Machine Translated by Google
matemáticas
Artículo
Una metodología de múltiples etapas para minas a cielo abierto a largo plazo
Planificación de la producción bajo incertidumbre sobre la ley del mineral
1 2
Enrique Jélvez , Julián Ortíz
Cita: Jelvez, E.; Ortíz, J.; Varela, Nuevo
México; Askari­Nasab, H.; Nelis, G. Una
metodología de múltiples etapas para
la planificación de la producción
de minas a cielo abierto a largo plazo
bajo incertidumbre sobre la ley del mineral.
Matemáticas 2023, 11, 3907. https://doi.org/10.3390/
matemáticas11183907
Editor académico: Hu­Chen Liu
Recibido: 21 de julio de 2023
Revisado: 21 de agosto de 2023
Aceptado: 30 de agosto de 2023
Publicado: 14 de septiembre de 2023
Copyright: © 2023 por los autores.
Licenciatario MDPI, Basilea, Suiza.
Este artículo es un artículo de acceso abierto.
distribuido bajo los términos y
condiciones de los Creative Commons
Licencia de atribución (CC BY) (https://
creativecommons.org/licenses/by/
4.0/).
Matemáticas 2023, 11, 3907. https://doi.org/10.3390/math11183907
4
, Nelson Morales Varela 3,* , Hooman Askari­Nasab y Gonzalo Nelis 5
1
Centro de Tecnología Minera Avanzada, Laboratorio de Planificación Minera Delphos y Departamento
de Ingeniería de Minas, Universidad de Chile, Santiago 8370448, Chile;
2
enrique.jelvez@amtc.uchile.cl Departamento de Minería Robert M. Buchan, Queen's University,
Kingston, ON K7L 3N6,
3
Canadá; julian.ortiz@queensu.ca Département de Génies Civil, Géologique et des
Mines, Polytechnique Montréal,
4
Montréal, QC H3T 1J4, Departamento de Ingeniería Civil y Ambiental de Canadá, Universidad de Alberta,
Edmonton, AB T6G 1H9, Canadá; hooman@ualberta.ca
5 Grupo de Investigación e Innovación en Minería (RIMG), DIMM—Universidad Técnica Federico Santa María,
AV. Vicuña Mackena 3939, San Joaquín, Santiago 8940897, Chile; gonzalo.nelis@usm.cl
* Correspondencia: nelson.morales@polymtl.ca
Resumen: La planificación estratégica de operaciones a tajo abierto define la mejor estrategia de extracción del yacimiento
mineral para maximizar el valor presente neto. El proceso de planificación estratégica debe abordar varias fuentes de
incertidumbre; por ello, muchos autores han propuesto modelos para incorporarlo en cada una de sus etapas: Cálculo del
rajo final, optimización de retrocesos y programación de la producción.
Sin embargo, la mayoría de los trabajos lo abordan en cada nivel de forma independiente, y pocos apuntan a todo el proceso.
En este trabajo proponemos una metodología basada en nuevos modelos matemáticos de optimización y la aplicación de
simulación condicional del depósito para abordar la incertidumbre geológica en todas sus etapas. Probamos el método en un
caso de estudio real y evaluamos si la incorporación de incertidumbre aumenta la calidad de las soluciones. Además, nos
beneficiamos de nuestro marco integrado para evaluar el impacto relativo de la incertidumbre en cada etapa. Esto podría ser
utilizado por los tomadores de decisiones como guía para detectar riesgos y enfocar esfuerzos.
Palabras clave: incertidumbre geológica; geoestadística; planificación de la producción minera a cielo abierto; Minería de
superficie; programación lineal estocástica de enteros mixtos; evaluación de la incertidumbre
MSC: 90B50
1. Introducción
La minería a cielo abierto es un método de explotación de depósitos minerales mediante excavaciones desde la superficie.
El método es adecuado cuando el cuerpo mineralizado está relativamente cerca de la superficie;
sin embargo, requiere la retirada de material de desecho que no tiene valor económico para
acceder a las piezas rentables. Por tanto, el orden en el que se realiza la extracción tiene un gran
impacto en el valor final del negocio.
Maximizar el valor presente neto (VAN) de la operación minera corresponde a encontrar
una secuencia de extracción sujeta a varias restricciones que aseguren la viabilidad de la
operación . Estas restricciones incluyen asegurar la estabilidad de la pared del tajo, cumplir con
la capacidad minera, controlar la cantidad y/o calidad del material procesado, establecer
espacios mínimos de trabajo para permitir la operación de los equipos y la tasa de hundimiento,
entre otras. Este proceso se conoce como planificación de la producción y es clave para el
éxito del negocio minero [1].
Antes de que comience el proceso de planificación, se toman muestras del depósito mediante
perforaciones en diferentes ubicaciones y, con esta información, se toman muestras de atributos
categóricos como tipos de rocas y atributos numéricos como concentraciones de elementos o leyes minerales. La mu
https://www.mdpi.com/journal/mathematics
Machine Translated by Google
Matemáticas 2023, 11, x PARA REVISIÓN POR PARES 2 de 20

Matemáticas 2023, 11, 3907 2 de 19

Se muestrean atributos numéricos como concentraciones de elementos o leyes minerales. Luego,
la información de la muestra se interpola utilizando técnicas geoestadísticas [2] para informar los
atributos de los bloques. Esta representación del depósito se conoce como modelo de bloques,
laelinformación
y es se interpola
insumo principal luegodeutilizando
para el proceso técnicas
planificación, geoestadísticas
que tradicionalmente [2] para
se realiza en la informar los de
parte superior atributos.
los
bloques. Esta representación del yacimiento se conoce como modelo de bloques y es la principal
enfoque de múltiples etapas con diferentes niveles de detalle requeridos en cada etapa [3]. insumo para el
proceso de planificación, que tradicionalmente se realiza en un proceso de múltiples etapas de arriba hacia abajo.
• Evaluación económica. Para cada bloque se realiza una evaluación económica que representa el enfoque neto
con diferentes niveles de detalle requeridos en cada etapa [3].
Se calcula el valor económico de extraerlo (y potencialmente procesarlo). Esta • Evaluación económica. Para
cada bloque,
mineral delsebloque,
calculaeluna evaluación
precio económica
del mineral que
y el valor representa
económico delaextraerlo
ecoevaluación neta que depende
(y potencialmente del contenido
procesarlo). Esta
evaluación
costos asociados de extracción y procesamiento del bloque. Por lo tanto, un modelo de bloque económico
es depende
obtenido.del contenido mineral del bloque, el precio del mineral y los costos asociados.
de minar y procesar el bloque. Se obtiene así un modelo de bloques económicos.
• Pozo final. Con este insumo principal, además de una serie de parámetros técnicos, se realiza el • Pozo final. Con
este insumo principal, además de una serie de parámetros técnicos, el
se define la región de la mina donde se realizará la explotación; se define esta región conocida de la mina
donde se realizará la explotación; esto se conoce como
como pozo final (primera etapa). Este paso clave en el proceso de planificación proporciona el pozo final
(primera etapa). Este paso clave en el proceso de planificación proporciona una estimación
Estimación del valor económico y tonelaje del proyecto minero en sus primeras etapas. del valor económico y
tonelaje del proyecto minero en sus primeras etapas.
• Optimización del pushback. Dentro del pozo final, muchos pozos anidados incrementales son : • Optimización de
retroceso. Dentro del pozo final, muchos pozos anidados incrementales se generan genéticamente utilizando la
metodología de Lerchs y Grossmann [4]. Entre estos anidados fueron anidados utilizando la metodología de
Lerchs y Grossmann [4]. Entre estos pozos anidados,
tajos, algunos se eligen para definir las fases de minado (segunda etapa), y los volúmenes, algunos se eligen
para definir las fases de minado (segunda etapa), y los volúmenes entre
entre fases consecutivas se denominan retrocesos. La selección de las fases consecutivas se denomina
pushbacks. La selección de las fases (equivalentemente,
(equivalentemente, los retrocesos) se realiza con base en criterios seleccionados, como los retrocesos) se
realiza con base en criterios seleccionados, como el ancho operativo mínimo que se debe mantener para
garantizar un ancho operativo de diseño operativo que se debe mantener para asegurar un diseño operativo
y similar.
y tonelaje de mineral similar [5–8].
tonelaje [5–8].
• Programación de producción. Dentro de cada fase, la producción de mineral se programa en el tiempo. •
Programación de producción. Dentro de cada fase, la producción de mineral se programa en el tiempo.
(tercera etapa), comprometiéndose durante la vida de la mina a la cantidad y calidad de (tercera etapa),
comprometiéndose durante la vida de la mina a la cantidad y calidad de
material a extraer y procesar, generando la promesa de valor ese material a extraer y procesar, generando la
promesa de valor que maximiza
maximiza el VAN del negocio minero [9­11]. el VAN del negocio
minero [9­11].
La figura 1 muestra un diagrama esquemático del proceso de planificación de la producción tradicional.
La figura 1 muestra un diagrama esquemático del proceso de planificación de la producción tradicional de
de una mina a cielo abierto, desde el cálculo final del tajo hasta la programación de la producción. una
mina a cielo abierto, desde el cálculo final del tajo hasta la programación de la producción.

Figura 1. Metodología
Figura tradicional
1. Metodología para
tradicional la planificación
para de de
la planificación minas a cielo
minas abierto
a cielo a largo
abierto plazo
a largo [12].
plazo [12].

LasLas etapas
etapas anteriores
anteriores buscan
buscan asegurar
asegurar una minauna mina
a cielo a cielo
abierto queabierto que
maximice maximice
el valor el presente
presente neto pero, neto
al
mismo
valor pero,tiempo, seatiempo,
al mismo operativamente viable. Sinviable.
es operativamente embargo, un inconveniente
Sin embargo, crítico de crítico
un inconveniente la del flujo de trabajo de
planificación
El flujo de trabajoestándar es la presunción
de planificación estándardeesun
la conocimiento
presunción deperfecto. Por ejemplo,
un conocimiento el Por ejemplo, el proceso
perfecto.
supone un
El proceso rendimiento
supone conocidoconocido
un rendimiento y estableydel equipo
estable delminero
equipopara cada
minero momento.
para cada período de tiempo. Sin embargo,
la complejidad
período. de laslaoperaciones
Sin embargo, complejidadmineras y la incertidumbre
de las operaciones asociada
mineras con
y la incertidumbre asociada a las palas y los
concamiones, que generalmente
palas y camiones, lo que se conoce como se
habitualmente incertidumbre
conoce como operativa, pueden afectar
incertidumbre la
operativa, puede afectar el
cumplimiento de las previsiones de producción a largo plazo [13]. Además, las fluctuaciones
el cumplimiento de las previsiones de producción a largo plazo [13]. Además, las fluctuaciones de (lo
de los costos losque
precios
Losseprecios
conoceocomo incertidumbre
costos, del mercado)
conocidos como también
incertidumbre delpueden ser perjudiciales
mercado, también puedenparaser
el cumplimiento
perjudiciales de loselobjetivos.
para
delcumplimiento del esperado
valor actual neto valor presente neto esperado
del proyecto del proyecto minero [14].
minero [14].
EnEnesteeste trabajo
trabajo nos centramos
nos centramos en la incertidumbre
en la incertidumbre geológica,geológica, queelrepresenta
que representa el grado de en
grado de desconocimiento
la caracterización mineralógica del recurso geológico y se relaciona
desconocimiento en la caracterización mineralógica del recurso geológico y se relaciona principalmente con la
incertidumbre asociada a la estimación de leyes.
principalmente a la incertidumbre asociada con la estimación de las leyes.
Ignorar la incertidumbre puede tener consecuencias en diferentes escalas. En la definición final
del pozo , donde la incertidumbre es mayor, aumenta el riesgo de pérdidas económicas y fuertemente
limita las siguientes etapas; en la definición de fases impide identificar sectores de riesgo
dentro del tajo final, lo que puede presentar desvíos en la etapa final de programación de producción.
Machine Translated by Google

Matemáticas 2023, 11, 3907 3 de 19

En la metodología tradicional, las tres etapas se resuelven utilizando algún software de planificación
estratégica de mina. Según [9], la mayoría de los paquetes de software comerciales utilizan el método de
pozos anidados o implementaciones similares. En consecuencia, pueden dar lugar a planes de producción
difíciles de cumplir en la práctica porque no consideran la incertidumbre geológica [15,16].
Por lo anterior, numerosas investigaciones han demostrado que la incorporación de simulaciones
geoestadísticas, representando cada una de ellas una probable distribución de leyes de un mismo yacimiento,
ha mostrado mejores resultados en la valoración del valor del negocio ya que reproducen la variabilidad
espacial real del yacimiento. variables. En particular, el uso de simulaciones condicionales [17­19] ha
permitido la inclusión de este tipo de incertidumbre en el proceso de planificación de la producción.

