Objetivos

PROYECTO FONDEF DE INVESTIGACIÓN Y DESARROLLO
INFORME FINAL
TITULO DEL PROYECTO: METODOLOGÍAS PARA EVALUAR PLANES MINEROS DE COBRE DE

LARGO PLAZO CON INCERTIDUMBRE EN PRECIOS Y LEYES DE MINERAL.
CÓDIGO DEL PROYECTO: D07I1130
FECHA DE EMISION: 30/03/2012
FIRMA DEL (DE LA) DIRECTOR(A) DEL PROYECTO

RAFAEL DAVID EPSTEIN NUMHAUSER
I. Acta De Término Del Proyecto
1.1 Identificación del proyecto

METODOLOGÍAS PARA EVALUAR PLANES MINEROS DE COBRE DE
TITULO DEL PROYECTO LARGO PLAZO CON INCERTIDUMBRE EN PRECIOS Y LEYES DE
MINERAL.
CÓDIGO FONDEF D07I1130
DIRECTOR(A) DEL
RAFAEL DAVID EPSTEIN NUMHAUSER
PROYECTO
INSTITUCIÓN(ES)
UNIVERSIDAD DE CHILE
BENEFICIARIA(S)
EMPRESA Y OTRAS
CORPORACION NACIONAL DEL COBRE DE CHILE (CODELCO)
ENTIDADES ASOCIADAS
1.2 Ejecución del proyecto
FECHA DE TOMA DE RAZON
POR LA CONTRALORÍA 24/02/2009
GENERAL DE LA REPÚBLICA
DURACIÓN CONTRACTUAL 24
FECHA EFECTIVA DE INICIO 01/03/2009
FECHA EFECTIVA DE
01/09/2011
TÉRMINO
DURACIÓN EFECTIVA 30
1.3 Plan de Continuidad
Nombre Institución Beneficiaria Nombre Representante Legal Firma
MIGUEL LUIS O'RYAN
UNIVERSIDAD DE CHILE Firma Electrónica
GALLARDO
1.4 Tabla de Conformidad
Nombre Institución Empresa u Otra
Nombre Representante Legal Documento conformidad
Entidad Socia
CORPORACION NACIONAL DEL
JUAN VILLARZU Si
COBRE DE CHILE (CODELCO)
II. Informe Ejecutivo
2.1 Resumen Ejecutivo
Versión en Castellano
La gran minería del cobre es una actividad económica clave para el país. La producción anual de cobre fino
el año 2009 en Chile asciende a 5.4 millones de toneladas, equivalentes al 34,0% del total mundial. El
volumen de las operaciones, el carácter no renovable del mineral y la multitud de tareas involucradas en la
operación minera nos sitúan en un escenario de planificación de gran complejidad. Lo anterior motiva un
estudio profundo de las metodologías de planificación de las operaciones e inversiones mineras,
específicamente en el largo plazo. Actualmente existen herramientas computacionales que permiten evaluar
secuencias de extracción y planificar los múltiples aspectos de la operación minera en el largo plazo. La
limitación de los métodos ya conocidos es que no consideran factores de riesgo que influyen directamente
en el desempeño financiero y operacional del negocio, como por ejemplo, el precio futuro del mineral y las
leyes del yacimiento. El proyecto ejecutado desarrolló líneas de investigación con el objetivo de crear una
herramienta matemática que permite analizar y evaluar decisiones de planificación de largo plazo, que
considera la volatilidad de los precios del mineral y la incertidumbre sobre las características mineralógicas
del yacimiento. Los principales resultados incluyen una metodología práctica que permite evaluar y optimizar
planes inflexibles considerando la volatilidad del precio del mineral y una metodología más sofisticada para
generar planes robustos flexibles, que se adaptan a la evolución del precio futuro del mineral. El desarrollo
de este proyecto ofrece un impacto potencial importante tanto en lo científico como en lo económico. La
optimización en el uso de los capitales, seleccionando la mejor combinación de proyectos y ejecutándolos en
los tiempos precisos y la inclusión de la incertidumbre en la evaluación, entrega estrategias robustas de
operación e inversión. A través de este proyecto se logra sacar mejor provecho de la actividad minera en un
ambiente de decisiones de alto impacto y recursos limitados. El diseño de técnicas matemáticas para
enfrentar el desafío de planificación minera, la investigación de alto nivel, la cooperación internacional y el
desarrollo de tesis de pre-grado y magíster representan un fuerte impulso a la investigación nacional en
planificación minera. Asimismo, el trabajo de la Universidad de Chile en conjunto con CODELCO permite
fortalecer una red de cooperación cuyo potencial científico tecnológico compite a nivel mundial.
Versión en Ingles
The copper industry is a key economic activity for Chile. Annual copper production in 2009 reached 5.4
million tones, accounting for 34.0% of worldwide production. The size and complexity of the mining
operations along with the non-renewable nature of the business turn the planning process into a difficult task.
The high complexity leads to the investigation of innovative methods to support mine planning decisions.
Block-sequencing and production plan models are well known in the mining industry. The main limitation of
these methods is that they do not consider the uncertainty of the main variables that affect the mining
business, including future copper prices and the geological characteristics of the ore. Our project developed
multiple investigation topics pursuing an innovative mathematical tool that allows informed decision analysis
of long term copper mine planning. The main aspect of this method is that it will consider the volatility of
future copper prices and the uncertainty on the grades of copper on the mine. The two main results from the
investigation include a robust method for inflexible mine planning and a stochastic approach for flexible long
term mine planning. This project offers an important scientific and economical potential. The optimal use of
capital, including efficient timing and magnitude of investment projects, validated by a mathematical tool that
considers uncertainty will help planning executives to make robust decisions. Robust decisions will enhance
the company’s economical performance, who must cope with an environment of high impact decisions and
limited resources. A world class investigation, international cooperation and the development of multiple
undergraduate and graduate theses represent a strong step to enhance national investigation in mine
planning. The work and cooperation of Universidad de Chile along with CODELCO in this project helps
strengthen a cooperation network of unlimited scientific and technological potential.
2.2 Cuadro De Sintesis de Resultados y Objetivos
Objetivos Generales
Mejorar los modelos y algoritmos utilizados en la planificación y evaluación
Nombre Objetivo
de planes mineros de largo plazo.
Incorporar modelos de producción detallados que consideren las
incertidumbres inherentes a las faenas mineras. Se buscará unificar los
desarrollos de planificación minera determinística y estocástica en una
modelo integral de planificación que sea robusto y capaz de describir las
operaciones mineras con la flexibilidad y nivel de detalle requeridos. La
Descripción construcción de estos modelos considera el uso de avances tecnológicos
más recientes tanto en el área de la evaluación de proyectos como en la
modelación de los procesos de extracción. Por último, estos modelos
requieren algoritmos para encontrar soluciones óptimas en problemas de
envergadura real en tiempos razonables de acuerdo con las necesidades
de planificación.
Mejorar las metodologías de planificación y evaluación de planes mineros
Nombre Objetivo
de largo plazo.
Las mejoras proveerán a la gran minería de cobre en Chile con una ventaja
competitiva basada en la capacidad de encontrar planes de inversión
Descripción robustos y de mayor rentabilidad. Los modelos se apoyan de un sólido
desarrollo conceptual que es trasferido a los equipos de planificación
mineros para generar el mayor rendimiento de las soluciones propuestas.
Objetivos Específicos
Nombre Objetivo Extensión de modelos de planificación.
El problema de la planificación integrada mina-planta y justifican la inclusión
de nuevos elementos en los modelos tales como la dureza del mineral, la
descripción de subproductos y las nuevas interacciones entre las plantas.
Adicionalmente, se considera extender los modelos de planificación
incorporando la volatilidad del precio del cobre, conservando un adecuado
Descripción nivel de detalle en la descripción de las operaciones de explotación minera
con respecto a los modelos combinatorial en actual operación. La
incertidumbre en precios del cobre será el eje central de los desarrollos en
los modelos de planificación debido a la importancia de este elemento en la
planificación. También, en menor grado se considera incluir la
incertidumbre en las leyes del mineral.
Desarrollo de nuevos algoritmos y mejoramiento del desempeño de los
Nombre Objetivo
algoritmos en operación.
Los nuevos modelos requerirán nuevos algoritmos para encontrar
soluciones a escenarios de producción que consideren las extensiones a
los modelos como la integración mina-planta, incertidumbre en precios e
incertidumbre en leyes del mineral. Los nuevos algoritmos y la mejora de
Descripción los existentes deben considerar tanto reducciones del tiempo de resolución
como aumentos del tamaño de los problemas posibles de resolver
numéricamente. Los modelos estocásticos representan un desafío enorme
para conseguir algoritmos que permitan contar con soluciones óptimas en
tiempos razonables y en problemas de tamaño real.
Nombre Objetivo Difusión de avances en círculos de planificación minera.
Generar instancias de divulgación de los avances de nuestros proyectos en
los grupos de profesionales directamente asociados a los procesos de
Descripción planificación minera. Así, buscamos motivar la aplicación efectiva de
nuestros avances en instancias productivas y al mismo tiempo
retroalimentar nuestra experiencia con la de otros actores relevantes.
RESULTADO
Tipo Resultado de Producción
Nombre Servicio de Consultoria
Descripción ¿Cómo se presentará físicamente? El servicio de consultoría corresponde a una
serie de actividades que realizan los miembros de un equipo consultor con el fin
de aconsejar y entregar servicios profesionales en una aréa específica. En este
caso, el servicio de consultoría corresponde al apoyo del área de planificación
minera. El servicio de consultoría se basará en el uso de un software de
planificación minera que entregará planes de largo plazo optimizando los
recursos y las decisiones. ¿Cuáles son sus condiciones de uso? Las empresas
contratan los servicios de consultoría por un periodo de tiempo especifico
identificando los objetivos y resultados que se esperan de la misma. ¿Cuáles son
sus principales competidores o sustitutos?(Nómbrelos) Los principales
competidores son empresas de consultoría en minería o en evaluación de
proyectos como: Metálica Consultores S.A. y NCL S.A. ¿Cuáles son las
principales diferencias funcionales, operacionales y productivas que tendrá la
solución con respecto al mejor competidor o sustituto? Las ventajas
comparativas que poseen estos servicios de consultoría son un enfoque
innovador para abordar la planificación minera de largo plazo y el contar con
personas expertas en las metodologías utilizadas en el enfoque del proyecto.
¿Cuáles son los beneficios que las diferencias mencionadas le generarán al
productor, usuario intermedio y/o usuario final? Los beneficios que se esperan
son básicamente que el cliente obtendrá una herramienta y un servicio de
soporte a la toma de decisiones robusta en ambientes inciertos lo que le
permitirá definir sobre mejores bases la planificación minera de largo plazo,
esperando mejoras en el VAN (Valor Actual Neto) de los yacimientos de mineral
y su operación. ¿Quiénes lo producirían? El equipo desarrollador de este
proyecto estará a cargo de la ejecución de la consultoría.
Se desarrollaron metodologías y herramientas que permiten evaluar planes

mineros que consideran las principales fuentes de incertidumbre en la
planificación de largo plazo. El sistema desarrollado se probó de forma exitosa
en diferentes yacimientos de Codelco. El equipo desarrollador de este proyecto,
será quién estará a cargo de la ejecución del servicio de consultoría, que
comprende las siguientes etapas: • Diseño de escenarios de evaluación •
Descripción del Logro
Configuración del sistema • Realización de pruebas • Análisis de resultados •
Entrega de Reportes Los beneficios que se esperan son que el cliente obtendrá
un servicio de soporte a la toma de decisiones robusta en ambientes inciertos lo
que le permitirá definir sobre mejores bases la planificación minera de largo
plazo, con mejoras en el VAN (Valor Actual Neto) de los yacimientos de mineral y
su operación.
Referencia Bibliográfica
RESULTADO
Tipo Resultado de Protección
Nombre Registro de Marca del Software de Planificacion Minera
Descripción El contar con el registro una marca del sistema integrado de planificación
permitirá fortalecer la presencia del sistema en la industria de la minería de
cobre. El hecho de contar con una marca registrada y con un sistema reconocido
en el ámbito permite resguardar en parte la propiedad sobre la herramienta
desarrollada. La clave para mantenerse en el mercado en el ámbito de los
sistemas o software de planificación es contar con un proceso de innovación más
dinámico que el resto de los competidores de la industria para lograr así
elementos diferenciadores y que permitan resguardar la posición del sistema y
las metodologías que forman parte del proyecto. En este sentido, el contar con
una marca registrada y reconocida es muy importante.
Resultados de Producción
Servicio de Consultoria
Asociados
La solicitud de Registro de Marca de la herramienta de planificación fue hecha

por intermedio del Decano de la Facultad de Ciencias Físicas y Matemáticas, Sr
Francisco Brieva al Rector de la Universidad, Sr. Víctor Pérez. De esta manera la
Dirección Jurídica de la Universidad, por solicitud del Rector, realiza el Registro
correspondiente. La Marca solicitada para registrar es "MEP/1" (Métodos
Estocásticos para Planificación minera), la cual es hecha en la clase 9, en el
Instituto Nacional de Propiedad Intelectual (INAPI), con un alcance a nivel
Nacional.
RESULTADO
Nombre Registro de Propiedad Intelectual del Software de Planificacion Minera
Descripción El contar con el registro de propiedad intelectual del sistema integrado de
planificación y su documentación permitirá fortalecer la presencia del sistema la
industria de la minería de cobre. El sistema que será protegido será una
herramienta de planificación. Los modelos y algoritmos contenidos en el sistema
son conocimientos que difícilmente se pueden patentar pero el hecho de contar
con una marca registrada y con un sistema reconocido en el ámbito permite
resguardar en parte la propiedad sobre la herramienta desarrollada. La clave
para mantenerse en el mercado en el ámbito de los sistemas o software de
planificación es contar con un proceso de innovación más dinámico que el resto
de los competidores de la industria para lograr así elementos diferenciadores y
que permitan resguardar la posición del sistema y las metodologías que forman
parte del proyecto.
Asociados
La solicitud de Registro de Propiedad Intelectual de la herramienta de
planificación fue hecha por intermedio del Decano de la Facultad de Ciencias
Físicas y Matemáticas, Sr Francisco Brieva al Rector de la Universidad, Sr. Víctor
Pérez. De esta manera la Dirección Jurídica de la Universidad, por solicitud del
Descripción del Logro Rector, realiza el Registro correspondiente. El registro de la propiedad intelectual
del software, fue solicitada bajo el nombre "MEP/1" (Métodos Estocásticos para
Planificación minera), en la Categoría de Software, en el Departamento de
Derechos intelectuales de la Dirección de Bibliotecas, Archivos y Museos
(DIBAM).
RESULTADO
Tipo Resultado de Transferencia y Negocios
Nombre Paquete Tecnologico: Diseno de Servicio de Consultoria
Descripción ¿De que esta compuesto? Componentes: 1. Una taxonomía de los principales
tipos de inversión involucrados en la planificación minera y las fuentes relevantes
de incertidumbre para cada uno de ellos. 2. Un modelo conceptual que considere
todas las fuentes de riesgo relevantes en la planificación minera. 3. Una
clasificación de las herramientas mas apropiadas para modelar el riesgo en para
cada uno de los problemas de inversión relevantes. 4. Un algoritmo de solución
para resolver cada tipo problemas de inversión a tamaño real. 5. Documentación
de las metodologías y mejores practicas de evaluación resultantes del
aprendizaje del proceso de planificación. ¿Quienes estarán dispuestos a pagar
por el? Entidad Interesada: CODELCO.
Asociados
Se diseña un servicio de consultoría, que corresponderá a una asesoría para

formular planes mineros de largo plazo que incorporan la incertidumbre en el
precio del cobre y en las leyes del mineral, que se apoya en un software
desarrollado en este proyecto. Se entregará como resultado al cliente, una
política de decisiones, en las que el planificador de la compañía podrá saber cuál
Descripción del Logro es la mejor decisión a tomar en cada periodo, dado el escenario que está
enfrentando en la realidad. Con esto, la compañía tendrá planes robustos y
flexibles y una mejor evaluación económica de sus proyectos. Se plantea como
indispensable, tener una constante y cercana interacción con el cliente, con el
objetivo de modelar el sistema y entregar resultados que se ajusten de la mejor
manera posible a sus requerimientos.
RESULTADO
Nombre Estudio de factibilidad de distribucion del sistema integrado de planificacion m
Descripción El estudio entregará luces sobre la factibilidad de distribuir sólo el sistema de
planificación a otras empresas mineras tanto en Chile como en el extranjero. Si
esto fuese factible se generaría una nueva área que será necesario planificar y
organizar.
Asociados
Se desarrolló un estudio que analiza la comercialización tanto en Chile como en

el extranjero, particularmente en Perú de la tecnología de optimización y
evaluación económica de la planificación minera de largo plazo. La metodología
de análisis cubre una caracterización de la industria del cobre y analiza la oferta
de herramientas para la planificación minera. Se concluye que si bien es factible
la distribución únicamente de la herramienta computacional, ésta pierde el valor
que tiene al ir acompañada del servicio de consultoría. La distribución, debe ir
acompañada de un servicio de postventa y un servicio de mantenimiento, para
que los clientes logren aprovechar al máximo las potencialidades de la
herramienta.
RESULTADO
Tipo Resultado de Producción Científica (Ex "Otros")
Nombre 5 Tesis nivel magister
Descripción Objetivo: Contribuir al desarrollo de la investigación en el ámbito específico del
proyecto. Objetivos específicos a los que se aporta: Aporte a la extensión de los
modelos de planificación minera.
Alumnos del Magíster en Gestión de Operaciones, del Departamento de

