑅𝑎𝑡𝑖𝑜 = 𝑡𝑜𝑛 𝑑𝑒 𝑚𝑒𝑛𝑎 𝑡𝑜𝑛 𝑑𝑒 𝑚𝑒𝑛𝑎 (2.1)
𝐶𝑜𝑠𝑡𝑜 𝑆𝑡𝑟𝑖𝑝𝑝𝑖𝑛𝑔 𝑂𝑝𝑒𝑛 𝑝𝑖𝑡
𝑡𝑜𝑛 𝑑𝑒 𝑒𝑠𝑡𝑒𝑟𝑖𝑙

El método hace hincapié en la relación entre minar 1 tonelada de mena en subterránea y open
pit, comparándola con el costo de remover el estéril (stripping) en open pit. El defecto de
este método es que no considera el costo de dejar un crown pillar entre la operación de cielo
abierto y subterránea, y tampoco los costos asociados a los trabajos de desarrollo previos del
método subterráneo. (Soderberg & Rausch, 1968)
8
Otra metodología basada en el flujo de caja fue introducida por Nilsson (1992), la cual toma
en consideración las variables económicas, como el stripping ratio, o relación de desmonte,
la tasa de interés y el costo de minado, entre otros. Es un método de prueba y error que
principalmente es sustentado en la experiencia del planificador minero, no incluyendo ningún
método de optimización. Además, la ubicación del crown pillar y el momento de la transición
en el tiempo son desconocidos.

Camus (1992) presenta una forma de estimar el valor económico del bloque (VEB) para un
bloque i que incluye el beneficio de ser extraído en cielo abierto, subterráneo y costo de
desmonte o stripping del estéril como se muestra en la ecuación 2.2.

𝑉𝐸𝐵 𝑑𝑒𝑙 𝑏𝑙𝑜𝑞𝑢𝑒 𝑖 = 𝑉𝐸𝐵 𝑏𝑙𝑜𝑞𝑢𝑒 𝑖𝑐𝑖𝑒𝑙𝑜 𝑎𝑏𝑖𝑒𝑟𝑡𝑜 − 𝑉𝐸𝐵 𝑏𝑙𝑜𝑞𝑢𝑒 𝑖𝑠𝑢𝑏𝑡𝑒𝑟𝑟á𝑛𝑒𝑎 − 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑆𝑡𝑟𝑖𝑝𝑝𝑖𝑛𝑔 (2.2)

Este es un enfoque que presenta ventajas en aplicaciones a casos de estudio de gran escala,
ya que utiliza un solo modelo económico de bloques, reduciendo a la mitad el tamaño del
problema. Sin embargo, presenta dificultades en la ubicación del crown pillar.

Bakhtavar y Shariar (2007) presentan una aproximación heurística para resolver el problema
de transición. El método considera el cálculo del límite del pit final óptimo usando el
algoritmo de Korabov y divide los últimos bloques del pit en pequeños sub-bloques y los
compara con el valor del bloque en minería subterránea. Años más tarde, Bakhtavar, Shariar
y Mirhassani (2012) desarrollan un modelo de programación binaria entera (binary integer
programming) para definir la profundidad optima de transición. El modelo busca maximizar
el beneficio promedio tomando en consideración ambos métodos de explotación (cielo
abierto u open pit y subterránea). Sin embargo, algunas desventajas que presenta son la
ubicación del crown pillar alejada del límite de pit final, es difícilmente aplicable a casos
reales de estudio debido a la capacidad de procesamiento computacional necesaria y la
formulación del modelo es en 2 dimensiones.

Dagdelen y Traore (2014) desarrollan una aproximación iterativa para determinar la

profundidad de transición mediante un análisis del agendamiento de la producción en la
explotación a cielo abierto y subterránea. El proceso comienza con la utilización del software
Whittle para la generación del pit final. Studio 5 y EPS son usados para generar el diseño de
los puntos de extracción en la operación subterránea y OptiMine para obtener el
agendamiento de la producción durante la vida útil de la mina. Este método busca responder
las interrogantes de “cuando” y “donde” se debe realizar la transición desde cielo abierto a
subterránea, sin embargo, al tratarse de un proceso iterativo no presenta una solución óptima,
además no designa una ubicación óptima para el crown pillar.

Morales et al. (2015) evalúan la envolvente económica óptima para la combinación de

métodos cielo abierto y subterránea creando un modelo matemático. Primeramente, se
desarrolla un algoritmo que parametriza la ubicación del crown pillar y los niveles de
producción. Cálculos iterativos son usados para calcular diferentes combinaciones del nivel

9
de minado del open pit y subterránea mediante la ubicación del crown pillar en distintos
sectores. La envolvente optima de transición se obtiene luego de evaluar todas las
combinaciones entregadas por el modelo. La dificultad que presenta este método es que es
del tipo iterativo y no considera el diseño de la operación subterránea.

2.1.7 Crown pillar

En los proyectos en los que se desea realizar una transición desde explotación a cielo abierto
a subterránea es necesario considerar un pilar de estabilidad o crown pillar entre la
envolvente del pit final y la zona de hundimiento del método subterráneo. Dentro de los
principales motivos para implementar este tipo de pilar es prevenir la entrada de agua desde
la base del open pit hacia el caving y evitar posibles derrumbes de las paredes o suelos del
rajo debido a la acción del método de hundimiento subterráneo.

Determinar el grosor o thickness más adecuado para el crown pillar, es uno de los desafíos
más interesantes que enfrentan los ingenieros en minas, así se muestra en la figura 2.6. Dejar
un pilar con el grosor adecuado garantiza que no exista interferencia entre la operación de las
dos faenas (cielo abierto y subterránea), maximizando la producción. (Bakhtavar, Oraee &
Shahriar, 2010)

Figura 2.6 Desafíos del problema de transición de cielo abierto a subterránea.

