Traducido del inglés al español - www.onlinedoctranslator.

com

Informática e Investigación Operativa 115 (2020) 104823

Listas de contenidos disponibles enCienciaDirecta

Informática e Investigación de Operaciones

revista Página de inicio:www.elsevier.com/locate/cor

Optimización estocástica en la programación de la planificación minera

Giovanni Franco Sepúlveda∗, Patricia Jaramillo Álvarez, John Branch Bedoya

aUniversidad Nacional de Colombia, sede Medellín—Facultad de Minas, Colombia

información del artículo resumen

Historial del artículo: La programación de la planificación minera de la explotación de un recurso mineral tiene como objetivo maximizar las ganancias del proyecto minero. Frecuentemente, se han utilizado tecnologías de planificación que, si bien permiten maximizar los

Recibido el 31 de octubre de 2017 Revisado el 7

beneficios de la explotación, hacen supuestos irreales que no valoran el riesgo y la incertidumbre para un proceso ideal de planificación minera. En este trabajo se realiza un planteamiento que ayude a resolver el problema clásico de la planificación

de octubre de 2019 Aceptado el 8 de octubre

minera, ya que se tienen en cuenta incertidumbres como las geológicas, técnicas y de mercado, con el fin de obtener un modelo robusto que minimice el riesgo y maximice las utilidades o beneficios del proyecto minero. . El presente trabajo propone un
de 2019 Disponible en línea el 14 de octubre de
modelo que utiliza herramientas metaheurísticas y de simulación contribuyendo a los modelos encontrados en la literatura especializada para resolver el problema de la planificación minera a cielo abierto. Debido a los alcances de esta investigación, se
2019
analizará el problema de la planificación minera en la optimización estocástica de la minería, sobre lo cual se desarrollará un modelo para la planificación óptima de una explotación a cielo abierto de un yacimiento polimetálico identificando las variables

Palabras clave: fundamentales y sus incertidumbres, con el objetivo de maximizar las ganancias esperadas y minimizar los riesgos asociados al proceso de planificación minera. Finalmente, para mejorar los alcances y resultados de esta propuesta presentada en este

Planificación de la mina Programación trabajo, se recomienda incluir otras variables propias de los proyectos mineros actuales, tales como variables ambientales, ecológicas y sociales, que ayuden a mejorar la propuesta metodológica desarrollada en este trabajo. papel. sobre el cual se

Optimización estocástica Herramientas desarrollará un modelo para la planificación óptima de una explotación a cielo abierto de un yacimiento polimetálico identificando las variables fundamentales y sus incertidumbres, con el objetivo de maximizar las ganancias esperadas y minimizar los

metaheurísticas
riesgos asociados al proceso de planificación minera. Finalmente, para mejorar los alcances y resultados de esta propuesta presentada en este trabajo, se recomienda incluir otras variables propias de los proyectos mineros actuales, tales como variables

Simulación de ley de
ambientales, ecológicas y sociales, que ayuden a mejorar la propuesta metodológica desarrollada en este trabajo. papel. sobre el cual se desarrollará un modelo para la planificación óptima de una explotación a cielo abierto de un yacimiento
corte (CoG)
polimetálico identificando las variables fundamentales y sus incertidumbres, con el objetivo de maximizar las ganancias esperadas y minimizar los riesgos asociados al proceso de planificación minera. Finalmente, para mejorar los alcances y resultados
Depósito polimetálico
de esta propuesta presentada en este trabajo, se recomienda incluir otras variables propias de los proyectos mineros actuales, tales como variables ambientales, ecológicas y sociales, que ayuden a mejorar la propuesta metodológica desarrollada en

este trabajo. papel. con el objetivo de maximizar las ganancias esperadas y minimizar los riesgos asociados al proceso de planificación minera. Finalmente, para mejorar los alcances y resultados de esta propuesta presentada en este trabajo, se

recomienda incluir otras variables propias de los proyectos mineros actuales, tales como variables ambientales, ecológicas y sociales, que ayuden a mejorar la propuesta metodológica desarrollada en este trabajo. papel. con el objetivo de maximizar las

ganancias esperadas y minimizar los riesgos asociados al proceso de planificación minera. Finalmente, para mejorar los alcances y resultados de esta propuesta presentada en este trabajo, se recomienda incluir otras variables propias de los proyectos

mineros actuales, tales como variables ambientales, ecológicas y sociales, que ayuden a mejorar la propuesta metodológica desarrollada en este trabajo. papel.

© 2019 Elsevier Ltd. Todos los derechos reservados.

1. Introducción teniendo en cuenta, desde la definición de recursos y reservas mineras,

hasta llegar al mercado. Adicionalmente, esta optimización se basa en
Actualmente, en la literatura se destacan tres modelos con los que se el modelo de la teoría de restricciones y la identificación de los cuellos
define la planificación minera. de botella de la cadena productiva empresarial minera (Rey, 2011).
Primero, el modelo determinista, basado en insumos compuesto
por: modelo geológico (recursos y reservas); infraestructura Finalmente, el modelo estocástico se basa en la inclusión del análisis
(limitaciones y oportunidades); finanzas (inversiones, precios y costos); de incertidumbre asociado a la geología, el mercado y los precios, entre
escenarios operativos (reservas, leyes y niveles de extracción o otros. Es válido señalar que en minería todos los procesos tienen
explotación); datos operacionales (relación estéril/mineral, dotaciones y asociada incertidumbre, pero algunos modelos no la consideran; uno
equipos - maquinaria), dan como resultado salidas de planificación de los objetivos definidos en esta investigación es considerar las
minera que incluyen: los límites del rajo, la curva tonelaje-ley (para el incertidumbres geológicas y de mercado teniendo en cuenta que el
caso de la explotación de un yacimiento metálico), vida útil del mina, el modelo estocástico se basa en el análisis de la incertidumbre de estos
flujo de caja del proyecto minero, entre otros. factores. Esta incertidumbre se puede representar mediante series
En segundo lugar, el modelo de planificación minera basado en el temporales y distribuciones de probabilidad ajustadas a partir de datos
dinero que optimiza los procesos (Martínez y McKibben, 2010), se basa históricos o de exploraciones, o mediante escenarios posibles (Franco
en la realización de una optimización simultánea de la cadena de et al., 2012;Dimitrakopoulos, 2010;Birge y Louveaux, 1997,Karimi et al.,
extracción-procesamiento-refinación (producción) que conduce a un 2009).
incremento en el Valor Actual Neto (VAN) del negocio minero, tomando En general, los modelos tradicionales de planificación minera de una
operación minera a cielo abierto continúan tratando de maximizar la rentabilidad
de la explotación de un yacimiento polimetálico utilizando como indicador el Valor
∗Autor para correspondencia en: Departamento de Materiales y Minerales, calle 65 No 78-28 Actual Neto (VPN) más alto, estableciendo criterios, es decir, se mantienen
BLOQUE M1-301, Medellín, Colombia.
constantes todo el tiempo. las variables de interés (precio, costos, tasa de
Correos electrónicos:gfranco@unal.edu.co (GF Sepúlveda),gpjarami@unal.edu.co (PJ
Álvarez),jwbranch@unal.edu.co (JB Bedoya).
explotación, CoG, tasa de procesamiento, entre otras), se considera