Ingeniería Industrial de la Universidad, jugaron un importante rol en la
investigación de nuevas metodologías que permitieron por una parte mejorar los
modelos de planificación de largo plazo, y por otra parte estudiar, modelar e
incorporar las principales fuentes de incertidumbre en la planificación minera. De
esta manera se logró 5 Tesis de Magister [1], [2], [3], [4], [5] que guiadas por los
académicos e investigadores que participaron en el proyecto, aportaron al logro
de los resultados del mismo.
[1] Castro Altamirano, Felipe Ignacio. Desarrollo de un método de solución de un
problema de programación entera mixta para la planificación de largo plazo en
minería a cielo abierto. Tesis (Magíster en Gestión de Operaciones). Santiago,
Chile. Universidad de Chile, Facultad de Ciencias Físicas y Matemáticas. 2009.
[2] Carvallo Löhr, Luis Felipe. Desarrollo de un modelo estocástico de
planificación minera utilizando escenarios probabilísticos del precio del cobre.
Tesis (Magíster en Gestión de Operaciones). Santiago, Chile. Universidad de
Chile, Facultad de Ciencias Físicas y Matemáticas. 2009. [3] Gacitúa Carafí,
Jaime Andrés. Aplicación de una heurística escalable para resolver un problema
estocástico de planificación minera. Tesis (Magíster en Gestión de Operaciones).
Santiago, Chile. Universidad de Chile, Facultad de Ciencias Físicas y
Matemáticas. 2011. [4] Villa Muñoz, Carlos Alberto. Resolución de un problema
estocástico de planificación minera para el proyecto Quetena de CODELCO.
Tesis (Magíster en Gestión de Operaciones). Santiago, Chile. Universidad de
Chile, Facultad de Ciencias Físicas y Matemáticas. 2011. [5] Parra Pizarro,
Alejandra Loreto. Construcción de una función de costos operaciones para
producción de cobre. Tesis (Magíster en Gestión de Operaciones). Santiago,
Chile. Universidad de Chile, Facultad de Ciencias Físicas y Matemáticas. 2011.
RESULTADO
Nombre 5 Tesis nivel pre-grado
Alumnos de las carreras de Ingeniería civil Industrial y de Ingeniería en Minas de

la Universidad, aportaron con el proyecto en investigaciones para sus memorias
de pregrado. Se logró estudiar con esto la incertidumbre asociada a la geología y
mejorar el rendimiento computacional de los modelos que se desarrollaron en
Descripción del Logro este proyecto, aportado también en mejorar y validar los modelos con los que ya
se contaban y que sirvieron de base para la incorporación de la incertidumbre.
De esta manera se logró 5 Memorias de Pregrado [6], [7], [8], [9], [10] que
guiadas por los académicos e investigadores que participaron en el proyecto,
aportaron al logro de los resultados del mismo.
[6] Rojas Cornejo, Mariana. Descripción cuantitativa de los procesos de
extracción y reducción de mineral en la minería de cobre a cielo abierto. Memoria
(Ingeniería civil Industrial). Santiago, Chile. Universidad de Chile, Facultad de
Ciencias Físicas y Matemáticas. 2009. [7] San Martín Salinas, Marcela Virginia.
Desarrollo de un algoritmo para el problema del árbol de Steiner en redes, con
aplicaciones industriales. Memoria (Ingeniería civil Industrial). Santiago, Chile.
Universidad de Chile, Facultad de Ciencias Físicas y Matemáticas. 2009. [8]
Flores Mendoza, Abraham. Validación y ajuste de un modelo translogarítmico
para costos operaciones en la minería del cobre. Memoria (Ingeniería civil
Industrial). Santiago, Chile. Universidad de Chile, Facultad de Ciencias Físicas y
Matemáticas. 2011. [9] Muñoz Opitz, Diego Orlando. Evolución de la
incertidumbre geológica y su impacto en planificación minera de largo plazo.
Memoria (Ingeniería civil Industrial, Ingeniería civil en Minas). Santiago, Chile.
Universidad de Chile, Facultad de Ciencias Físicas y Matemáticas. 2011. [10]
Alarcón Díaz, Jorge Eduardo. Resolución en paralelo de un problema estocástico
de planificación minera de largo plazo. Memoria (Ingeniería civil Industrial).
Santiago, Chile. Universidad de Chile, Facultad de Ciencias Físicas y
Matemáticas. 2011.
RESULTADO
Nombre Cooperacion Internacional
Descripción La coperación internacional se manifestará a través de las siguientes actividades:
a) Asistencia de miembros del equipo consultor en congresos de nivel
internacional relacionados ya sea con modelos de optimización o con minería. Se
espera un mínimo de tres asistencias. b) Exposiciones de miembros del equipo
consultor en congresos de nivel internacional relacionados ya sea con modelos
de optimización o con minería. Se espera un mínimo de dos exposiciones. c)
Visitas de expertos internacionales ya sea en el área de optimización matemática
o minería para reunirse tanto con el equipo consultor como con los clientes. Se
espera un mínimo de tres visitas. Objetivo: Intercambiar conocimiento de punta
en el ámbito de la planificación minera de largo plazo utilizando modelos
matemáticos. Objetivos específicos: 1) Aporte a la generación de instancias de
difusión. 2) Incrementar la experiencia del equipo de desarrollo. 3) Mejorar el
reconocimiento del equipo de desarrollo en el círculo de expertos internacionales
sobre el tema del este proyecto.
Miembros del equipo del proyecto asistieron a los eventos internacionales de
Investigación de Operaciones INFORMS 2009, INFORMS 2011 y EURO XXIV
2010, con el objetivo de informarse sobre los últimos avances e investigaciones
del área, específicamente sobre aplicaciones estocásticas. Asimismo, se
participó en eventos internacionales donde se expuso parte del trabajo realizado
en este proyecto. Específicamente se expuso en la University of California Davis
Descripción del Logro [111] y en la IFORS 2011 [12]. Se contó también con la colaboración de expertos
internacionales, quienes son investigadores y académicos de prestigiosas
universidades como la Univesity of California Davis, Universidad Rey Juan Carlos
de España y la Universidad de Pennsylvania, y que son especialistas en
investigación de operaciones y modelación estocástica. Todo esto permitió
mostrar a la comunidad científica los avances realizados y mejorar los modelos
que se desarrollaron.
[11] Weintraub A. 2011. Stochastic Models in Natural Resources. En:

Optimization in an Uncertainty Environment Workshop. University Of California
Davis. Marzo del 2011. California, Estados Unidos. [12] Weintraub A. 2011.
Dealing with Price Uncertainty in Mine Planning. En: 19th Triennial Conference of
the International Federation of Operational Research Societies (IFORS 2011).
Julio del 2011. Melbourne, Australia
RESULTADO
Nombre Articulos en revistas de difusion cientificas
Descripción ¿Cuál es el objetivo de este resultado? Objetivo: Contribuir con el conocimiento
sobre modelos de optimización en ambientes inciertos especializados en minería.
Como mínimo se compromete la publicación de dos artículos en revistas de
difusión científica. ¿Cuál es el aporte a los objetivos específicos del proyecto?
Objetivos específicos a los que se aporta: 1) Generación de instancias de
difusión. 2) Incrementar el reconocimiento del equipo de desarrollo en el círculo
de expertos en el desarrollo de modelos y herramientas de planificación mineras.
Miembros del equipo del proyecto trabajaron en la elaboración de dos trabajos de

investigación sobre planificación minera, los cuales fueron publicados en revistas
internacionales. El primero de ellos [13], realiza una revisión y recopilación sobre
las aplicación de técnicas de investigación de operaciones en la planificación
minera, trabajo que fue realizado en conjunto con destacados académicos de la
Colorado School of Mines. El segundo [14], corresponde al trabajo realizado por
el equipo de la Universidad de Chile en planificación minera de largo plazo, en
conjunto con Ingenieros de Codelco. En este trabajo se expone las técnicas que
han venido siendo estudiadas hace largos años, y que han sido reforzadas a lo
largo de este proyecto.
[13] Newman A., Rubio E., Caro R., Weintraub A., Eurek K. A Review of
Operations Research in Mine Planning. Interfaces, INFORMS 40(3): pp 222-245,
Referencia Bibliográfica 2010. [14] Epstein R., Goic M., Weintraub A., Optimizing Long-Term Production
Plans in Underground and Open Pit Copper Mines. eScholarship, University of
California.
RESULTADO
Nombre Seminario de investigacion de operaciones para la Mineria.
Descripción La aplicación de la Investigación de Operaciones en la industria minera y,
particularmente, el uso de modelos para problemas de grandes dimensiones, es
un área relativamente reciente y con mucho potencial en un país por esencia
minero, como es Chile. Su valor radica en la eficiencia de procesos mineros para
maximizar las oportunidades y minimizar los riesgos e impactos de esta actividad
económica. Este mes de marzo de 2010, en el marco de las actividades del
Centro de Investigación de Operaciones para la Industria Minera, se realizará un
nuevo encuentro con esta red, cuyo objetivo es analizar en profundidad las
oportunidades que existen y planificar investigaciones en temas específicos,
además de conocer las últimas innovaciones e investigaciones en la materia. OR
Mining reúne a los principales investigadores del área de Operation Research en
el mundo. Ellos son: Marcus Brazil, University of Melbourne, Australia Lou
Caccetta, Curtin University of Technology, Australia Kadri Dagdelen, Colorado
School of Mines, Estados Unidos Michel Gamache, École Polytechnique de
Montréal, Canadá Alexandra Newman, Colorado School of Mines, Estados
Unidos Bruno Pimentel, Federal University of Minas Gerais, Brasil Andrés
Weintraub, Universidad de Chile, Enrique Rubio, Universidad de Chile y Rafael
Epstein, Universidad de Chile. Fecha: 15 a 17 de marzo de 2010. Lugar:
Departamento de Ingeniería Industrial Universidad de Chile, Domeyko 2338
Santiago, sala 211. Organiza: Departamento de Ingeniería Industrial de la
Universidad de Chile. Auspicia: Iniciativa Científica Milenio, proyecto Fondef
D07I1130 y CODELCO.
El seminario se llevo a cabo entre el 15 y el 17 de marzo 2010 en el

Departamento de Ingeniería Industrial de la Universidad de Chile y contó con
expositores internacionales de primer nivel y representantes tanto de CODELCO
como de las principales mineras del país. La aplicación de la investigación de
Descripción del Logro operaciones es un área relativamente reciente y con mucho potencial en un país
por esencia minero, como es Chile. Su valor radica en la eficiencia de procesos
para maximizar las oportunidades y minimizar los riesgos e impactos de esta
actividad productiva. Es por ello que este tipo de eventos resulta de alto interés
tanto para Investigadores como para las compañías mineras.
RESULTADO
Tipo Resultado de Formación de Capacidades (Ex "Otros")
Nombre Equipo planificador capacitado
Descripción El equipo de Codelco debe comprender y utilizar las nuevas metodologías
introducidas por este proyecto y además debe ser capaz de usar el prototipo. De
esta forma se mejoran las capacidades del equipo planificador. Este resultado es
de gran importancia ya que para lograr la ventaja competitiva basada en una
metodología de evaluación de los planes de inversión de largo plazo, es
necesario que el personal de Codelco sepa sacarle provecho a las nuevas
metodologías.
Durante este proyecto, se realizaron periódicamente reuniones con personal de
diferentes niveles de jerarquía de CODELCO, con el objetivo de mostrar la
herramienta, los supuestos utilizados y los resultados obtenidos a través de su
utilización. Se pretendía con esto que el personal de la compañía minera pudiera
comprender las metodologías utilizadas, comprendiera el lenguaje y terminología
Descripción del Logro utilizada y supiera interpretar los resultados del proyecto. Con esto se logró por
una parte que a niveles ejecutivos se comprendiera los beneficios que entregará
este servicio, lo que permitirá facilitar su entrada y aceptación en los diferentes
proyectos de la compañía y por otra parte, que los ingenieros de planificación
pudieran comprender su uso y resultados para sacarle el mayor provecho a las
metodologías desarrolladas.
RESULTADO
Nombre Trabajo conjunto con CODELCO
Descripción ¿Se trata de algo nuevo o el mejoramiento de algo existente? Corresponde a la
estensión del trabajo conjunto que se realiza con CODELCO. ¿Cuál es el
objetivo de este resultado? Fortalecer las redes con un cliente de servicios de
consultoría. ¿Cuál es el aporte a los objetivos específicos del proyecto? Esto se
enmarca en el objetivo de Difusión de avances en círculos de planificación
minera. El trabajo conjunto da visibilidad del potencial de los servicios y la
herrameinta que se desarrollan como parte de este proyecto.
Este proyecto correspondió a una continuación del trabajo que ha venido

realizando la Universidad de Chile con CODELCO, en el cual se pudo fortalecer
las redes existentes con la compañía minera. Se realizaron reuniones periódicas
con ejecutivos de la minera, quienes tienen una alta influencia en la estrategia de
los proyectos mineros y en la manera de realizar las evaluaciones económicas a
través de la planificación de largo plazo. Con esto se buscaba tener la visibilidad
necesaria para insertar la herramienta de planificación como un método válido
para realizar el servicio de consultoría que la Universidad ofrecerá en las
diferentes divisiones de CODELCO. El logro de este resultado permitirá a la
Universidad facilitar su entrada a los diferentes proyectos que CODELCO tiene
actualmente y que planea realizar en el futuro, facilitación que se sustenta
además en que las metodologías desarrolladas fueron directamente diseñadas
con la compañía minera, aplicada a sus procesos y a su manera de realizar la
planificación de largo plazo
RESULTADO
Nombre Equipo consultor capacitado
mejora de las capacidades del equipo consultor que brindará los servicios. ¿Cuál
es el objetivo de este resultado? Mejorar las habilidades del equipo consultor
para afrontar los servicios de consultoría considerando los nuevos desarrollos.
¿Cuál es el aporte a los objetivos específicos del proyecto? Esto se enmarca en
el objetivo de mejorar las metodologías de planificación y evaluación de planes
mineros de largo plazo. Al capacitar al equipo, se mejoran también las
metodologías.
El equipo planificador de la Universidad de Chile, tiene un fuerte conocimiento en

planificación minera de largo plazo. Hace varios años que se ha realizado este
trabajo en conjunto con CODELCO, por lo que la experiencia adquirida tanto en
modelos de planificación como de minería ha sido enorme. Este conocimiento y
experiencia que se ha logrado en planificación determinística de largo plazo en
minería, se puso a disposición de este proyecto, para configurar una estrategia
de resolución que considerara la incertidumbre en la planificación. Así, este
Descripción del Logro equipo trabajó activamente en el desarrollo de la herramienta, realizando
pruebas para validar las metodología propuestas y a la vez mostrar y explicar sus
resultados y supuestos a los ingenieros de CODELCO. Con el equipo
planificador capacitado se podrá continuar realizando mejoras a los métodos
implementados a medida que nuevos requerimientos por parte de los clientes o
nuevas tecnologías permitan incorporar nuevas mejoras. Esto permitirá darle
continuidad y permanencia en el mercado tanto al software que resuelve los
modelos como al servicio de consultoría.
RESULTADO DE PRODUCCIÓN
Categoría Cantidad Lograda
Servicio 1
RESULTADO DE PROTECCIÓN
Marca 1
Derecho de Autor 1
RESULTADO DE TRANSFERENCIA Y NEGOCIOS

Venta 1
Paquete tecnológico diseñado 1
RESULTADO DE PRODUCCIÓN CIENTÍFICA (EX "OTROS")

Evento 1
Publicación 1
Tesis o Proyecto de título 2
Cooperación Internacional recibida o entregada 1
RESULTADO DE FORMACIÓN DE CAPACIDADES (EX "OTROS")

Capacidades profesionales desarrolladas o
2
fortalecidas
Capacidades de formación de redes o de equipos de
1
trabajo
2.3 Informe financiero a la fecha de término
Montos
Gastos
Comprometidos
Monto Girado financiados por
según Convenio %
por Fondef fuente de
por fuente de
financiamiento
financiamiento
28,18
FONDEF 209.000.000 199.858.541 199.858.541
%
Institución(es) Beneficiaria(s)
21,22
UNIVERSIDAD DE CHILE 147.416.000 No Aplica 150.514.927
%
50.6
Empresas y otras Entidades Asociadas 356.312.000 No Aplica 358.871.650
%
Totales 712.728.000 199.858.541 709.245.118 100 %
Monto por Reintegrar

Monto Reintegrado a FONDEF (0)
Costo Final del Proyecto 709.245.118
2.4 Autoevaluación de la Ejecución del Proyecto
El(la) Representante Institucional de cada Institución Beneficiara

Los resultados del proyecto, así como sus objetivos se cumplieron en su totalidad, lo que demuestra el buen
trabajo realizado por el equipo del Departamento de Ingeniería Industrial como representante de la
Universidad en este proyecto. El logro de todo lo presupuestado fue posible tanto por los aportes de Fondef,
como por los aportes de la empresa contraparte y de la Universidad de Chile que también aportó con parte
de su infraestructura para el desarrollo de este proyecto. El desarrollo y éxito de proyectos como éste, en el
que se cuenta con la participación de académicos, profesionales y alumnos y donde se trabaja activamente
con una empresa, permite que la Universidad crezca como institución y que aumente su prestigio como líder
en Investigación en el país. Esto nos beneficia ya que despierta el interés de los mejores alumnos del país a
ser parte de esta institución, el interés de las empresas por los egresados de nuestras diferentes facultades
y aumenta la experiencia de los académicos. Finalmente se debe destacar que el proyecto se ha ejecutado
de forma normal, respetando todas las normas de las instituciones participantes.
El(la) Director(a) del proyecto