Fuente: Bakhtavar, 2010

Carter y Miller (1995) proponen la fórmula que se muestra en la ecuación 2.3, donde t es el
grosor del crown pillar en metros, S es la envergadura del pilar en metros y Q corresponde
al índice de Barton de la calidad de la roca.
𝑡
= 1.55 𝑄 −0.62 (2.3)
𝑆

10
Bakhtavar et al. (2010) presenta el grosor (t) del crown pillar en función de un conjunto de
variables: envergadura del stope (S), altura del stope (h), fuerza de cohesión (C), RMR y el
peso específico de la roca (γ), los cuales se muestran en la ecuación 2.4:

13.22 ∙ 𝐶 0.03 ∙ 𝑆 0.41 ∙ ℎ0.56

𝑡= (2.4)
𝛾 0.03 ∙ 𝑅𝑀𝑅 0.66

2.1.8 Algoritmos genéticos

Los algoritmos genéticos son algoritmos de búsqueda que están basados en los conceptos de
selección y genética natural. Los algoritmos genéticos se desarrollaron para simular algunos
procesos observados en la evolución natural, como el proceso que opera en los cromosomas.
(Mathew, 2006)

Algoritmos genéticos transforman una población de objetos individuales, cada uno con un
valor de fitness asociado, en una nueva generación de la población usando el principio
Darwiniano de reproducción y supervivencia del más preparado, o en este caso el individuo
con más alto fitness, ejecutándose operaciones genéticas como crossover o cruzamiento y
mutación. Cada individuo de la población representa una posible solución al problema
planteado. (Mathew, 2006)

En los algoritmos genéticos convencionales, los individuos en la población son cadenas o

strings de largo fijo. El proceso evolutivo es conducido por una función de fitness, que asigna
un valor de fitness a cada cadena en la población. (Mathew, 2006)

Los primeros parámetros para controlar el algoritmo genético son el tamaño de la población
(M) y máximo número de generaciones (G). Las poblaciones pueden estar compuestas de
cientos, miles o millones de individuos, caso similar ocurre con el número de generaciones.
Antes de iniciar el algoritmo genético es necesario definir un criterio de detención, el cual
puede estar dado por el número de generaciones asignadas o cuando el valor de fitness de
este no mejora con las siguientes iteraciones. (Koza, 1992)

2.1.9 Operadores genéticos

Los operadores genéticos son el corazón de cada algoritmo evolutivo, y por lo tanto
determinan el rendimiento de este tipo de algoritmos. Existen dos operadores genéticos
principales: mutación y cruzamiento (crossover), los que se detallan a continuación:

- Mutación: Este operador cumple con el rol de preservar la diversidad genética de la

población durante los procesos evolutivos y previene estancamientos en mínimos
locales cuando los cromosomas o cadenas de la población se vuelven muy similares.

11
 La mutación altera uno o más genes de la cadena, dependiendo de una probabilidad
asignada previamente. El proceso de producir cambios de forma aleatoria en las
cadenas permite al algoritmo explorar nuevas áreas de búsqueda para posibles
soluciones, encontrando mejores soluciones con el paso de las generaciones.
(Omelianenko, 2019)
Existen diferentes formas de realizar la mutación, a continuación de explican 4
procesos de mutación y su correspondiente representación gráfica en la figura 2.7:

I. Invertir objetos (Bit Inversión): Se selecciona aleatoriamente un objeto de la

cadena y se invierte su valor, se aplica específicamente a cadenas binarias con
valores 0 y 1.
II. Cambio de orden (Order Change): Dos genes u objetos son seleccionados
aleatoriamente e intercambian su posición dentro de la cadena.
III. Cambio de Valor (Value Change): Se agrega un nuevo valor en una posición
aleatoria de la cadena.
IV. Modificación de genes (Gene Expression Change): Un gen (objeto) de la
cadena es seleccionado aleatoriamente para ser removido o sumado a la
cadena. (Omelianenko, 2019)

Figura 2.7 Procesos de mutación.

Fuente: Omelianenko, 2019.

- Cruzamiento (Crossover): Permite generar estocásticamente nuevas soluciones a

partir de la población existente mediante la combinación de información genética de
dos cadenas padres representada en una nueva cadena hijo. Una opción que surge a
partir de este operador es tomar las mejores características de cada cadena padre y
combinarlas para crear una mejor cadena resultante (Omelianenko, 2019). Al igual

12
 que el proceso de mutación, el cruzamiento presenta diferentes formas de realizar este
proceso, de las cuales se presentan 3 a continuación y en la figura 2.8:

I. Punto de Cruzamiento Único (Single-point Crossover): Se selecciona un

punto aleatorio en una de las cadenas padre, generando dos porciones. Una de
estas porciones pasa a ser parte de la nueva cadena hijo completada con la
porción contraria tomada de la otra cadena padre.
II. Punto de Cruzamiento Doble (Two-point Crossover): Se seleccionan dos
puntos aleatoriamente en las cadenas padre, generando 3 porciones en cada
una. La nueva cadena hijo se compone por la primera porción de la primera
cadena padre, la segunda porción de la segunda cadena padre y la tercera
porción de la primera cadena padre.
III. Cruzamiento Uniforme (Uniform Crossover): La cadena hijo se compone de
porciones aleatorias proveniente de las cadenas padre. (Omelianenko, 2019)

Figura 2.8 Procesos de cruzamiento.

Fuente: Omelianenko, 2019.

Reproducción o Selección es un operador que crea copias de las mejores cadenas en la nueva
población. Usualmente es el primer operador al que es sometida la población de individuos.
Para realizar el proceso de reproducción o selección se utiliza una ruleta en la que los
individuos que presentan más alto valor de fitness abarcan más espacio de la ruleta con mayor
probabilidad de ser seleccionados, como se muestra en la figura 2.9. (Mathew, 2006)

13
 Figura 2.9 Ruleta dividida de acuerdo al valor de fitness de cada individuo.

Fuente: Mathew, 2006.

Los tres pasos para ejecutar un algoritmo genético de largo de cadena fijo se presentan en la
figura 2.10 y se explican a continuación:

I. Crear de forma aleatoria una población de cadenas de largo fijo.

II. Iterativamente realizar los siguientes subpasos hasta que se cumple el criterio de
detención:
a. Asignar a cada individuo de la población un valor de fitness usando la función
de fitness.
b. Crear una nueva población de individuos aplicando los operadores genéticos:
Reproducción, Cruzamiento y Mutación. La posibilidad de que cada una de
estas operaciones tenga lugar viene designada por una probabilidad
establecida previamente.
III. La cadena que es identificada como la que presenta más alto valor de fitness luego
de realizar todas las iteraciones (generaciones) representa la solución o
aproximación a la solución del problema. (Mathew, 2006)

14
 Figura 2.10 Esquema de las operaciones básicas de un algoritmo genético.

Fuente: Mathew, 2006.