https://doi.org/10.1016/j.cor.2019.104823 0305-0548/©
2019 Elsevier Ltd. Todos los derechos reservados.
2 GF Sepúlveda, PJ Álvarez y JB Bedoya / Informática e Investigación Operativa 115 (2020) 104823
certeza geológica y como variable de decisión, única y exclusivamente,
aquella variable que se desee estudiar o analizar (vida de la mina o del
CoG, entre otras).
Autores comoShishvan y Sattarvand (2015);Del Castillo y
Dimitrakopoulos (2019);Asad et al. (2016);Asad y Dimitrakopoulos
(2013);Cariño (2011);Goodfellow y Dimitrakopoulos (2016);Koushavand
(2014);Lamghari y Dimitrakopoulos (2016);Marcotte y Caron (2013);
Montiel et al. (2014);Newmann et al. (2010);Sakthivel et al. (2019);
Samavati et al. (2018);Wei et al. (2018);Whittle (2014); Wu et al. (2013)y
entre otros, ya han avanzado en el enfoque de desarrollo de modelos
estocásticos, aunque aún dejan un campo de investigación para tratar
de responder preguntas sobre consideraciones ambientales,
incertidumbre geológica, incertidumbre tecnológica, costos y precios
muy variables en el tiempo, y en el manejo de la dificultad
computacional que supondrían estas inclusiones, como se describirá
más adelante.
En un modelo estocástico de planeación minera también tratamos de
maximizar una función objetivo (generalmente el VAN) sujeta a algunas
restricciones (que pueden ser capacidad de extracción, mina, pilas de
almacenamiento, planta, entre otras), incluyendo las respectivas funciones
de distribución de la probabilidad de las variables que se consideran
inciertas. Este modelo se basa, entre otros, en las siguientes entradas: un
modelo de recursos (modelo de bloques); y un diseño de opciones de
operaciones mineras y optimizadas a la luz de los objetivos definidos para
cada empresa minera.
2. Modelo de optimización estocástica para minería a cielo abierto de un
yacimiento polimetálico
El modelo estocástico para una operación minera a cielo abierto para un
yacimiento polimetálico se basa en la incertidumbre geológica y la
incertidumbre del mercado, definiendo la propuesta a través de una
validación posterior en un caso de aplicación de un proyecto minero real.
También aborda la solución del problema, utilizando modelos de
optimización estocástica (implícita o “blanda”), que permiten considerar la
incertidumbre asociada a las variables de interés, con el objetivo de
maximizar los beneficios esperados y minimizar los riesgos asociados a la
planificación de actividad minera.
El modelo de optimización se compone básicamente de tres módulos. El
primero, el modelo de secuenciación de minería; el segundo, el modelo para
la estimación del CoG; y el tercero, el modelo de flujo de efectivo que incluye
incertidumbre y riesgo.
2.1. Modelo de optimización propuesto
El modelo de optimización estocástica propuesto en esta
investigación se construyó con base en el flujo de proceso descrito en
Figura 1, que describe el proceso extractivo y su aplicación a una mina
hipotética que explota minerales a cielo abierto para un yacimiento
polimetálico.
La principal característica de este proceso extractivo es la etapa de
preclasificación del mineral que proviene del proceso de explotación.
Esta preclasificación servirá para clasificar tres clases de flujos. El
primero, el mineral que cumple con el CoG, pasa a la etapa de proceso
1. El segundo, el mineral que tiene un CoG marginal y es llevado a la
pila de almacenamiento. Y en tercer lugar, el material que no contenga
mineral o minerales de interés económico y se clasifique como estéril y
deba ser llevado a vertederos.
2.2.1. Características del modelo propuesto
Las características fundamentales que se definen en el modelo de
optimización propuesto se describen a continuación:
i La incertidumbre geológica se considerará siguiendo una distribución
función de determinación de la ley para cada bloque e incertidumbre
económica utilizando pronósticos con series de tiempo para precios y costos
Figura 1.Descripción del proceso extractivo propuesto.
basado en datos históricos. La metodología a seguir es la
optimización estocástica implícita (Monte Carlo + simulación
Metaheurística).
ii Se considera un modelo de la cadena completa: Mina - Almacén-
pila de edad - Procesamiento - Refinación - Mercados - Vertederos - Relaves.
Adicionalmente, se consideran varios procesos que pueden ser algunos
secuenciales y otros opcionales.
iii Se considera una dinámica del CoG en el tiempo. Si los precios o costos
cambiar también el CoG: esto se justifica modelando el precio como una
variable aleatoria a partir de una serie temporal.
iv Se considera que se envía un CoG adicional a un almacén de reserva.
age stack (almacenamiento provisional del material) que también varía
en el tiempo en función del precio en el momento del envío.
v Posibles aumentos o disminuciones en la mina, el proceso y la refinación
las capacidades se consideran con un costo adicional en la función
objetivo (por esta consideración no se incluyen los costos de
oportunidad, que se deben a tener subcapacidades
predeterminadas).
vi Se considerará que la vida útil, es decir, la
LoMes una variable de decisión que optimiza el período en el que
sería rentable explotar la mina.
vii Se considera yacimientos polimetálicos.
2.2.2. Metodología de optimización estocástica implícita (Monte
Carlo+simulación metaheurística)
La optimización estocástica implícita permite resolver problemas de
optimización bajo incertidumbre de forma heurística, a partir de la
comunicación iterativa de un algoritmo de optimización Metaheurística
(como Genetic Algorithms, Tabu Search, Simulated Cooling or
Annealing, Particle Cloud, entre otros) y Simulación de Montecarlo. : Las
Metaheurísticas proponen posibles conjuntos de valores para las
variables de decisión, y se evalúa su desempeño mediante una
Simulación Monte Carlo que permite emular miles de escenarios
posibles.
En el presente trabajo utilizamos la herramienta computacional
Optimizer de @RiskPALISADA, 2015que utiliza Algoritmos Genéticos y
Simulación Monte Carlo. Sin embargo, podría resolverse con cualquier
otra combinación de Metaheurísticas con Simulación, o incluso con
algunas adaptaciones (reemplazando funciones complejas por
simplificaciones).
En la optimización estocástica implícita se evalúan posibles conjuntos de
valores para las variables de decisión I. Hasta que el proceso converge a una
solución única o se alcanza un número máximo de iteraciones, definido por
el analista, el algoritmo es iterativo. Cada iteración genera una población de
individuos en la que cada uno de
 GF Sepúlveda, PJ Álvarez y JB Bedoya / Informática e Investigación Operativa 115 (2020) 104823 3

ellos representa un vector de valores I. Para cada individuo I. El proceso El valor presente neto de la explotación durante toda la vida útil se
es el siguiente: representa como se muestra enecuación (1):
∑P(t)
Se simulan muchos escenarios posiblesωque son conjuntos de bienes VAN= (1)
izaciones del grado de cada bloque y de las demás variables aleatorias t∈T (1 +d)t
(como el precio en cada t) a partir de las funciones de distribución
Dónde,
correspondientes
P(t) = Ingresos por venta - Costos de minado - Costos de manejo de
b Para cada escenario posibleω, se calcula su VAN. el sin-
stockpile - Costos de proceso - Costos de refinación - Costos de aumento o
La serie ética de los m valores NPV así obtenidos permite el análisis
disminución de capacidades y otros (como costos de reparación o costos
estadístico de las consecuencias de las decisiones de implementación I.
ambientales).
Enecuación (2), hay una ampliación de los beneficios:
c El promedio (o cualquier otra estadística como la desviación, max- [
mínimo, mínimo, cuantil, etc.) de la serie sintética del VAN de las m ∑
MINERAL