Se logró avanzar sustantivamente en mejorar las técnicas y herramientas para evaluar planes mineros de
cobre de largo plazo y desarrollar otras nuevas que permiten mejorar la toma de decisiones en ambientes
inciertos. Se logró fortalecer las redes con CODELCO, para continuar mejorando las herramientas y para
continuar mejorando el servicio de consultoría que se realiza. Se formaron equipos académicos y
profesionales de excelencia que hoy son un activo y una ventaja para la industria minera. A través de la
asistencia a congresos de nivel internacional, la exposición en ellos de lo realizado en el proyecto y la
publicación de los trabajos de investigación se logró aumentar la experiencia y conocimiento del equipo y el
reconocimiento de la universidad frente a la comunidad científica.
2.5 Propuesta de Continuidad de la(s) Institucion(es) Beneficiaria(s)
Una vez terminado el proyecto, la Universidad de Chile dará continuidad a las líneas de investigación
asociadas y continuará perfeccionando las herramientas matemáticas y sistemas computacionales
desarrollados. Las principales propuestas incluyen: • Mantención de las líneas de investigación de este
proyecto por un plazo no inferior a 3 años. • Desarrollo de tesis de pregrado, magíster y doctorado
relacionadas con los objetivos principales de este proyecto. • Uso de la infraestructura y equipamiento
adquirido en el proyecto para apoyar la investigación y desarrollo de líneas de investigación y de
transferencia tecnológica relacionadas con los objetivos principales de este proyecto. • Transferencia de los
resultados de esta investigación a la empresa contraparte, el desarrollo de actividades de asesoría y diseño
de paquete tecnológico.
III. Informe De Gestión
3.1 Objetivos
3.1.1 Objetivo(s) General(es)
Mejorar los modelos y algoritmos utilizados en la planificación y evaluación
Nombre Objetivo
de planes mineros de largo plazo.
Se aumentó el nivel de detalle con el cual se modela la operación minera.
El equipo de investigación logró considerar nuevos elementos al modelo de
toma de decisiones. Se lograron avances algorítmicos importantes para
acelerar la resolución de modelos de planificación con múltiples minas. Se
desarrolló una heurística que permite resolver eficientemente los modelos
Descripción de optimización planteados por el equipo de investigación. Estos avances
permitieron aumentar el nivel de detalle del mismo modelo, manteniendo
los tiempos de resolución. Se realizaron pruebas y validaciones del modelo
mejorado en las divisiones Andina y Codelco Norte con resultados
satisfactorios tanto para el equipo investigador como para la empresa
contraparte.
Mejorar las metodologías de planificación y evaluación de planes mineros
Nombre Objetivo
de largo plazo.
La principal mejora a la metodología de planificación consiste en considerar
la incertidumbre en el precio futuro del mineral. Primero se diseñó una
metodología para caracterizar la incertidumbre del precio futuro del cobre
como un conjunto de escenarios de precios. Cada escenario es una posible
trayectoria del precio futuro del cobre para los próximos 40 años y cada
escenario tendrá su propia probabilidad de ocurrencia. Luego, se diseñó
una metodología práctica de planificación robusta inflexible. Esta
metodología permite evaluar y comparar múltiples planes mineros frente
escenarios futuros de precios del cobre. Utilizando el argumento de valor
Descripción
esperado se concluye con el plan más robusto ante la incertidumbre de
precios del cobre. Al mismo tiempo, se desarrolla una línea de investigación
más sofisticada llamada planificación robusta flexible. Utilizando teoría de
programación estocástica se plantea un modelo de optimización que
encuentra el plan óptimo tomando decisiones flexibles según como se
comporte el precio futuro del cobre. Este modelo de optimización se
caracteriza por su gran tamaño y dificultad de resolución. Se implementó un
método eficiente de descomposición por escenarios, que permite encontrar
soluciones de buena calidad en tiempos razonables.
3.1.2 Objetivos Específicos

Nombre Objetivo Extensión de modelos de planificación.
Se extendió el modelo de planificación para realizar planificación robusta
flexible e inflexible. Al combinar el modelo de planificación de largo plazo
con un árbol de escenarios futuros, se generó una versión de planificación
Descripción
flexible y una metodología de planificación inflexible. Esta extensión permite
modelar las decisiones de planificación incorporando incertidumbre en los
precios futuros del cobre.
Desarrollo de nuevos algoritmos y mejoramiento del desempeño de los
Nombre Objetivo
algoritmos en operación.
Se diseñó una heurística a la medida del modelo de planificación de largo
plazo que logra resolver eficientemente instancias de gran tamaño. Se
extiende el modelo de planificación para realizar planificación robusta
Descripción flexible. El modelo resultante es de gran tamaño y no es posible resolverlo
eficientemente con los métodos tradicionales. Se diseña una heurística de
descomposición por escenarios que permite resolver eficientemente este
modelo.
Nombre Objetivo Difusión de avances en círculos de planificación minera.
Se participó y se organizaron charlas y seminarios, entre las que se
destaca: Seminario OR Mining. En marzo de 2010 se convocó a los más
destacados investigadores en gestión de operaciones en la industria minera
para realizar un seminario de 3 días y compartir los últimos avances en las
líneas de investigación. Junto con el seminario, se formó una red de
Descripción
colaboración académica con los investigadores asistentes cuyo propósito
es analizar en profundidad las oportunidades que existen y planificar
investigaciones en temas específicos ligados a la investigación de
operaciones en la industria minera. El seminario fue sostenido en el
Departamento de Ingeniería Industrial de la Universidad de Chile.
3.2 Resultados
RESULTADO
Tipo Resultado de Producción
Nombre Servicio de Consultoria
Descripción ¿Cómo se presentará físicamente? El servicio de consultoría corresponde a una
serie de actividades que realizan los miembros de un equipo consultor con el fin
de aconsejar y entregar servicios profesionales en una aréa específica. En este
caso, el servicio de consultoría corresponde al apoyo del área de planificación
minera. El servicio de consultoría se basará en el uso de un software de
planificación minera que entregará planes de largo plazo optimizando los
recursos y las decisiones. ¿Cuáles son sus condiciones de uso? Las empresas
contratan los servicios de consultoría por un periodo de tiempo especifico
identificando los objetivos y resultados que se esperan de la misma. ¿Cuáles son
sus principales competidores o sustitutos?(Nómbrelos) Los principales
competidores son empresas de consultoría en minería o en evaluación de
proyectos como: Metálica Consultores S.A. y NCL S.A. ¿Cuáles son las
principales diferencias funcionales, operacionales y productivas que tendrá la
solución con respecto al mejor competidor o sustituto? Las ventajas
comparativas que poseen estos servicios de consultoría son un enfoque
innovador para abordar la planificación minera de largo plazo y el contar con
personas expertas en las metodologías utilizadas en el enfoque del proyecto.
¿Cuáles son los beneficios que las diferencias mencionadas le generarán al
productor, usuario intermedio y/o usuario final? Los beneficios que se esperan
son básicamente que el cliente obtendrá una herramienta y un servicio de
soporte a la toma de decisiones robusta en ambientes inciertos lo que le
permitirá definir sobre mejores bases la planificación minera de largo plazo,
esperando mejoras en el VAN (Valor Actual Neto) de los yacimientos de mineral
y su operación. ¿Quiénes lo producirían? El equipo desarrollador de este
proyecto estará a cargo de la ejecución de la consultoría.
El servicio de consultoría se realiza utilizando como apoyo el software de

planificación diseñado, aplicando la metodología de planificación robusta-flexible
desarrollada en el proyecto. Entre sus principales características destacan: •
Replicable cada vez que sea necesario. • Toma un tiempo razonable en
ejecutarse. • Genera información valiosa para el apoyo de las decisiones de
planificación e inversión de largo plazo. • Utiliza algoritmos avanzados para
apoyar la toma de decisiones. • Utiliza y combina múltiples fuentes de
información para generar acciones sugeridas. • Considera las principales fuentes
de incertidumbre. Las empresas que requieran este servicio podrán contratarlo
por un periodo de tiempo especifico identificando los objetivos y resultados que
se esperan de la misma. Las actividades que componen el servicio de
consultoría, las cuales serán realizadas por el equipo desarrollador del proyecto,
serán: 1) Diseño de escenarios de evaluación 2) Configuración del sistema 3)
Realización de pruebas 4) Análisis de resultados 5) Entrega de reportes. Al
contar con este servicio, las empresas mineras podrán definir con mejores bases
su planificación minera de largo plazo, con mejoras en el VAN (Valor Actual
Neto) de los yacimientos y de su operación. Para concretar este resultado, fue
necesario realizar diversas pruebas con el software de planificación desarrollado
(hitos del resultado), en el que se utilizaron instancias reales, como la mina
Ministro Hales y el proyecto Quetena de CODELCO. Los resultados de estas
pruebas fueron mostrados a los expertos de la compañía minera, quienes los
comprendieron y avalaron.
RESULTADO
Nombre Registro de Marca del Software de Planificacion Minera
Descripción El contar con el registro una marca del sistema integrado de planificación
permitirá fortalecer la presencia del sistema en la industria de la minería de
cobre. El hecho de contar con una marca registrada y con un sistema reconocido
en el ámbito permite resguardar en parte la propiedad sobre la herramienta
desarrollada. La clave para mantenerse en el mercado en el ámbito de los
sistemas o software de planificación es contar con un proceso de innovación más
dinámico que el resto de los competidores de la industria para lograr así
elementos diferenciadores y que permitan resguardar la posición del sistema y
las metodologías que forman parte del proyecto. En este sentido, el contar con
una marca registrada y reconocida es muy importante.
Asociados
Siguiendo el conducto regular establecido por la Institución, la solicitud de