Se han realizado algunos esfuerzos para desarrollar enfoques que incorporen la incertidumbre
geológica. En la etapa final de definición del tajo, los primeros trabajos han evaluado el impacto de la
incertidumbre en el cálculo del tajo final para varios escenarios [20] y en base al valor esperado de
cada bloque [21]. También se han estudiado enfoques robustos y con aversión al riesgo [22­24] junto
con análisis de frontera eficiente para un conjunto definido de niveles de riesgo [25,26]. Sin embargo,
la mayoría de las investigaciones en esta área omiten las etapas posteriores para evaluar el impacto
de la definición final del tajo bajo incertidumbre.
La optimización del retroceso es importante en el flujo de trabajo de planificación minera
tradicional, ya que integra restricciones operativas, como un ancho mínimo de minería, en el cronograma
de la mina. Sin embargo, la inclusión de la incertidumbre en esta etapa se ha omitido en gran medida
en la literatura. Los primeros trabajos evaluaron el impacto de incluir la incertidumbre de la ley en esta
etapa [27]. Se ha propuesto reducir el valor económico de bloques con alta variabilidad de ley para
obtener pozos anidados con alto valor y bajo riesgo [28]. También se ha implementado la selección de
pozos anidados basándose en minimizar las desviaciones de los objetivos de producción [29]. Estos
enfoques no se han integrado en la etapa de programación de la producción para evaluar el impacto
de la definición de retroceso.
La programación de la producción en condiciones de incertidumbre ha sido la etapa más estudiada
en el flujo de trabajo de planificación para las minas a cielo abierto. Los primeros trabajos cuantificaron
el potencial de incluir la incertidumbre en la programación de la producción [30­32] y se han propuesto
varios enfoques. Uno de los enfoques más utilizados es la minimización de la desviación de los objetivos
de producción, lo que genera cronogramas que maximizan el VPN y minimizan las sanciones por no
cumplir con los objetivos de tonelaje, ley o calidad [33–39]. También se han implementado programas
estocásticos de dos etapas para incluir acciones de recurso cuando llega nueva información [40–42].
La optimización robusta también se ha utilizado para crear programas estocásticos resilientes bajo
incertidumbre de ley [43]. La mayoría de los modelos estocásticos de programación de producción
plantean un desafío computacional importante. Por esta razón, se ha implementado una amplia gama
de algoritmos, heurísticas y metaheurísticas para ofrecer tiempos de cálculo razonables para este
problema [44­49]. En esta etapa, la mayoría de las obras utilizan como base un tajo final determinista y
luego implementan un modelo de programación de producción estocástico dentro de los límites del tajo,
es decir, omiten la optimización del pushback. Como resultado, las soluciones estocásticas obtenidas
son difíciles de implementar en la operación y los valores económicos de las soluciones no son realistas.
Se han hecho algunos esfuerzos para integrar algunas de las tres etapas de la planificación estratégica.
Por ejemplo, se propuso un algoritmo de flujo de red estocástico para incluir incertidumbre en la
parametrización tradicional del problema de pozo anidado [50,51] para integrar las etapas 1 y 2.
También se han estudiado modelos de aversión al riesgo que utilizan el valor en riesgo condicional
para definir el tajo final y el diseño de la fase [52,53]. En términos de la integración del límite final del
tajo y la programación de producción, se evaluó la confiabilidad del tajo final bajo incertidumbre de ley
y la minimización de las desviaciones en el cronograma de la mina [12]. Finalmente, en [54] también se
exploró el efecto de seleccionar pozos anidados y generar un programa estocástico bajo incertidumbre
geológica .
En [55–58] se puede encontrar una revisión completa de los modelos y algoritmos que se han realizado
en las últimas dos décadas para abordar la integración de la incertidumbre en la planificación minera .
La Figura 2 muestra un diagrama de las principales investigaciones que se han realizado para abordar cada
una de las diferentes etapas del proceso de planificación de la producción bajo incertidumbre geológica. Como
Machine Translated by GoogleSe evaluaron la incertidumbre y la minimización de desviaciones en el cronograma de mina [12].
Finalmente, en [54] también se exploró el efecto de seleccionar pozos anidados y generar un programa
estocástico bajo incertidumbre geológica.
Una revisión completa de los modelos y algoritmos que se han realizado en los últimos
Matemáticas 2023, 11, 3907 4 de 19
Dos décadas para abordar la integración de la incertidumbre en la planificación minera se pueden encontrar
en [55–58]. La Figura 2 muestra un diagrama de las principales investigaciones que se han realizado para
abordar cada una de las diferentes etapas del proceso de planificación de la producción según lo geológico
que se muestra
incertidumbre. en la
Como sefigura, nuestro
muestra en la campo de estudio
figura, nuestro se encuentra
campo enselaencuentra
de estudio intersección
en de todas las etapas.
la intersección de A lo mejor
todasdonde
Hasta las etapas. Hasta
sabemos, nodonde sabemos,
existen estudios no
queexisten
evalúenestudios que evalúen
la inclusión la inclusión de la incertidumbre en todos
de tres etapas.
incertidumbre en las tres etapas.

Figura
Figura2.2.
Trabajo relacionado
Trabajo enen
relacionado diferentes etapas
diferentes etapasdel proceso
del dede
proceso planificación dede
planificación la la
producción dede
producción una mina
una aa
mina cielo abierto.
cielo abierto.
Incertidumbre geológica y campo de nuestro estudio.
Incertidumbre geológica y campo de nuestro estudio.

Este artículo
artículo propone
propone unauna metodología
metodología de múltiples
de múltiples etapas
etapas parapara definir
definir el tajo
el tajo final,
final, pushback. Este
pushback.
optimización y programación
y programación de laUtilizamos
de producción. producción. Utilizamos
modelos modelos
basados basados
en lineales en optimización
enteros mixtos. lineal entera mixta
programación
que incorporaque incorpora incertidumbre
incertidumbre geológica engeológica
cada una ende cada una de
las etapas las maximizar
para etapas para la maximizar la programación
elmismo
VAN esperado y, al mismo
tiempo, minimizar tiempo,de
el riesgo minimizar
pérdidaselasociadas
riesgo decon
pérdidas asociadas con este VAN esperado y, al
esta fuente
fuente de incertidumbre.
de incertidumbre. Específicamente,
Específicamente, este artículo
este artículo contribuye:
contribuye:
• Un
matemático
modelo matemático
para optimizar
paraeloptimizar
tajo final el
considerando
tajo final considerando
la incertidumbre
la incertidumbre
geológica. geológica. • Un modelo
incertidumbre. El modelo
El modelo optimiza optimiza
el valor del tajoelmenos
valor del tajo menos
el valor el valor
condicional en condicional en riesgo. • Un modelo
riesgo (CVaR).
matemático
(CVAR).para la optimización del retroceso en un entorno de incertidumbre. En el
aplicación
• Un modelo en estepara
matemático documento, el modelo
la optimización del selecciona retrocesos
retroceso en de de
un entorno pozos anidados de
incertidumbre. Enmodo que
el total losel
tonelajes
En son similares,
la aplicación pero pueden
de este documento, el modificarse para adaptarse
modelo selecciona a otros
retrocesos criterios.
de pozos anidados de manera que:
• Unlos
programa detotales
tonelajes enteros mixtos
son para programar
similares, fases
pero pueden de bancopara
modificarse bajoadaptarse
incertidumbre para
a otros minimizar
criterios.
desviaciones
• Un programa de losmixtos
de enteros objetivos
parade producción
programar basadas
fases en un
de banco conjunto
bajo existentepara
incertidumbre de retrocesos.
minimizar. • La
integración de las de
desviaciones contribuciones
los objetivosanteriores comobasadas
de producción una optimización estratégica
en un conjunto de múltiples
existente etapas.
de retrocesos.
Enfoque de
• La integración y su
lasaplicación en un
aportaciones caso de estudio
anteriores real. de optimización estratégica en varias etapas y
como enfoque
suAdemás
aplicación
deen
la un caso dedeestudio
novedad real. y la metodología, vale la pena señalar que nuestro
los modelos
El trabajo
Ademásesdeellaprimero
novedaden
de abordar lasytres
los modelos etapas simultáneamente,
la metodología, lo que
vale la pena señalar nos de
el efecto permitió analizar
la incertidumbre
Elen las diferentes
trabajo etapas,
es el primero en que puede
abordar lasusarse para simultáneamente,
tres etapas ayudar a los ingenieros
lo queanos
concentrarse.
permitió analizar sus esfuerzos
de modelación a lo largo de las diferentes etapas del proceso de planificación.
el efecto de la incertidumbre en las diferentes etapas, que puede usarse para ayudar Finalmente, es
a los ingenieros a
concentrarse,
sus vale
esfuerzos por la penalas
modelar mencionar
diferentesque, aunque
etapas presentamos
del proceso nuestro enfoque
de planificación. en el contexto
Finalmente, de la geología
está la incertidumbre,
los modelos también podrían usarse para la incertidumbre del mercado.
Vale la pena mencionar que aunque presentamos nuestro enfoque en el contexto de la incertidumbre geológica,
los modelos también podrían usarse para la incertidumbre del mercado.
2. Materiales y métodos

Esta sección presenta la notación matemática y los modelos de optimización que proponemos
para cada etapa de planificación. Para la definición final del tajo, proponemos un modelo que maximiza
VAN esperado y minimiza una métrica de riesgo. Para la optimización del retroceso, ampliamos
una metodología que selecciona pozos anidados para formar retrocesos presentados en [6], pero con la
integración de un VAN estocástico para cada bloque dentro del tajo final de la etapa 1. Finalmente,
Para la programación de la producción, proponemos un novedoso modelo de optimización que maximiza
Machine Translated by Google proponer para cada etapa de planificación. Para la definición final del tajo, proponemos un modelo que
maximiza el VPN esperado y minimiza una métrica de riesgo. Para la optimización del pushback,
extendemos una metodología que selecciona tajos anidados para formar pushbacks presentados en
[6], pero con la integración de un VAN estocástico para cada bloque dentro del tajo final de la etapa 1.
Matemáticas 2023, 11, 3907 5 de 19
Finalmente, para la programación de producción, proponemos un nuevo modelo de optimización que
maximiza el VAN esperado y minimiza las desviaciones de los objetivos de producción utilizando los
retrocesos de
la etapa 2. VAN esperado y minimiza las desviaciones de los objetivos de producción utilizando los retrocesos
2.1.
de laNotación
etapa 2.General
Primero, representa el modelo de bloques. Los bloques se indican con la letra 2.1. ,
Notación general
identificados por su centroide ( , , ) . Múltiples realizaciones (simulaciones condicionales)
Primero, B representa el modelo de bloques. Los bloques se denotan con la letra b, identificada
del modelo de recursos minerales se considera que incorporan la incertidumbre geológica, por su
centroide (x,
y están indexados = {1,…, }. Si se. Múltiples
y, z) porR3 considera realizaciones (simulaciones condicionales) de la
que la variable aleatoria que representa el elemento
delconcentración
La modelo de recursos minerales
del bloque ,incorpora
es entonces { } larepresenta
incertidumbre geológica,
un conjunto de yrealizaciones o muestras
que
de . Laestán indexadas por S = {1,. . . , S}. Si la variable aleatoria que representa el elemento
concentración del bloque b es gb , entonces {gbs}s S representa un conjunto de realizaciones o muestras de gb .
Debido a requisitos de estabilidad, las restricciones de pendiente vienen dadas por una o varias pendientes.
Debido a requisitos de estabilidad, las restricciones de pendiente vienen dadas por una o varias pendientes.
Ángulos que definen las pendientes máximas posibles en las paredes del foso. Los ángulos de
forma estándar que definen las pendientes máximas posibles en las paredes del foso. El estandar
Modelar estas restricciones de pendiente es usar arcos de precedencia de la siguiente manera: Para cualquier forma dada,
modelar estasun
bloque , restricciones
existe conjunto de− pendiente
{ } de otrosesbloques
usar arcos de precedencia de la siguiente manera: Para cualquier forma dada
(llamados predecesores) que el bloque b, existe un conjunto
PRECb B − {b} de otros bloques (llamados predecesores) que deben
debe extraerse antes para poder acceder al bloque b y mantener estables las paredes del pozo. La Figura 3
debe minarse antes para acceder al bloque b y mantener estables las paredes del pozo. La figura 3 muestra una
muestra una configuración simple basada en un ángulo de pendiente de 45° y un nivel de precedencia.
En configuración sencilla basada en un ángulo de pendiente de 45◦ y un nivel de precedencia. En la figura,
Como muestra la figura, para extraer el bloque 6, se deben quitar los primeros cinco bloques (1, 2, 3, 4 y 5).
En esto para extraer el bloque 6, se deben eliminar los primeros cinco bloques (1, 2, 3, 4 y 5). En este caso,
= {1, 2, 3, 4, 5} (izquierda). Por otro lado, la vista 2D muestra en el caso de las flechas azules,
PREC6 = {1, 2, 3, 4, 5} (izquierda). Por otro lado, la vista 2D muestra en flechas azules la
los arcos de precedencia inducidos para un ángulo de pendiente dado (derecha).
arcos de precedencia inducidos para un ángulo de pendiente dado (derecha).