La diferencia más llamativa entre los algoritmos genéticos y muchos métodos de

optimización tradicionales, es que los algoritmos genéticos trabajan con una población de
puntos en lugar de un punto único. Esto debido a que hay más de una cadena siendo procesada
en simultaneo, por esto se espera que la solución propuesta por el algoritmo genético sea
global (Mathew, 2006) En conclusión, se puede decir que los algoritmos genéticos difieren
de los métodos tradicionales en las siguientes características:

- Los algoritmos genéticos trabajan con un set de soluciones, no la solución en sí

misma.

- Los algoritmos genéticos realizan la búsqueda en una población de solución, no en

una solución única.

- Los algoritmos genéticos usan una función de fitness en lugar de derivadas o

conocimientos auxiliares.

- Los algoritmos genéticos usan reglas de transición probabilísticas y no deterministas.

(Mathew, 2006)

15
 2.1.10 Método heurístico para obtener el punto de transición óptimo.

El método heurístico para comparar los resultados presentados por el algoritmo genético
corresponde al presentado por Bakhtavar et al. (2009), en el cual lo que se busca es obtener
el punto de transición optima entre una explotación a cielo abierto y una subterránea. El
modelo se basa en comparar los VAN obtenidos de cada nivel del modelo de bloques usando
el método cielo abierto y subterráneo, es decir, se evalúa el primer nivel del modelo usando
ambos métodos de extracción por separado, de esto se obtienen dos valores de VAN, uno
para open pit y otro para subterráneo. Estos valores se comparan y se elige el más alto. El
método de extracción que presente el VAN más alto será el seleccionado para ese nivel en
específico. Al evaluar el siguiente nivel, debe considerarse el VAN del actual nivel más el
VAN del anterior, es decir, el VAN acumulado hasta el nivel en estudio. Se vuelve a
comparar los valores obtenidos por ambos métodos y se selecciona el que presenta mayor
valor. El punto de transición se define entonces, cuando a cierta profundidad es más rentable
extraer por método subterráneo que por cielo abierto. Ese es el nivel de transición de un
método a otro, sin embargo, entre las operaciones de ambos métodos es necesario dejar al
menos un nivel como crown pillar, dependiendo de las características geo estructurales de la
roca. En la figura 2.11 se muestra el diagrama de flujo para realizar el algoritmo, donde se
identifica la comparación de la suma de los valores de VAN del nivel actual más los niveles
anteriores. (Bakhtavar, Shahriar & Oraee, 2009

Figura 2.11: Diagrama de flujo para método heurístico.

Fuente: Bakhtavar, Shahriar & Oraee, 2009

16
2.2 Metodología

La base de datos utilizada corresponde al modelo de bloques Marvin de la librería pública

Minelib (Espinoza, Goycoolea, Moreno & Newman, 2012). Este modelo está
conformado por 49.560 bloques de tamaño 30x30x30 metros, distribuidos en 60 bloques
en la coordenada norte, 59 bloques en la coordenada este y 14 bloques de altura. Sin
embargo, se modificó el modelo aumentando la cantidad de bloques en la profundidad
del modelo, pasando de 14 a 40 bloques, con el fin de obtener un modelo más extenso en
profundidad y cumplir con una de las características de los yacimientos que se desean
transicionar de cielo abierto a subterránea. Entonces, el modelo utilizado se compone de
141.600 bloques del mismo tamaño que el original, es decir, 30x30x30 metros y la misma
cantidad de bloques en las coordenadas norte y este.

Se procede a caracterizar los aspectos geométricos o de diseño de las extracciones a cielo

abierto y subterránea, es decir, para el caso del pit final, este tiene la forma de triangulo,
el cual corresponde a una simplificación de la geometría de un pit final, donde el ángulo
de talud corresponde a 45 grados y las precedencias de cada bloque también corresponden
a triángulos. Los parámetros a modificar son la profundidad, la ubicación del último
bloque del pit final (color rojo) en la coordenada este y coordenada norte, como se
muestra en la figura 2.12.

Figura 2.12 Representación geométrica del pit final.

17
Para el caso del caving, el diseño corresponde a un macrobloque representado por un
rectángulo, donde las variables de decisión o parámetros a modificar son la altura y
longitud (representada por la distancia entre los bloques A y B), como se muestra en la
figura 2.13. En comparación con la representación para el pit final, en este caso la altura
reemplaza al termino profundidad, porque la profundidad real del caving corresponde a
sumar la profundidad del pit final más un nivel establecido como crown pillar más la
altura del caving, es decir, si la profundidad del pit final son 10 bloques, el crown pillar
corresponde a un nivel de un bloque de altura y la altura del caving son 5 bloques,
entonces la profundidad del caving son 16 bloques. En la figura 2.14 se muestra la
relación geométrica entre el pit final, el crown pillar y el caving, donde los bloques de
color rojo corresponden al pit final, los bloques verdes corresponden al nivel de seguridad
llamado crown pillar y los bloques azules corresponden a los bloques a extraer por
caving.

Figura 2.13 Representación geométrica del caving.

Figura 2.14: Representación geométrica del pit final, crown pillar y caving.

18
La arquitectura básica del algoritmo genético para optimizar la transición de un open pit
a un caving desde una vista en sección o 2d, comienza por definir a los individuos, que
este caso estarán representados por una cadena genética que se muestra en la figura 2.15,
la cual incluye las características de diseño del pit y el caving. Los parámetros que
componen esta cadena son la profundidad del pit, la ubicación del último bloque del pit
en la coordenada este y norte, la altura del caving y longitud del caving (representada por
la distancia entre el punto A y B). Estos parámetros son los que sufren modificaciones a
través de los operadores genéticos y donde se busca encontrar los mejores escenarios que
maximicen el beneficio económico.