Registro de Marca fue hecha por intermedio del Decano de la Facultad de
Ciencias Físicas y Matemáticas, Sr Francisco Brieva al Rector de la Universidad,
Sr.Victor Pérez. De esta manera la Dirección Jurídica de la Universidad, por
solicitud del Rector, realiza el Registro correspondiente. La Marca solicitada para
registrar es "MEP/1" (Métodos Estocásticos para Planificación minera), la cual es
hecha en la clase 9, en el Instituto Nacional de Propiedad Intelectual (INAPI), la
que será a nivel Nacional. El logro de este resultado permitirá posicionarse en el
mercado de la planificación minera de largo plazo con incertidumbre y ser
reconocidos por las compañías mineras.
RESULTADO
Nombre Registro de Propiedad Intelectual del Software de Planificacion Minera
Descripción El contar con el registro de propiedad intelectual del sistema integrado de
planificación y su documentación permitirá fortalecer la presencia del sistema la
industria de la minería de cobre. El sistema que será protegido será una
herramienta de planificación. Los modelos y algoritmos contenidos en el sistema
son conocimientos que difícilmente se pueden patentar pero el hecho de contar
con una marca registrada y con un sistema reconocido en el ámbito permite
resguardar en parte la propiedad sobre la herramienta desarrollada. La clave
para mantenerse en el mercado en el ámbito de los sistemas o software de
planificación es contar con un proceso de innovación más dinámico que el resto
de los competidores de la industria para lograr así elementos diferenciadores y
que permitan resguardar la posición del sistema y las metodologías que forman
parte del proyecto.
Asociados
Siguiendo el conducto regular establecido por la Institución, la solicitud de
Registro de Marca fue hecha por intermedio del Decano de la Facultad de
Ciencias Físicas y Matemáticas, Sr Francisco Brieva al Rector de la Universidad,
Sr.Victor Pérez. De esta manera la Dirección Jurídica de la Universidad, por
solicitud del Rector, realiza el Registro correspondiente. El registro de la
propiedad intelectual del software, fue solicitada bajo el nombre "MEP/1"
(Métodos Estocásticos para Planificación minera), en la Categoría de Software,
Descripción del Logro en el Departamento de Derechos intelectuales de la Dirección de Bibliotecas,
Archivos y Museos (DIBAM). El logro de este resultado permitirá proteger la
herramienta desarrollada en este proyecto, herramienta que es la base del
servicio de consultoría que se diseñó. Esta protección es clave para resguardar
los intereses de la Universidad en este sentido, ya que el software es el
complemento del trabajo que se ha venido realizando por largos años, a través
de diferentes proyectos, en los que ha sido de gran importancia los aportes de
Fondef y Codelco.
RESULTADO
Nombre Paquete Tecnologico: Diseno de Servicio de Consultoria
Descripción ¿De que esta compuesto? Componentes: 1. Una taxonomía de los principales
tipos de inversión involucrados en la planificación minera y las fuentes relevantes
de incertidumbre para cada uno de ellos. 2. Un modelo conceptual que considere
todas las fuentes de riesgo relevantes en la planificación minera. 3. Una
clasificación de las herramientas mas apropiadas para modelar el riesgo en para
cada uno de los problemas de inversión relevantes. 4. Un algoritmo de solución
para resolver cada tipo problemas de inversión a tamaño real. 5. Documentación
de las metodologías y mejores practicas de evaluación resultantes del
aprendizaje del proceso de planificación. ¿Quienes estarán dispuestos a pagar
por el? Entidad Interesada: CODELCO.
Asociados
Se diseña un servicio de consultoría que se apoya en el software de planificación
minera desarrollado en este proyecto. El principal valor agregado del servicio
está en la incorporación de la volatilidad del precio futuro del cobre y de la
incertidumbre en las leyes del mineral, que son las principales fuentes de riesgo
en la planificación minera de largo plazo. Este servicio de consultoría,
corresponderá a una asesoría para formular planes mineros, el que se
descompondrá en las siguientes actividades básicas: • Diseño de escenarios de
evaluación, en el que se definirá los escenarios de interés que se desea evaluar.
• Configuración del sistema, para modelar los procesos de la compañía minera y
los parámetros que la compañía utilice. • Realización de corridas, utilizando los
modelos desarrollados en este proyecto y el software de planificación como
apoyo. • Análisis de resultados obtenidos, en el que se realizarán comparaciones
de escenarios y se evaluarán posibles mejoras que sean factibles para la
compañía minera. • Entrega de reportes, entregando el resultado de todos los
pasos anteriores, en formatos que el planificador de la minera pueda comprender
con facilidad y pueda interpretar los resultados entregados. Se entregará de esta
manera, planes robustos y flexibles, que respondan bien y que den la
información necesaria para tomar las decisiones correctas frente a cada
escenario que se puede enfrentar en el futuro, dándole la posibilidad de que la
compañía minera cuente con una mejor evaluación económica de sus proyectos.
Se considera indispensable para el éxito de este servicio, la colaboración
cercana con los profesionales y expertos de la compañía, para lograr las
sinergias del conocimiento de ambas partes: conocimiento del proyecto y sus
recursos por parte de la compañía minera y el conocimiento técnico matemático
y computacional de los profesionales de la universidad que entregarán este
servicio.
RESULTADO
Nombre Estudio de factibilidad de distribucion del sistema integrado de planificacion m
Descripción El estudio entregará luces sobre la factibilidad de distribuir sólo el sistema de
planificación a otras empresas mineras tanto en Chile como en el extranjero. Si
esto fuese factible se generaría una nueva área que será necesario planificar y
organizar.
Asociados
Se estudió la posibilidad de distribución del software de planificación de largo
plazo con incertidumbre en precios y leyes del mineral, donde se analizó la
industria del cobre y sus necesidades específicamente en Chile y en Perú,
países que asoman como los más interesantes y con un mayor potencial para
ofrecer el producto. Se analizó además la oferta de software y la oferta de
servicios de consultoría relacionados. En el primer caso se encontró Gemcom
(Whittle), Mintec (Minesight), Minemax (Planner), Maptek (Vulcano) como
herramientas para la gestión minera que típicamente automatizan algoritmos
clásicos de resolución; En el segundo caso se encuentran NCL Ingeniería y
Construcción, Metálica Consultores y JRI Ingeniería, empresas que sustentan su
valor en técnicas tradicionales de planificación con poco énfasis en la
investigación y desarrollo. El software y la metodología desarrollada en este
proyecto, en que se incorpora explícitamente la incertidumbre en las decisiones
de largo plazo, constituyen un concepto que actualmente no está en el mercado
y que se proyecta como una necesidad en las compañías mineras al momento
de tomar decisiones de inversión. La adaptabilidad del sistema para modelar las
distintas configuraciones de procesos, la integración de múltiples minas y plantas
y la facilidad para realizar un análisis de escenarios, son una real ventaja
competitiva, frente a las compañías nombradas. El software diseñado, si bien
tiene un gran potencial por sí sólo, su valor es mucho mayor cuando va
acompañado del servicio de consultoría. Trabajos anteriores con CODELCO, en
planificación determinística confirman esta afirmación, ya que la compañía no
solo busca la generación de planes mineros, sino también su análisis desde la
perspectiva que un equipo multidisciplinario (ingenieros industriales,
computacionales y mineros) puede entregar. Con esto se concluyó que si bien la
distribución solamente del software es factible, debido a las necesidades
actuales de la industria del cobre y la adaptabilidad del software a las distintos
escenarios, la propuesta pierde gran parte del valor que tiene el sistema
integrado, es decir, el servicio de consultoría apoyado con la herramienta
computacional de planificación.
RESULTADO
Nombre 5 Tesis nivel magister
Alumnos del Magíster en Gestión de Operaciones, del Departamento de
Ingeniería Industrial de la Universidad, jugaron un importante rol en la
investigación de nuevas metodologías que permitieron por una parte mejorar los
modelos de planificación de largo plazo, y por otra parte estudiar, modelar e
incorporar las principales fuentes de incertidumbre en la planificación minera. De
esta manera se logró 5 Tesis de Magister que guiadas por los académicos e
investigadores que participaron en el proyecto, aportaron al logro de los
resultados del mismo. Estos trabajos fueron: Tema: Desarrollo de un método de
solución de un problema de programación entera mixta para la planificación de
largo plazo en minería a cielo abierto. Alumno: Felipe Ignacio Castro Altamirano.
Grado Académico: Magíster en Gestión de Operaciones Profesor Guía: Rafael
Epstein Tema: "Desarrollo de un modelo estocástico de planificación minera
utilizando escenarios probabilísticos del precio del cobre" Alumno: Luis Felipe
Carvallo Löhr Grado Académico: Magíster en Gestión de Operaciones Profesor
Guía: Andrés Weintraub Tema: "Aplicación de una heurística escalable para
resolver un problema estocástico de planificación minera" Alumno: Jaime Andrés
Gacitúa Carafí. Grado Académico: Magíster en Gestión de Operaciones Profesor
Guía: Rafael Epstein Tema: "Resolución de un problema estocástico de
planificación minera para el proyecto Quetena de CODELCO" Alumno: Carlos
Alberto Villa Muñoz. Grado Académico: Magíster en Gestión de Operaciones
Profesor Guía: Rafael Epstein Tema: " Construcción de una función de costos
operaciones para producción de cobre" Alumno: Alejandra Loreto Parra Pizarro.
Grado Académico: Magíster en Gestión de Operaciones Profesor Guía: Rafael
Epstein
RESULTADO
Nombre 5 Tesis nivel pre-grado
Alumnos de las carreras de Ingeniería civil Industrial y de Ingeniería en Minas de
la Universidad, aportaron con el proyecto en investigaciones para sus memorias
de pregrado. Se logró estudiar con esto la incertidumbre asociada a la geología y
mejorar el rendimiento computacional de los modelos que se desarrollaron en
este proyecto, aportado también en mejorar y validar los modelos con los que ya
se contaban y que sirvieron de base para la incorporación de la incertidumbre.
De esta manera se logró 5 Memorias de Pregrado que guiadas por los
académicos e investigadores que participaron en el proyecto, aportaron al logro
de los resultados del mismo. Estos trabajos fueron: Tema: "Descripción
cuantitativa de los procesos de extracción y reducción de mineral en la minería
de cobre a cielo abierto" Alumno: Mariana Rojas Cornejo Carrera: Ingeniería civil
Descripción del Logro Industrial Profesor Guía: Rafael Epstein Tema: "Desarrollo de un algoritmo para
el problema del árbol de Steiner en redes, con aplicaciones industriales" Alumno:
Marcela Virginia San Martín Salinas Carrera: Ingeniería civil Industrial Profesor
Guía: Rafael Epstein Tema: "Validación y ajuste de un modelo translogarítmico
para costos operaciones en la minería del cobre" Alumno: Abraham Flores
Mendoza Carrera: Ingeniería civil Industrial Profesor Guía: Rafael Epstein Tema:
"Evolución de la incertidumbre geológica y su impacto en planificación minera de
largo plazo" Alumno: Diego Orlando Muñoz Opitz Carrera: Ingeniería civil
Industrial, Ingeniería civil en Minas Profesor Guía: Mario Solaris y Rafael Epstein
Tema: "Resolución en paralelo de un problema estocástico de planificación
minera de largo plazo" Alumno: Jorge Eduardo Alarcón Díaz Carrera: Ingeniería
civil Industrial, Ingeniería civil en Minas Profesor Guía: Rafael Epstein
RESULTADO
Nombre Cooperacion Internacional
Descripción La coperación internacional se manifestará a través de las siguientes actividades:
a) Asistencia de miembros del equipo consultor en congresos de nivel
internacional relacionados ya sea con modelos de optimización o con minería. Se
espera un mínimo de tres asistencias. b) Exposiciones de miembros del equipo
consultor en congresos de nivel internacional relacionados ya sea con modelos
de optimización o con minería. Se espera un mínimo de dos exposiciones. c)
Visitas de expertos internacionales ya sea en el área de optimización matemática
o minería para reunirse tanto con el equipo consultor como con los clientes. Se
espera un mínimo de tres visitas. Objetivo: Intercambiar conocimiento de punta
en el ámbito de la planificación minera de largo plazo utilizando modelos
matemáticos. Objetivos específicos: 1) Aporte a la generación de instancias de
difusión. 2) Incrementar la experiencia del equipo de desarrollo. 3) Mejorar el
reconocimiento del equipo de desarrollo en el círculo de expertos internacionales
sobre el tema del este proyecto.
Los miembros del equipo del proyecto, tuvieron una relación activa con
investigadores y académicos internacionales. Esta relación se logró a través de
la asistencia a diferentes congresos, exposiciones del trabajo realizado y la visita
de expertos en modelación estocástica y modelos de predicción. A continuación
se detalla cada uno de estas actividades realizadas. Asistencia a Congresos:
Andrés Weintraub asistió al "Informs Conference of Business Analytics &
Operation Research" que se realizó en San Diego, California en Estados Unidos
en Octubre del 2009. La página oficial del evento fue:
http://meetings2.informs.org/sandiego09/. El Director del proyecto Rafael Epstein,
junto al director alterno Andrés Weintraub, participaron de la "Informs Conference
of Business Analytics & Operation Research" que se realizó en Chicago, Illinois
en Estados Unidos en Abril del 2011. La página oficial del evento fue:
http://meetings2.informs.org/Analytics2011/. Rafael Epstein asistió además a la
EURO XXIV Lisbon realizada en Lisboa, Portugal, en el mes de Julio del 2010.
La página oficial de este evento fue: http://www.euro2010lisbon.org. En estas
conferencias se pudo asistir a diversas charlas y exposiciones sobre los trabajos
más recientes hechos por la comunidad científica en el ámbito de la Investigación
de Operaciones, donde se ha aplicado la ciencia a trabajos y procesos reales.
Estos eventos son además una excelente oportunidad para intercambiar
opiniones y experiencias entre los participantes ya que a ellos asisten los
investigadores y académicos más destacados del mundo. De esta manera se
pudo generar redes de contacto, las que sirvieron para la ejecución del proyecto
y que servirán para los diferentes trabajos futuros que realicen los miembros del
equipo de la Universidad. Exposiciones: Los directores de este proyecto se
Descripción del Logro destacan por su participación activa en los encuentros internaciones realizados
por la comunidad científica. El trabajo realizado en el proyecto, ayudó para que
continuaran reforzando el prestigio que han logrado para la Universidad de Chile,
ya que se realizaron dos exposiciones en congresos. La primera se realizó en el
"Optimization in an Uncertainty Environment Workshop" realizado en la University
of Calfornia, Davis en marzo del 2011. Allí, el director alterno del proyecto Andrés
Weintraub, presentó el trabajo titulado "Optimization in an Uncertainty
Environment Workshop". El sitio web oficial de este evento fue:
http://investorwelfare.gsm.ucdavis.edu/OptimizationWorkshop2011. La segunda
presentación se realizó en la "19th Triennial Conference of the International
Federation of Operational Research Societies" (IFORS2011) realizada en
Melbourne, Australia en Julio del 2011. Allí se presentó el trabajo titulado:
Dealing with Price Uncertainty in Mine Planning. El sitio oficial del evento fue:
http://www.ifors2011.org. La importancia de estas exposiciones es que no sólo se
puede compartir el trabajo e investigaciones realizadas, sino que también se
intercambia opiniones con los participantes, lo que permite realizar mejoras a las
herramientas y modelos desarrollados, lo que ha aportado en la etapa final del
proyecto. Visita de Expertos: Para el desarrollo de este proyecto se utilizó las
redes de contacto que la universidad ha logrado a través del tiempo. De esta
manera se trabajó directamente con investigadores de prestigio internacional, los
cuales han trabajado largamente con modelos estocásticos y en minería. El
trabajo más cercano se realizó con Roger Wets y David Woodroof de la
University of California Davis. Ellos, son los creadores de la metodología
Progressive Hedging que es utilizada en este proyecto para la generación de un
modelo robusto y flexible de largo plazo. Se realizaron diversas reuniones con
ellos, en las que en primera instancia se discutió la estrategia a seguir y
posteriormente se mostró los avances realizados, siendo estos validados por
ellos. Ambos han aplicado esta metodología en diversos problemas estocásticos
por lo tienen una gran experiencia en el tema y han logrado a través de diversas
técnicas mejorar la eficiencia del algoritmo. Se contó también con la colaboración
de Laureano Escudero, Doctor en Ciencias Económicas y Antonio Alonso Ayuso,
Doctor en Estadística, ambos académicos de la Universidad Rey Juan Carlos de
España. Con ellos se discutió principalmente el modelo de generación de
escenarios de precios. Aprovechando su conocimiento en finanzas y estadística
se pudo validar y mejorar las predicciones futuras para finalmente obtener un
árbol de escenarios posibles, cada uno con sus probabilidades asociadas.
Finalmente, Monique Guignard-Spielberg, profesora de la Universidad de
Pennsylvania aportó con el proyecto. Su ayuda permitió generar mejoras del
modelo de lineal que resuelve el problema estocástico, ya que ella es
especialista en programación estocástica entera y ha realizado una gran cantidad
de trabajos tanto teóricos como aplicados. Todas estas actividades permitieron
no sólo mejorar el desarrollo de nuevas metodologías, sino también fomentar y
fortalecer las redes de contacto con investigadores de todo el mundo, lo que
permite también aumentar el prestigio de la Universidad de Chile como un lugar
de calidad para realizar investigación aplicada.
RESULTADO
Nombre Articulos en revistas de difusion cientificas
Descripción ¿Cuál es el objetivo de este resultado? Objetivo: Contribuir con el conocimiento
sobre modelos de optimización en ambientes inciertos especializados en minería.
Como mínimo se compromete la publicación de dos artículos en revistas de
difusión científica. ¿Cuál es el aporte a los objetivos específicos del proyecto?
Objetivos específicos a los que se aporta: 1) Generación de instancias de
difusión. 2) Incrementar el reconocimiento del equipo de desarrollo en el círculo
de expertos en el desarrollo de modelos y herramientas de planificación mineras.
Los académicos que formaron parte de este proyecto, son reconocidos
internacionalmente por su aporte a la Investigación de Operaciones. La
publicación de diversos trabajos en revistas internacionales han posicionado a la
Universidad de Chile como una de las mejores instituciones de estudio e
investigación del país. En el marco de este proyecto, se realizó la publicación de
2 papers, en que participaron además investigadores de otras universidades y
profesionales de Codelco. En el primero se expone el modelo de planificación de
largo plazo utilizado en el proyecto y en el segundo se realiza una investigación
sobre las diferentes aplicaciones que existen sobre planificación minera. A
continuación se presenta el abstract de cada uno de ellos. 1.- Paper titulado:
"Optimizing Long-Term Production Plans in Underground and Open Pit Copper
Mines", en el que participaron los Investigadores del proyecto Rafael Epstein,
Andrés Weintraub, Jaime Catalán y Rodolfo Urrutia. Abstract: We present a
methodology for long-term mine planning based on a general capacitated
multi-commodity network flow problem formulated as a comprehensive math
programming model. The planning methodology considers underground and open
pit ore deposits sharing multiple downstream processing plants over a long
horizon. The purpose of the model is to optimize several mines in an integrated
fashion, though the real size instances are hard to solve due to the combinatorial
nature of the problem. We tackle this by solving the relaxed problem of a tight
Descripción del Logro linear formulation and we round the resulting near-integer solution with a
customized procedure. The outcome of this project has been implemented at
CODELCO, the largest copper producer in the world. Since 2001, the system is
used on a regular basis and has increased the net present value of the production
plan for a single mine by 5%. Moreover, the integrated approach for multiple
mines provided an additional increase of 3%. The system has allowed the
planners to evaluate more scenarios. In particular, the model was used to study
the option of delaying by four years the conversion of Chiquicamata, CODELCO's
largest open pit mine, to underground operations. 2.- En la edición de Mayo-Junio
del 2010, se publicó en la revista "Interfaces, The INFORMS Journal on the
practice of Operations Research " del Institute for Operations Research and the
Management Sciences (INFORMS), el artículo titulado "A Review of Operations
Research in Mine Planning", en el que participó el Director Alterno del Proyecto,
Sr. Andrés Weintraub. Abstract: Applications of operations research to mine
planning date back to the 1960s. Since that time, optimization and simulation, in
particular, have been applied to both surface and underground mine planning
problems, including mine design, long- and short-term production scheduling,
equipment selection, and dispatching, inter alia. In this paper, we review several
decades of such literature with a particular emphasis on more recent work,
suggestions for emerging areas, and highlights of successful industry
applications.
RESULTADO
Nombre Seminario de investigacion de operaciones para la Mineria.
Descripción La aplicación de la Investigación de Operaciones en la industria minera y,
particularmente, el uso de modelos para problemas de grandes dimensiones, es
un área relativamente reciente y con mucho potencial en un país por esencia
minero, como es Chile. Su valor radica en la eficiencia de procesos mineros para
maximizar las oportunidades y minimizar los riesgos e impactos de esta actividad
económica. Este mes de marzo de 2010, en el marco de las actividades del
Centro de Investigación de Operaciones para la Industria Minera, se realizará un
nuevo encuentro con esta red, cuyo objetivo es analizar en profundidad las
oportunidades que existen y planificar investigaciones en temas específicos,
además de conocer las últimas innovaciones e investigaciones en la materia. OR
Mining reúne a los principales investigadores del área de Operation Research en
el mundo. Ellos son: Marcus Brazil, University of Melbourne, Australia Lou
Caccetta, Curtin University of Technology, Australia Kadri Dagdelen, Colorado
School of Mines, Estados Unidos Michel Gamache, École Polytechnique de
Montréal, Canadá Alexandra Newman, Colorado School of Mines, Estados
Unidos Bruno Pimentel, Federal University of Minas Gerais, Brasil Andrés
Weintraub, Universidad de Chile, Enrique Rubio, Universidad de Chile y Rafael
Epstein, Universidad de Chile. Fecha: 15 a 17 de marzo de 2010. Lugar:
Departamento de Ingeniería Industrial Universidad de Chile, Domeyko 2338
Santiago, sala 211. Organiza: Departamento de Ingeniería Industrial de la
Universidad de Chile. Auspicia: Iniciativa Científica Milenio, proyecto Fondef
D07I1130 y CODELCO.
El seminario se llevo a cabo entre el 15 y el 17 de marzo 2010 en el

Departamento de Ingenieria Industrial de la Universidad de Chile. El seminario
contó con expositores internacionales de primer nivel: - Marcus Brazil, University
of Melbourne, Australia. - Lou Caccetta, Curtin University of Technology,
Australia. - Kadri Dagdelen, Colorado School of Mines, Estados Unidos. - Michel
Gamache, École Polytechnique de Montréal, Canadá. - Alexandra Newman,
Colorado School of Mines, Estados Unidos. - Bruno Pimentel, Federal University
of Minas Gerais, Brasil. Al seminario asistieron representantes tanto de
CODELCO como de las principales mineras del país. La aplicación de la
investigación de operaciones es un área relativamente reciente y con mucho
potencial en un país por esencia minero, como es Chile. Su valor radica en la
eficiencia de procesos para maximizar las oportunidades y minimizar los riesgos
e impactos de esta actividad productiva. Andrés Weintraub, Director del Instituto
Milenio y Premio Nacional de Ciencias Aplicadas explica que el área de
investigación de operaciones “ha resultado ser una herramienta muy eficiente
para mejorar la forma cómo se planifica la extracción minera”. Rafael Epstein,
académico de la Universidad de Chile y uno de los investigadores clave del
seminario, detalló que el seminario se realiza con el fin de “coordinar los
esfuerzos que se están haciendo en todo el mundo y para potenciarlos”. El crear
redes, según Epstein, “potencia la capacidad del país de ser parte de la
investigación”. Finalmente, el académico de la Universidad de Chile enfatiza en
la relevancia que reviste el desarrollo de estas técnicas y de la inserción de Chile
en temas que van cambiando, como lo ha demostrado la naturaleza después del
pasado terremoto. “Lo importante es tener la capacidad de reaccionar e
investigar, ya que el potencial es grande y los resultados pueden ser muy
beneficiosos”, concluye Rafael Epstein.
RESULTADO
Nombre Equipo planificador capacitado
Descripción El equipo de Codelco debe comprender y utilizar las nuevas metodologías
introducidas por este proyecto y además debe ser capaz de usar el prototipo. De
esta forma se mejoran las capacidades del equipo planificador. Este resultado es
de gran importancia ya que para lograr la ventaja competitiva basada en una
metodología de evaluación de los planes de inversión de largo plazo, es
necesario que el personal de Codelco sepa sacarle provecho a las nuevas
metodologías.
Durante este proyecto, se realizaron periódicamente reuniones con personal de