Figura 3. Relación de precedencia entre bloques para un ángulo de pendiente determinado para un bloque “6” determinado. Izquierda:
Vista3.isométrica
Figura de los predecesores
Relación de precedencia entre bloques inmediatos
para un ángulo1de
a pendiente
5. Derecha: vista en
determinado sección
para con
un bloque “6” algunos predecesores
determinado. Izquierda: y
ángulo
Vista de pendiente.
isométrica de los predecesores inmediatos 1 a 5. Derecha: Vista en sección con algunos predecesores y ángulo de pendiente.

Para generar el modelo de bloques económicos, consideramos el caso más simple de extracción
bloques:
Para(i)generar
Se clasifican como
el modelo debloques
bloquesde mineral (ingresos
económicos, > costos)
consideramos el ycaso
por lo
mástanto pueden
simple paraenviarse
el a
procesamiento
bloques: extraído,
(i) Se clasifican o (ii)bloques
como se clasifican como(ingresos
de mineral bloques>de residuos,
costos) y porenlo cuyo
tanto caso
puedenestos bloques
enviarse a se envían
vertederos. En elo escenario
procesamiento, s S,como
(ii) se clasifican el valor económico
bloques de un bloque
de residuos, que caso
en cuyo se extrae
estosy bloques se envían
aprocesados
vertederos viene dado por:
de residuos. En el escenario , , el valor económico de un bloque que se extrae y
procesa viene dado por:
valproc = tonb(precio ∙ rec ∙ gbs − mcosto − pcosto) (USD) bs = ( (1)
­
− ) (USD) (1)
Si un bloque se trata como residuo, su valor económico viene dado por:
Si un bloque se trata como residuo, su valor económico viene dado por:
valdump == ­−mcosto ∙ tonelada (USD) (2)
b (DÓLAR ESTADOUNIDENSE) (2)
Por
Portanto,
tanto,elelvalor
valoreconómico
económiconeto
neto de
de un
un bloque
bloque se
se calcula
calcula como:

= máximo , valdump (USD) (3)

vbs = valproc máximo
bs , b (USD) (3)
En las ecuaciones anteriores, es el precio del metal [USD/ton], es el promedio En las ecuaciones
anteriores,metalúrgica
recuperación el precio es el(en
precio del metal [USD/ton],
porcentaje), rec es el promedio
es la concentración del metal de interés
recuperación metalúrgica (en porcentaje), gbs es la concentración del metal de interés (ley,
como fracción) en el bloque b cuando se considera el escenario geológico s , mcost y pcost son
costos de extracción y procesamiento [USD/ton], y tonb es el tonelaje del bloque b.
Tenga en cuenta que la calificación gbs del bloque b y del escenario s se reemplaza por gb para el determinista
caso, es decir, cuando no se considera ninguna incertidumbre. En este caso, el valor neto de un bloque b es
expresado como vb .
Machine Translated by Google

Matemáticas 2023, 11, 3907 6 de 19

2.2. Etapa 1: Problema del límite del tajo

final En esta sección, proponemos un modelo de optimización que maximiza el valor neto no descontado
esperado y simultáneamente minimiza el riesgo de pérdidas, expresado en términos del valor en riesgo (VaR) y el
valor en riesgo condicional (CVaR). ) [59]. Utilizamos una aproximación discreta de VaR y CVaR [60], anotados VaR

y CVaR, respectivamente, que permite utilizar una muestra de la distribución de probabilidad de g, dada por
escenarios generados por simulación condicional.

Las variables de decisión se definen como

1, si el bloque b pertenece al límite final del pozo, 0,

xb = (4)
en caso contrario

zs = Contribución del escenario s a CVaR (5)

Proponemos el siguiente modelo de programación lineal entera mixta que maximiza la diferencia entre el valor

total esperado y CVaR:

(P1) máximo
S
1
∑ vbs ∙ xb
− CVaR (6)
b B,s S

calle b B, b PRECb (7)

xb ≤ xb
s S_ (8)
zs ≥ f(x, g s ) − VaR
s S_ (9)
g (vb − vbs)xb
s ) = ∑ f(x,
b B
s S_
CVaR = VaR + 1
S(1−δ)
∑ zs (10)

s S
zs ≥ 0 s (11)
S b B (12)
xb {0, 1}
La ecuación (6) representa la función objetivo. La ecuación (7) corresponde a las restricciones de precedencia
dadas por el ángulo de pendiente. Las ecuaciones (8) a (10) establecen las condiciones para un CVaR discreto bien
definido (en este contexto, la función de pérdida f representa la pérdida monetaria obtenida en el escenario s frente al
caso base/determinista), con δ (0, 1) el nivel de confianza, y las ecuaciones (11) y (12) establecen la naturaleza
de las variables, continua y binaria, respectivamente.

Una solución óptima de (P1) determina qué bloques pertenecen al límite final del tajo para que el valor esperado
se maximice en todas las simulaciones y al mismo tiempo se minimice el riesgo de pérdidas medido por la
aproximación discreta de CVaR. La versión determinista de este problema se puede encontrar en [61].

2.3. Etapa 2: Optimización del retroceso En

la subsección anterior, se determinó un tajo final estocástico. Ahora se presenta un procedimiento para la
optimización del retroceso (etapa 2). El procedimiento tiene en cuenta la incertidumbre geológica dentro del pozo
final y amplía las ideas presentadas en [6], donde se estudia el caso determinista. Esta extensión considera múltiples
realizaciones del yacimiento y consta de dos partes: cálculo de tajos anidados estocásticos y selección de retroceso.
Los describimos ahora.

2.3.1. Cálculo de pozos anidados estocásticos

Sea B B el límite último del tajo obtenido de la Sección 2.1. Aplicando la metodología de Lerchs y Grossmann
[4] y escalando el precio del metal mediante una serie de n ingresos para cada bloque b, cada realización s y cada
i factores 0 < λ1 < ∙ ∙ ∙ < λn, tenemos un valor v bs
factor de ingresos λk dado por:
valproc = tonb(λk ∙ precio ∙ rec ∙ gbs − mcosto − pcosto) (USD) bs (13)
Machine Translated by Google

Matemáticas 2023, 11, 3907 7 de 19

Al promediar los valores de los bloques de todas las realizaciones, tenemos un valor esperado de cada bloque b asociado
con el factor de ingresos λi dado por:

i (14)
yo
vb = S −1∑s Sv bs (DÓLAR ESTADOUNIDENSE)

Para obtener los pozos anidados estocásticos, resolvemos n problemas finales de límite de pozos, uno para cada
λk , según [21], obteniendo = P0 P1 ∙∙∙ Pn pozos anidados, donde Pn = B .

2.3.2. Selección de retroceso de los pozos anidados estocásticos

De los potencialmente muchos pozos generados en la etapa anterior, vamos a seleccionar algunos de ellos como fases
de minado. Los retrocesos corresponden al volumen entre pozos seleccionados consecutivamente; por lo tanto, seleccionar
hoyos o retrocesos es equivalente.
Para seleccionar pushbacks del conjunto de pozos estocásticos anidados, utilizamos la formulación propuesta en [6],
donde un modelo de optimización elige los mejores candidatos de pushback basándose en minimizar el problema de la brecha [5]
para que las fases resultantes tengan la diferencia mínima entre ellos en tonelajes de mineral y residuos. Para esto, definimos un
pushback Pushjk = Pj Pk como el conjunto de bloques contenidos entre los pozos anidados Pj y Pk , donde 1 ≤ k < j ≤ n. Dado el

retroceso Pushjk, ampliamos los atributos del bloque como el tonelaje de mineral ( otonjk o el tonelaje de roca rtonjk agregando
valores individuales. Para dividir B en retrocesos, es necesario definir el conjunto de retrocesos precedentes (Ecuación (15)) y el

conjunto de retrocesos sucesivos (Ecuación (16)) de Pushjk.

PRECjk = Pushjk : k 0, k − 1 j 2, norte, k 1, j − 1 (15)

SUCjk = Pushj k : j j + 1, n j 1, norte − 1, k 0, j − 1 (dieciséis)

De lo anterior, las variables de decisión se definen como

1 si se elige Pushjk como fase de minería

(17)
xjk = 0 de lo contrario

En nuestro modelo, asumiremos que estamos interesados en minimizar las diferencias entre
los tonelajes de las fases (se pueden considerar otros objetivos/restricciones de manera similar).
Para ello utilizamos la desviación media absoluta (MAD), donde los tonelajes se comparan con un
valor de referencia rtonN0/no, cuando no se desean fases. Entonces, el modelo de programación
lineal entera que minimiza MAD es

mín.
1 no
∑ rtonjk − no
rtonn0
∙ xjk
j 1,n (18)
(P2)
k 0,j−1

∑ xjk = no
calle j 1,n (19)
k 0,j−1

∑ xj0 = 1
(20)
j 1,n

∑ xnk = 1
(21)
k 0,n−1
j 2, norte, k 1, j − 1 (22)
xjk ≤ ∑ xj k
Pushj k PRECjk
Machine Translated by Google

Matemáticas 2023, 11, 3907 8 de 19

j 1, norte − 1, k
xjk ≤ ∑ xjk 0, j − 1
(23)

Pushj k SUCjk
j 2, norte, k 1, j − 1 (24)
∑ xj k ≤ 1
Pushj k PRECjk
j 1, norte − 1, k
(25)
∑ xj k ≤ 1 Pushj k 0, j − 1
SUCjk xjk
{0, 1} j 1, norte, k 0, j − 1 (26)

La ecuación (18) representa la función objetivo. La ecuación (19) establece el número de fases
deseadas. Las ecuaciones (20) a (25) determinan la partición del pozo final en fases, específicamente:
Las ecuaciones (20) y (21) imponen la selección de un pozo inicial P0 y un pozo final Pn,
respectivamente; Las ecuaciones (22) y (24) imponen que para seleccionar un retroceso, se debe
seleccionar uno y solo un retroceso anterior. De manera similar, las ecuaciones (23) y (25) establecen
que para seleccionar un retroceso determinado, se selecciona uno y sólo un retroceso sucesivo.
Finalmente, la ecuación (26) establece la naturaleza binaria de las variables.