Figura 2.15: Representación de la cadena que incluye los parámetros de diseño.

Luego, se obtuvo el valor económico de cada bloque del modelo usando valores para
extracción a cielo abierto y subterránea por separado. La fórmula para calcular el valor
económico se muestra en la ecuación 2.5, y los valores utilizados se muestran en la tabla
2.1, los cuales fueron obtenidos de distintas minas operativas en Chile, tanto de
extracción a cielo abierto como subterránea y el precio de cobre utilizado corresponde al
promedio del año 2021.

𝑉 = (𝑃 − 𝐶𝑣 ) ∗ 𝑅 ∗ 𝐿𝑖 ∗ 𝑓 ∗ 𝑇 − 𝐶𝑚 ∗ 𝑇 − 𝐶𝑝 ∗ 𝑇 (2.5)

P: Precio del cobre [$/lb]

Cv: Costo venta cobre [$/lb]

R: Porcentaje de recuperación

f: Factor de conversión 2204,62 [lb/t]

Cm: Costo mina [$/t]

Cp: Costo planta [$/t]

T: Toneladas por bloque [t]

19
 Tabla 2.1: Valores utilizados para obtener el valor económico.
Precio del cobre [$/lb] 4,22
Costo venta cobre [$/lb] 1
Porcentaje de recuperación 85%
Costo mina cielo abierto [$/t] 2,07
Costo mina subterránea[$/t] 18
Costo planta cielo abierto[$/t] 6,49
Costo planta subterránea [$/t] 5

Una vez definidas las variables de diseño a optimizar, junto con el beneficio económico
de cada bloque del modelo, se procede a la construcción del algoritmo genético en el
lenguaje de programación Python, donde se busca generar escenarios de vista en sección
o 2d, con el fin de reducir la carga computacional y la complejidad de codificar un
algoritmo que evalúe escenarios en 3 dimensiones.

El algoritmo comienza a operar a partir de una población inicial de individuos, los cuales
son generados totalmente de forma aleatoria, es decir, los valores de diseño del individuo
presentados en la figura 2.15 son valores aleatorios que posteriormente sufren
modificaciones con la intervención de los operadores genéticos. Preliminarmente, no
existe un número de individuos definido que maximice el beneficio económico de los
resultados, debido a esto se procede a iterar el algoritmo con distintas cantidades de
individuos en la población inicial. La idea es comenzar con un numero bajo de individuos,
y aumentar dicha cantidad con el paso de las iteraciones hasta que los resultados muestren
un estancamiento o una reducción en los valores de beneficio económico.

Dentro de cada iteración, ocurre una sub-iteración o ciclo llamado generación, esta
enmarca los procesos genéticos de selección, mutación y cruzamiento. Las generaciones
son las que buscan optimizar las soluciones de cada iteración, por ejemplo, en la iteración
entran a la “generación 1” la cantidad de 500 individuos, correspondientes a la población
inicial, en esa generación los individuos son modificados y seleccionados según su fitness
y el criterio de selección, los individuos seleccionados en la “generación 1” son 97, los
cuales pasan a la “generación 2”, donde ocurren los mismos procesos de modificación y
selección, pasando a la “generación 3”, 40 individuos, así sucesivamente hasta llegar a
un número reducido de individuos que presentan los mayores beneficios económicos para
dicha iteración.

20
 En cada generación actúan los operadores genéticos, encargados de realizar distintos
tipos de modificaciones a los individuos y seleccionarlos para pasar a la siguiente
generación. Uno de los operadores genéticos corresponde a la mutación, este operador
cambia algún valor de las seis variables de diseño definidas en la cadena que representa
al individuo por otro valor aleatorio. La selección de que variable de la cadena será
modificada también es aleatoria y solo puede ser modificada una vez por generación.
Como se muestra en la figura 2.16, la cadena del individuo 1 es modificada en la variable
E1, correspondiente al valor de la coordenada este del último bloque del pit final, por otro
valor aleatorio dentro del rango de valores que puede tomar esa variable. Los valores de
las demás variables se mantienen hasta la siguiente generación, donde el individuo se
somete a la probabilidad de sufrir nuevamente una mutación, un cruzamiento o no ser
modificado.

Figura 2.16: Representación del proceso de mutación de un individuo.

El siguiente proceso al que pueden ser sometidos los individuos es el cruzamiento, a

diferencia de la mutación, en este caso son necesario dos individuos, los cuales serán
llamados individuos padres. La función del cruzamiento es formar un nuevo individuo,
llamado hijo, a partir de los valores de los individuos padres. Como se muestra en la figura
2.17, el individuo hijo toma partes de la cadena del individuo padre 1 y el individuo padre 2.
La selección de que partes de cada padre es asignada al hijo es aleatoria, es decir, no existe
una preferencia por tomar las características de un individuo padre en particular. En ejemplo
que se muestra en la figura 2.17, el individuo hijo es formado por las partes A1, D1 y E1
pertenecientes al individuo padre 1 y las partes B2, C2 y F2 pertenecientes al individuo padre
2.

21
 Figura 2.17: Representación del proceso de cruzamiento entre dos individuos.

Finalmente, el último operador genético corresponde al proceso de selección. Como su

nombre lo indica, es el encargado de seleccionar los individuos que pasan de una generación
a otra. El factor determinante para poder ser seleccionado es el valor de beneficio económico
(fitness) presentado por cada individuo calculado con la ecuación 2.5. Los individuos que
presenten mayor valor de fitness cuentan con mayor probabilidad de ser seleccionados. Para
realizar el proceso de selección se utiliza una ruleta con diferentes probabilidades de ser
seleccionado según el valor de fitness que presenten. Para calcular las probabilidades de ser
seleccionados se utiliza la formula presentada en la ecuación 2.6, donde Tn corresponde a la
diferencia entre el mayor y menor valor de fitness encontrado en la “generación n”, divido
en 5 partes. Luego, el valor Tn se suma al mínimo fitness para crear el intervalo 1, el intervalo
2 se crea sumando 2 Tn al valor mínimo y así sucesivamente para formar 5 intervalos de
probabilidad como se muestra en la tabla 2.2.