realizaciones. P(t)= (S(o, t )año(k)Qr(k, t )−re(o)Qr(o, t))

o=1
A partir del estadístico a optimizar de todos los individuos I de la
∑PAGS ∑ norte

presente iteración, se generan nuevos individuos a partir de los ya − Qc(t)C(1)−qc(t) y(pag−1)C(p)− m(i)Qm(i, t )
evaluados por operadores genéticos: selección, cruzamiento, mutación, que p>1 i=1
buscan propagar en las próximas poblaciones, las características de los
− CEST (t)−CPALM(t)−f (t)−CINCRE(t )−CDECRE(t)
mejores individuos encontrados. hasta aquí. ]
− Otros (2)
2.2.3. Nomenclatura
EnTablas 1–6, se define la nomenclatura utilizada en el modelo ecuaciones (3),(4),(5)y(6), respectivamente, describen los costos totales de aumento o
propuesto y se establecen los conjuntos, las entradas, las variables desmantelamiento de la capacidad de la mina, los procesos, la refinación, los costos de
aleatorias, las variables de decisión, las variables de decisión esterilización y el costo del acopio.
dependientes y las salidas del modelo propuesto.
Otras variables también son de decisión pero dependen de las ∑4
anteriores o de los parámetros y se presentan enTabla 5. Tabla 6
CINCRE(t )=(CINCM) +
M(t)+ (CINCC(p))+P(p, t)
describe los resultados más importantes, aunque se pudieron evaluar
pags=1

todos los valores parciales del flujo de caja durante la vida de la mina y ∑
MINERAL

otros indicadores económicos como el tiempo de recuperación del + CDECR(o)+R(k, t ),∀t (3)
capital invertido, entre otros. o=1

∑PAGS
2.2.4. funciones objetivas CDECRE(t)=(CDECM) −
M(t)+ (C DECC(p)) −
P(p, t)
Para el modelo propuesto, se puede emplear una de las siguientes pags=1

funciones objetivo: ∑
MINERAL

+ CDECR (k) −
R(o, t ),∀t (4)
a Objetivo 1: Maximizar el valor esperado del presente neto o=1
valor de la operación durante toda la vida útil. ( )
b Objetivo 2: Minimizar el riesgo, valorado como la desviación de la ∑ norte

valor presente neto de la operación durante toda la vida útil. c Otra

CEST (t)=Cw w(yo, t)v(eso )+rw,∀t (5)
i=1
posibilidad es maximizar (Objetivo 1/Objetivo
2) =m/σu otra opción es analizar una función de compensación ( )
entre objetivos, es decir, cuánto estás dispuesto a perder en un
∑ norte

CPALM(t)=CS sentar )v(eso )+sp csp,∀t (6)

objetivo a cambio de una ganancia específica en el otro (por análisis
i=1
multiobjetivo).

2.2.5. Restricciones
AMinería:D(t) es la variable de decisión que define los bloques
tabla 1
Definición de conjuntos del modelo propuesto. que se explotan en el periodo t (x (i, t)∈E(D(t),t)) siendo E(D(t),t) los
bloques del cono superior al bloque D(t) y que aún no han sido
explotados en t. A partir de esta variable de decisión se definen
Conjuntos

Símbolo Explicación Observación

i Bloquear. Número de bloque automáticamente los bloques que se explotan en un periodo t, la
Dientey el stockpile definen qué bloques van a ser procesados,
ω(o, yo) Escenario de grado. Escenario o posible ocurrencia de grado. En
el modelo se aplicará un generador aleatorio almacenados o esterilizados por una regla de decisión. Esto reduce
de muchos escenarios (simulación Monte en gran medida el número de variables de decisión a solo t
Carlo), siguiendo O funciones de distribución variables de bloque en comparación con los modelos encontrados
específicas para cada bloque (OR es el en la literatura que definen variables binarias una para cada bloque
número de minerales).
y para cada t. Enecuación (7)se muestra la restricción asociada a la
pags Indicador de proceso. pags=1, 2,…, P
t Indicador de período. Año. extracción de cada bloque.
o Mineral En depósitos polimetálicos.
E(i,t) Conjunto de bloques Inicialmente corresponde a todo el cono
X(yo, t)=1si yo∈E(D(t ), t ) (7)
superiores a i que no superior al bloque i. En periodos posteriores se
han sido explotados en actualiza eliminando lo ya minado en periodos Posteriormente, si x (i, t) = 1, se aplica la regla de decisión de
período t. anteriores. acuerdo a la Ley de Corte, se va a vertedero; almacenar o procesar si:
Fuente: Autores.
4 GF Sepúlveda, PJ Álvarez y JB Bedoya / Informática e Investigación Operativa 115 (2020) 104823

Tabla 2
Definición de valores que servirán de entrada al modelo propuesto.

Símbolo Explicación Unidades

norte Número de bloques

O Número de minerales
PAGS Número de procesos
S (o, t) Precio del mineral. Pronóstico a partir del ajuste de un modelo de serie temporal a datos históricos Horizonte ($/libra, $/libra o $/onza). Años
TT de análisis
mi) Costo de minar o explotar el bloque i. Costo $/ tonelada de material. $/

C(pag) de procesamiento. tonelada de mineral.

CFLOT Costos flotantes colectivos $/tonelada.

r(o) Costo de flotación selectiva del mineral o. $/tonelada.

F Costos fijos por período. $/año o período.

Florida Capacidad de flotación Tonelada/año

CINCM/CDECM Costos de aumento y costos de desmantelamiento de capacidad minera. Costes $/tonelada.

CINCR/CDECR de aumento y costes de desmantelamiento de la capacidad de refino. Costos de $/tonelada.

CINCC(p)/CDECC(p) aumento y costos de desmantelamiento de capacidad de proceso p. Costo de $/tonelada.

Cw enviar a la basura. Costo de enviar a la reserva. $/tonelada.

cs $/tonelada.

csp Costo de enviar desde la reserva al proceso. $/tonelada.

D Tasa de descuento. Porcentaje,%.

Mes Capacidad inicial para minar. Tonelada/año.

compañía (pag) Capacidad de procesamiento inicial del proceso p. Tonelada/año.

ro(o) Capacidad inicial de refino. Ton/año o libras/ao Ozs/año Ton.

Qw Capacidad de residuos (tamaño máximo del foso).
preguntas Capacidad de la reserva. (Máxima reserva de inventario). Factor de Tonelada.

y(pag) recuperación del proceso p. Porcentaje,%.

sif Factor de recuperación flotante colectivo. Factor de Porcentaje,%.
yfs(o) recuperación de flotación selectiva de mineral O. Cantidad Porcentaje,%.
v(yo) de material en bloque i. Montones.

Fuente: Autores.

Tabla 5
Tabla 3 Definición de variables de decisión dependientes del modelo propuesto.
Definición de variables aleatorias de entrada al modelo propuesto.
Símbolo Explicación Unidades

Símbolo Explicación Unidades

sentar) 1 si el bloque i se envía a la reserva de reserva en t.0 de lo binario
S (o, t) Precio del mineral (pronóstico de una serie de ($/tonelada de mineral). contrario
tiempo). El valor predicho no es un valor ingenio) 1 si el bloque i se envía a desperdicio en t. 0 de lo binario
constante en t sino una función de distribución en pr(i,t) contrario 1 si el bloque i se envía directamente a binario
ϒ(yo,o) t. Grado del bloque i. Sigue funciones de Porcentaje (%), proceso en t. 0 de lo contrario. Se obtiene de la matriz
distribución específicas, una para cada mineral gramos de mineral por E(t)
principal presente en el yacimiento. tonelada (gr/ton). x(i,t) 1 si el bloque i se explota en t. 0 de lo contrario.
Fuente: Autores. Se obtiene de la matriz E (i, t) Cantidad de
IP (t) material almacenado en un acopio en t. Montones.