2.4. Etapa 3: Programación de la

Producción Una vez definido el límite final del rajo y los retrocesos, se debe programar la producción
minera en el tiempo (tercera etapa). En esta sección desarrollamos la metodología para generar un
cronograma de producción en base al conjunto de pushbacks definidos en la etapa anterior.

En los últimos años, algunos autores han presentado diferentes modelos que apuntan a
maximizar el VPN y minimizar los efectos negativos de la incertidumbre [12,36,39,44,62–64].
Un enfoque común a estos modelos se basa en la incorporación de penalizaciones que
reducen el VAN esperado cuando no se cumplen los objetivos de producción o calidad. Estas
sanciones generalmente se definen por la magnitud de la desviación del objetivo requerido y
el costo de la desviación.
En este caso, consideramos que debido a la incertidumbre geológica, los cronogramas de producción
pueden sufrir desviaciones en la práctica, generando problemas de subproducción o sobreproducción, ya
sea de mineral a proceso o de calidad de mineral (blending) que no esté en el rango de ac. ­ceptación. Se
considera la siguiente notación: los costos unitarios por tonelaje de mineral (metal) de sobreproducción y
subproducción en el período t en los escenarios s se representan como cp+ (cg+ y cp− ts y cg− ts , ts
respectivamente.
ts
Dado que el depósito se dividió en un conjunto de n0 retrocesos, para tener control sobre la geometría de
extracción y organizar el equipo, el pésimo retroceso se denota como Bp, con p=1 Bp. Además, los bancos se
B= n0
definen como el conjunto de todos los bloques que tienen la misma coordenada z. La intersección de una
fase y un banco se denomina fase de banco o panel, que se denotará por

Bp j (27)
_ = (x, y, z) Bp : z = z(j) j 1, Jp

donde Jp representa el número de bancas dentro de la fase p. Suponemos la relación z(1) >
z(2) > ∙ ∙ ∙ > z Jp , de modo que podamos identificar cada fase del banco usando un índice j.

Consideramos un horizonte temporal T N y denotamos períodos de tiempo individuales con t = 1,

2, ..., T. El conjunto de períodos de tiempo se denota por T = 1, T. También hay un conjunto de destinos D
=P W compuesto por un conjunto de plantas de procesamiento P y un conjunto de botaderos de
desechos W. Por ejemplo, d P puede considerarse como una planta de procesamiento en la Ecuación
(1), o d W el botadero de desechos en la Ecuación (2). El valor descontado para un bloque b B en el
escenario geológico s S cuando se envía al destino d D en el período t T está dado por

tvbdts = ρ _ vbd (USD) (28)

Machine Translated by Google

Matemáticas 2023, 11, 3907 9 de 19

donde ρ es una tasa de descuento que representa el costo de oportunidad. El valor estocástico vbdt
se obtiene promediando todos los escenarios geológicos.
Para cada bloque, identificamos dos conjuntos de atributos: (i) aquellos relacionados con la cantidad de material y el
control del recurso operativo disponible, como tonelajes de mineral y residuos ; y (ii) aquellos relacionados con la concentración
de un determinado elemento, como leyes de minerales o contaminantes. En particular, definimos rtonb como el tonelaje total
(mineral + desechos) del bloque b. Para tener en cuenta la incertidumbre sobre la ley, gbs y otonbs se definen como la ley y el
tonelaje del mineral, respectivamente, de cada bloque b en el escenario s. Estas definiciones serán útiles para controlar las
desviaciones de los objetivos de producción. Los límites superior e inferior se denotan, respectivamente, por (i) capacidad
minera en el período t, MC+ y MC− t ; (ii) capacidad de procesamiento para d P en el período t, PC+ y PC− dt; y (iii) mezcla
o calidad de la ley del mineral para d t
P en el período t, BC+
dt dt
y BC− La dt.

formulación considera las decisiones de extracción y procesamiento por separado, utilizando variables binarias para la
primera y variables continuas para la segunda, lo que lo convierte en un programa entero mixto. La función objetivo es la
maximización habitual del VPN y al mismo tiempo minimiza el costo total descontado asociado con las desviaciones de los
objetivos de producción.

La variable de decisión está definida para b B , t T:_

1, si el bloque b se extrae mediante el período t,

xbt = (29)
0, en caso contrario

La interpretación de la variable xbt es por periodo, es decir xbt = 1 si y sólo si el bloque b ha sido extraído en algún
periodo s 1, t. Las ventajas de esta formulación se analizan en [65]. Para simplificar la notación, es útil introducir las siguientes
variables auxiliares para b B: ∆xb1 = xb1 , y ∆xbt = xbt − xb,t−1 para t = 2, T. Tenemos xbt = ∑s≤t xbs y ∆xbt = 1 si, y sólo si,
el bloque b se extrae exactamente en el periodo t.

El segundo conjunto de variables se define para b B, d Dyt T:

ybdt = fracción del bloque b enviado al destino d en el período t (30)

Un tercer conjunto de variables binarias controla el progreso de las fases de banco en la operación,
definido para la fase p 1, no, banco j 1, Jp y período t T:

j 1, si la fase de banco B 0, pag se extrae completamente en el período t en caso

zpjt = (31)
contrario.

Finalmente, definimos variables continuas para representar las desviaciones del objetivo de producción de mineral y el
requerimiento promedio de metal. Para cada uno, definimos desviaciones tanto por debajo como por encima, para t Tys
S en las ecuaciones (32) a (35).

−
tú (32)
ts = déficit de toneladas de mineral extraído en el periodo t y escenario s.

+
u ts = superavit de toneladas de mineral extraído en el periodo t y escenario s. (33)

vts _ = déficit de toneladas de producción de metales en el periodo t y escenario s. (34)

+
vts _ = superavit de toneladas de producción de metales en el periodo t y escenario s. (35)

Luego, el modelo de programación lineal entera mixta para generar un cronograma de producción, siguiendo un orden
equilibrado de fases, y no permitiendo una profundidad mayor que un cierto umbral Φ N entre fases consecutivas, está
dado por las Ecuaciones (36)­(52).
Machine Translated by Google

Matemáticas 2023, 11, 3907 10 de 19

+ (36)
(P3) + + cp­ tsu − −
ts + cg+ts vts _ + cg­ ts vts _
1 máximo
S vbdts ∙ ybdt − ∑ cp+ tsuts
b B, t T t T,s S
d D, s∑ S

calle b B , t T__ (37)

∆xbt ≥ 0
b B , t T__ (38)
∆xbt = ∑ ybdt
d D
b j−1
Bp, t T, p 1, no, j
(39)
zp(j−1)t ≤ xbt 2, J.p.

j b B p, t T, p 1, no, j
(40)
xbt ≤ zp(j−1)t 2, J.p.

j b
B p−1 , t T, p 2, no, j
(41)
xbt ≤ zp(j−Φ)t Φ + 1, Jp−1
b B j−Φ+1
p ,t T, pag
(42)
xbt ≤ z(p−1)jt 2, no, j Φ, Jp−1
t T_ (43)
∑ rtonb ∙ ∆xbt ≤ MC+ t
b B

∑ rtonb ∙ ∆xbt ≥ MC− t

t T_ (44)

b B

∑ otonbs ∙ ybdt − u +
ts
≤ PC+
dt
t T,s S, d P (45)

b B
t T,s S, d P (46)
∑ otonbs ∙ ybdt + u
−
≥ PC− dt
ts
b B

∑ GBs − BC+dt ∙ otonbs ∙ ybdt ≤ v +

ts
s S, t T, d P (47)

b B

∑ antes de
− gbs ∙ otonbs ∙ ybdt ≤ v
Cristo­ dt
−
ts
s S, t T, d P (48)

b B
b B , t T__ (49)
xbt {0, 1}
p 1, no, j 1, Jp, t T (50)
zpjt {0, 1}
b B , re D, t T (51)
ybdt [0, 1]
+ + uuvv ts,
− −
≥0 t T,s S (52)
ts, ts, ts

La ecuación (36) presenta la función objetivo, que es el VPN máximo esperado del
cronograma de mina menos el costo de la incertidumbre, es decir, el costo total asociado con las
desviaciones de los objetivos de producción. La ecuación (37) restringe que cada bloque se
extraiga solo una vez, y la ecuación (38) requiere que los valores de las variables de extracción y
procesamiento sean consistentes, es decir, si se extrae un bloque, entonces debe distribuirse
entre los posibles destinos. . A su vez, las Ecuaciones (39) y (40) corresponden a las restricciones
de precedencia vertical entre bancos de minería, y las Ecuaciones (41) y (42) imponen un orden
en la secuencia equilibrada de extracción entre bancos de diferentes fases. Además, las
Ecuaciones (43) y (44) limitan el consumo de recursos mineros (transporte) en cada período, lo
que afecta el mineral y el material de desecho. A su vez, las Ecuaciones (45) y (46) limitan el
consumo de recursos de procesamiento en cada período t y escenario s, lo que restringe la
cantidad de mineral tratado en la planta. De manera similar, las ecuaciones (47) y (48) representan
las restricciones de mezcla sobre la ley promedio del mineral en el destino d para cada escenario
s y período t. Finalmente, la Ecuación (49) establece que las variables de extracción son binarias.
La ecuación (50) representa las variables binarias que controlan la precedencia entre bancos
consecutivos. La Ecuación (51) indica que las variables de procesamiento son continuas, y la
Ecuación (52) representa las desviaciones en los objetivos de producción.
 . ,
Machine Translated by Google representan las restricciones de mezcla sobre la ley promedio del mineral en destino para cada
escenario y período. Finalmente, la Ecuación (49) establece que las variables de extracción son
binarias. La ecuación (50) representa las variables binarias que controlan la precedencia entre bancos
consecutivos. La Ecuación (51) indica que las variables de procesamiento son continuas, y la
Matemáticas 2023, 11, 3907 11 de 19
Ecuación (52) representa las desviaciones en los objetivos de producción.

2.5. Estudio de caso

2.5. Caso de estudio
El modelo de bloque es un depósito de pórfido de cobre del norte de Chile, para el cual 50 El
modelo de bloque
Hay simulaciones es un depósito
condicionales de pórfido
disponibles. Este de cobreconsta
modelo del norte de Chile,bloques
de 407.179 para el cual
de 10 m × 10.
Se encuentran
m×10m. disponibles
La pendiente 50 simulaciones
promedio condicionales.
entre 50 escenarios Este como
se utiliza modelo consta
una de 407.179 bloques de
representación
determinista de
determinante de10la m × 10 mley
variable × 10
del m. La ley
cobre. Porpromedio
razones entre 50 escenarios se
de confidencialidad, utiliza
otros como
aspectos
específicos de la representación del bloque tic de la variable ley de
no se divulga el modelo, como propietario y ubicación, entre otros. No se cobre. Por motivos de confidencialidad,
revelan aspectos del modelo de bloque, como propietario y ubicación, entre otros.
La Figura 4a presenta el histograma, incluidas las barras de error a lo largo de las simulaciones, y la
Figura curvas
4b muestra 4a presenta el histograma,
ley­tonelaje incluidas las
para cuantificar losbarras de error
recursos a lo largo de
recuperables enlas simulaciones,
diferentes y la Figura 4b
cortes
muestra curvas ley­tonelaje para cuantificar los recursos recuperables en diferentes
Los grados. Ambas figuras representan barras de error con los percentiles 5 y 95 por intervalo, cortes
grados. Ambas
mostrando figuras representan
baja incertidumbre barras
en las leyes de error
de cobre con losde
y tonelajes percentiles
mineral. 5 y 95 por intervalo,
mostrando baja incertidumbre en las leyes de cobre y tonelajes de mineral.

(a) (b)

Figura 4. Resumen del modelo de bloques 3D: (a) Histograma de leyes de cobre, incluidas barras de error (P5
Figura 4. Resumen del modelo de bloques 3D: (a) Histograma de leyes de cobre, incluidas barras de error (P5
y percentiles P95), (b) curvas ley­tonelaje para el conjunto de realizaciones simuladas (P5 y P95) y percentiles
P95), (b) curvas ley­tonelaje para el conjunto de realizaciones simuladas (P5 y P95) y
modelo geológico determinista.
modelo geológico determinista.