(𝑀á𝑥𝑖𝑚𝑜 𝐹𝑖𝑡𝑛𝑒𝑠𝑠 − 𝑀í𝑛𝑖𝑚𝑜 𝐹𝑖𝑡𝑛𝑒𝑠𝑠)

𝑇𝑛 = (2.6)
5

Tabla 2.2: Intervalos de probabilidad para seleccionar individuos.

Intervalo Valor de fitness Probabilidad de selección
1 Mínimo fitness + Tn 20%
2 Mínimo fitness + 2Tn 40%
3 Mínimo fitness + 3Tn 60%
4 Mínimo fitness + 4Tn 80%
5 Mínimo fitness + 5Tn 100%

22
En la tabla 2.2 se muestra los intervalos de selección según el valor de fitness que presente
cada individuo. Por ejemplo, los individuos que presenten valores superiores al mínimo valor
encontrado dentro de la generación, pero menores al mínimo fitness + Tn, tienen un 20% de
probabilidad de ser seleccionados para pasar a la siguiente generación, los individuos del
intervalo 2 cuentan con un 40% de probabilidad y así sucesivamente hasta llegar a los
individuos del intervalo 5, que pasan si o si a la siguiente generación, ya que presentan los
mejores fitness de su generación. La figura 2.18 despliega las diferentes ruletas de selección
para un individuo que se encuentra en el intervalo 1 y otro que se encuentra en el intervalo
3.

Figura 2.18: Probabilidades de selección para individuos de los intervalos 1 y 3.

En la figura 2.19 se expone el diagrama de flujo para el proceso iterativo realizado por el
algoritmo genético. Dentro de cada iteración m se ejecutan “n generaciones”, las cuales
reducen y modifican a la población inicial que ingresa en la generación 1, hasta entregar las
mejores soluciones en la última generación.

Figura 2.19: Diagrama de flujo del algoritmo genético.

23
Para realizar una comparación con los resultados obtenidos por el algoritmo genético, se
evalúa el mismo modelo de bloques utilizando un método heurístico presentado en la sección
2.1.10. Este método calcula el VAN de cada nivel del modelo de bloques usando valores de
extracción a cielo abierto y subterránea. En este caso, se utilizaron los mismos valores que
en el algoritmo genético, los que se presentan en la tabla 2.1. Al ser el VAN el factor de
decisión para seleccionar que método se utiliza en cada nivel del modelo es necesario aplicar
una tasa de descuento y fijar un número de años en los que será extraído el mineral. La tasa
de descuento seleccionado es de 10% y se consideró que cada nivel del modelo tarda 1 año
en ser extraído. Para comparar los escenarios propuestos por el algoritmo genético y el
método heurístico propuesto por Bakhtavar et al. (2009), es necesario transformar el valor de
beneficio económico entregado por las soluciones del algoritmo genético usando la ecuación
2.5 a VAN. Para esto se utiliza la misma tasa de 10% y el mismo criterio de años de
extracción, es decir, un nivel se extrae en un año.

24
 3. RESULTADOS Y ANÁLISIS

El proceso de ejecución del algoritmo genético se realizó 12 veces, en las cuales se aumentó
gradualmente el número de individuos de cada población inicial. En la tabla 3.1 se muestra
que la primera iteración se llevó a cabo con 250 individuos como población inicial, la
segunda con 500 individuos, con un aumento de 250 individuos hasta la iteración 4 y de ahí
en adelante se aumentó la población en 500 individuos en cada iteración hasta llegar a la
iteración 12 con 5000 individuos. Como se mencionó en la sección 2.2, los individuos
corresponden a cadenas que contienen la información de diseño un escenario open pit-crown
pillar-caving, es decir, en la iteración 1 ingresan al algoritmo genético 250 posibles
escenarios de diseño, los cuales a través de los operadores genéticos se modifican y se
seleccionan los que presentan mayor fitness o beneficio económico.

La decisión de aumentar los individuos de cada población inicial obedece a identificar cómo
se comporta el algoritmo genético al presentarse una mayor cantidad de opciones para
modificar y seleccionar un conjunto de soluciones o escenarios que maximicen el beneficio
económico.

El hecho de que el algoritmo se itere 12 veces llegando a 5000 individuos, se justifica porque
a partir de la iteración 11 los resultados, el beneficio promedio máximo y el beneficio
máximo, tienden a disminuir, alcanzando los valores más altos en la iteración 10 con 4000
individuos como población inicial, como se muestra en las figuras 3.5 y 3.6.

Tabla 3.1: Población inicial de individuos para cada iteración.

Iteración Población Inicial

1 250
2 500
3 750
4 1000
5 1500
6 2000
7 2500
8 3000
9 3500
10 4000
11 4500
12 5000

25
Establecer un aumento de las poblaciones con el paso de las iteraciones provoca un aumento
en los tiempos de cómputo de cada iteración, como se muestra en la figura 3.1, donde la
iteración 1 tarda 4,55 segundos y la iteración 12 tarda 61,19 segundos, presentándose un
aumento sostenido con respecto al número de individuos de cada población.

70

60
Tiempos de Ejecución (s)

50

40

30

20

10

0
0 1 2 3 4 5 6 7 8 9 10 11 12
Población Inicial

Figura 3.1: Tiempos de ejecución del algoritmo para cada población inicial.

Sin embargo, en la iteración 9 se produce una disminución en los tiempos con respecto a la
tendencia de al aumentar la población, el tiempo de cómputo también aumenta. Este
comportamiento se relaciona con la figura 3.2, donde se produce un quiebre con respecto al
número de generaciones necesarias para alcanzar los valores máximos de beneficio en cada
iteración. Este quiebre, al igual que en la figura 3.1, se produce en la iteración 9, donde para
evaluar una población inicial de 3500 individuos, fueron necesarias 10 generaciones, valor
que muestra similitud con las iteraciones 5 y 4, en las cuales la cantidad de individuos en la
población inicial es considerablemente menor. Entonces, la explicación para este fenómeno
se relaciona directamente con la capacidad de selección de individuos de una generación a
otra, es decir, en la iteración 9 la función u operación “selección” actuó de forma más rigurosa
a la hora de descartar y seleccionar individuos, como se puede ver en la figura 3.3, donde se
realiza la comparación de la selección de individuos de la iteración 8 y la iteración 9.