W(t) Cantidad de estériles almacenados en vertederos en t. Montones.

Tabla 4 rw(t) Monto enviado desde la última etapa del proceso Montones.

Definición de variables de decisión del modelo propuesto. hasta la cola.

gramos(Antiguo Testamento) Grado del material almacenado en la pila (cambia 0≤gramos(Antiguo Testamento)≤1
Variables de decisión
a medida que almacena material nuevo) del
Símbolo Explicación Unidades
mineral o en t.
D(t) Bloque más profundo que se explota en t. Este 1≤D(t)≤norte qm(t) Cantidad de material extraído durante el período t. Toneladas de minado

valor define que los bloques de E (D (t), t) son material.

explotados en t (x (D (t), t)=1 Cantidad de material Qc (p, t) Cantidad de mineral procesado en el proceso p Toneladas de

esp(t)
ϒdiente(Antiguo Testamento)
ϒs(Antiguo Testamento)
almacenado en acopio que se envía a proceso en Montones. durante el período t. mineral procesado.
t. qr (t) Cantidad de material refinado durante el período t. toneladas (libras
Dinámica óptima de ley de corte en el tiempo. Al 0≤ ϒdiente(Antiguo Testamento)≤1 u onzas troy)
ser polimetálico no será un número sino una de refinado
regla de decisión tipo AND u OR. Material / t.
Corte Grado de dinámica de corte óptima a Monte) Capacidad de mina en t. Toneladas/año.

tiempo con material de menor calidad para 0≤ ϒs(Antiguo Testamento)≤ ϒdiente(Antiguo Testamento) C(p, t) Capacidad de procesamiento del proceso p en t. Toneladas/año

enviar a acopio. Como es polimetálico no será R(t) Capacidad de refino en t. Toneladas/año

un número sino una regla de decisión tipo

AND u OR. Fuente: Autores.
T Vida útil mía (rentable). Aumento o Años
METRO(+/-)(t)
disminución de la capacidad M en t. Se Toneladas/año.
Tabla 6
puede evaluar en periodos mayores a t por Principales productos del modelo propuesto.

ejemplo cada 5 años. Símbolo Explicación Unidades

C(+/-) Aumento o disminución de la capacidad de Toneladas/año.

(p, t) procesamiento C en el proceso p en t. Se puede VAN Valor actual neto total durante toda la vida útil de la mina. EL DÓLAR AMERICANO$.

evaluar en periodos mayores a t por ejemplo
cada 5 años.
R(+/-)(t) Aumento o disminución de la capacidad de
refino R en t. Se puede evaluar en periodos
mayores a t por ejemplo cada 5 años.
Fuente: Autores.
Este resultado no es un valor exacto sino que es una
variable aleatoria que permite caracterizarlo
Toneladas/año. estadísticamente: identificar el valor esperado, desviación
estándar, probabilidad de pérdidas, probabilidad de
alcanzar metas específicas, VPN (valor en riesgo para un
percentil específico), entre otros .
Fuente: Autores.
 GF Sepúlveda, PJ Álvarez y JB Bedoya / Informática e Investigación Operativa 115 (2020) 104823 5

SIY(yo, o=1) >=Ydiente(o=1,t) OY(yo, o=2) ≤FL(t),∀t (13)

> =Ydiente(o=2,t) . . . OY(yo, o=MINERAL)
> =Ydiente(o=mineral, t) ∏4
rw(t)= y(p)Qc(p)−Qr(t),∀t (14)
DESPUÉS pags=1

x (yo, t)=pr (i, t) es decir, el bloque i se envía al proceso p=1SI NO

∑norte

Y(yo, o=1) >=Ys(o=1,colina Y(yo, o= W(t)=W(t−1)+ w(yo, t)v(i)+rw(t)≤qw,∀t (15)

i=1
2) >=Ys(o=2,t) . . . O Y(yo, o=ORE) >
=Ys(o=mineral, t) Finalmente,ecuación (dieciséis)describe la cantidad de material que
llega a la flotación selectiva para cada mineral o, correspondiente a la
DESPUÉS
cantidad de mineral o del último proceso afectado por el factor de
x (yo, t)=s (1, t) es decir, el bloque i se envía a la reserva SI NO x (i,
recobro de la flotación colectiva. Este valor no puede exceder la
t)=w (t) es decir, el bloque i se envía a Wastedump.
capacidad RFS (o,t).
Para el siguiente periodo t, por cada bloque i, se actualiza E (i, t + 1), ( )
eliminando los bloques que ya han sido minados en los periodos ∏4 ∑
norte

anteriores. QF (o, t)=yfs(o) y(pag) pr(i, t)v(i)γ (o, t)+Sp(t)γs(o, t)

Enecuación (8), la cantidad de material extraído en el período t es pags=1 i=1
igual a Qm (t), que no debe exceder la capacidad de explotación anual. ≤RF S(o, t ),∀a (dieciséis)

∑norte ACapacidad:Generalmente, las capacidades se consideran como algo

Qm(t)= x(yo, t)v(i)≤M(t),∀t (8) predeterminado para empresas que pueden estar incurriendo en costos de
i=1 oportunidad, o de otro modo perdiendo costos operativos innecesarios debido a la
Enecuación (9)el volumen de las reservas de almacenamiento se describe en el período capacidad excedente. Tanto el incremento como la descapacidad son variables de
t, que es igual al del periodo anterior más la suma de ese periodo decisión que tienen un costo en la función objetivo.ecuaciones (17),
menos el que se envía al proceso desde la pila. Ese valor no puede (18)y(19)describir los aumentos o disminuciones en las capacidades
exceder la capacidad máxima de la batería de reserva. y procesos de extracción en la operación. Para evitar costos
computacionales o cambios constantes en los equipos, estas
variables pueden ser consideradas cada N periodos de tiempo, por
∑
norte

IP(t)=IP(t−1)+ sentar )v(eso )−esp(t),∀t (9) ejemplo, cada 5 años.

i=1 M(t)=Monte−1)+ +
M(t)− −
M(t),∀t (17)
Finalmente, enecuación (10)la ley de la pila se actualiza con la
entrada del nuevo material. Se supone que la mezcla de materiales
tendrá un contenido ponderado por las cantidades almacenadas
C(p, t)=C(p, t−1)+ +
C(p, t)− −
C(p, t),∀pag, t (18)
previamente y la nueva. Lo anterior para cada mineral o.
∑ R(t)=R(t−1)+ +
R(t)− −
R(t),∀t (19)
obtuvo−1)IP(t − 1)+ γ (yo, oh ) sentar )v(i) ,
norte

gramos(k, o)=s ∑
i=1
∀k, t
IP(t−1)+ i=1sentar )v(i)
norte
BCondiciones de las variables de decisión:

(10) Ypags(
3
o, t)0; Ys(o, t)≥0
AProceso:La cantidad de material que entra en el primer proceso.
T∈ Z+ , 1≤T≤TT
es la suma de lo explotado en t y cumple la combinación de CoGs,
más el que proviene de la batería de reserva. Este valor no puede D(t)∈ Z+,1≤D(t)≤norte
exceder la capacidad C (1, t). Enecuación (11)se describe esta
restricción. METRO+(t)≥0,∀t