Los parámetros para generar valores de bloques económicos se presentan en la Tabla 1.

Los parámetros para generar valores de bloques económicos se presentan en la Tabla 1.
La metodología se aplica considerando los siguientes parámetros. Para el límite final del tajo se
aplica una metodología considerando los siguientes parámetros. Para el límite final de boxes,
nivel de confianza de = 95%. Para la optimización del retroceso, los factores de ingresos son = un
nivel de confianza de δ = 95%. Para la optimización del retroceso, los factores de ingresos son
λk, =con
con
k
90 k
,
1,90
1, .90.
LosLos
parámetros para
parámetros la programación
para de de
la programación la producción se se
la producción presentan en en
presentan la Tabla 2. 2.
la Tabla

Tabla 1. Parámetros económicos y técnicos para evaluar el modelo 2D.

Tabla 1. Parámetros económicos y técnicos para evaluar el modelo 2D.

Parámetro Símbolo Valor

Precio del cobre (USD/tonelada) Precio 5511.55

Recuperación metalúrgica rec 0,85
Costo de minería (USD/tonelada) Mcosto 3.2
Costo de procesamiento (USD/tonelada) costo 9.0

Tabla 2. Parámetros económicos y técnicos para la programación de la producción.

Parámetro Símbolo Valor

Máx. capacidad minera (Mton) MC+ t 13.0

Mín. capacidad minera (Mton) MC­ t 0.0
Máx. capacidad de procesamiento (Mton) PC+t 7.0
Mín. capacidad de procesamiento (Mton) PC­t 6.0
Máx. nota media (%) antes de Cristo+ +∞
dt
Mín. nota media (%) antes de Cristo­ 0,8–0,5
Profundidad máxima (bancos) dtΦ _ 8
Planificación del horizonte (años) t 22
Machine Translated by Google

Matemáticas 2023, 11, 3907 12 de 19

Tabla 2. Cont.

Parámetro Símbolo Valor

Tasa de descuento ρ 1/(1 + 10%)

Número de destinos D 2
Número de escenarios S 50
Costo de sobreproducción de mineral (USD/ton) CP+
s0
18.5
Costo de subproducción de mineral 18.5
cp­ s0
(USD/tonelada)
Costo de sobreproducción de metal. 0
cg+s0
(USD/tonelada)
Metal de subproducción de costos 39.0
cg­ s0
(USD/tonelada)

3. Resultados

En este apartado se presentan y analizan los resultados obtenidos correspondientes a cada etapa del
la metodología propuesta para el estudio de caso. Los modelos de optimización fueron codificados en Python.
(Biblioteca PuLP, versión 2.5.1) [66] con GUROBI 8.1.1 [67] y ejecutado en Windows de 64 bits
Estación de trabajo OS (versión 10 Pro) con CPU Intel Xeon E5 2660 v3 con 128 Gb de RAM.

3.1. Pozo final

La Tabla 3 muestra un resumen de los resultados numéricos: Medidas de riesgo VaR y CVaR,
valor esperado sin descuento, brecha de optimización y tiempo de procesamiento de la CPU, considerando
un nivel de confianza del 95%. Los resultados muestran un valor esperado sin descuento igual a
2078.06 MUSD, con un 95% de probabilidad la pérdida no supere VaR = 144.99 MUSD y
el promedio del 5% de pérdidas más altas no excederá CVaR = 166.00 MUSD. Lo esperado
El tonelaje de mineral es de 137,52 [Mton] y el tonelaje de roca esperado es de 273,19 [Mton]. La forma de
El tajo final resultante se presenta en la Figura 5. El problema estocástico del límite del tajo final fue
resuelto en aproximadamente 4 h.

Tabla 3. Resultados numéricos para un límite final de tajo considerando el CVaR como una medida de riesgo con confianza
nivel δ = 95%.

VaR CVaR Ampliado. Valor Optar. Brecha Tiempo

Matemáticas 2023, 11, x PARA REVISIÓN POR PARES [MUSD] [MUSD] [MUSD] (%) [s] 13 de 20

144,99 166.00 2078.06 0.1 14.881

(a) (b)

Figura 5. Límite de tajo final estocástico considerando un nivel de confianza = 95%. (a) Vista en planta, (b)
Figura 5. Límite de tajo final estocástico considerando un nivel de confianza δ = 95%. (a) Vista en planta, (b) norte
Vista sección norte—5.030 m. vista
en sección—5.030 m.

3.2.
3.2.Optimización
Optimizacióndel
de retroceso
retroceso
Se
anidados
generaron
P1 noventa
P2 pozos
∙ ∙ ∙ anidados
P90 (Figura 6): El(Figura
primer pozo
6): Seno
generaron
vacío es los
λ = primeros
90 ; por lonoventa
tanto, los
pozos
primeros
17
16 pozos
pozo vacíoestán
es =; vacíos. La Figura
por lo tanto, 7 muestra
los primeros 16 el “pozoestán
pozos por vacíos. La Figura 7 muestra el gráfico “tajo por
tajo” , incluyendo barras de error (banda P95­P5) tanto para el tonelaje de mineral como para el tonelaje esperado.
gráfico, que incluye barras de error (banda P95­P5) tanto para el tonelaje de mineral como para los valores económicos
esperados
valores para cada para
económicos tajo. cada pozo.
Machine Translated by Google
3.2.
3.2.Optimización
Optimizacióndel
deretroceso
retroceso
Se generaron noventa
anidados pozos
(Figura 6):anidados
El primer pozo no(Figura 6):=Se
vacío es generaron
; por lo tanto,los
losprimeros
primerosnoventa pozos
16 pozos están
vacíos. La Figura
pozo vacío es =;7por
muestra el “pozo
lo tanto, por pozo”
los primeros 16 pozos están vacíos. La Figura 7 muestra el “pozo por pozo”
Matemáticas 2023, 11, 3907 13 de 19
gráfico,
gráfico,que
queincluye
incluyebarras
barrasdedeerror
error(banda
(bandaP95­P5)
P95­P5)tanto
tantopara
paraeleltonelaje
tonelajededemineral
mineralcomo
comopara
paralos
losvalores
valores
económicos
económicosesperados
esperadospara
paracada
cadatajo.
tajo.

(un)
(un) (b)
(b)

Figura
6. (a)6.
Pozos (a) Pozos
Pozos
anidados estocásticos
estocásticos anidados
anidados
estocásticos dentrodentrodentro del del
del límite
del límite final límite
final final
del
pozo del
pozo
de pozo
de la de
la etapa 1: la
(a)etapa
etapa 1: (a)1:
Vista (a)
Vista
en Vista en Sección
en planta
planta, (b) planta, (b)
N Sección
, (b) Sección N Figura
N Figura 6. (a)
vista—5.030
—5.030 m. m. vista
vista—
5.030 m.

Figura
Figura7.7.Gráfico
Gráfico“Tajo
“Tajo
“tajopor
apor
tajo”,
tajo”,
tajo”, considerando
considerando
considerando tanto
tanto
tanto eleltonelaje
el
tonelaje
tonelaje
dede
del mineral
mineral
mineral como
como
como lala
la variabilidad
variabilidad
variabilidad del
del
del valor
valor
valor nono
no descontado
descontado
descontado debido
debido
debido aa la
a
incertidumbre
incertidumbregeológica.
geológica.a la

Tengaelen
Nótese
pero que cuenta
tantoque
primero tienetanto
unaeltasa
el tonelaje tonelaje
esperadoesperado de residuos
de residuos
de crecimiento mayorcomocomo
que de
elelde mineral están
mineral
segundo, están
lo queaumentando
en generalestrictamente,
estrictamente que elpero el
aumentando,
indica
eluna
primero
tasa tiene una tasa de
de crecimiento crecimiento
mayor mayor que
que el segundo, el segundo,
lo que lo que
en general en que
indica general indica que el
los pushbacks primero tiene
presentarán un
ratio
Los de stripping
queretrocesos
debe creciente
presentarán
eliminarse (la cantidad
una
para liberarrelación de
de material decada
extracción
una cantidad desecho
determinada vez que (laDe
mayor
de mineral). cantidad
hecho,de materialtajo
el primer de presentará
desecho
una eliminarse
debe
una relación
baja depara
deberá extracción
ser liberar unapara
removido cantidad determinada
liberar de mineral).
una determinada De de
cantidad hecho, el primer
mineral). tajo que
De hecho, presentará
el primer tajo
presentará
ratio un
de desmontaje, bajo
de desmontaje, ratio de desbroce,
un escenario
un escenario ideal
ideal paraescenario
para ideal
asegurar
asegurar para
unauna asegurar de
programación
programación unaproducción
programación
de producción de
queque producción
maximice
maximice elque maximice el
ratio
el valor
esperado
valor
descontadodescontado
esperado descontado
acumulado, acumulado, sujeto
acumulado,
sujeto a restricciones
sujeto
a restriccionesaoperativas.operativas.
restricciones operativas. valor esperado
Luego se utiliza el modelo (P2) para seleccionar 4 retrocesos para reducir las diferencias en el mineral y
tonelajes de residuos entre las fases resultantes. El modelo tiene (n − 3)(n − 2)(n − 1)/6 = 113,
564 formas de realizar la partición del foso final. La Figura 8 muestra las 4 fases (planificación y
vistas en sección), y la Figura 9 muestra los tonelajes de mineral y desechos y la ley promedio por
fase, incluyendo las barras de error asociadas (P5 y P95) según la variabilidad de la calificación.
Destacamos que hay descensos en tonelaje de mineral y leyes promedio a lo largo de las fases.
El tiempo total de CPU fue de 300 [s] para el cálculo de pozos anidados estocásticos y 15 [s] para el cálculo de pozos anidados estocásticos.

resolviendo el modelo de selección de fases (P2).

3.3. Programación de producción

Se aplicaron diferentes restricciones para limitar las capacidades mineras superior e inferior como
así como las capacidades de procesamiento. Además, garantizamos mineral de calidad suficiente para la alimentación del molino.
imponiendo un límite inferior a la nota media por período, que es decreciente, como se ve en
Etapa 2: aplicamos un límite inferior de 0,8% para los primeros 7 períodos y 0,7%, 0,6% y 0,5%
para cada uno de los siguientes 3 quinquenios, respectivamente.