diferentes niveles de jerarquía de CODELCO, con el objetivo de mostrar la
herramienta, los supuestos utilizados y los resultados obtenidos a través de su
utilización. Se pretendía con esto que el personal de la compañía minera, pudiera
comprender las metodologías utilizadas y supiera interpretar los resultados del
proyecto. Una de las características de esta metodología, es la complejidad de
los modelos y en consecuencia la complejidad de los resultados. Al tratarse de
una herramienta que realiza planificación estocástica cuya utilización es nueva,
la comprensión de los reportes y la comprensión de conceptos no se torna trivial.
Se trabajó en esto con ejecutivos y especialistas de la casa matriz de
CODELCO, a quienes se les explicó la metodología y se le mostró resultados
aplicados a la Mina Ministro Hales y Quetena. En estas reuniones participaron
por parte del equipo de la Universidad, Rafael Epstein, Director del proyecto;
Andrés Weintraub, Director alterno del proyecto y Rodolfo Urrutia y Carlos Villa,
investigadores del proyecto. Por otra se trabajo en el proyecto Quetena del
Distrito Norte de Codelco, donde los ingenieros de planificacion pudieron
comprender el modelo de planificación de largo plazo utilizado, conocer los
inputs necesarios y comprender los resultados y reportes del modelo, lo que
facilitará el servicio de consultoría y la aplicación de los resultados, para obtener
el máximo provecho de estas nuevas metodologías.
RESULTADO
Nombre Trabajo conjunto con CODELCO
estensión del trabajo conjunto que se realiza con CODELCO. ¿Cuál es el
objetivo de este resultado? Fortalecer las redes con un cliente de servicios de
consultoría. ¿Cuál es el aporte a los objetivos específicos del proyecto? Esto se
enmarca en el objetivo de Difusión de avances en círculos de planificación
minera. El trabajo conjunto da visibilidad del potencial de los servicios y la
herrameinta que se desarrollan como parte de este proyecto.
Este proyecto correspondió a una continuación del trabajo que ha venido
realizando la Universidad de Chile con CODELCO, en el cual se han podido
fortalecer las redes existentes con el cliente. Se realizaron reuniones periódicas
con la compañía, particularmente con altos ejecutivos de la empresa minera
como, quienes tienen una alta influencia en la estrategia de los proyectos
mineros y en la manera de realizar las evaluaciones económicas a través de la
planificación de largo plazo. Con esto se buscaba tener la visibilidad necesaria
para insertar la herramienta de planificación como un método válido y eficiente
para realizar el servicio de consultoría que la Universidad ofrecerá en las
Descripción del Logro diferentes divisiones de CODELCO. El objetivo planteado se logró en su
totalidad, ya que se logró posicionar la metodología desarrollada en este
proyecto, logrando que fuera aceptada y puesta como uno de las grandes
avances para la planificación de largo plazo. El logro de este resultado permitirá
a la Universidad facilitar su entrada a los diferentes proyectos que CODELCO
tiene actualmente y que planea realizar en el futuro, facilitación que se sustenta
además en que las metodologías desarrolladas fueron directamente diseñadas
con la compañía minera, aplicada a sus procesos y a su manera de realizar la
planificación de largo plazo, con la suficiente flexibilidad para adaptarse también
a diferentes procesos y estrategias de planificación.
RESULTADO
Nombre Equipo consultor capacitado
mejora de las capacidades del equipo consultor que brindará los servicios. ¿Cuál
es el objetivo de este resultado? Mejorar las habilidades del equipo consultor
para afrontar los servicios de consultoría considerando los nuevos desarrollos.
¿Cuál es el aporte a los objetivos específicos del proyecto? Esto se enmarca en
el objetivo de mejorar las metodologías de planificación y evaluación de planes
mineros de largo plazo. Al capacitar al equipo, se mejoran también las
metodologías.
El equipo planificador de la Universidad de Chile, tiene un fuerte conocimiento en
planificación minera de largo plazo. Hace varios años que se ha realizado este
trabajo en conjunto con CODELCO, por lo que la experiencia adquirida tanto en
modelos de planificación como de minería ha sido enorme. Este conocimiento y
experiencia que se ha logrado en planificación determinística de largo plazo en
minería, se puso a disposición de este proyecto, para configurar una estrategia
de resolución que considerara la incertidumbre en la planificación. De esta
manera, a medida que el proyecto fue avanzando en el tiempo, los ingenieros del
equipo fueron entregando conocimiento y a la vez se fueron capacitando para
comprender y utilizar las nuevas herramientas. Parte activa de este
entendimiento, han sido específicamente los miembros del equipo de
planificación de la Universidad, Rodolfo Urrutia y Carlos Villa, quienes trabajaron
activamente en el desarrollo de la herramienta y realizando pruebas para validar
las metodología propuestas y a la vez mostrar y explicar sus resultados y
supuestos a los ingenieros de CODELCO. Ellos serán los encargados de
entregar el servicio de consultoría en una primera instancia, para posteriormente
si la demanda así lo requiere, capacitar a nuevos miembros del equipo. Con esto,
se podrá continuar realizando mejoras a los métodos implementados a medida
que nuevos requerimientos por parte de los clientes o nuevas tecnologías
permitan incorporar nuevas mejoras. Esto permitirá darle continuidad y
permanencia en el mercado tanto al software que resuelve los modelos como al
servicio de consultoría. Pruebas específicas se han realizado en el Proyecto
Quetena del Distrito Norte de CODELCO, proyecto en el que se evalúa la
factibilidad económica para realizar la extracción y procesamiento de los
minerales presentes en el clúster Toki, el que está conformado por los depósitos
de Quetena, Genoveva, Toki, Opache y Miranda. En ese proyecto se ha aplicado
el conocimiento del equipo planificador de la Universidad para obtener planes
mineros que consideren explícitamente la incertidumbre.
3.3 Gestión del Proyecto
3.3.1 Plazos efectivamente utilizados v/s plazos considerados inicialmente
El plazo original del proyecto fue de 24 meses. El plazo final del proyecto fue de 36 meses. Las principales
causas que justifican esta diferencia entre el tiempo original y el tiempo de la de ejecución del proyecto se
debe a la necesidad de extender el tiempo dedicado a las actividades de investigación asociadas a la
generación de los modelos y algoritmos asociados a la planificación y evaluación de inversiones mineras de
cobre de largo plazo incorporando la incertidumbre en el precio del mineral. Durante el curso del proyecto se
solicitó la extensión del tiempo del proyecto situación que fue aceptada dado la complejidad del problema
abordado. Las razones de esta extensión se deben a que en el ámbito de la investigación, sobretodo de
temas que guardan relación con elementos combinatoriales y estocásticos poseen tiempos inciertos en el
descubrimiento de soluciones y técnicas que sean aplicables a los problemas reales. En este caso, después
de la extensión del plazo se logró encontrar distintas técnicas, modelos y algoritmos para abordar y resolver
de forma concreta y exitosa el problema seleccionado.
3.3.2 Gastos Ejecutados vs. Presupuesto inicial

Para la ejecución de este proyecto fue necesario un gasto igual al 99% de lo presupuestado entre las 3
instituciones participantes: Universidad de Chile, FONDEF y CODELCO, con lo que se pudo cumplir la
totalidad de los resultados y objetivos inicialmente planteados. Con esto se puede concluir que la ejecución
presupuestaria se llevo a cabo dentro de lo planificado.
3.3.3 Participación de las instituciones y Empresas

El principal socio del proyecto fue Codelco. El trabajo conjunto durante todo el desarrollo de este proyecto
facilitó y en definitiva fue clave para el éxito y la generación de los resultados antes presentados. Codelco
aportó con el trabajo de muchos profesionales de diferentes áreas y nivel de jerarquía que con sus
conocimientos y experiencia facilitaron la labor de estudio, diseño e implementación de los modelos,
sistemas y metodologías desarrollados.
3.3.5 Participación de las instituciones y Empresas

El(la) Representante Institucional de cada Institución Beneficiara
Los resultados del proyecto, así como sus objetivos se cumplieron en su totalidad, lo que demuestra el buen
trabajo realizado por el equipo del Departamento de Ingeniería Industrial como representante de la
Universidad en este proyecto. Para lograr todos los resultados presupuestados, era necesario formar un
equipo multidisciplinario, ya que éstos abarcaban diversas áreas pues se debía diseñar un servicio de
consultoría que estuviera apoyado por una herramienta computacional que soportara los modelos
estocásticos desarrollados en base a la investigación de operaciones. Por lo tanto el éxito de los objetivos
demuestra que se logró gestionar exitosamente varias aristas. El trabajo conjunto que realiza la Universidad
de Chile con CODELCO a través de los diferentes proyectos, es de gran importancia para el desarrollo de
ambas instituciones. Por una parte, la empresa minera se beneficia del conocimiento técnico de los
académicos quienes a través del contacto con la comunidad científica logran estar informados de los últimos
avances en investigación aplicada y por otra parte la Universidad se beneficia al aplicando el conocimiento a
problemas reales para ser posteriormente traspasado a los alumnos como futuros profesionales. Los aportes
entregados tanto por Fondef como por CODELCO y la Universidad de Chile para el desarrollo del proyecto,
son fundamentales para lograr el éxito que se requiere. Este proyecto, por la temática que aborda requería
de un equipamiento computacional considerable, de un grupo de profesionales capacitados y de la
infraestructura necesaria para realizar los desarrollos, lo que se logra con la participación económica de
estas tres instituciones. El éxito de proyectos como éste, y la visibilidad que la Universidad espera tener a
través de él cuando el servicio sea realizado en las diferentes divisiones de CODELCO logrando mejoras en
el rendimiento económico de los proyectos mineros, permitirá a la Universidad reforzar el prestigio que ha
logrado a través de los años como líder en investigación en el país, lo que permite atraer a jóvenes
talentosos a ser formados en esta institución, lo que a su vez atrae el interés de las empresas por los
egresados de la Universidad. Con el éxito de este proyecto se logra cumplir además con el rol de la
Universidad como un motor impulsor para el desarrollo del país, mejorando la eficiencia de los proyectos de
CODELCO, que como empresa pública puede traspasar sus beneficios a la población entera del Chile.
Finalmente, se debe decir que en este proyecto se han respetado las normas de todas las instituciones
participantes
El(la) Director(a) del proyecto

Se logró avanzar sustantivamente en mejorar las técnicas y herramientas para evaluar planes mineros de
cobre de largo plazo, construyendo algoritmos que mejoran la eficiencia y precisión de las técnicas con las
que se contaba previo a este proyecto. Se logró también desarrollar nuevos modelos que permiten mejorar
la toma de decisiones en ambientes inciertos, para enfrentar las principales fuentes de incertidumbre en la
planificación minera de largo plazo. El equipo de trabajo formado para el diseño y desarrollo de las nuevas
metodologías son un activo que permiten lograr una ventaja competitiva considerable en la industria minera.
La conformación de un grupo multidisciplinario, la participación de académicos, investigadores, profesionales
y alumnos, permitirá lograr una mejora continua a lo realizado, sacando el mayor provecho de los avances
que la ciencia realiza a diario. Se trabajó en conjunto con CODELCO en distintos niveles jerárquicos y en
diferentes divisiones, lo que permitió por una parte mejorar el conocimiento sobre los procesos mineros para
incorporarlos en nuestros modelos y por otra parte que los ingenieros de la compañía minera comprendieran
las herramientas desarrolladas, los supuestos y terminología utilizada. Se logró con esto además, fortalecer
las redes y la confianza que se ha logrado a través de los años de trabajo en conjunto, lo que permite
facilitar la entrada y aceptación en los diferentes proyectos de CODELCO, del servicio de consultoría
apoyado en las nuevas metodologías desarrolladas. Se logró posicionar en niveles ejecutivos de CODELCO
esta herramienta como el centro para el desarrollo del trabajo futuro entre la empresa y la Universidad, lo
que permite darle continuidad al trabajo realizado y a la línea de investigación relacionada, permitiendo
hacer uso constante e intensivo del equipamiento adquirido durante el proyecto. Esto también permite
generar oportunidades que posibiliten nuevas investigaciones y proyectos de interés para la compañía
minera. La participación en congresos de nivel internacional, la exposición en ellos de parte del trabajo
realizado en el proyecto y la publicación de los trabajos de investigación realizados, permitió conocer los
últimos avances en la aplicación de investigación de operaciones, aumentar el conocimiento y experiencia
del equipo y fortalecer el reconocimiento de la Universidad y del país ante la comunidad científica, logrando
además fortalecer las redes de contacto con académicos e investigadores de todo el mundo. Los aportes
realizados por las tres instituciones participantes, fueron fundamentales para contar con la infraestructura
adecuada, con los equipos necesarios y para contar con los profesionales indicados para el desarrollo de las
metodologías y herramientas logradas. El logro todos los resultados del proyecto muestra el buen trabajo
realizado por la Universidad, permitiendo avances en las metodologías que mejoran las decisiones de
CODELCO en planificación de largo plazo.
IV. Informe CT y Económico Social
4.1 Negocios Tecnológicos y Productivos
4.2.1 Síntesis de las actividades realizadas en Transferencia La transferencia de las tecnologías

desarrolladas como parte de este proyecto se llevó a cabo sin agentes intermedios y fue efectuado por el
equipo gestor del proyecto en las oficinas de CODELCO. Para asegurar la transferencia tecnológica de las
metodologías y herramientas desarrolladas, el proyecto contempló la participación activa de los
profesionales de CODELCO en las actividades de transferencia. Esto permitió al equipo de trabajo
aprovechar el conocimiento experto de estos profesionales y al mismo tiempo asegurar su éxito. La
participación comenzó con la elaboración del modelo conceptual del proceso de planificación bajo
incertidumbre. Las charlas y reuniones organizadas permitieron que los profesionales de CODELCO
introdujeran al grupo de investigadores en las terminologías y definiciones comúnmente utilizadas. Estas
actividades también permitieron al equipo de la Universidad de Chile a introducir a los profesionales de
CODELCO en la teoría y práctica de los modelos de optimización con incertidumbre. Posteriormente se
conformó grupos de trabajo para enfocar las tareas clave de cada una de las etapas del proyecto. Esta
actividad tuvo por fin asegurar la creación de modelos con incertidumbre acordes a la dinámica de las
operaciones mineras de cada división de CODELCO y que dichos modelos sean factibles de ser
transformados en modelos matemáticos resolubles. El proyecto plantea la elaboración de sucesivos modelos
matemáticos de planificación bajo incertidumbre, cada uno representando una versión mejorada del anterior.
Para cada uno de estos modelos se realizó actividades de validación, donde los principales agentes de
control fueron los ingenieros especialistas de las divisiones de CODELCO. En esta etapa se involucró a los
ingenieros de planificación minera de CODELCO a nivel de usuarios, que posiblemente no hayan estado
involucrados en la confección de los modelos matemáticos y estructuras de datos. Asimismo, fue
fundamental la detección de infactibilidades de la puesta en marcha. El objetivo es cuidar que los modelos
formulados tuviesen requerimientos alcanzables en la práctica y que no generen instancias de tamaños
intratables. En este sentido se explica el trabajo de una línea de investigación práctica (planificación robusta
inflexible) y de otra más sofisticada (planificación robusta flexible). La línea de investigación práctica permite
generar resultados valiosos para la empresa con una estrategia de investigación con bajo riesgo de
infactibilidades y compatible con la metodología de planificación actual de la empresa contraparte. La
metodología más sofisticada presenta mayor riesgo de infactibilidades, las que se identificaron y trataron
adecuadamente. La actividad donde queda más patente el éxito de la transferencia tecnológica es la
confección de sistemas automatizados de planificación minera. El trabajo de los profesionales de CODELCO
en este punto es clave. Ellos participaron de la confección de instancias de prueba para los modelos y
algoritmos desarrollados. Una vez que estuvieron operativos los sistemas automáticos de planificación bajo
incertidumbre fue labor del equipo integrado resolver los problemas de validación y calibración de los
modelos matemáticos. Aquí fue de especial utilidad el conocimiento experto de los profesionales de
CODELCO y el grado de entendimiento que estos lograron respecto a la dinámica de los modelos
matemáticos y la lógica de los algoritmos de optimización. El éxito en esta labor aseguró una transferencia
tecnológica de conocimientos y herramientas. Las actividades principales de transferencia se listan a
continuación. Equipo de desarrollo Universidad de Chile: El equipo participó activamente en el diseño de las
estructuras de datos necesarios para almacenar la información relevante al proceso de planificación y para
generar los datos de entrada para los modelos de planificación. Además contribuyó en la optimización de los
códigos de generación de datos y de los algoritmos de resolución. El equipo participó en la construcción de
los esquemas de implementación de los sistemas desarrollados, que corresponde a actividades de
transferencia. Adicionalmente, como parte del trabajo conjunto se trabajó en la capacitación y apoyo en las
labores de planificación de modo de traspasar los conocimientos y metodologías que fueron desarrolladas.
Profesionales CODELCO, División Andina: Personal para la transferencia tecnológica: El superintendente de
planificación fue el nexo entre el equipo de investigación y el personal de desarrollo de Andina. Los
ingenieros especialistas estuvieron a cargo de apoyar el desarrollo de los modelos matemáticos de
planificación siendo su deber estudiar, clarificar y documentar las posibles particularidades del proceso de
planificación en Andina y las particularidades dentro de la dinámica de la operación minera. Además, otros
dos ingenieros estuvieron encargados de apoyar la implementación de los sistemas de planificación bajo
incertidumbre. Participaron en la confección de las estructuras de datos contingentes al sistema y las
respectivas interfaces de entrada e importación de datos. Además fueron los encargados de apoyar la
adaptación de los sistemas una vez implementados a la realidad de la división Andina. Profesionales
CODELCO, División El Teniente: Personal para la transferencia tecnológica: El personal de teniente estuvo a
cargo de apoyar el desarrollo de los modelos matemáticos de planificación en cada una de las etapas del
proyecto. Su labor fue de vital importancia al momento de conceptualizar la dinámica del proceso de
planificación minera en el caso de la minería subterránea. Adicionalmente colaboraron en la
conceptualización de la dinámica de las operaciones de extracción y refinación dentro del proceso productivo
minero en minería subterránea. También, apoyaron la confección de las estructuras de datos contingentes al
sistema y las respectivas interfaces de entrada e importación de datos. Profesionales CODELCO Norte:
Personal para la transferencia tecnológica: El personal de la división Norte estuvo a cargo de apoyar el
desarrollo de los modelos matemáticos de planificación en cada una de las etapas del proyecto. Su labor fue
muy importante al momento de conceptualizar la dinámica del proceso de planificación minera en el caso de
la minería a rajo abierto. Adicionalmente colaboraron en la conceptualización de la dinámica de las
operaciones de extracción y refinación dentro del proceso productivo minero en minería de rajo abierto.
Además, participaron en la confección de las estructuras de datos contingentes al sistema y las respectivas
interfaces de entrada e importación de datos. Profesionales CODELCO, Casa Matriz: Personal para la
transferencia tecnológica. Los profesionales de casa Matriz fueron los responsables por el correcto avance
del proyecto. Entre otras actividades debieron realizar labores de control sobre los avances del proyecto en
cada una de las divisiones y verificar y facilitar las transferencias de los desarrollos tecnológicos entre las
divisiones. Asimismo, participaron del diseño de los escenarios para representar la incertidumbre del precio
futuro del mineral.
4.3 Impactos Producidos Y Esperados
4.3.1 Impactos económicos-sociales
Al realizar una planificación minera considerando la incertidumbre en el precio futuro del cobre y de las leyes
del mineral se obtienen decisiones robustas, las que permitirían aprovechar escenarios futuros de precios y
leyes altas como también la cobertura ante escenarios adversos tanto en el precio del mineral como en la
calidad del yacimiento. Un plan robusto es un plan que aumenta la rentabilidad esperada del negocio minero,
impulsando la competitividad nacional e internacional de la empresa.
4.3.2 Impactos científicos-tecnológicos