∑norte

METRO+(t)≥0,∀t
qc(t)= pr(i, t)v(i)+esp(t)≤C(1,t ),∀t (11)
i=1
METRO−(t)≥0,∀t
Para los demás procesos se aplican porcentajes de pérdidas (o
recuperaciones) de los procesos anteriores. C+(pags,t)≥0,∀t,pags
( )
−1
pags∏ ∑
norte
C−(pags,t)≥0,∀t,pags
y(l) pr(i, t)v(i)+esp(t)≤C(p, t),∀pag, t (12)
yo=1 i=1 R+(t)≥0,∀t
AFlotación:La cantidad de material que entra en flotación colectiva R−(t)≥0,∀t
ción es la suma del mineral que se recupera en el último proceso. Se
actualiza la cantidad dispuesta en el estéril del periodo t, que es La principal ventaja de la metodología propuesta en este trabajo es
igual a la cantidad que tenía en el periodo anterior, más la cantidad poder tener en cuenta una mirada diferente a la planificación minera clásica
enviada directamente desde mina por no cumplir con los CoGs más o determinista. Es decir, se podrían integrar tres modelos en esta propuesta
la enviada desde jales. Esa cantidad no puede exceder un límite (el modelo de estimación de la ley de corte, el modelo de secuenciación de la
máximo de capacidad estéril. Enecuaciones (13),(14)y(15),
minería y el modelo de flujo de caja que incluye la incertidumbre y la
respectivamente, se describe la cantidad de material que ingresa a
evaluación del riesgo). Adicionalmente, se hace una propuesta para reducir
flotación colectiva, la cantidad de material que va a relaves y la
actualización de la cantidad de estéril dispuesto en cada período. el problema tradicional de la planificación minera, permitiendo incluir
algunas complejidades como: se incluye toda la cadena empresarial minera
( ) considerando diferentes condiciones en el tiempo; tiempo de mina no
∏4 ∑norte
∑
MINERAL
∑
MINERAL

predeterminado; la capacidad de la mina y la planta son dinámicas en el

qr(t)= y(pag) pr(i, t)v(i) γ (yo, o)+esp(t) γ (o, t)
pags=1 i=1 o=1 o=1
tiempo, entre otros.
6 GF Sepúlveda, PJ Álvarez y JB Bedoya / Informática e Investigación Operativa 115 (2020) 104823

3. Estudio de caso La media condicional y la varianza deYt+TdadoYT, son

E(Yt+T)=m+mi−αT(Yt−m)→mconT→ ∞
Una vez definidas las características, metodología, nomenclatura,
funciones objetivo y condicionantes, se aplica el modelo propuesto a
21 -mi−2αT σ2
una mina real (El caso de estudio se realiza, no sobre una mina Variart+T)=σ → conT→ ∞
hipotética, sino sobre una mina real, con producción de Cobre: 483 M 2α 2α
libras/año, Producción de molibdeno: 25 M libras/año y Producción de Y para el caso de estudio de los precios del Cobre, tenemos:
oro 64.000 oz troy/año). Los valores son adaptaciones de una mina real Largo plazom: 450.38 Parámetro de volatilidadσ: 27.049
donde por confidencialidad los datos utilizados no son reales, se les Parámetro de velocidad de inversiónα: 0.010427 Y0valor en
aplica un pequeño ruido aleatorio. El elemento principal es Cu, y los tiempo 0: 311.25
subproductos Mo y Au.

a En el Molibdeno, los precios de comercialización precios

3.1. Explotación a cielo abierto de un yacimiento polimetálico
se incluyeron entre 1975 y 2014 en dólares por libra (US$/libra). La
función de serie temporal que servirá para encontrar precios
Con base en la descripción del modelo propuesto, se presenta la
futuros es un Risk BMMR(m,σ,α, Y0)que genera una Reversión
solicitud para un yacimiento polimetálico de una operación minera a
Browniana al Movimiento Mediático con los siguientes parámetros
cielo abierto. Para este caso de estudio se asume un proceso
definidos:
productivo sin contaminantes.
EnTabla 7, podemos ver el caso de estudio sobre el que se realizará la nortet= una muestra de una distribución Normal (0, 1)
comparación con el modelo propuesto en este artículo: Entonces, para cualquier t≥0, T>0,

Este caso de estudio tiene un modelo de bloques con 280 bloques (7 √

[ − αT
] 1 -mi − 2αT
bloques en el eje X, 8 bloques en el eje Y y 5 bloques en el eje Z), cada Yt+T=m+mi (Yt−m) + nortet+Tσ
uno con dimensiones de 650, 390 y 224 m, respectivamente. Las 2α
dimensiones del macrobloque son (X, Y, Z) 3900, 2730 y 896 m, ( )
σ2 √
respectivamente. rt=m− t+nortet σ t
En este trabajo, se entiende por fase de la siguiente manera:
2
Fase I: Bloques del 1 al 56. Fase II: Bloques del 57 al 112. Fase III: El equivalente independiente de esto es:
Bloques del 113 al 168. Fase IV: Bloques del 169 al 224. Y, Fase V: √
Bloques del 225 al 280. [ −α
] 1 -mi−2α
Yt=m+mi (Yt−1−m) +
2α
nortetσ
Es válido señalar que, para encontrar los precios futuros del cobre,
molibdeno y oro, se utilizaron los datos históricos de comercialización de
La media condicional y la varianza deYt+TdadoYT, son
estos minerales, con el fin de pronosticar sus valores futuros. Para ello,
utilizamos el análisis de series temporales utilizando @RISK como se E(Yt+T)=m+mi−αT(Yt−m)→mcon T→ ∞
describe a continuación:
21 − mi−2αT σ2
a En el caso del Cobre se utilizaron los precios de comercialización de Variart+T)=σ → con T→ ∞
1935 a 2014 en dólares por libra (US$/libra). La función de serie
2α 2α
temporal que servirá para encontrar precios futuros es un Risk Y para el caso de estudio de los precios del Molibdeno, tienes: Largo
BMMR(m,σ,α, Y0)que genera una Reversión Browniana al plazom: 9.3415 Parámetro de volatilidadσ: 5.9831 Parámetro de
Movimiento de los Medios con los siguientes parámetros definidos velocidad de reversiónα: 0.25932 Y0valor en el tiempo 0: 11.39
Asad y Dimitrakopoulos, 2013:

nortet= una muestra de una distribución Normal (0, 1)

Entonces, para cualquier t≥0, T>0,
a En el caso del Oro, se utilizaron precios de comercialización desde 1950 hasta
√ 2014 en dólares por onza troy (US$/oz). La función de series de tiempo
[ ] 1− mi−2αT que servirá para encontrar precios futuros es un RiskARMA11 (m,
Yt+T = m+mi−αT(Yt−m)+nortet+Tσ σ,a1, b1, y0,ε0) que genera un proceso de media móvil
2α
( ) autorregresiva de primer orden (ARMA11) con los siguientes
σ2 √ parámetros definidosPALISADA 2015:
rt=m− t+nortetσ t
2 nortet= una muestra de una distribución Normal (0,1)

El equivalente independiente de esto es: εt=σnortet

√
[ miα− ] 1- mi−2α
Yt=m+ (Yt−1− m)+nortetσ (Yt−m)=a1(Yt−1−m)+b1εt−1+εt
2α
La media y la varianza son,