26
 25

20

Generaciones
15

10

0
1 2 3 4 5 6 7 8 9 10 11 12
Iteración

Figura 3.2: Generaciones totales para cada iteración.

350
Individuos Seleccionados

300

250

200

150

100

50

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Generaciones

Iteración 8 Iteración 9

Figura 3.3: Comparativa de generaciones para la iteración 8 y 9.

En la figura 3.3 se presenta la comparación entre las iteraciones 8 y 9, con poblaciones

iniciales de 3000 y 3500 individuos respectivamente, con respecto a las generaciones
necesarias para reducir la cantidad de individuos y maximizar el beneficio. Hasta la
generación 6 la curva entre ambas iteraciones se mantiene similar, pero a partir de la
generación 7, en la iteración 8 se mantiene una meseta que disminuye lentamente hasta la
generación 21, donde se obtienen las soluciones que maximizan el beneficio de dicha
iteración.

27
Si se observa la figura 3.4, se confirma lo mostrado en la figura 3.2, donde la cantidad de
generaciones no tiene una relación directa con el número de individuos de la población
inicial. Sin embargo, se puede apreciar de que, en la mayoría de las iteraciones, el paso de
las generaciones mejoró el beneficio económico de las soluciones, es decir, los operadores
genéticos mutación, cruzamiento y selección modificaron y seleccionaron a los individuos
para obtener mejor resultados con el paso de las generaciones, respetando el principio de
evolución, el cual relaciona fuertemente este algoritmo con el comportamiento de la
naturaleza.

1900
1800
1700
Beneficio Económico (Mill USD)

1600
1500
1400
1300
1200
1100
1000
900
800
700
600
500
400
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Generaciones

Iteración 1 Iteración 2 Iteración 3 Iteración 4

Iteración 5 Iteración 6 Iteración 7 Iteración 8
Iteración 9 Iteración 10 Iteración 11 Iteración 12

Figura 3.4: Generaciones máximas correspondientes a cada iteración.

Los resultados que se muestran en la figura 3.5 corresponden al beneficio promedio máximo
de cada iteración. Como su nombre lo indica, el beneficio promedio máximo corresponde al
promedio del conjunto de soluciones que maximiza el beneficio económico a partir de las
poblaciones iniciales definidas para cada iteración, por ejemplo, en la iteración 1 donde la
población inicial está compuesta de 250 individuos, el beneficio promedio máximo
corresponde a 1.093 millones de dólares, el cual es distinto al valor que se muestra en la
figura 3.5 correspondiente a 1.638 millones de dólares, ya que este último representa el
beneficio económico de la mejor solución o el mejor escenario de cada iteración.

28
 2000

Beneficio Promedio máximo (Mill USD)

1900
1800
1700
1600
1500
1400
1300
1200
1100
1000
0 1 2 3 4 5 6 7 8 9 10 11 12
Iteración

Figura 3.5: Beneficio promedio máximo para cada iteración.

Los valores desplegados en la figura 3.5, correspondientes al beneficio promedio máximo,

muestran una tendencia al aumento a medida que crece el número de individuos de la
población inicial con el paso de las iteraciones. Durante las primeras iteraciones se puede
visualizar un aumento más significativo con respecto a las ultimas iteraciones,
estabilizándose el crecimiento a partir de la iteración 5 y alcanzando el valor máximo en la
iteración 11. Hasta esta última, el aumentar la cantidad de población inicial en cada iteración
provocó un aumento del beneficio promedio máximo, sin embargo, en la iteración 12, donde
a pesar de presentar mayor población que la iteración 11, el valor de disminuye. Entonces, la
iteración 11, partiendo de una población de 4500 individuos o escenarios de diseño, es la que
ofrece un mejor conjunto de soluciones solo si tomamos en cuenta el beneficio promedio
máximo, sin embargo, la iteración 11 aumenta el beneficio en 0,3% con respecto a la iteración
10 significando un aumento del tiempo de cómputo en un 14%. En proyectos como el actual
donde se trabaja con miles de bloques, el aumento de 14% en tiempo de cómputo se refleja
en diferencia de segundos, pero en proyectos donde los modelos estén compuestos por
millones de bloques, ese aumento en el tiempo puede ser un factor determinante a la hora de
escoger alguna alternativa.

La figura 3.6 a diferencia de la figura 3.5, muestra los valores de beneficio máximo asociados
a la mejor solución de cada iteración. En este caso, el algoritmo no mantiene una tendencia
clara en las primeras iteraciones en relación con el aumento de población inicial con el
aumento del beneficio, ya que el algoritmo genético está diseñado para entregar más de una
solución óptima y no buscar la mejor y descartar las demás opciones. A diferencia del grafico
desplegado en la figura 3.5, el valor máximo se alcanza en la iteración 10 y la disminución
de las iteraciones 11 y 12 es más pronunciada en la curva. Entonces, sumado al hecho de que
en la figura 3.5 la iteración 11 presenta un 0,3% de aumento, la iteración 10 es la que presenta

29
la mejor relación de beneficio promedio máximo, tiempo de cómputo y beneficio máximo,
presentando el mejor escenario único de todas las iteraciones.

Si solo se considera el beneficio máximo como factor de decisión, las mejores opciones se
presentan en las iteraciones 9 y 10, donde la iteración 10 presenta un valor 0,3% superior a
la iteración 9, entonces, al igual que en la figura 3.5, el tiempo de cómputo entre ambos casos
puede ser clave para seleccionar uno u otro. En este caso, la iteración 10 toma 28% más de
tiempo en ejecutarse que la iteración 9, hecho que puede llevar a decantarse por seleccionar
la opción propuesta por la iteración 9 como mejor escenario único, compensando la leve
diferencia del valor de beneficio máximo con el ahorro del 28% de tiempo de cómputo.

1900

1850
Beneficio Máximo (Mill USD)

1800

1750

1700

1650

1600

1550

1500
0 1 2 3 4 5 6 7 8 9 10 11 12
Iteración

Figura 3.6: Beneficio máximo de cada iteración.