Machine Translated by Google
Matemáticas 2023, 11, 3907
.
tonelajes de residuos entre las fases resultantes. El modelo tiene ( − 3)( − 2)( − 1)/6 =
113.564 formas de realizar la partición del foso final. La Figura 8 muestra las 4 fases (plan 113,564 formas de
realizar la partición del tajo final. La Figura 8 muestra las 4 fases (vistas en planta y en sección), y la Figura 9
muestra los tonelajes de mineral y desperdicio y ley promedio y vistas en sección), y La Figura 9 muestra los
tonelajes de mineral y residuos y ley promedio por fase, incluyendo las barras de error asociadas (P5 y P95) según
la ley por fase, incluyendo las barras de error asociadas (P5 y P95) según la variabilidad de ley. Destacamos que
hay una disminución del tonelaje de mineral y de las leyes promedio a lo largo de la variabilidad. Destacamos que
hay descensos en tonelaje de mineral y leyes promedio a lo largo de las fases. El tiempo total de CPU fue de 300
[s] para el cálculo de pozos anidados estocásticos. 14 de 19
las fases. El tiempo total de CPU fue de 300 [s] para el cálculo de pozos anidados estocásticos y 15 [s] para
resolver el modelo de selección de fases ( ). y 15 [s] para resolver
el modelo de selección de fases ( ).
(un) (b)
(un) (b)
Figura 8. (a) Optimización del retroceso estocástico dentro del límite final del tajo de la etapa 1: (a) Vista en planta, Figura 8. (a)
Optimización
Figura del retrocesodel
8. (a) Optimización estocástico
retrocesodentro del límite
estocástico finaldel
dentro dellímite
tajo de
finalladel
etapa
tajo1:de(a)
la Vista
etapaen
1: planta,
(a) Vista en planta, (b) Vista en
sección N: 5.030 m. (b) Vista en
sección N: 5.030 m. (b) Vista en
Figura 9. Tonelajes
y desechos de mineral
(eje Y primario) y desechos
y ley promedio( ((eje
eje YYprimario ) y ley
porpromedio ( eje Y secundario ) por Figura 9. Tonelajes de mineral
Figura 9. Tonelajes de mineral y desechos eje Y secundario)
primario ) y ley promedio ( eje Y secundario ) por retroceso, incluidas las barras
de error (P5 y P95) debido a la variabilidad de la ley. retroceso, incluidas las barras de
error (P5 yincluidas
retroceso, P95) debido a la variabilidad
las barras de ylaP95)
de error (P5 pendiente.
debido a la variabilidad de la pendiente.
3.3. Programación
Figura 10demuestra
Producción
3.3. LaLa programación de la las fases del banco programadas: La extracción cumple con el máximo
producción lleva ladiferentes
Se aplicaron restricciónrestricciones
de ocho bancosparaentre
limitarfases contiguas. Este
las capacidades requisito
mineras es común
superiores e inferiores como en los
flujos de trabajo de planificación tradicionales a largo plazo y garantiza que el cronograma resultante sea
así como las capacidades de procesamiento. Además, garantizamos mineral de calidad suficiente para la
alimentación del molino y las capacidades de procesamiento. Además, garantizamos mineral de calidad suficiente
para la alimentación
imponiendo del molino
un límite inferior a la operativamente viable. Ignorar
nota media por período, que eseste requisito podría
decreciente, como se conducir a un VAN
ve imponiendo unpotencialmente
límite mayor
inferior a la nota media por período, que es decreciente, como se ve soluciones difíciles de implementar en la
enoperación.
la Etapa 2: Esta restricción
aplicamos un fue impuesta
límite inferior del 0,8% para los primeros 7 períodos y del 0,7%, 0,6% y 0,5% en la
Etapa 2: aplicamos un límite inferior del 0,8% para los primeros 7 períodos y del 0,7%, 0,6% y 0,5% en todas las
fases,
para pero
cada unoesdeposible restringir 3
los siguientes esta elección a respectivamente.
quinquenios, un número menorpara de fases y
cada uno de los siguientes 3 quinquenios, respectivamente. para cambiar
la profundidad, todo según los requerimientos del evaluador.
La Figura 10 muestra las fases de banco programadas: La extracción La figura 11 muestra la el máximo La Figura 10
cumple con
muestra las fases de banco programadas: La extracción cumple con el plan máximo de producción,
incluyendo los tonelajes de mineral y residuos por período, junto con el promedio
restricción de liderazgo de ocho bancos entre fases contiguas. Este requisito es una restricción común de ocho
bancos entre fases contiguas. Este requisito es el grado común de alimentación del molino.
en los flujos de trabajo de planificación tradicionales a largo plazo y garantiza que el cronograma resultante esté En
esta etapa, el modelo de programación de producción asigna el destino de cada bloque
operacionalmente factible. Ignorar este requisito podría conducir a un VAN potencialmente más alto y
operacionalmente factible. Ignorar este requisito podría conducir a un VAN potencialmente mayor en función de su
valor, capacidades
soluciones de producción
que son difíciles y desviaciones
de implementar de los objetivos.
en la operación. Dependiendo
Esta limitación de soluciones que son difíciles de
impuso
implementar en la operación. Esta restricción se impuso en la distribución del mineral en el depósito, el modelo
puede imponer una ley de corte diferente para cada
sobre todas las fases, pero es posible restringir esta elección a un número menor de fases y sobre todas las fases,
pero es posible restringir esta elección a un número menor de fases y período . Esto suele denominarse una política
dinámica de calificaciones de corte. Por el contrario, en la etapa 1, el
El destino del bloque es una entrada para el problema final del tajo y se basa únicamente en el destino del bloque.
valor. Esto generalmente se denomina política de calificación de corte fija. Para comparar los efectos de ambos
estrategias, la Tabla 4 muestra los tonelajes esperados para cada política: Son 5,8 [Mton] de
mineral rechazado, al igual que en el tajo final se reportaron 137.5 [Mton] de mineral, pero en la programación,
sólo 131,7 [Mton] fueron enviados a la planta procesadora. Los tonelajes de roca coincidieron, mostrando
que el hoyo final estaba completamente programado. La Figura 12 muestra el descuento esperado acumulado
valor del proyecto, alcanzando un total de 916.5 [MUSD], con un rango P95­P5 de 197 [MUSD].
 Matemáticas
Matemáticas 2023,
2023, 11,11, x PARA
x PARA REVISIÓN POR PARES 1515
dede
2020
Machine Translated byREVISIÓN
Google POR PARES

paracambiar
para cambiarlalaprofundidad,
profundidad,todotodosegún
segúnlos
losrequerimientos
requerimientosdel
delevaluador.
evaluador.LaLaFigura
Figura1111muestra
muestraelelplan
plandede
Matemáticas 2023, 11, 3907 producción,incluidos
producción, incluidoslos
lostonelajes
tonelajesdedemineral
mineraly ydesechos
desechospor
porperíodo,
período,junto
juntocon
conlalaley promediodedelala 15 de 19
leypromedio
alimentacióndel
alimentación delmolino.
molino.

(un)
(un) (b)
(b)

Figura 10. Bloques

programados programados
respetando respetando
la optimización la optimización
del pushback. delenpushback.
(a) Vista planta, (b)(a) Vista en
Sección N planta, (b) Sección
Figura 10. Bloques N Figura 10. Bloques
programados
respetando la optimización del pushback. (a) Vista en planta, (b) Sección N
vista—5.030
—5.030 m. vista
m. vista—
5.030 m.

Figura
Figura
Figura 11.
11.
11. Plan
Plan
Plan de
dedeproducción:
producción:
producción: tonelajes
tonelajes
tonelajes dede
demineral
mineral
mineral yydesechos,
ydesechos,
desechos,incluidas
incluidas
incluidas las
las
las barras
barras
barras de
dedeerror
error
error (P5yyP95)
(P5
(P5 yP95)
P95)en
en elelel
en mineral
mineral
mineral (izquierdaYYY
(izquierda
(izquierda
eje)
eje)
eje) ygrado
grado
yygrado promedio
promedio
promedio de
de
de alimentación
alimentación
alimentación del
del
del molino
molino
molino ( eje
( (eje
eje YYY secundario
). ).
secundario).
secundario

Tabla 4. Una comparación de los tonelajes esperados de mineral, desechos y roca considerando datos fijos y dinámicos.
En esta
etapa, etapa, el
el modelo demodelo de programación
programación de producciónde producción asigna el
asigna el destino dedestino de cada
cada bloque . bloque. En esta
en función de su valor, capacidades de producción y desviaciones de los objetivos.
capacidades de producción y desviaciones de los objetivos. Dependiendo de la distribución del mineral Dependiendo de su envalor,
el
depósito, eldel
modelo puede Grado de corte
distribución mineral en el imponer
depósito,una ley de corte
el modelo puede diferente
imponerpara
unacada leycorte
esperada.
Diferencia
ley de Relativo
diferente para cada Tonelaje
[Mton]Esto
período.
período. Estosuele
sueledenominarse
denominarse unapolítica
Fijado
una políticadinámica
dinámica
1, eldedecalificaciones
calificacionesdedecorte.
corte.En
[Tonelada] Por Variación
el contrario,
contraste, en laen %la etapa
etapa 1,
eldestino
destinodel
delbloque
Mineralbloquedinámico es unapara
es una entrada
137,52 entrada para el bloque.
el problema problema finalydel
del tajo final se tajo
basayValor
se basa únicamente
únicamente en4.4eldel
en el 131.72 valor del
bloque. Esto generalmente se denomina
135,67 política de calificación
141,47 de corte fija. Para comparar los efectos
5,80 . Esto generalmente se denomina política de calificación de corte fija. Para comparar los efectos de −5,80 0,00
Desperdiciar −4.1 de
ambas estrategias,
estrategias,
Total La Tabla la
(roca) Tabla 4273,19
4 muestra muestra los tonelajes
los tonelajes esperados
esperados para cadapara cada política:
política: Hay 5.8 Hay
[Mton]5.8de
[Mton] 273.19
0.0
mineral ambas
rechazado,alcomo
rechazado, igual en
queen
eneleltajo
tajofinal
finalsesereportaron
reportaron137.5
137.5[Mton]
[Mton]de
demineral,
mineral,pero
peroen
enlalaprogramación
programaciónde mineral
solo se
enviaron
de
sólola131,7 131.7
[Mton][Mton]
incertidumbre laenviados
de las
fueron planta dea procesamiento.
calificaciones en cada
la planta Los
una detonelajes
procesadora.lasLos
etapasdede
roca coincidieron,
planificación
tonelajes de mostrando
roca coincidieron, 3,4.
lo que Impacto
demuestra
que la excavación
esperado de que el finalfinal
tajo estaba completamente
estuviera programada.
completamente La Figura
programado. La 12 muestra
Figura 12 el descuento
muestra el acumulado
descuento
acumulado esperado. En esta sección, presentamos el efecto de incorporar la incertidumbre de la ley en diferentes
valor delalcanzando
proyecto,
propuesta. proyecto,
Para elloalcanzando
total de un
un evalúan
se total[MUSD],
916.5
cuatro de 916.5
casos, [MUSD],
con conP95­P5
un rango
dependiendo un rango
de P95­P5 de 197etapas
197 [MUSD]. [MUSD]. valor
de la del
metodología
sobre si se considera un enfoque estocástico (S) o determinista (D):

• Totalmente determinista, “(D, D, D)”: En este caso se aplica la metodología multietapa

sin considerar la incertidumbre de la ley, es decir, bajo un enfoque determinista. Esto es
considerado el “caso base”.
• Tercera etapa estocástica, “(D, D, S)”: este caso tiene como objetivo evaluar el efecto de incorporar la
incertidumbre de la ley únicamente en la programación de la producción. Para ello consideramos el grado
incertidumbre solo en la etapa 3, tajo final determinista y optimización de retroceso.
• 1ª etapa determinista, “(D, S, S)”: En este caso, el límite final del foso se elige según
un enfoque determinista, pero la optimización del retroceso y la programación de la producción
son estocásticos.
 Matemáticas 2023, 11, x PARA REVISIÓN POR PARES 16 de 20
Machine Translated by Google

Tabla 4. Una comparación de los tonelajes esperados de mineral, desechos y roca considerando leyes de corte fijas y
Matemáticas 2023, 11, 3907 dinámicas. 16 de 19

Esperado $$$ Diferencia de calificación límite $$$ Relativo $$$

Tonelaje [Mton] Dinámico Fijo [Ton] • Totalmente Variación %
estocástico, “(S, S, S)”: En este caso se aplica la metodología multietapa,
Mineral 137,52 131,72 considerando la incertidumbre 5.80 4.4
de ley en todas las etapas.135,67
Este caso tiene como
141,47 de objetivo
la evaluar la contribución
Desperdiciar −5,80 −4.1
Etapa 1 bajo incertidumbre de ley en comparación con (D, S, S). Además, este
Total (roca) 273,19 273,19 El caso muestra el valor 0.00 0.0
agregado de la metodología completa propuesta.

Figura 12.descontado
esperado Valor esperado descontado
acumulado acumulado
del programa del programa
de producción. Elde producción.
rango P95–P5 Elesrango P95–P5 es la Figura 12. Valor
incluidopara
incluido paramostrar
mostrarlalavariabilidad
variabilidadaalololargo
largode
delas
lasrealizaciones
realizacionesgeológicas.
geológicas.