Tabla 7 E(Yt)=m
Datos del proyecto.
(
21
)( )
Caso de estudio Variart)=σ + b21+ 2a1b1 /1 -a1 2

inversión total US$ 4200 millones Y para el caso de estudio de los precios del Oro:
Capacidad de procesamiento 110k TPD
Mediam: 486.39
capacidad de la mina 567k TPD
vida mía(LoM) Cobre 15 años Parámetro de volatilidadσ: 78.305
refinado (Cu) 252 MM libras Coeficiente autorregresivo de media móvil a1: 0,94956
Molibdeno refinado (Mo) Oro 49 MM libras Coeficiente autorregresivo de la media móvil b1: 0.5653 Valor
refinado (Au) 40 k onzas
Y0 en tiempo 0: 1266.4
Fuente: Autores. Término de error inicialε0: 19.636
 GF Sepúlveda, PJ Álvarez y JB Bedoya / Informática e Investigación Operativa 115 (2020) 104823 7

Tabla 8
Valores de entrada utilizados en el modelo propuesto.

Símbolo Explicación Unidades mina hipotética

mi) Costo de explotar o minar el bloque i. Costo $/tonelada de mineral. 4.11

C(pag) de procesamiento. $/tonelada de mineral. 5.22
CFLOT Costos flotantes colectivos. $/tonelada. 0.39
r(o) Costo de flotación selectiva del mineral o. $/tonelada. 0,12 a Cu
0,12 a meses
0,12 a Au
F Costos fijos o del período. M$/año. 555.45
CINCM/CDECM Costos de aumento y costos de desmantelamiento de $/tonelada. 4.11
capacidad minera.
CINCR/CDECR Costes de aumento y costes de desmantelamiento de la $/tonelada. 1.24
capacidad de refino.
CINCC(p)/CDECC(p) Costos de aumento y costos de desmantelamiento de capacidad $/tonelada. 5.97
de proceso p.
Cw Costo de enviar a la basura. $/tonelada. 0.20
cs Costo de enviar a la reserva. $/tonelada. 0.10
csp Costo de enviar acopio al proceso. Tasa de $/tonelada. 0.10
d descuento. Porcentaje,%. 0.08
Mes Capacidad inicial para minar. Tonelada/año. 206.955 kt/año
compañía (pag) Capacidad de procesamiento inicial del proceso p. Tonelada/año 40.150 kt/año
Ro Capacidad inicial de refino. MM libras Cu/a MM libras Mes/a. koz Au/a. 252 M libras Cu/año 49
M libras Mes/año 40
kozs Au/año
Qw Capacidad de residuos. Montones. 3.400.798 kton

preguntas Capacidad de acopio. Montones. 78.937 kton

y(pag) Factor de recuperación del proceso p. Porcentaje,%. 100 Cu
100 meses
100 au
sif Factor de recuperación flotante colectivo. Porcentaje,%. 100 Cu
100 meses
100 au
yfs(o) Factor de flotación mineral selectiva o. Porcentaje,%. 86 cu
68 meses

47 de agosto

v(yo) Cantidad de material en el bloque i. Montones. 4.675.630 t

Fuente: Autores.
Variables aleatorias (también son datos):.

Tabla 9 Tabla 10
Definición de variables aleatorias que se utilizaron para ingresar al modelo. Optimización de @RISK (RISKOptimizer) para el caso de estudio.

Símbolo Explicación Unidades Meta

ϒ(yo,o) Grado del bloque i. Función objetiva VAN

Sigue funciones de distribución específicas, 1 Estadística a optimizar Tipo Significar

para cada mineral o principal presente en el de objetivo Máximo

yacimiento. Resultados

S (o, t) Precio del mineral (pronóstico basado en el ($/libra, $/libra Mejor valor encontrado (US$) 1.877E + 010
ajuste de un modelo de serie temporal a datos o $/onza). Tiempo para encontrar un mejor valor (h:min:s) 10:08:52
históricos).
Fuente: Autores.
Fuente: Autores.

Mesas 8y9establecer las entradas con sus respectivos datos y supuestos

para la aplicación del modelo propuesto. Las unidades financieras de este
modelo están dadas en dólares americanos. Es válido señalar que lo que se
encuentra en cursiva en las siguientes tablas se muestra como una
contribución de este trabajo.

3.2. Principales resultados de la optimización

EnTabla 10yFigura 2, puede ver el resumen de la optimización

utilizando los parámetros, variables, suposiciones y funciones definidas
en las tablas anteriores. Dicha validación del modelo se realizó
utilizando el RISKOptimizer de Palisade.
EnFigura 2se puede observar que es posible obtener con un nivel de
Figura 2.Densidad de probabilidad del VAN del caso de estudio.
confianza del 95% que el caso de estudio alcance un VAN>US$ 11.3E +
10. Adicionalmente con los valores definidos en el modelo propuesto se
obtienen valores positivos para el VAN del caso de estudio para la
refinación de cobre, oro y molibdeno.
8 GF Sepúlveda, PJ Álvarez y JB Bedoya / Informática e Investigación Operativa 115 (2020) 104823

Tabla 11 Tabla 12
Valores del VAN, máximo, mínimo y desviación para el modelo estocástico. Modelos determinísticos y estocásticos para la definición del bloque más profundo que se explota
en el tiempo t y para la vida de la mina (LoM).
modelo estocástico
Modelo
Significar $1,877E + 010
Máximo $3,190E + 010 Año determinista estocástico
Mínimo $6,426E + 009
1 10 6
Desviación $5,126E + 009
2 14 37
Fuente: Autores. 3 dieciséis 7
4 15 8
5 29 45
6 38 14
7 54 dieciséis

8 8 15
9 36 31
10 37 29
11 13 35
12 6 63
13 45 44
14 28 30
15 7 36

Fuente: Autores.

Fig. 3.Función de compensación.

3.3. Análisis de resultados: variables de decisión

3.3.1. Valor actual neto (VAN)

Tabla 11muestra los valores mínimo, máximo y desviación estándar
del modelo de optimización estocástica. Los valores dados por el
modelo estocástico se comparan con los del modelo determinista en el
que se reemplazan las variables aleatorias por su valor esperado.

Es válido señalar que, bajo los parámetros definidos y descritos a lo

largo de esta investigación, la optimización estocástica arroja mejores
resultados al comparar el VAN mínimo con un incremento significativo,
corroborando los beneficios de realizar procesos de planificación
minera, utilizando métodos alternativos al determinista. que
tradicionalmente va la industria minera.
Debido al alto valor obtenido de la desviación estándar, la
explotación a cielo abierto del yacimiento polimetálico que se analiza
está expuesta a un alto riesgo. Durante el análisis de la función de
intercambio entre el Valor Actual Neto y la Desviación Estándar, cada Figura 4.Cronograma de planta para la explotación de los macrobloques del caso de estudio a lo largo de
punto encontrado es el siguiente: Maximizar el valor esperado del VAN, la LoM de 15 años.