30
En la tabla 3.2 se muestran los mejores escenarios de diseño para cada iteración realizada,
ahí se observan los valores de cada uno de los parámetros asignados como variable de
decisión.

Tabla 3.2: Parámetros de diseño seleccionados para cada iteración.

Parámetros de Profundidad Coordenada Coordenada Punto A Punto B Altura
diseño del pit Este Norte Caving Caving Caving
Iteración 1 10 36 24 26 53 4
Iteración 2 10 26 19 21 47 8
Iteración 3 14 29 23 21 41 8
Iteración 4 15 31 23 27 53 10
Iteración 5 10 32 22 26 48 4
Iteración 6 11 30 22 21 40 27
Iteración 7 11 36 23 19 52 5
Iteración 8 11 30 22 25 39 9
Iteración 9 11 32 22 22 58 7
Iteración 10 10 32 21 23 40 7
Iteración 11 12 31 22 20 42 10
Iteración 12 13 31 23 22 55 8

La tabla 3.2 muestra que los mejores escenarios como profundidad del pit final están entre
10 y 15 bloques bajo la superficie, la ubicación del último bloque del pit final en la
coordenada este se mantuvo entre el bloque 26 y 36, caracterizada por ser una zona central
del yacimiento, ya que este presenta 59 bloques en la coordenada este. Con respecto a la
coordenada norte, la ubicación del último bloque del pit se encuentra entre el bloque 19 y 24,
siendo también una zona central, ya que la extensión de la coordenada norte es de 60 bloques.
La longitud del bloque de hundimiento del caving se mantuvo entre 14 bloques de extensión
en el caso de la iteración 8, donde comienza en el bloque 25 y termina en el 49, hasta 36
bloques de extensión en la iteración 9, donde comienza en el bloque 22 y termina en el bloque
58. El valor de la altura del caving representa la cantidad de bloques a partir del crown pillar
en que la zona de hundimiento se extiende en profundidad. Por ejemplo, en la iteración 8,
donde la profundidad del pit es hasta el bloque 11, luego se deja 1 nivel como crown pillar,
entonces la zona de hundimiento comienza en el nivel 13 y se extiende hasta el nivel 21.

31
En la figura 3.7 se muestran los resultados obtenidos para el método heurístico propuesto por
los autores Bakhtavar et al. (2009) sobre como encontrar el punto de transición óptimo de un
método cielo abierto a subterráneo. A diferencia de las soluciones propuestas por el algoritmo
genético, este método las presenta el beneficio económico como VAN, es decir, es necesario
aplicar una tasa de descuento en un periodo determinado de años. Como se explica en la
sección 1.4, este método consiste en evaluar que método de extracción resulta más rentable
para cada nivel del yacimiento, sumando los VAN acumulados por los niveles anteriores, en
este caso se consideró que es necesario 1 año para extraer cada nivel con una tasa de
descuento de 10%. Entonces, la figura 3.7 muestra que extraer hasta el nivel 7 por método
subterráneo resulta en un VAN negativo, a partir del nivel 7 hasta el nivel 11, el método
subterráneo presenta VAN positivo, pero aun es inferior al VAN presentado por el método
open pit. A partir del nivel 12 en adelante el método subterráneo resulta más rentable. Dicho
lo anterior, se establece que hasta el nivel 11 el yacimiento se extrae con método open pit,
luego el nivel 12 se establece como el crown pillar que separa ambos métodos, y finalmente
desde el nivel 13 en adelante se extraer por método subterráneo.

700

600

500
VAN (Mill de dólares)

400

300

200

100

-
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
-100
Profundidad

Open Caving

Figura 3.7: Relación de VAN por método de transición heurístico.

32
Para poder realizar una correcta comparación entre los resultados presentados por el método
de Bakhtavar et al. (2009) y el algoritmo genético desarrollado, es necesario convertir los
valores de beneficio económico máximo a VAN y seleccionar el escenario único que presenta
mayor valor, ya que el método heurístico presenta solo una solución óptima y no un conjunto
como lo hace el algoritmo genético. La opción escogida fue la solución presentada por la
iteración 10, ya que fue la que obtuvo mayor valor de beneficio económico máximo. Para
calcular el VAN se utilizó el mismo criterio de extraer un nivel por año a una tasa de
descuento de 10%. Así la VAN para la solución propuesta por la iteración 10 del algoritmo
genético es de 646 millones de dólares y la suma de los VAN del método heurístico tanto de
la extracción open pit y subterránea es de 562 millones de dólares. Por lo tanto, el método
propuesto por algoritmos genéticos presenta una mejor solución con respecto al VAN. Uno
de los factores que incide en este resultado es que el método heurístico considera extraer
todos los niveles a excepción del crown pillar, esto aumenta la cantidad de años para extraer
todos los niveles y la tasa de descuenta penaliza más al VAN. En el caso del escenario
presentado por la iteración 10, la profundidad se extiende hasta el nivel 18.

33
 4. CONCLUSIONES

El análisis del estado del arte reveló que desde hace muchos años se han propuesto métodos
para abordar el problema de transición de un método de extracción cielo abierto a
subterráneo. Sin embargo, hoy en día no existe un consenso absoluto sobre implementar un
método por sobre otro.

Como método para resolver el problema de transición desde una extracción mineral por el
método open pit hacia la extracción subterránea por método block caving, se propuso la
utilización de algoritmos genéticos para optimizar el beneficio económico mediante la
modificación y selección de escenarios de diseño pertenecientes a una población inicial. La
decisión de implementar un algoritmo genético que evaluara el modelo de bloques en dos
dimensiones permitió analizar una gran cantidad de escenarios en tiempos de ejecución
reducidos.

Los resultados obtenidos mostraron un aumento del beneficio económico con el paso de las
iteraciones, cumpliendo con el objetivo de la optimización y maximizar el valor aportado por
cada escenario. Los operadores genéticos permitieron lograr una evolución de los individuos
desde las primeras generaciones hasta las últimas, no solo mejorando a un individuo único,
sino que maximizando el beneficio promedio de un conjunto de soluciones. Los tiempos de
cómputo mostraron que el método propuesto es perfectamente viable para analizar modelo
de bloques de tamaño pequeño a mediano, donde no se superen la cantidad de unos cientos
de miles de bloques.