La Tabla
3.4. Impacto de 5lapresenta, paradecada
incertidumbre caso,
grado el valor
en cada presente
una de netodeesperado (VENP), el valor esperado
las etapas
planificación Costo total de la incertidumbre (ETCU), y sus variaciones relativas (en porcentaje) con respecto
En esta sección, presentamos el efecto de incorporar la incertidumbre de la ley en un caso diferente al
del caso base. En este caso de estudio, el ENPV puede aumentar hasta un 2,1% y el ETCU
etapas de la metodología propuesta. Para ello se evalúan cuatro casos, asociados a que las desviaciones de
los objetivos de producción se pueden reducir hasta en un 69%, lo que
dependiendo de si se utiliza un enfoque estocástico ( ) o determinista ( ) ilustra cómo la metodología propuesta
puede controlar el riesgo de pérdidas económicas.
consideró:
•
Tabla 5.Totalmente determinista,
Resultados de “( ,multietapa
la metodología , )”: En este caso, la metodología
incorporando deley
incertidumbre de múltiples etapas
en diferentes se aplica sin considerar
etapas.
la incertidumbre de la ley, es decir, bajo un enfoque determinista. Este se considera el “caso base”.
Relativo Relativo
• ENPV Variación de ETCU Variación de
Estocástico
Caso 3ra etapa, “( , , )”: Este caso tiene como objetivo evaluar el efecto de incorporar [MUSD]
ENPV [MUSD] ETCU
incertidumbre de grado únicamente en la programación
(%) de producción. Para ello consideramos la nota
(%)
incertidumbre solo en la etapa 3, tajo final determinista y optimización de retroceso.
904.7 ­ 86,5 ­
(D,D, D)
• 1ª etapa determinista, “( , , )”: En este caso, el límite final del tajo se elige bajo un
(D, D, S) 915.4 0,9 41,8 −51,7
es un
(D, S, enfoque
S) determinista,
917,8pero la optimización1.1del retroceso y la programación
34.2 de la producción
−60,5 son
estocásticas. 923,8 2.1 26,7 −69,1
(S,S, S)
• Totalmente estocástico, “( , , ) ”: En este caso se aplica la metodología multietapa,
considerando
evaluar la incertidumbre
Observamos detotal
que el valor ley en
de todas las etapas.
la información es Este caso tiene
ENPVS,S,S como objetivo
− ENPVD,D,D = 19.1
Contribución
[MUSD], de la 1Etapa
donde la etapa 1 final
(límite bajo del
incertidumbre de grado
tajo) contribuye con en comparación
el 31,4%, con
la etapa 2 ((optimización
, , ). del retroceso)
Además, este
3 (programación caso muestra
de producción) que el
aporta el 56%.
valor agregado de la propuesta completa aporta el 12.6%, y la etapa
Esto es muy
metodología.
interesante porque significa que el impacto de la selección del pozo final es muy significativo
(casi 1/3) y que
La Tabla más depara
5 presenta, la mitad del valor
cada caso, está
el valor relacionado
presente con la
neto esperado programación.
(ENPV), Tambien
el valor esperado es
esperado
es interesante observar que la optimización del retroceso no juega un papel significativo. Sin embargo,
el costo total de la incertidumbre (ETCU), y sus variaciones relativas (en porcentaje) respecto de estas
conclusiones
al caso base.dependen del caso
En este caso de estudio
de estudio, y de puede
el ENPV la metodología
aumentarpropuesta; así, ellos
hasta un 2,1%, y el ETCU puede ser diferente
en otros depósitos
asociados con las odesviaciones
si los modelos
de utilizados para
los objetivos deabordar cadase
producción una de lasreducir
pueden etapashasta en un 69%, que son
diferentes.
ilustra cómo la metodología propuesta puede controlar el riesgo de pérdidas económicas.
En una nota más general, esto muestra cómo el enfoque secuencial de múltiples etapas podría ser
Se aplica para determinar el impacto relativo de las diferentes etapas y, por lo tanto, dónde invertir.
el mayor esfuerzo para mejorar el valor y reducir el costo potencial de la incertidumbre.
Machine Translated by Google

Matemáticas 2023, 11, 3907 17 de 19

4. Conclusiones

Este artículo abordó el problema del proceso de planificación de la producción de minas a cielo abierto a largo plazo bajo
incertidumbre de ley, utilizando un enfoque secuencial de múltiples etapas que generaliza la práctica actual de calcular un tajo final,
luego seleccionar las fases de extracción y, finalmente, programar la producción. con el tiempo. El objetivo era investigar los efectos
negativos de la incertidumbre geológica en diferentes etapas del proceso de planificación. Se propusieron y evaluaron modelos sólidos
que incorporan esta representación de la incertidumbre en la planificación minera.

Los resultados muestran que la incorporación de la incertidumbre ayuda a reducir el riesgo de pérdidas por
incumplimiento de los objetivos de producción en comparación con el caso totalmente determinista. Sin
embargo, la incertidumbre no afecta a todas las etapas por igual, por lo que resulta especialmente interesante
profundizar en estos experimentos a través de más casos de estudio y nuevos modelos y algoritmos que
incorporen la incertidumbre geológica en las diferentes etapas.
En trabajos futuros, proponemos considerar la incertidumbre del tipo de roca además de la incertidumbre
de la ley. Es necesario investigar nuevos algoritmos para encontrar soluciones casi óptimas rápidamente,
especialmente en las etapas 1 y 3. Finalmente, proponemos incorporar restricciones de minería más prácticas,
como anchos mínimos de minería, en los modelos propuestos (etapas 2 y 3) . ).

Contribuciones de los autores: EJ y HA­N. contribuyeron a la concepción del estudio, y todos los autores contribuyeron al diseño y la
metodología. La preparación del material, la recopilación de datos y el análisis fueron realizados por EJ, NMV y JO. El primer borrador
del manuscrito fue escrito por EJ, NMV y GN y todos los autores comentaron sobre versiones anteriores del manuscrito. Todos los
autores han leído y aceptado la versión publicada del manuscrito.

Financiamiento: EJ contó con el apoyo de la Agencia Nacional de Investigación y Desarrollo de Chile ANID a través de los programas
PIA/Becas Basales AFB180004 y AFB220002 y la Beca FONDECYT Iniciación 11221352. GN contó con el apoyo de la Agencia
Nacional de Investigación y Desarrollo de Chile ANID a través de la Beca FONDECYT Iniciación 11230022.

Declaración de disponibilidad de datos: Los datos que respaldan los hallazgos de este estudio están disponibles previa solicitud
razonable del autor correspondiente. Los datos no están disponibles públicamente debido a cuestiones de confidencialidad.

Conflictos de intereses: Los autores declaran no tener ningún conflicto de intereses.

Referencias

1. Hustrulid, WA; Kuchta, M.; Martin, RK Planificación y diseño de minas a cielo abierto, juego de dos volúmenes y paquete de CD­ROM; Prensa CRC: Boca
Ratón, FL, EE. UU., 2013. [CrossRef]
2. Chilès, J.­P.; Delfiner, P. Modelado geoestadístico de la incertidumbre espacial; John Wiley & Sons: Nueva York, NY, EE. UU., 2012; Disponible en línea: http://
internationalscholarvoxcom/book/88813008 (consultado el 24 de junio de 2018).
3. Tabesh, M.; Mieth, C.; Nasab, HA Un enfoque de varios pasos para la planificación de la producción a cielo abierto a largo plazo. En t. J. Min. Minero. Ing.
2014, 5, 273. [Referencia cruzada]

4. Lerchs, H.; Grossmann, IF Diseño óptimo de minas a cielo abierto, Transacciones. Poder. Inst. Mín. 1965, 58, 17­24.
5. Meagher, C.; Dimitrakopoulos, R.; Avis, D. Diseño optimizado de minas a cielo abierto, retrocesos y el problema de las brechas: una revisión. J. Min.
Ciencia. 2014, 50, 508–526. [Referencia cruzada]
6. Jélvez, E.; Morales, N.; Askari­Nasab, H. Un nuevo modelo para la selección automatizada de retroceso. Computadora. Ópera. Res. 2020, 115, 104456.
[Referencia cruzada]

7. Nancel­Pénard, P.; Morales, N. Optimización del diseño de retroceso considerando el ancho mínimo de minado para la planificación estratégica a cielo abierto.
Ing. Óptimo. 2022, 54, 1494–1508. [Referencia cruzada]
8. Morales, N.; Nancel­Pénard, P.; Espejo, N. Desarrollo y análisis de una metodología para generar operaciones en mina a cielo abierto
diseños de rampas automáticamente. Óptimo. Ing. 2022, 24, 711–741. [Referencia cruzada]
9. Chicoisne, R.; Espinoza, D.; Goycoolea, M.; Moreno, E.; Rubio, E. Un nuevo algoritmo para el problema de programación de la producción en minas a cielo abierto . Ópera.
Res. 2012, 60, 517–528. [Referencia cruzada]
10. Letelier, Oregón; Espinoza, D.; Goycoolea, M.; Moreno, E.; Muñoz, G. Programación de Producción para la Planificación Estratégica de Minas a Cielo Abierto:
Un enfoque de programación de enteros mixtos. Ópera. Res. 2020, 68, 1425–1444. [Referencia cruzada]
11. Nancel­Pénard, P.; Morales, N.; Cornillier, F. Una heurística recursiva de agregación­desagregación de tiempo para el problema de mochila con restricción de precedencia
multidimensional y multiperíodo: una aplicación al problema de secuenciación de bloques de minas a cielo abierto. EUR. J.
Ópera. Res. 2022, 303, 1088–1099. [Referencia cruzada]
Machine Translated by Google

Matemáticas 2023, 11, 3907 18 de 19

12. Morales, N.; Seguel, S.; Cáceres, A.; Jélvez, E.; Alarcón, M. Incorporación de Atributos Geometalúrgicos y Geológicos
Incertidumbre en la planificación de minas a cielo abierto a largo plazo. Minerales 2019, 9, 108. [CrossRef]
13. Upadhyay, S.; Askari­Nasab, H. Enfoque de simulación y optimización para la planificación a corto plazo basada en la incertidumbre en minas a cielo abierto. En t. J. Min. Ciencia.
Tecnología. 2018, 8, 153–166. [Referencia cruzada]
14. Abdel Sabour, SA; Dimitrakopoulos, RG; Kumral, M. Selección del diseño de la mina en condiciones de incertidumbre. Mín. Tecnología. 2008, 117, 53–64.
[Referencia cruzada]

15. Dowd, Pensilvania; Xu, C.; Coward, S. Planificación y diseño estratégico de minas: algunos desafíos y estrategias para abordarlos. Mín.
Tecnología. 2016, 125, 22–34. [Referencia cruzada]

16. Dimitrakopoulos, R. Avances en la planificación minera estratégica aplicada; Springer: Cham, Suiza, 2018.
17. Ortiz, JM; Deutsch, Contabilidad de simulación de indicadores CV para estadísticas de puntos múltiples. Matemáticas. Geol. 2004, 36, 545–565. [Referencia cruzada]
18. Emery, X.; Lantuéjoul, C. TBSIM: un programa informático para la simulación condicional de campos aleatorios gaussianos tridimensionales
mediante el método de bandas giratorias. Computadora. Geociencias. 2006, 32, 1615–1628. [Referencia cruzada]
19. Maleki, M.; Madani, N.; Jélvez, E. Selección de algoritmos geoestadísticos para la evaluación de recursos minerales y su impacto en la planificación de la producción a cielo abierto
considerando el efecto límite de la ley del metal. Nat. Recurso. Res. 2021, 30, 4079–4094. [Referencia cruzada]
20. Whittle, D. A Bozorgebrahimi, Pozos híbridos: vinculación de la simulación condicional y Lerchs­Grossmann a través de la teoría de conjuntos. En Actas del Simposio sobre modelado de
yacimientos y planificación estratégica de minas, Perth, Australia, 22 y 24 de noviembre de 2004; págs. 399–404.