sujeto a la desviación estándar de la meta (incluyendo, además, todas

las restricciones originales). La desviación del objetivo está cambiando
entre 0 y 5.12E + 9. Cada punto implica diferentes decisiones de
explotación. Según el resultado, para reducir considerablemente la
desviación, se debe sacrificar el valor esperado, suponiendo una
desviación intermedia, sin tener que exponerse demasiado al riesgo,
pero tampoco sacrificar demasiado en valor esperado. EnFig. 3, se
observa la gráfica de la función de intercambio entre el valor esperado
del VAN y su desviación estándar.
3.3.2. Bloque más profundo que se extrae en el tiempo y la vida útil de la mina
(LoM) A partir de los resultados de la optimización para el modelo estocástico,
obtenidos enTabla 12, se puede apreciar que solo se explotará el yacimiento del
caso de estudio hasta la fase II y cuyo bloque más profundo es el bloque 63.
No debe ignorarse, que a medida que se profundiza el depósito mineral, los
valores o leyes de Mo, Cu y Au disminuyen considerablemente.
Figura 4muestra la secuenciación para la explotación de los macrobloques del
caso de estudio a lo largo de la LoM de 15 años. Adicionalmente, para el caso del
modelo base o modelo determinista, la vida útil de la mina es de 15 años
explotando hasta el bloque 7. Mientras que en el caso del modelo estocástico, el
LoM es de 15 años explotando hasta el bloque 36.
Cabe mencionar que para el modelo determinista se define una
capacidad de mina de 567,000 TPD, mientras que para el modelo propuesto
en esta investigación se tendrá una capacidad de mina de 466,717 TPD
(tomando en cuenta las dimensiones de los macrobloques), arrojando
menor capacidad de minado. valores debido a los procesos de selectividad
del material a explotar.

Lo anterior posiblemente se evidencie por las condiciones de entrada del
modelo y aspectos económicos que permiten explotar este yacimiento
polimetálico solo hasta la Fase II. Es probable que ante un cambio o mejora
en las condiciones de entrada (menor tasa de descuento, mejores precios de
comercialización, menores costos de operación, entre otros), se pueda
realizar la optimización de esta explotación hasta la Fase V y así aprovechar
el contenido máximo de mineral. . Cabe señalar que en los últimos tres años
algunos de los precios de comercialización de los minerales de estudio han
tenido caídas considerables. Puede-
3.3.3. Grado de corte de procesamiento ϒp
DeTabla 13yFigura 5, se puede observar que la ley de corte de
procesamientoϒp tanto para el oro como para el molibdeno no presenta
grandes variaciones a lo largo de la explotación del yacimiento polimetálico,
es posible suavizar el efecto (a través de restricciones que implican cambios
máximos entre dos periodos definidos por la empresa) para el caso del
molibdeno durante el año 11, ya que, los resultados muestran que durante
ese año y para el bloque a explotar, no se encuentra dicho material, que
pueda ser explotado. Del mismo modo, en el caso de
 GF Sepúlveda, PJ Álvarez y JB Bedoya / Informática e Investigación Operativa 115 (2020) 104823 9

Tabla 13 4. Conclusiones
Grado de Corte de Procesamiento (ϒp) para la optimización del caso de estudio.

Año 1 2 3 4 5 6 La planificación minera se basa en modelos matemáticos de

Mineral optimización a largo plazo que, por su alta dimensionalidad y naturaleza
Au (gr/tonelada) 0,097 0,108 0,160 0,130 0,116 0,156 estocástica, son bastante complejos de resolver. Se han definido varios
meses (%) 0,153 0,123 0,170 0,117 0,165 0,129 avances en la inclusión de más elementos de la realidad, en la gestión del
Cu (%) 0,907 1000 0,996 0,992 0,994 1000 riesgo y en su gestión computacional; sin embargo, aún queda un largo
Año 7 8 9 10 11 12
camino por recorrer y el modelo desarrollado en esta investigación
Mineral
Au (gr/tonelada) 0,152 0,123 0,097 0,067 0,086 0,133 constituye un aporte en este sentido. Cuantas más complejidades se
meses (%) 0,136 0,123 0,177 0,131 0,000 0,102 superen, mayores serán los beneficios y menor la exposición al riesgo.
Cu (%) 0,993 0,994 0,976 1000 0,995 1000 El modelo desarrollado considera un yacimiento polimetálico,
Fuente: Autores. situación muy común en la mayoría de las minas del mundo, por lo que
las variables de decisión de la Ley de Corte son específicas para cada
uno de los minerales (vg Mo, Cu, Au) (aunque la definición del CoG a
material de desecho, pila o proceso es única). Esta regla no tiene por
qué ser un promedio de las n calificaciones sino una regla heurística
tipo Si, Y… O… Entonces. Así, si un bloque es rico en cobre, pero muy
pobre en otros minerales de interés económico como el molibdeno o el
oro, puede haber motivos suficientes para explotarlo y procesarlo.