El alto componente técnico en el área de gestión de operaciones presente en este proyecto ha generado un
impacto relevante en el área, en los investigadores y alumnos memoristas y tesistas que participaron en él.
Se han formado profesionales con conocimientos y experiencia en temas de planificación minera y
evaluación de inversiones de largo plazo. Para los participantes de este proyecto también se fortaleció la
formación en análisis combinatorial, procesos estocásticos y algoritmos avanzados de resolución de
modelos de optimización. Se compartieron y difundieron los conocimientos derivados de este proyecto en la
comunidad científica, tanto a nivel nacional como internacional. Se han escrito alrededor de diez trabajos de
tesis ligados a planificación minera, artículos de nivel internacional y se ha participado con estos temas en
congresos. Los trabajos que se han elaborado como parte de este proyecto servirán para guiar y apoyar la
investigación futura en temas de planificación y evaluación de inversiones mineras de cobre en el largo
plazo. Teniendo en consideración el campo de investigación que se ha abierto y los acelerados avances en
las tecnologías computacionales, hay un potencial importante por explorar y aprovechar. En este sentido se
realiza el compromiso de mantener las líneas de investigación de este proyecto.
4.3.3 Impactos Institucionales

La experiencia de trabajo conjunto entre la Universidad de Chile y Codelco generó un impacto institucional
relevante para ambas organizaciones. Se destaca la experiencia y nuevos aprendizajes en transferencia
tecnológica del área de investigación de la universidad y el área de planificación de operaciones e
inversiones de la empresa minera. Esta alianza permite seguir trabajando en proyectos conjuntos para
continuar el desarrollo de esta y otras líneas de investigación. Este tipo de trabajo ha permitido mejorar y
perfeccionar la gestión de la investigación en el área. Adicionalmente, ha permitido generar investigación con
aplicaciones que tienen un importante valor económico y que significan un aporte importante a labores que
son de vital importancia en la minería. Por último, los sistemas desarrollados, las metodologías, los
documentos, artículos y trabajos de tesis permiten contar con un respaldo importante para expandir esta
área de conocimientos y generar nueva sabiduría en temas relacionados.
4.3.4 Impactos Ambientales

La experiencia de trabajo conjunto entre la Universidad de Chile y Codelco generó un impacto institucional
relevante para ambas organizaciones. Se destaca la experiencia y nuevos aprendizajes en transferencia
tecnológica del área de investigación de la universidad y el área de planificación de operaciones e
inversiones de la empresa minera. Esta alianza permite seguir trabajando en proyectos conjuntos para
continuar el desarrollo de esta y otras líneas de investigación. Este tipo de trabajo ha permitido mejorar y
perfeccionar la gestión de la investigación en el área. Adicionalmente, ha permitido generar investigación con
aplicaciones que tienen un importante valor económico y que significan un aporte importante a labores que
son de vital importancia en la minería. Por último, los sistemas desarrollados, las metodologías, los
documentos, artículos y trabajos de tesis permiten contar con un respaldo importante para expandir esta
área de conocimientos y generar nueva sabiduría en temas relacionados.
4.3.5 Impactos Regionales
La minería es una de las actividades económicas principales en varias regiones del país. En particular
Codelco concentra sus operaciones mineras en las siguientes regiones: II con la división Norte, III con la
división el Salvador, V con la división Andina y VI con la división el Teniente. El desarrollo de este proyecto
se concentrará en la implementación en las divisiones norte para el desarrollo de la minería a cielo abierto y
El Teniente para el desarrollo de la minería subterránea. Sin embargo, la extensión de los desarrollos a las
otras minas es directa. Cada una de las divisiones constituye un polo de desarrollo importante para sus
respectivas regiones. En efecto, aparte de los ingresos directos por la venta de cobre, los grandes
yacimientos mineros generan un volumen considerable de transacciones comerciales por venta de servicios
de soporte indirecto a la actividad minera. El crecimiento del valor de las operaciones y el desarrollo de
planes de desarrollo más robustos impactarán positivamente en el desarrollo económico y social de cada
una de estas regiones.
V. Anexos
"METODOLOGÍAS PARA EVALUAR PLANES MINEROS DE COBRE DE LARGO PLAZO CON
INCERTIDUMBRE EN PRECIOS Y LEYES DEL MINERAL"
INVESTIGACIÓN Y DESARROLLO REALIZADOS

POR EL PROYECTO
El proceso de investigación y desarrollo se compuso de múltiples líneas de investigación que

se fueron evaluando. Los trabajos relativamente exitosos se fueron agrupando para dar forma
a un modelo que permitiera apoyar la planificación y la evaluación de inversiones mineras de
cobre de largo plazo. El proceso de investigación entregó como resultados dos líneas
principales de desarrollo, catalogadas como planificación robusta flexible y planificación
robusta inflexible, cada una con sus ventajas y desventajas teóricas y prácticas. A continuación
se detalla este proceso.
La hipótesis principal del proyecto es que el modelo de producción combinatorial, los modelos
estocásticos de precio futuro del cobre y de incertidumbre en la geología del yacimiento
pueden combinarse en un sistema integrado de planificación. El modelo de producción
combinatorial corresponde a un modelo de planificación que considera tanto la extracción del
mineral como el procesamiento del recurso. Los modelos estocásticos se refieren a distintas
representaciones teóricas de la incertidumbre del precio futuro del mineral y leyes de mineral,
como por ejemplo árboles de escenarios, ecuaciones diferenciales estocásticas, entre otros.
El modelo de producción combinatorial busca representar la operación minera, y se modela

como un flujo multi-productos en redes capacitadas, donde los nodos de la red representan los
procesos que transforman la roca extraída de la mina en un producto comercial. Entre los
procesos de transformación se incluyen chancado, molienda y centros de beneficio. Los arcos
del sistema corresponden a los procesos de transporte involucrados entre cada etapa. Este
modelo de planificación ya fue validado por la empresa contraparte y es tomado como
referencia y punto de partida para la investigación de este proyecto.
Los modelos estocásticos de precio e incertidumbre en las leyes fueron representados por
modelos de difusión, en particular el precio fue modelado como un movimiento browniano
con reversión a la media. Por su ventajas algorítmicas se realizó una adaptación discreta para
poder combinar con en el modelo de producción descrito anteriormente. La adaptación
discreta corresponde al diseño de un árbol de escenarios, el cual se prepara utilizando el
modelo de movimiento browniano con reversión a la media y la opinión de expertos,
generándose una metodología para el diseño de árboles de escenarios.
Se desarrollaron distintas líneas de investigación con el objetivo de probar la hipótesis

planteada. Entre las técnicas utilizadas se destaca el uso de opciones reales, programación
dinámica estocástica y el uso de Coordinated Branching para incorporar incerteza en la toma
de decisiones. También se implementó Progressive Hedging para resolver el modelo de
planificación de largo plazo con incertidumbre. Entre las ventajas y desventajas de cada una de
estas alternativas con respecto a las otras está el nivel de abstracción con la cual se analiza el
problema, las propiedades analíticas del modelo, la complejidad algorítmica y numérica de la
formulación. Por sus ventajas teóricas y prácticas se optó por profundizar en el método
Progressive Hedging para incorporar incertidumbre en la planificación de largo plazo. Esta
línea de investigación fue catalogada como planificación robusta flexible.
Las técnicas anteriores fueron complementadas por una línea de investigación práctica de
planificación robusta inflexible. Esta línea de investigación se caracteriza por ser
implementable en poco tiempo en instancias reales de planificación, obteniéndose resultados
valiosos desde el comienzo. La ventaja de esta metodología es que es relativamente sencilla y
compatible con la planificación que actualmente realiza la empresa contraparte, por lo que ha
sido más fácil ser admitida e internalizada y sus resultados ya se están utilizando en las
reuniones de planificación.
Generacion de Escenarios
Para considerar la incertidumbre del precio del cobre en la evaluación del los planes mineros a
largo plazo, este se modela mediante un movimiento browniano con reversión a la media: Si
ܵሺ‫ݐ‬ሻ representa el precio del cobre en el tiempo t, entonces el precio responde a la ecuación
diferencial estocástica:
୲ ൌ ɈሺɊ െ ሺ୲ ሻሻ୲ ൅ ɐ୲ ୲
Donde
· µ es el valor de largo plazo o de equilibrio.

· k es la velocidad de reversión al valor de equilibrio.
· ‫ݖ‬௧ representa un movimiento browniano estándar
· ߪ es una medida para la volatilidad del proceso
Luego, utilizando argumentos de cálculo estocástico se plantea la fórmula para simular

trayectorias futuras del precio del cobre:
1
ɐଶ ͳ െ ିଶச୼୲
୲ ൌ ቎ ୲ିଵ ିச୼୲
൅ ൫ͳ െ ିச୼୲
൯ ቆɊ െ ቇ ൅ ɐඨ ሺͲǡͳሻ቏
ʹɈ ʹɈ
El método de ajuste de momentos utilizará simulaciones de ܵ௧ para generar un árbol de

escenarios de precios. Esta metodología elegirá el valor de los nodos y las probabilidades de
cada rama del árbol de tal forma que la distribución de probabilidades del árbol coincida con
la distribución de probabilidades formada por las trayectorias simuladas con la ecuación
anterior. La similitud de las distribuciones se medirá con la diferencia entre los primeros 4
momentos de cada una, es decir la esperanza, varianza asimetría y kurtosis. El resultado de
esta metodología es un árbol de precios futuros del cobre.
Planificación Robusta Inflexible
En la actualidad los planes mineros son consecuencia del supuesto sobre los precios. Cambio
en los precios provoca eventuales cambios en los planes de producción. De aquí surge el
concepto de planificación robusta. Este concepto consiste en desarrollar planes que se
comporten razonablemente bien en todos los escenarios considerados.
El método comienza definiendo S escenarios posibles de precios futuros del cobre, y para cada
escenario se resuelve el modelo de planificación. Se obtienen entonces S planes distintos, cada
uno es óptimo para el escenario en el cual fue calculado y se registra el valor presente de cada
uno de los planes. El valor presente en este caso es la medida de desempeño de un plan
minero.
A continuación, se evalúa el desempeño de cada uno de los S planes frente a la ocurrencia de

los otros S-1 escenarios. El valor presente de cada una de estas evaluaciones se utiliza para
completar una matriz de SxS. En la matriz a continuación se muestra un ejemplo con S=3.
Serie de precio real (de evaluación)

Serie precio de planificación Bajo Medio Alto VAN esperado
Bajo VAN1 VAN2 VAN3 1/3*VAN1 + 1/3*VAN2 + 1/3*VAN3
Medio VAN4 VAN5 VAN6 1/3*VAN4 + 1/3*VAN5 + 1/3*VAN6
Alto VAN7 VAN8 VAN9 1/3*VAN7 + 1/3*VAN8 + 1/3*VAN9
Tabla 1. Ejemplo de matriz de evaluación para planificación robusta inflexible
Luego de obtener los 9 VAN de este ejemplo, se utiliza el criterio de valor esperado para optar
por el plan que se comporta de forma más robusta ante la incertidumbre en precio del cobre.
Se debe entender esta metodología como una planificación robusta inflexible, pues si bien
considera la incertidumbre en el precio mediante la incorporación de vectores probabilísticos
2
de precios, no considera flexibilidades para reaccionar cuando el precio que se da en la
realidad no corresponde al precio bajo el cual se planificó.
En la actualidad se están considerando los resultados de esta metodología para el ejercicio de

planificación de la empresa contraparte.
Planificación Robusta Flexible
Al combinar un modelo de planificación minera con un árbol de escenarios resulta un modelo

de programación estocástica para planificación flexible. Cada escenario representa una posible
trayectoria del precio del cobre, y las decisiones se van tomando de forma flexible
dependiendo del escenario que está siendo observado por el planificador. Consecuencia de lo
anterior, cada escenario tiene su propio conjunto de variables de decisión, aumentando el
tamaño del modelo. En general el número de escenarios está en el orden de los cientos o miles
según el horizonte de planificación y el tamaño del modelo de planificación.
En la Figura 1 se muestra un ejemplo de árbol de escenarios, cada nodo representa un precio

futuro y los arcos indican la posible evolución temporal del precio a través del árbol,
comenzando desde el precio inicial en el período t1. El número de escenarios es igual al
número de hojas que tiene el árbol, en la Figura 1 son 5 escenarios.
La planificación flexible se modeló utilizando la teoría de programación estocástica. La

característica que comparte todo modelo estocástico es la presencia de las restricciones de no-
anticipatividad: Para cada par de escenarios, si son idénticos desde el período 1 hasta el período t,
entonces las soluciones deben ser idénticas desde el período 1 hasta el período t, para todo período t
(Wets, 1989). Estas restricciones complican la resolución del modelo, por motivos de estructura
como también por la gran cantidad de restricciones que se deben generar.
Figura 1. Ejemplo de Árbol de Escenarios de Precios futuros de Cobre. Árbol de 4 períodos y 5 escenarios. Aparece destacado el
escenario s2. Valores en USd/Lb.
La alta complejidad del modelo de optimización resultante no permite ser resuelto a través de
los métodos tradicionales, motivando el uso de técnicas más sofisticadas. El método
Progressive Hedging (PH) (Rockafellar & Wets (1991)) es un algoritmo basado en relajar las
3
restricciones de no-anticipatividad, permitiendo descomponer el problema por escenarios. El
método comienza resolviendo el modelo determinista para cada escenario de precios por
separado y de manera independiente. En función de las soluciones obtenidas en cada
escenario, se introduce un sistema de penalizaciones con el objetivo de forzar a los escenarios a
cumplir con el principio de no-anticipatividad. Se vuelve a resolver cada escenario y se
vuelven a actualizar las penalizaciones. Siguiendo esta lógica se itera hasta finalmente
cumplirse el principio de no-anticipatividad. La demostración de la convergencia de este
método se encuentra en Rockafellar & Wets (1991).
La principal bondad del método Progressive Hedging es que basta con tener una forma
eficiente de resolver el modelo de planificación con precios deterministas. El modelo con
precios deterministas significa resolver el modelo de planificación sin considerar
incertidumbre. Con esto, se evade el problema de tamaño y complejidad del modelo de
programación estocástica. Adicionalmente, la lógica de descomposición permite una alta
paralelización, lo que permite disminuir dramáticamente los tiempos de resolución.
Se realizaron experimentos en este sentido con instancias de prueba en primer lugar, y

posteriormente se experimentó exitosamente con instancias reales en la División Norte de
CODELCO.
La incertidumbre en ley del mineral por su parte, tiene una naturaleza distinta a la
incertidumbre en precio del cobre. La incertidumbre en el precio tiene una naturaleza aleatoria
dada por las fluctuaciones impredecibles del mercado, mientras que la ley del cobre es una
característica propia de cada bloque del yacimiento, que es invariable en el tiempo.
Dado lo anterior, la propuesta metodológica es, al igual que lo trabajado en el precio del cobre,
en base a la generación de escenarios de ley.
Se determina así una serie de escenarios N de leyes. para esto se considera el conjunto de
escenarios de ley de cobre, ESC = {E1, E2, ... , EN}, donde cada uno tiene una probabilidad de
ocurrencia asociada p1, p2, ... , pn . Con esto se resuelve sobre cada escenario de leyes, un
problema de planificación minera con incertidumbre en el precio utilizando Progressive
Hedging. Así se tendrá un valor Vn para cada escenario, y finalmente un valor esperado de
σ୬ଵ ୬ ‫ כ‬୬ .
Las pruebas con instancias reales en la División Norte de CODELCO realizadas muestran
hasta la fecha de entrega de este informe mejoras de hasta un 3% en el Valor Actual Neto
(VAN). Se continúa trabajando para lograr incrementar estas mejoras, incorporando nuevas
decisiones de inversión a los modelos de planificación minera, con el objetivo de obtener
mayor flexibilidad y con ello un mejor valor económico.
4
Diagrama del Modelo de Negocio
El siguiente diagrama describe el modelo de negocios en donde una entidad dueña del sistema de
planificación y de las metodologías diseñadas entrega servicios a diversos clientes.
Retroalimentación
Instalación y Puesta en
Entidad dueña del sistema de Marcha del Sistema
planificación y de la Empresa Minera
metodología
Consultoría de transferencia de
metodología de planificación
1
V. ANEXOS
ANEXO 1. EVALUACIÓN ECONÓMICA SOCIAL Y PRIVADA
A1.1. Evaluación Económica Social
A1.1.1. ¿Qué productos, servicios o procesos se ha considerado en la evaluación

económica social?
Bajo los supuestos conservadores que hemos hecho de la no comercialización de las metodologías
fuera de CODELCO en el corto plazo, la evaluación económica social coincide con la evaluación
privada. La ausencia de otros agentes directamente involucrados implica la ausencia de flujos
monetarios adicionales ni de externalidades directamente asociadas al proyecto. La magnitud del
negocio minero hace que desde el punto de vista social el proyecto impacte indirectamente en
numerosas otras componentes que no valoramos aquí, pero que discutimos en la sección de
beneficios económico-sociales no cuantificables.
A1.1.2. ¿Cuáles son los beneficios y tipo de impactos económico-sociales

cuantificados?
En la evaluación privada hemos considerado los beneficios que reporta el proyecto a la empresa
contraparte, CODELCO. La propiedad estatal de la compañía y la importancia de la actividad
generan un impacto social más allá de la evaluación privada
Luego, al aumentar sus utilidades fruto de mejores planes de inversión y/o aumentar la
disponibilidad de recursos para inversión, el estado cuenta con mayores recursos que pueden
destinar a programas de desarrollo social. Además, los mayores ingresos operacionales de
CODELCO, generan recursos que quedan a disposición del Estado para la ejecución de proyectos
que las instituciones estatales correspondientes consideren como socialmente rentable.
a) Indique cuáles serán los principales ítems de beneficios a nivel país.
Las metodologías de evaluación y optimización de planes mineros de largo plazo impactan tanto en
la disminución de costos por la mejor utilización de los recursos productivos como por la mayor
producción de cobre por la determinación de las mejores mezclas de material y la mejor
coordinación de ritmos de explotación en los distintos frentes de explotación minera. Esto a su vez
repercute en las mayores exportaciones de cobre.
1
b) Indique cuáles son las variables más críticas
Consideramos la variable crítica al aumento en el valor esperado del valor económico de los planes
mineros la que se alcanza mediante la aplicación de los módulos de optimización considerados en
la metodología. Valoramos este concepto en MM$16,550.3 como escenario más probable como se
explica en el capítulo de memoria de cálculo. Los valores mínimos y máximos que consideramos
para este concepto corresponden a MM$22,011.9 y MM$12,247.2 respectivamente.
c) Indique cuál es la velocidad de logro del impacto.
Las herramientas generadas, a nivel de prototipo se encuentran disponibles para su uso
A1.1.3. ¿Cuál es el horizonte de evaluación y la curva de adopción?
Tal como en la evaluación privada, el horizonte de evaluación se considera de 10 años