La comparativa entre los resultados entregados por el algoritmo genético y el método

heurístico propuesto por Bakhtavar et al. (2009) muestra similitudes en las opciones de
diseño obtenidas, sobre todo en las profundidades óptimas para el pit final. En cuanto al VAN
entregado por ambos métodos, al comparar la mejor solución propuesta por el algoritmo
genético, esta presenta mayor VAN con respecto a la solución propuesta por el método
heurístico, sentando bases sobre una posible viabilidad del uso de algoritmos genéticos para
resolver problemas de transición.

A pesar de que el algoritmo genético muestra mejora en las soluciones con el paso de las
iteraciones, es necesario incorporar factores geológicos y más opciones de diseño de
estructuras propias de cada explotación como rampas, caminos o túneles para lograr
resultados más robustos. Una mejora inmediata al algoritmo planteado es pasar de un análisis
en 2 dimensiones a 3 dimensiones, como se muestra en el modelo conceptual presentado en
al apéndice A. En esta investigación el objetivo fue proponer un nuevo método para resolver
un problema, que según pasen los años y los yacimientos presenten características para ser
explotados por cielo abierto y subterráneo, será cada vez más habitual.

34
 5. REFERENCIAS

Altiti A., Alrawashdeh R. & Alnawafleh H. (2020). Open pit mining en Mining Techniques-
Past, Present and Future.

Bakhtavar E., Oraee K. & Shahriar K. (2009). Transition from open pit to underground as a
new optimization challenge in mining engineering.

Bakhtavar E. & Shahriar K. (2007). Optimal ultimate pit depth considering and underground
alternative.

Bakhtavar E., Shahriar K. & Mirhassani A. (2012). Optimization of the transition from open-
pit to underground operation in combined mining using (0-1) integer programming.

Bakhtavar E., Oraee K. & Shahriar K. (2010). Determination of the optimum crown pillar
thickness between open-pit and block caving.

Camus J (1992). Open pit optimization considering an underground alternative.

Carter T. & Miller R. (1995). Crown pillar risk assessment planning aid for cost-effective
mine closure remediation.

Chung J., Topal E. & Ghosh K. (2016). Where to make the transition from open-pit to
underground? Using integer programming.

Dagdelen K. & Traore I. (2014). Open pit transition depth determination through global
analysis of open pit and underground mine scheduling.

Del Solar B. & Bernal F. (2017). Metodología para encontrar un pit final y estrategia de
fases adecuadas en function de atributos geologicos.

Espinoza D., Goycoolea M., Moreno E. & Newman A. (2012). Minelib: A Library of Open
Pit Mining Problems.

Flores G. & Catalán A. (2019). A transition from a large open pit into a novel “macroblock
variant” block caving geometry at Chuquicamata mine, Codelco Chile.

Hamman E., Cowan M., Venter J. & De Souza J. (2020). Considerations for open pit to
underground transition interaction.

Hamrin H. (1980). Underground Mining Methods and Applications en Guide to underground

methods, AtlasCopco.

Henríquez D. (2019). Evaluación del límite óptimo entre minería cielo abierto y sub level
stoping.

35
Hochbaum D S. (2001). A new-old algorithm for minimum cut and maximum flow problem.

Koza J. (1992). Genetic Programmin: On the programming computers by mean natural

selection.

Lagos G. (2011). Estudio de métodos de optimización robusta para el problema de

planificación de producción en minería a cielo abierto.

Latorre E. (2015). Incorporación del valor del dinero en el tiempo para la determinación de
límites económicos de un open pit.

Lemieux M. (1979). Moving Cone Optimizing Algorithm.

Lerchs H. & Grossmann I. (1964). Optimun Design of Open-Pits Mines.

Mathew T. (2006). Genetic Algorithm

Mitchell M. (1999). An introduction to Genetic Algorithms.

Morales N., Julio C., Amaya J. & Lamghari A. (2015). Optimal economic envelope of joint
open pit and underground mines.

Muir D. (2004). Pseudoflow, New Life for Lerchs-Grossmann Pit Optimisation.

Nilsson D. (1992). Surface vs. underground methods en SME Mining Engineering

Handbook.

Omelianenko I. (2019). Overview of Neuroevolution Methods en Hands-On Neuroevolution

with Python.

Popov G. (1971). The Working of Mineral Deposits.

Soderberg A. & Raush D. (1968). Pit planning and layout en Surface Mining.

Suarez M. (2017). Diseño de fases de explotación en minas a cielo abierto generadas a

través de un algoritmo genético.

Wetherelt A. & Van der Wielen. (2011). Introduction to open pit mining en SME Mining
Engineering Handbook, Third Edition

36
 6. APÉNDICES

Apéndice A: Modelo conceptual en 3 dimensiones de la transición de cielo abierto a

subterránea.

Se procede a caracterizar los aspectos geométricos o de diseño de las extracciones cielo

abierto a subterránea. En este caso, se utilizan cuerpos geométricos para simplificar la
geometría del open pit y el caving. Para representar el open pit se utiliza un cono truncado,
como se muestra en la figura 5.1, donde las variables a modificar son la profundidad del pit,
el radio del fondo del pit y la ubicación espacial del centro del pit en la coordenada norte y
este.

Figura 6.1: Representación geométrica del pit final en 3 dimensiones.

En el caso del caving, la geometría esta representada por un prisma rectangular, como se
muestra en la figura 5.2, donde las variables a modificar son la longitud del bloque (distancia
entre el punto A y B), la altura y el ancho.

Figura 6.2: Representación geométrica del caving en 3 dimensiones.

37
Al pasar de un modelo en 2 dimensiones a uno en 3 dimensiones, aumentan las variables de
diseño que pueden ser modificadas por el algoritmo genético, como se muestra en la figura
5.3, donde la cadena genética aumenta de 6 a 8 variables al pasar de figuras en 2d a 3d.

Figura 6.3: Cadena genética con los parámetros de diseño de open pit y caving en 3d.

38