Los precios de los minerales son variables dinámicas e inciertas que,

modeladas después de los ajustes a las series temporales teóricas, las
Figura 5.Cortar Grado de procesamiento en el tiempo. expectativas de los expertos pueden incorporarse como predicciones. Con
soporte de simulación Monte Carlo, estas predicciones no se consideran
Tabla 14 estáticas, se representan mediante funciones de distribución de
Ley de corte para material que va a acopio (ϒs) para la optimización del caso de estudio. probabilidad en cada t (condicionadas a desfases t - k), lo que permite
evaluar miles de escenarios posibles de esos precios ante posibles
Año 1 2 3 4 5 6 configuraciones de explotación minera.
Mineral El CoG es una variable dinámica en el tiempoγgramo(o,t), cambiando para
Au (gr/tonelada) 0,081 0,089 0,071 0,099 0,085 0,120 cada período de tiempo, dependiendo de las predicciones del precio de los
meses (%) 0,107 0,113 0,069 0,000 0,129 0,069 minerales. También hay más de un CoG, por ejemplo, uno para definir
Cu (%) 0,066 0,087 0,094 0,035 0,045 0,067 material que se envía a desecho y otro (u otros) para clasificación en pilas de
Año 7 8 9 10 11 12
almacenamiento, a la espera de mejores oportunidades económicas o
Mineral
Au (gr/tonelada) 0,113 0,080 0,061 0,067 0,083 0,090 tecnológicas.
meses (%) 0,098 0,081 0,000 0,119 0,000 0,000 La vida útil de la mina no es un parámetro conocido a priori sino
Cu (%) 0,074 0,083 0,099 0,066 0,127 0,095 una variable de decisión que delimita el momento en que la explotación
Fuente: Autores. de la mina dejaría de ser rentable. En el caso del modelo desarrollado
en esta investigación se encontró que la vida útil de la mina o LoM es
equivalente a 15 años, con las condiciones geológicas, técnicas y de
mercado definidas. Es importante señalar que para encontrar este valor
del LoM no se utilizó el modelo establecido por Taylor, sino que se
definió la variable tiempo como variable de decisión del modelo de
optimización estocástica, lo que permite dar un paso adelante en la
estimación este tipo de parámetros que se utilizan recurrentemente en
los procesos de planificación minera.
Figura 6.Corte el grado de acopio a tiempo.
El modelo desarrollado constituye un avance significativo para la
planificación real de minas a cielo abierto, ya que se analizó uno de los
problemas más complejos de la industria minera, como es la estimación del
cobre, se puede suavizar el efecto de valores tan bajos o el cambio
CoG de yacimientos polimetálicos en la planificación minera, utilizando
abrupto durante los años 13 y 14, a fin de no enviar estos valores de
optimización estocástica implícita.
corte para la etapa posterior o de beneficio del mineral, con una
La formulación del modelo desarrollado en esta investigación redujo en
restricción definida por la empresa que permita cambios máximos en
gran medida el número de variables de decisión a solo t variables de bloque
dos periodos consecutivos.
(en el caso presentado solo 15 variables enteras) y las restricciones de
precedencia no se incluyen porque ya están incorporadas en las decisiones a
3.3.4. Ley de corte para material que va a acopio ϒs tomar, que es decir, cada solución propuesta por el Algoritmo Genético (un
Teniendo en cuentaTabla 14yFigura 6, para el CoG del material que cono de explotación completo, en lugar de un solo bloque) implícitamente
va a pila de almacenamiento, existen 5 valores de molibdeno igual a ya los cumple. Esto hace que el costo computacional requerido sea mucho
cero en diferentes periodos, implica que todo el material explotado va más bajo, aumenta la posibilidad de buenas soluciones y puede abordar
al procesamiento o beneficio del mismo, sin dejar material en las minas mucho más grandes o dividirlas en varios bloques más pequeños.
baterías de almacenamiento para años 4, 9, 11, 12 y 13,
respectivamente. En el caso del oro, existe un CoG que tiene un Tanto la nueva representación de las variables de decisión (ya no
comportamiento suavizado y no tiene valores iguales o cercanos a cero binarias sino números enteros que identifican conos), como la inclusión
para ningún año de explotación. De igual forma el cobre tiene valores de funciones no lineales, como min, max, or, and, etc., y la interacción
de CoG de material que va por pila de almacenamiento que no sufren de simulación de Monte Carlo para el manejo de la incertidumbre, se
cambios fuertes, lo que garantiza la disponibilidad de este mineral para permite el uso de la técnica de optimización de Algoritmos Genéticos
ser explotado. de Inteligencia Artificial, que a diferencia de los clásicos
10 GF Sepúlveda, PJ Álvarez y JB Bedoya / Informática e Investigación Operativa 115 (2020) 104823
técnicas de optimización, no excluyen todo este tipo de elementos
matemáticos.
Partiendo de las realidades actuales que vive la industria minera
mundial (precios bajos, yacimientos con leyes más bajas, restricciones
ambientales y sociales, entre otros), es necesario definir modelos
alternativos de costos que permitan establecer las diferentes relaciones
e implicaciones de los ciclos de precios de la industria. commodities al
momento de encontrar el flujo de caja de estos proyectos mineros. Se
recomienda, adicionalmente, analizar el efecto que pueden tener en la
estimación del VAN las correlaciones que existen entre los precios de
los minerales de interés en este caso de estudio como el oro, el cobre y
el molibdeno.
Para lograr un modelo de optimización estocástica que conduzca a
una acertada toma de decisiones, es necesario tener en cuenta
objetivos ambientales que permitan evaluar los diferentes impactos y
externalidades, tanto positivas como negativas, a tener en cuenta en la
modelización financiera del proyecto minero a cielo abierto para un
yacimiento polimetálico.
Referencias
Asad, M., Dimitrakopoulos, R., 2013. «A heuristic approach to stochastic cutoff grade
optimización para complejos mineros a cielo abierto,» Les Cahiers du GERAD, Quebec. Asad,
MWA, Qureshi, M., Jang, H., 2016. Una revisión de los modelos de política de leyes de corte
para operaciones mineras a cielo abierto. recurso Política 49, 142–152.
Birge, J., Louveaux, F., 1997. Introducción a la programación estocástica, 1.ª ed.
Springer-Verlag, Nueva York.
Darling, P., 2011. Manual de Ingeniería Minera SME. Sociedad de Minería, Metalurgia
& Exploration ed, EE. UU.: SME.
Del Castillo, MF, Dimitrakopoulos, R., 2019. Optimización dinámica de la estrategia
plan de complejos mineros bajo incertidumbre de oferta. recurso Política 60, 83–93.
Dimitrakopoulos, R., 2010. «Planificación minera estocástica - Métodos, ejemplos y valor
en un mundo incierto, » Perth.
Franco, G., Branch, J., Jaramillo, P., 2012. Planeamiento de minas a cielo abierto me-
diante optimización estocástica. Bol. Cienc. Tierra 1 (31), 107–113.
Goodfellow, RC, Dimitrakopoulos, R., 2016. Optimización global de la minería a cielo abierto
complejos con la incertidumbre. aplicación Suave. computar 40, 292–304.
Karimi, H., Duffie, N., Dashkovskiy, S., 2009. Control de capacidad local para la producción
redes de sistemas de trabajo autónomos con retardos variables en el tiempo. En: Actas de la
Conferencia Europea de Control de 2009, págs. 2378–2383.
King, B., 2011. Práctica minera óptima en la planificación estratégica. J. min. ciencia 47 (2)
247–243.
Koushavand, B., 2014. Departamento de Ingeniería Civil y Ambiental PhD The-
hermana, Edmonton, Alberta. Universidad de Alberta.
Lamghari, A., Dimitrakopoulos, R., 2016. Red: algoritmos basados en flujo para
Programación de la producción en minas a cielo abierto con multiprocesadores teniendo en cuenta la
incertidumbre del metal. EUR. J.Oper. Res. 250, 273–290.
Marcotte, D., Caron, J., 2013. Optimización estocástica definitiva a cielo abierto. computar
Geosci. 51, 238–246.
Martinez, L., McKibben, J., 2010. Understanding real options in mine project valuation
ción: una perspectiva simple. Cuarto Int. Conf. mín. innovador 23–25.
Montiel, L., Dimitrakopoulos, R., Kawahata, K., 2014. Optimización global del tajo abierto
y operaciones mineras subterráneas bajo incertidumbre geológica Perth, Australia.
Newman, A., Rubio, E., Caro, R., Wientraup, A., Eurek, K., 2010. A review of opera-
ciones de investigación en la planificación minera. Interfaces 40 (3), 222–245 n.
PALISADE, 2015. The Decision Tools Suite: Análisis de Riesgos y Decisiones (Versión
7). Corporación PALISADE, Nueva York.
Sakthivel, R., Kaviarasan, B., Selvaraj, P., Karim, H., 2019. Modo deslizante basado en EID
diseño de políticas de inversión para sistemas financieros de salto estocástico difuso. Anal no
lineal. 31, 100–108.
Samavati, M., Essam, D., Nehring, M., Sarker, R., 2018. Una nueva metodología para la
Problema de programación de la producción en una mina a cielo abierto. Omega 81, 169–182.
Shishvan, MS, Sattarvand, J., 2015. Planificación de producción a largo plazo de tajo abierto
minas por optimización de colonias de hormigas. EUR. J.Oper. Res. 240, 825–836.
Wei, Y., Park, J., Karimi, H., Tian, Y., Jung, H., 2018. Estabilidad y estabilización mejoradas.
Resultados de sincronización para la sincronización estocástica de redes neuronales de salto semi-
markoviano de tiempo continuo con retraso variable en el tiempo. Trans. IEEE. Red neuronal
Aprender. sist. 29, 2488–2501.
Whittle, G., «http://www.whittleconsulting.com.au/,» 12 05 2012. [En línea]. Aprovechar-
poder:http://www.whittleconsulting.com.au/documents/events/
EO%20Brochure%20English.pdf. [Último acceso: 18 03 2014].
Wu, Z., Cui, M., Shi, P., Karimi, H., 2013. Estabilidad de sistemas no lineales estocásticos
con conmutación dependiente del estado. Trans. IEEE. Aparato mecánico. Contr. 58 (8), 1904–1918.