La tasa de adopción de la nueva tecnología desarrollada se muestra a continuación.
Curva de Adopción de la nueva tecnología

Año 0 1 2 3 4 5 6 7 8 9 10
Tasa de Adopción 0% 0% 0% 0% 40% 50% 65% 85% 100% 100% 100%
A1.1.4. ¿Cuál es la situación actual? (En la cual no se consideran proyecciones

con el proyecto).
En la situación actual se realiza la planificación de largo plazo considerando un escenario esperado.

Esto implica la pérdida de VAN por las desviaciones futuras del precio y por realización la sub-
óptima de inversiones y en consecuencia la perdida de beneficios sociales dado el carácter estatal de
CODELCO.
A1.1.5. ¿Cuál será la situación futura a causa de la ejecución del proyecto?
El uso de las metodologías desarrolladas permitirá mejorar la planificación de largo plazo en la

extracción y procesamiento del material como también de las decisiones de inversión. Dado los
altos montos que se mueven en la operaciones minera, esta mejora de productividad tendrá un
importante impacto en términos económicos para la minería y el país en general.
El carácter estatal de CODELCO genera las condiciones para que los beneficios generados por el
proyecto impacten directamente en el bienestar social del país por medio de la realización de una
serie de obras públicas y la implantación de políticas de carácter de desarrollo social.
2
A1.1.6. ¿Cuáles son los beneficios económico-sociales no cuantificados?
La actividad minera y en particular la minería del cobre tienen una importante participación en el
producto interno y la economía en general. Este elemento trae como consecuencia que variaciones
en el desempeño de la actividad minera impacten profundamente en todas las demás áreas de la
economía.
El uso de las metodologías desarrolladas, permitirá aumentar las garantías de una economía más
estable, favoreciendo la atracción de capitales extranjeros hacia el país, no sólo para esta industria
sino para el país en general.
El mejoramiento de la planificación minera implicará un aumento en los excedentes de CODELCO

de los cuales una fracción significativa es recibida por el estado. La rentabilidad social de estos
excedentes es enorme, pero queda fuera de las evaluaciones aquí expuestas ya que la naturaleza de
los proyectos específicos en los que se invertirá estos recursos no es identificable al momento de la
evaluación.
A1.1.7. ¿Cuál es el impacto regional del proyecto?
La minería es una de las actividades económicas principales en varias regiones del país. En
particular CODELCO concentra sus operaciones mineras en las regiones II, III, V y VI.
Se concentra la implementación de las metodologías en las Divisiones Norte para el desarrollo de la
minería a cielo abierto y Andina para el desarrollo de la minería subterránea. Sin embargo, la
extensión de los desarrollos a las otras minas es directa.
Cada una de las divisiones constituye un polo de desarrollo importante para sus respectivas
regiones. En efecto, aparte de los ingresos directos por la venta de cobre, los grandes yacimientos
mineros generan un volumen considerable de transacciones comerciales por venta de servicios de
soporte indirecto a la actividad minera. El crecimiento del valor de las operaciones y el desarrollo
de planes más robustos impactarán positivamente en el desarrollo económico y social de cada una
de estas regiones.
A1.1.8. ¿Cuáles son los indicadores de la evaluación económica-social?
VAN (8%) TIR

millones de pesos %
53,515.81 207.01
3
A1.2. Evaluación Económica Privada
A1.2.1. ¿Cuáles son los negocios considerados en la evaluación económica

privada?
a) Negocio Tecnológico para la Institución y Contrapartes.
El negocio consiste en una serie de beneficios y costos atribuibles al proyecto, los que serán
posteriormente cuantificados.
Los beneficios incrementales atribuibles al proyecto son:
1) Ingresos por mejor desempeño del negocio minero en el largo plazo.
2) Ingresos por concepto de consultoría y asesoría especializada en evaluación minera de largo

plazo. Para la estimación de estos ingresos se considera que las actividades de consultoría
tendrán un período de crecimiento de tres años a partir del quinto año para luego estabilizarse.
Los costos incrementales atribuibles al proyecto son:
1) Los costos de investigación y desarrollo del proyecto.

2) Los costos de transferencia e implementación de las nuevas metodologías y modelos
desarrollados.
3) Los costos de mantenimiento y actualización de los nuevos sistemas.
La fuente de información es CODELCO. Los cálculos de costos y beneficios mostrados en la

planilla de evaluación fueron estimados a partir del trabajo hecho con las divisiones de Codelco.
Como se plantea en la sección de transferencia tecnológica, no se consideran agentes
emprendedores intermedios.
b) Negocio Productivo o de Servicios (Considere el principal)
El sistema diseñado, compuesto por los modelos y algoritmos, junto a la metodología de

planificación que acompaña a la herramienta puede ser comercializado por una empresa
consultora altamente especializada, que entregue un servicio completo a las empresas mineras en
las áreas de planificación.
La consultoría estaría compuesta de la siguientes fases:
· Análisis
· Implementación
· Transferencia de resultados
Para la entrega de este servicio se requiere una empresa consultora con los conocimientos y
experiencia que requieren el diseño, desarrollo e implementación de la herramienta y
metodologías desarrolladas.
1
Una vez que se forma el equipo consultor, los primeros beneficios privados deberían poder
obtenerse a los pocos meses de iniciada la operación del sistema y la metodología.
A1.2.2. ¿Qué horizonte de evaluación se ha considerado?
El horizonte de evaluación económica debe considerar adecuadamente dos efectos contrapuestos.

Por un lado, la naturaleza del negocio minero requiere de largos horizontes de planificación y por
otro lado el rápido cambio tecnológico y de los modelos de gestión presionan para evaluaciones a
corto plazo. Se propone un horizonte de planificación de 10 años como una medida que satisface
ambas condicionantes.
A1.2.3. ¿Cuáles son los indicadores económicos del negocio tecnológico

principal para la institución de I&D?
Tasa de TIR
VAN
descuento %
MM$ 35.920,03 10% 175
A1.2.4. ¿Cuáles son los indicadores económicos del negocio productivo o de

servicios principal para un agente intermedio tipo?
Tasa de TIR
VAN
descuento %
MM$ No Aplica No Aplica
A1.2.5. ¿Cuáles son los indicadores económicos del negocio productivo o de

servicios principal para la suma de todos los posibles agentes intermedios?
Tasa de TIR
VAN
descuento %
MM$ No Aplica No Aplica
2
A1.3. Memorias de Cálculo.
A1.3.1. Memoria de cálculo de la evaluación económico-social.
Situación Sin Proyecto
Siguiendo con los supuestos de la evaluación privada, la evaluación contempla todos los flujos
como incremento de los métodos actuales de planificación por lo que no explicaremos los flujos sin
proyecto
Situación Con Proyecto
Como se explica en la sección de la evaluación social del proyecto, el proyecto no considera la

participación directa de otros agentes de la economía aparte de la contraparte CODELCO. Como
consecuencia, los items de evaluación social coinciden con los items de la evaluación privada.
a) Identificación de Variables Críticas:
o Mejora en el valor de los planes mineros en términos de valor esperado, considerando la

flexibilidad frente al precio, de los planes entregados.
b) Cálculo de Ingresos:
Ver cálculo de ingresos de evaluación privada
c) Cálculo de Costos:
Ver cálculo de costos de evaluación privada
d) Cálculo de Inversiones:
Ver cálculo de inversiones de evaluación privada
1
A1.3.2. Memoria de cálculo de la evaluación económica privada
Negocio Tecnológico para la Institución (Considere el principal)
a) Cálculo de Ingresos
Los ingresos provienen de:

· Mejor desempeño del negocio minero en el largo plazo gracias a decisiones robustas
· Otros Ingresos: (estudios, servicios consultoría, etc).
La metodología de cálculo para cada uno de estos ítems fue:

· Mejor desempeño del negocio minero: Se estima que con el uso de la metodología
propuesta, los excedentes promedio de CODELCO en el largo plazo aumentarán gracias a
la toma de decisiones de características robustas. El uso eficiente de los recursos, las
decisiones de inversión con el correcto tamaño y ejecución oportuna junto con decisiones
operacionales robustas y coordinadas con las metas de largo plazo, asistidas por una
herramienta de decisión flexible, permiten a la empresa aumentar su productividad y de
forma más concreta sus excedentes anuales.
· Otros Ingresos: Se consideró una estimación del valor de la consultoría y los estudios que se
pueden realizar tomando como referencia proyectos similares y el trabajo realizado durante
el proyecto.
b) Cálculo de Costos
Los costos considerados corresponden a los profesionales que participan en este proyecto. Dentro
de los principales costos podemos mencionar:
§ Costo fijo: Equipo Consultor, Lugar de Trabajo.
§ Costos Variables: Transporte y Otros.
c) Cálculo de Inversiones
Las inversiones consideras en esta evaluación son:
§ Pago de Licencias/Royalties a pagar a la Institución.

§ Inversión en equipos e instalaciones.
§ Capital de trabajo.
Negocio Productivo o de Servicios Tecnológicos (Considere el principal)
Se incluye en la evaluación anterior cualquier negocio productivo o de servicio tecnológico, en

particular se considera la oferta de consultoría o estudios relacionados con el tema de investigación
2
A.2.1 Listado de obras de infraestructura
No se realizaron obras de infraestructura para este proyecto.

A.2.2 Listados de bienes(equipos y otros)
Precio de Compra
Nº Nombre del Equipo Marca Modelo Nº Serie Nº Inventario Usos Unidad Institucional Dirección
(MM$)
1 Computador Acer Aspire 5735 1114 24040 0.50 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
2 Notebook Dell XPS 1340 HWS1WJ1 24041 1.00 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
3 Computador Sicot - - 24039 0.60 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
4 Computador Sicot - - 24394 1.03 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
5 Computador Dell XPS 1640 65XF7F1 24379 1.77 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
6 Impresora HP LASERJET 2055DN BRBSPPFG3X 24852 0.22 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
7 Escaner HP ScanJet SCN9BMA5190 25774 0.06 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
8 Mueble recepcion Curvo Alfa Alfa-Soft 1913-1 25674 1.80 Recepción Secretaria Dpto. Ingeniería industrial Republica 701, Santiago
9 Kardex Alfa Alfa-Soft 1913-2 25675 0.08 Recepción Secretaria Dpto. Ingeniería industrial Republica 701, Santiago
10 Armario Alfa Alfa-Soft 1913-3 25676 0.09 Recepción Secretaria Dpto. Ingeniería industrial Republica 701, Santiago
11 Biblioteca Alfa Alfa-Soft 1913-4 25677 0.26 Recepción Secretaria Dpto. Ingeniería industrial Republica 701, Santiago
12 Notebook Sony VAIO VPC-F120FLO 3000488 16180 1.67 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
13 Computador Sicot - 00STPTM34961 26606-01 0.76 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
14 Computador Sicot - 005TPPB34976 26606-02 0.76 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
Nonlinear Programing,
35601153244847- 356011532448
15 Libros Stochastic Calculus, - 0.24 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
21-39 47-21-39
Stochastic Processes
16 Notebook Compaq CQ10-4221 CNCO313WJ3 26703 0.17 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
17 Computador Sicot - 9864-1 21381 0.79 Investigación Dpto. Ingeniería industrial Republica 701, Santiago
18 Disco Duro Externo Western Digital WD My Passport WX11AA0M5134 s/n 0.05 Respaldo Información Dpto. Ingeniería industrial Republica 701, Santiago
19 Disco Duro Externo Western Digital WD My Passport WXC1A61J0833 s/n 0.05 Respaldo Información Dpto. Ingeniería industrial Republica 701, Santiago
A.2.3 Plan De Mantenimiento
Período entre Unidad

Nº Nombre del equipo Actividades Principales de mantención mantenciones Institucional
1 Computador Actualización de Software y hardware 6 meses Dpto. ingeniería Industrial
2 Notebook Actualización de Software y hardware 6 meses Dpto. ingeniería Industrial
6 Impresora - - Dpto. ingeniería Industrial
7 Escaner - - Dpto. ingeniería Industrial
8 Mueble recepcion Curvo - - Dpto. ingeniería Industrial
9 Kardex - - Dpto. ingeniería Industrial
10 Armario - - Dpto. ingeniería Industrial
11 Biblioteca - - Dpto. ingeniería Industrial
15 Libros - - Dpto. ingeniería Industrial
18 Disco Duro Externo - - Dpto. ingeniería Industrial
19 Disco Duro Externo - - Dpto. ingeniería Industrial
FACULTAD OE CIENCIAS FÍS ICAS
Y MATEMÁTICAS (O) N° H;~ '/ ()

MAT.: Registro Pro1>iednd Intelectual
Snntingo,
"! ...1
1 ~~;u ) 2011
A SEÑOR RECTOR DE LA UNIVIWSli>A V DE CIIIL E
DE D ECANO FACULTAD DE CIENCIAS Fi SI CA S Y M A T EM ÁTICA S
Remito a usted para su considcrnción, solicitud efectuada por el académico

Rn lilel Epstein, en relación a la inscripción en d registro de propiedad intelectual del
:.oHwure denominado " MEP/1 " generado por el proyec.:to l'ondef 0071 ll30.
El J>¡ograma compu tacional a registrar, corresponde a \In software de

planificación minera de largo plazo con incertidumbre y cuyo registro de realizará en la
Clnsc 9 del Instituto Nacional de Propiedad Industrial INAPI.
Le saluda atentamente,
Inri.:
~olitll utl A<nil~mico
l'royfelo Fomlrl
lli>ll iburi6n
s~llOr l<rc1o, IIIUWr;;ldO<I ~e Clnlc
archwo
JN<:I.NILIUA INDUS'I IUAI
·• l J N 1v r Jt' 11 l ¡\ 1> 1>1 l ·1111 1
S:mll:t)(ll, Scpllcl!lbrc 2() 11
~..
rr~IIICI>\:0 Bun·.¡
Dt·rnno
Fncuh~d ,k· C!CaiCa;t' ¡:bici> y 1\I:H~Ill~IJt'n $
Un""' 1 bd do: Cluk
l'tt:otiHt'
m l'roy~:cto ronde!" 1)1)71-1 nu

"1\ lt•tnllnlogbs r~··· n•Jlll~l piunes mineros de
l'nl>tl' dt• l;ugn pla;to con 11\c<.:nuhuulm• rn pn·cio, y lcyt.:> dd uum·a:tl", din~1do por d Sr.
lbt':td Epstt.:in, act¡tncre realizar d R,•l\i~aao de IIL1rc~ )' Regi,cro dt• Paopt~:dad lmdectunl de
un ~o li\\',IH' dt~d1~do OlllilaHC t.:l dcs.lau>llo dd p10ycct<1,
El paogramn cmnputanunal .1 rega;;rr;H ronespt•nth: :1 111 .oft,, :m· de phnilicación

mu1can dt• Lugn pluo con IIICClltthunhlt', t.:lt111c se llamad ''MEI'/ 1", y C\1\'0 regiscto ~e
acnh~ad t'llla C lnsc 9, Ctll'l !u;LH 11n f'o.:M'tonnl de l'roptrcfad lndthtat;ll, INAI'I.
Elacg1slrn de l'ropccdnd lnlt'll'rnlal poa su p:urc, st· t.l~h~ tl':1kr;n en rl Dcrccción de