21. Marcotte, D.; Caron, J. Optimización estocástica definitiva a cielo abierto. Computadora. Geociencias. 2013, 51, 238–246. [Referencia cruzada]
22. Vielma, JP; Espinoza, D.; Moreno, E. Control de riesgos en tajos finales mediante simulaciones condicionales. En Actas del 34
Conferencia APCOM, Vancouver, BC, Canadá, 6 a 9 de octubre de 2009; págs. 107­114.
23. Lagos, G.; Espinoza, D.; Moreno, E.; Amaya, J. Planificación sólida para un problema de minería a cielo abierto bajo incertidumbre sobre la ley del mineral.
Electrón. Notas discretas. Matemáticas. 2011, 37, 15­20. [Referencia cruzada]

24. Espinoza, D.; Lagos, G.; Moreno, E.; Vielma, J. Enfoques de aversión al riesgo en la planificación de la producción a cielo abierto bajo incertidumbre sobre la ley del mineral: un estudio
de tajo definitivo. En Actas del 36º Simposio Internacional sobre Aplicaciones de Computadoras e Investigación de Operaciones en la Industria Mineral (APCOM), Alegre, Brasil, 4 a 8
de noviembre de 2013; págs. 492–501.
25. Bellota, T.; Boisvert, JB; Leuangthong, O. Gestión de la incertidumbre geológica en la optimización del tajo utilizando un algoritmo heurístico y dominancia estocástica, Minería. Metal.
Explorar. 2020, 37, 375–386. [Referencia cruzada]
26. Jélvez, E.; Morales, N.; Ortiz, JM Límites finales del pozo estocástico: un análisis de frontera eficiente bajo incertidumbre geológica en el
Industria Minera a Cielo Abierto. Matemáticas 2021, 10, 100. [CrossRef]
27. Dimitrakopoulos, R.; Martínez, L.; Ramazan, S. Un enfoque de máxima ventaja/mínima desventaja para la optimización tradicional
del diseño de minas a cielo abierto. J. Min. Ciencia. 2007, 43, 73–82. [Referencia cruzada]
28. Gholamnejad, J.; Osanloo, M. Incorporación de la incertidumbre sobre la ley del mineral en el proceso de diseño de retroceso. J. Sur. África. Inst. Mín.
Metal. 2007, 107, 177–185.

29. Goodfellow, R.; Dimitrakopoulos, R. Integración algorítmica de la incertidumbre geológica en diseños de retroceso para minas a cielo abierto multiproceso complejas. Mín. Tecnología.
2013, 122, 67–77. [Referencia cruzada]
30. Ravenscroft, P. Análisis de riesgos para la programación minera mediante simulación condicional. Trans. Inst. Mín. Metal. Secta. Un mínimo. Indiana 1992, 101,
A104–A108.

31. Denby, B.; Schofield, D. Inclusión de la evaluación de riesgos en el diseño y programación de minas a cielo abierto. En t. J. Roca. Mec. Mín. Ciencia. Geomecánica.
Abstr. 1995, 5, 230A.

32. Dimitrakopoulos, R.; Farrelly, CT; Godoy, M. Avanzando desde la optimización tradicional: incertidumbre de ley y efectos de riesgo en el diseño a cielo abierto. Mín. Tecnología. 2002, 111,
82–88. [Referencia cruzada]
33. Dimitrakopoulos, R.; Ramazan, S. Programación de producción basada en la incertidumbre en la minería a cielo abierto. PYME Trans. 2004, 316, 106–112.
34. Dimitrakopoulos, R. Optimización estocástica para la planificación minera estratégica: una década de desarrollos. J. Min. Ciencia. 2011, 47, 138­150.
[Referencia cruzada]

35. Dimitrakopoulos, R.; Jewbali, A. Optimización estocástica conjunta de la planificación de la producción minera a corto y largo plazo: método y
aplicación en una gran mina de oro en funcionamiento. Mín. Tecnología. 2013, 122, 110­123. [Referencia cruzada]
36. Koushavand, B.; Askari­Nasab, H.; Deutsch, CV Un modelo de programación lineal para la planificación minera a largo plazo en presencia de
incertidumbre de grado y una reserva. En t. J. Min. Ciencia. Tecnología. 2014, 24, 451–459. [Referencia cruzada]
37. Mai, NL; Topal, E.; Erten, O.; Sommerville, B. Un nuevo método de optimización basado en riesgos para la programación de la producción de mineral de hierro mediante programación
entera estocástica. Recurso. Política 2019, 62, 571–579. [Referencia cruzada]
38. Maleki, M.; Jélvez, E.; Emery, X.; Morales, N. Programación estocástica de producción de minas a cielo abierto: un estudio de caso de un depósito de hierro.
Minerales 2020, 10, 585. [CrossRef]

39. LaRoche­Boisvert, M.; Dimitrakopoulos, R. Una aplicación de optimización estocástica simultánea en una gran explotación de oro a cielo abierto
Complejo Minero bajo Incertidumbre de Oferta. Minerales 2021, 11, 172. [CrossRef]
40. Boland, N.; Dumitrescu, I.; Froyland, G. Un enfoque de programación estocástica de múltiples etapas para la programación de la producción de minas a cielo abierto
con geología incierta. Óptimo. En línea 2008, 1–33.
Machine Translated by Google

Matemáticas 2023, 11, 3907 19 de 19

41. Nelis, G.; Morales, N.; Widzyk­Capehart, E. Comparación de diferentes enfoques para la planificación estratégica de minas a cielo abierto en condiciones de incertidumbre geológica. En
Actas del 27º Simposio Internacional sobre Planificación Minera y Selección de Equipos­MPES 2018, Calgary, AL, Canadá, 4 al 22 de agosto de 2018; Widzyk­Capehart, E., Hekmat,
A., Singhal, R., Eds.; Springer International Publishing: Cham, Suiza, 2019; págs. 95­105. [Referencia cruzada]

42. Armstrong, M.; Lagos, T.; Emery, X.; Homem­de­Mello, T.; Lagos, G.; Sauré, D. Planificación minera adaptativa a cielo abierto bajo
incertidumbre geológica. Recurso. Política 2021, 72, 102086. [CrossRef]
43. Kumral, M. Programación estocástica robusta de producción minera. Ing. Óptimo. 2010, 42, 567–579. [Referencia cruzada]
44. Lamghari, A.; Dimitrakopoulos, R. Cobertura progresiva aplicada como metaheurística para programar la producción en minas a cielo abierto teniendo en cuenta la incertidumbre de las
reservas. EUR. J. Ópera. Res. 2016, 253, 843–855. [Referencia cruzada]
45. Goodfellow, RC; Dimitrakopoulos, R. Optimización global de complejos mineros a cielo abierto con incertidumbre. Aplica. Computación suave.
2016, 40, 292–304. [Referencia cruzada]
46. Chatterjee, S.; Dimitrakopoulos, R. Programación de producción bajo incertidumbre de una mina a cielo abierto utilizando relajación lagrangiana
y algoritmo de ramificación y corte. En t. J. Min. Reclamar. Reinar. 2020, 34, 343–361. [Referencia cruzada]
47. Lamghari, A.; Dimitrakopoulos, R. Enfoques hiperheurísticos para la planificación minera estratégica en condiciones de incertidumbre. Computadora. Ópera. Res.
2020, 115, 104590. [Referencia cruzada]
48. Tolouei, K.; Moosavi, E.; Tabrizi, AH; Afzal, P.; Bazzazi, AA Un enfoque de optimización para la programación de producción a largo plazo basada en la incertidumbre en minas a cielo
abierto utilizando algoritmos metaheurísticos. En t. J. Min. Reclamar. Reinar. 2021, 35, 115­140.
[Referencia cruzada]

49. Joshi, D.; Paithankar, A.; Chatterjee, S.; Equeenuddin, SM Algoritmo integrado de cierre de gráficos paramétricos y rama y corte para la programación de minas a cielo abierto en
condiciones de incertidumbre. Minería 2022, 2, 32–51. [Referencia cruzada]
50. Asad, MW; Dimitrakopoulos, R. Implementación de un algoritmo paramétrico de flujo máximo para un diseño óptimo de mina a cielo abierto en condiciones
oferta y demanda inciertas. J. Ópera. Res. Soc. 2013, 64, 185–197. [Referencia cruzada]
51. Asad, MW; Dimitrakopoulos, R.; van Eldert, J. Diseño de fase de producción estocástica para un complejo minero a cielo abierto con múltiples
flujos de procesamiento. Ing. Óptimo. 2014, 46, 1139–1152. [Referencia cruzada]
52. Amankwah, H.; Larsson, T.; Textorius, B. Minería a cielo abierto con incertidumbre: un enfoque de valor en riesgo condicional. En teoría de la optimización, toma de decisiones y
aplicaciones de investigación de operaciones; Migdalas, A., Sifaleras, A., Georgiadis, CK, Papathanasiou, J., Stiakakis, E., Eds.; Springer: Nueva York, NY, EE.UU., 2013; págs.
117­139. [Referencia cruzada]
53. Canessa, G.; Moreno, E.; Pagnoncelli, BK El último problema de boxes con aversión al riesgo. Óptimo. Ing. 2021, 22, 2655–2678. [Referencia cruzada]
54. Consuegra, FR; Dimitrakopoulos, R. Enfoque algorítmico para el diseño de retroceso basado en programación estocástica: método,
aplicación y comparaciones. Mín. Tecnología. 2010, 119, 88­101. [Referencia cruzada]
55. Osanloo, M.; Gholamnejad, J.; Karimi, B. Planificación de la producción minera a cielo abierto a largo plazo: una revisión de modelos y algoritmos,
Revista Internacional de Minería. Reclamar. Reinar. 2008, 22, 3–35. [Referencia cruzada]
56. Fathollahzadeh, K.; Asad, MW; Mardaneh, E.; Cigla, M. Revisión de metodologías de soluciones para la producción de minas a cielo abierto
Problema de programación. En t. J. Min. Reclamar. Reinar. 2021, 35, 564–599. [Referencia cruzada]
57. Zeng, L.; Liu, SQ; Kozan, E.; Corry, P.; Masoud, M. Una revisión interdisciplinaria integral de la gestión de la cadena de suministro minera.
Recurso. Política 2021, 74, 102274. [CrossRef]
58. Dimitrakopoulos, R.; Lamghari, A. Optimización estocástica simultánea de complejos mineros­cadenas de valor de minerales: una descripción general
de conceptos, ejemplos y comparaciones. En t. J. Min. Reclamar. Reinar. 2022, 36, 443–460. [Referencia cruzada]
59. Rockafellar, RT; Uryasev, S. Optimización del valor en riesgo condicional. JOR 2000, 2, 21–41. [Referencia cruzada]
60. Krokhmal, P.; Uryasev, S.; Palmquist, J. Optimización de cartera con objetivos y restricciones de valor en riesgo condicional. JOR 2001,
4, 43–68. [Referencia cruzada]

61. Espinoza, D.; Goycoolea, M.; Moreno, E. A Newman, MineLib: Una biblioteca de problemas de minería a cielo abierto. Ana. Ópera. Res. 2013, 206,
93–114. [Referencia cruzada]

62. Dimitrakopoulos, R.; Ramazan, S. Programación entera estocástica para optimizar los programas de producción a largo plazo de minas a cielo abierto: métodos, aplicación y valor de
las soluciones estocásticas. Mín. Tecnología. 2008, 117, 155–160. [Referencia cruzada]
63. Leite, A.; Dimitrakopoulos, R. Optimización estocástica de la programación de la producción minera con suministro incierto de mineral/metal/residuos.
En t. J. Min. Ciencia. Tecnología. 2014, 24, 755–762. [Referencia cruzada]
64. de Carvalho, J.; Dimitrakopoulos, R. Efectos de las simulaciones de alto orden en la optimización estocástica simultánea de la minería
Complejos. Minerales 2019, 9, 210. [CrossRef]
65. Lambert, WB; Brickey, A.; Newman, AM; Eurek, K. Formulaciones de secuenciación de bloques a cielo abierto: un tutorial. Interfaces 2014, 44,
127–142. [Referencia cruzada]

66. Mitchell, S.; OSullivan, M.; Dunning, I. PuLP: un conjunto de herramientas de programación lineal para Python; La Universidad de Auckland: Auckland,
Nueva Zelanda, 2011.

67. Optimización de Gurobi, LCC. Manual de referencia de Gurobi Optimizer 2022. 2022. Disponible en línea: http://www.gurobi.com (accedido
el 30 de junio de 2022).

Descargo de responsabilidad/Nota del editor: Las declaraciones, opiniones y datos contenidos en todas las publicaciones son únicamente de los autores y contribuyentes individuales y no
de MDPI ni de los editores. MDPI y/o los editores renuncian a toda responsabilidad por cualquier daño a personas o propiedad que resulte de cualquier idea, método, instrucción o producto
mencionado en el contenido.