!}¡bJioll'CI~, :\rd1ivo~ \' ,\lu~cos, Dep;HinnH•nco de Derechos lnrckllll;tics.
1\ wtv.:, de la ptcscnlc, ,oJil'ilo ;1 l'sct:d el apoyo Jl:'lt:l la >oht:ll:u esto~ tdnúte' al

Sca\o¡ Recto• Jc In llnÍ\'rtsid;ttl.
l•:s¡wrnndo nna bucnn aco~cdn ;1 la ptc-H·nlt·, k salnda atl'ntatm'aHt·,
Ral'aell ~p>tcm
Dat·ccm PtO) celO Foatdl'f
Dll71-ll3U
ref1 11 ...,,.~ , , , • ,
1 • • Ul • '"''" • ... ,. 1 H r • .. •n t•
....,, .. ,,. h '"'' ...... 1-.f ''""h"
4t~tH"'
Optimizing Long‐Term Production Plans in Underground and
Open Pit Copper Mines

Rafael Epstein, Marcel Goic, Andrés Weintraub
Industrial Engineering Department, University of Chile, Casilla 2777, Santiago, Chile
{repstein, mgoic, aweintra}@dii.uchile.cl

Jaime Catalán, Pablo Santibáñez, Rodolfo Urrutia
Fundación para la Transferencia Tecnológica, Avda. Beauchef 993, Santiago, Chile
{jcatalan, psantiba, rurrutia}@dii.uchile.cl

Raúl Cancino, Sergio Gaete, Augusto Aguayo
CODELCO Chile, División Norte – El Teniente – División Andina
{rcancino, sgaete, aaguayo}@codelco.cl

Felipe Caro1
UCLA Anderson School of Management, Los Angeles, CA 90095
[email protected]

April 22, 2010

ABSTRACT
We present a methodology for long‐term mine planning based on a general capacitated multi‐
commodity network flow problem formulated as a comprehensive math programming model.
The planning methodology considers underground and open pit ore deposits sharing multiple
downstream processing plants over a long horizon. The purpose of the model is to optimize
several mines in an integrated fashion, though the real size instances are hard to solve due to
the combinatorial nature of the problem. We tackle this by solving the relaxed problem of a
tight linear formulation and we round the resulting near‐integer solution with a customized
procedure. The outcome of this project has been implemented at Codelco, the largest copper
producer in the world. Since 2001, the system is used on a regular basis and has increased the
net present value of the production plan for a single mine by 5%. Moreover, the integrated
approach for multiple mines provided an additional increase of 3%. The system has allowed the
planners to evaluate more scenarios. In particular, the model was used to study the option of
delaying by four years the conversion of Chiquicamata, Codelco's largest open pit mine, to
underground operations.

1
Corresponding author.
1
1. INTRODUCTION
Basically there are two major forms of mining: underground and open pit. For both, the use of
models to support extraction planning has a long practice in the mining industry. Traditionally,
systems based on average values have been used. A fundamental concept has been that of a
cutoff grade (Lane 1988) based on the idea of finding which is the minimum grade in a block
(i.e., the basic geological planning unit) which is profitable to mine.
Given the advances in software and hardware, lately the idea of modeling the mine in
finer detail and reality as is possible using mixed‐integer programming (MIP) models has gained
strength (Alford et al. 2007, Cacceta 2007). This approach is far more powerful, as it allows
representing the mine in complete detail, where the block of rock is the minimum element that
can be defined. In this form, a MIP can represent the extraction problem in a more exact,
realistic way. These models can incorporate in a natural form constraints related to
geomechanical, economic or extraction sequencing conditions. The size of such models though
makes these formulations difficult to solve, and the literature so far presents few applications
of large‐scale mines. This paper presents and solves a MIP model that has been successfully
used in Chilean copper mines by state‐owned Codelco, the largest copper enterprise in the
world, for both underground and open pit mines.

The paper has several novelties:
It integrates the mine extraction with downstream processes, showing the advantages of
integrating planning along the whole production chain, until the final product, refined
copper is obtained to be shipped. Traditionally, mining and plant processes have been
solved separately, iterating between the two to match supply and demand.
It considers, as is the case in Codelco, the interaction of multiple mines, multiple products
and multiple downstream processes. In particular, it incorporates the notion of prime
material competing for limited processing capacity as the mineral goes along the chain.
Traditionally, planning has been carried out not considering this multiplicity.
It develops a model that generalizes the concept of underground and open pit mining, as
part of a capacitated network representation. This allows representing any form of mining
as part of a process in the production chain, and in particular the change from open pit to
underground becomes natural to introduce.
The network representation allows representing directly: a) constraints related to
maximum and minimal rates of extraction, b) smoothness of extraction and correct
sequencing of extraction points in underground mines, c) correct breaking of rocks,
geomechanical constraints and possible interactions between sectors, and d) gradually
sloping walls in open pit mining to avoid sliding of waste material. Also, in the network, the
use and investments in machinery, equipment and transportation are modeled in a natural
2
way. These models are very large MIP's, impossible to solve using standard commercial
codes. Heuristic techniques were developed which allowed solving these problems with
relatively small error bounds.

The model to be shown in the next sections has been implemented at Codelco. First, a
model was developed and used for extraction and investment planning on a 25 year horizon at
El Teniente, a very large underground copper mine. Its use supported decisions on the timing,
sequencing of blocks to be mined, as well as deciding which blocks did not yield enough value
to be mined. Improvements due to the use of the model led to an increase in value of the mine
of over $100 million.
Then, the model was expanded to incorporate open pit mines. It is being used for
planning in the northern groups of mines in Chile. In this case, several mines share common
plant installations, which include processes of flotation, leaching, bioleaching and low grade
sulfates. The need to have one model integrating into the production chain both underground
and open pit mines is due to increasingly common case of mixed mines, where both types of
mines feed material to the downstream processes, or an open pit mine is converted to an
underground one. We show specific cases of such mines.
An important result of the use of the model is in guiding the allocation of mineral to the
processing plants, taking advantage of the comparative advantages of mineral from different
mines to be processed in the different plants. In this case, many instances have been run of the
model to test multiple scenarios. The solution of these runs is coordinated with mining analysis
to determine the timing and sequencing of the operation in order to be integrated with
downstream plant processes. We show an important impact of the introduction of our model
into the decision process, with gains between 5% and 8% in net present value confirmed by
three independent case studies here described.
The reminder of the paper has the following structure. In the next section we present a
brief literature review. In section 3 we describe the problem and we provide some background
on mining operations and the planning process at Codelco. In section 4 we present our planning
methodology based on a general capacitated multi‐commodity network flow problem. In
section 5 we introduce the customized rounding heuristics used to generate approximate
solutions. In section 6 we provide an overview of the model’s implementation and impact at
Codelco. In the final section we conclude. The theoretical proofs are given in the appendix.

2. LITERATURE REVIEW
Most optimization models available in the literature have been developed for open pit mines
and they solve only a partial version of the long‐term planning problem (Newman et al. 2009).
Historically, the problem has been divided in two, the ultimate pit problem, which determines
3
the economic mineral reserve in an open pit mine, and the production‐scheduling problem,
which considers not only which blocks to remove, but also when to remove these blocks.
There are two main approaches to solve the ultimate pit problem. One is based on
cutoff grades and the other one is based on Operations Research (OR) techniques. The optimal
cutoff grade methodology was made popular through the work of Lane (1988). Fytas et al.
(1987), Kim and Zhao (1994), and Poniewierski et al (2003) have extensively discussed this
process. The basic premise of this approach is that one can determine a cutoff grade policy to
maximize net present value subject to capacity constraints, with higher cutoff grades in the
initial years of the project leading to higher overall net present value. It has important
operational advantages and it is embedded in the background of all mining practitioners.
However, the assumption of a fixed cutoff grade, which depends on an arbitrary delineation
between ore and waste, generates suboptimal solutions because it ignores that the value of a
block is not inherent to the block but rather depends on the interaction with the rest of the
blocks and the capacity of the downstream processes.
The use of OR techniques to solve the ultimate pit problem started with the classic
“moving cone” heuristic, see for example Kim (1978) or Laurich (1990). This approach takes a
block as a reference point and expandes the pit upwards according to pit slope rules. This
solution can be suboptimal but it is intuitively appealing. Among the algorithms with a
convergence proof to optimality, historically the most important are Lerchs and Grossmann
(1965) and Picard (1976). The first one is based on graph theory but it can be shown that its
structure is very similar to the dual simplex algorithm, see Underwood and Tolwinski (1998).
The second paper shows the equivalence of the ultimate pit problem and the well‐studied
problem of finding a maximum closure in a graph. Therefore, the ultimate pit problem reduces
to a maximum flow problem that can be solved, for example, with a push‐relabel procedure. A
comparison of both procedures together with a complete literature review of the ultimate pit
problem can be found in Hochbaum and Chen (2000). Other relevant papers in this vein are
Wright (1989), who suggests a dynamic programming approach, Frimpong et al. (2002), who
use neural networks, and Jalali et al. (2006), who propose the use of Markov chains. Even
though these algorithms are efficient, they do not consider what happens with the mineral
beyond the extraction stage and, for instance, do not provide a production schedule that
considers all the downstream capacities.
OR techniques have also been used to solve the production‐scheduling problem for a
single mine. Among the papers based on optimization methods, Gershon (1983) uses mixed
integer programming, Dagdelen and Johnson (1986) suggest a Lagrangian relaxation, Caccetta
and Hill (2003) use branch and cut, while Tolwinski and Underwood (1996) propose a dynamic
programming approach. Given the complexity of the problem, several papers have resorted to
heuristic methods such as simulation (Fytas et al. 1993, Erarslan and Celebi 2001), neural
4
networks (Denby et al. 1991), simulated annealing (Kumral and Dowd 2005) and genetic
algorithms (Samanta et al. 2005). For other approaches that combine optimization and
heuristic methods see also Sevim and Lei (1988), Sarin and West‐Hansen (2005), Busnach et al.
(1985), Dowd and Onur (1993), Elevli (1995), Wang and Sun (2001), Smith et al. (2003),
Ramazan (2007), and Chicoisne et al. (2009).
The literature on underground mining is more recent, partially due to the complicated
nature of underground operations. No parallel to the Lerchs‐Grossman algorithm exists for
underground mines, so the early optimization work does not rely on network‐based methods.
Strategic decisions in underground mining may consider how to geographically position various
facilities, e.g., mills, on the mine site. Qinglin et al. (1996) use neural networks based on a
deposit’s geotechnical and economic factors to optimally select an underground mining
method. Yun et al. (1990) use a genetic algorithm to determine the number and spacing of
openings given restrictions on their relative placement. Alford (1995) describes the floating
stope method as a tool for analysis of mineral reserves and stope geometry. Barbaro and
Ramani (1986) formulate a mixed integer programming model that can be used to determine
whether to produce in a given time period. Kuchta et al. (2004) and Kuchta et al. (2003)
describe the implementation of a production scheduling mixed integer program at LKAB's
Kiruna underground mine. The objective is to minimize the deviation from a pre‐specified
demand target per period, which contrasts with our model that maximizes net present value
(NPV). The sizes of the instances are not comparable either but there are some similarities in
terms the methods used to reduce the size of the model.
As noted in Hochbaum and Chen (2000), a comprehensive model of mining operations
has seldom been addressed in the literature. Even fewer implementations of such models have
been reported in practice. The work by Carlyle and Eaves (2001) is a noteworthy attempt. Their
mixed integer model was developed for an underground platinum and palladium mine and it
considers several planning decisions, but it was applied to only one sector of the mine and near
optimal integer solutions were obtained with a commercial software package. In our case, we
consider all the sectors simultaneously and we even allow for multiple mines. In fact, we are
unaware of other implementations that solve an integrated long‐term planning problem with
the level of detail considered here.

3. PROBLEM DESCRIPTION
We now provide background information and give more details of the problem tackled in the
paper. In section 3.1 we introduce the long‐term planning problem in the mining industry. In
section 3.2 we provide some background on underground and open pit mining. Finally, in
section 3.3 we describe the planning process at Codelco and how our methodology fits in it.

5
3.1 Long‐Term Planning
A long‐term mining plan consists of a detailed specification of each aspect related to
investments and production in the mines and plants. The importance of the plan stems from
the fact that most decisions are final and cannot be reversed, meaning that they can drastically
affect the future of the mine. For example, poor capacity choices at the concentration plant or
selecting an inappropriate extraction sequence can trigger a significant yield decrease.
Since most mines have a long life cycle, the planning horizon is set somewhere between 10
and 30 years, with shorter periods at the beginning when more detail is required and deviations
in the production have a major impact in the results. The plan not only must be economically
profitable, but it also must be technically impeccable. This means, among other things, that is
has to comply with the geotechnical rules that govern the mine, it must consider constraints
due to the chemical processes at the plants, it must meet environmental regulations, and it
should guarantee that downstream capacities will not be exceeded.
The long‐term planner must solve three main problems taking into account the
considerations mentioned above: (i) Investment: determine the selection and timing of
investments; (ii) Extraction: determine the production in the mine; and (iii) Processing:
determine the operation of the plants. Solving each one of these problems, even separately, is
already a complex task. However, the need of an integrated planning approach cannot be
dismissed. For instance, the real value of an investment project is only appreciated once its
coherence is verified with respect to the extraction and processing decisions. Our methodology
explicitly solves problems (ii) and (iii), i.e., extraction and processing. The investment decisions
are usually restricted to a small set of options and can be evaluated with our model by running
different scenarios.

3.2 Mining Operations
3.2.1 Underground mining
We here present a brief description of the operations at an underground mine. The first step is
the selection of reserves. This consists in defining the boundaries of the orebody, delimiting the
material to be removed. This is done according to economic criteria that determine what is
profitable based on the grade distribution. Large underground mines are typically subdivided in
sectors by design, and the selection of reserves is done for each sector.
For planning and operational purposes, the geological model of the whole deposit is
expressed through a block model. Each block is uniquely identified together with its geologic
characteristic, in particular the ore grades. These values are estimated using geostatistic
procedures (kriging). A column (or drawpoint) is the vertical aggregation of blocks, and a mine
or sector corresponds to a set of neighboring columns.
6
Once the reserves are identified, the following step is to program the ore extraction on a
time scale taking into account geological restrictions and the downstream capacities. There are
several mining methods for underground mines (Newman et al. 2009). In our model, we
consider the block caving method which is the prevalent underground mining method at
Codelco. In a nutshell, the block caving method consists in creating a void at each drawpoint so
that the rock breaks and falls due to gravity and the weight of the overburden material. For this
to happen, the rock extraction pattern must follow specific rules: (i) the columns have to enter
production in a particular sequence to generate a "wave" that breaks the rock; (ii) the wave has
to advance smoothly, which requires regularity in heights among neighboring columns; and (iii)
at each drawpoint there is maximum extraction rate to prevent the roof from collapsing and
there is a minimum number of blocks that must be removed in order to avoid solid pillars.
Figure 1 shows the typical flow in an underground mine. The broken rock is removed from
the drawpoints which are arranged along parallel crosscuts. Each crosscut has enough space for
an LHD machine that hauls the material to a dumping point.2 The material is then funneled
through ore passes and reaches the internal crusher, where the rock is crushed to a size that
can be transported by train to the processing stages outside the mine. For our purposes, the
flow finishes at the concentration plants where the profitable minerals are obtained by
eliminating waste. Each one of these intermediate processes can be characterized through
technical coefficients such as its capacity and variable operational cost.

Figure 1: Description of underground mining operations.
2
LHD stands for Loading, Hauling & Dumping.
7
3.2.2 Open pit mining
Following the discussion of underground mining we review here the operations at an open pit
mine. Open pit mining is conceptually similar to underground mining, except that the orebody
is reached from above, which requires removing plenty of overburden material from the soil. A
preliminary definition of the regions to be mined is done using geological models that take into
account the geometry of the pit and technical requirements (e.g., the maximum slope to
prevent the walls of the pit from collapsing). The regions are called expansions which are also
known as pushbacks or phases. In figurative terms, an expansion can be viewed as a "slice" of
the pit. Each expansion is subdivided in benches of a pre‐determined height that must be
extracted in order, from top to bottom. Figure 2 illustrates the geometry of expansions and
benches and Figure 3 shows a view from above.

Figure 2: Description of open pit mining operations. Within an expansion, benches are
extracted from top to bottom.

E x p a n s ió n 4 8 N E
E x p a n s ió n 4 1 E
E x p a n s ió n 5 5 S
Figure 3: Expansions of an open pit mine, viewed from above.

The bench is the minimal extraction decision unit. When a bench is mined all its material
needs to be removed from the pit including waste without economic value. There are three
processes involved in removing a bench: Perforation and blasting, where the bench is
separated from the soil using dynamite; loading, where all the material is loaded into large size
trucks; and transportation, where the material is taken to either a metallurgic process or to a
8
waste dump. It is worth to mention that perforation and blasting imposes severe constraints on
the sequence in which expansions are extracted. For example, there is a minimum distance
requirement between two expansions in operation on the same wall of the pit to avoid rock
spillage.
Like in underground mining, the sequence of downstream processes involves rock size
reduction and ore recovery. However, there are some differences that are worth mentioning.
First, the existence of stockpiles plays an important role in balancing the plant inflow and they
are held for several years before entering the metallurgic processes. Second, a significant
fraction of the material extracted from the mine is taken to the waste dumps which might be
located several miles away from the pit. This introduces an important trade‐off between
sending low grade ore to the downstream processes or to the costly dumps.
The existence of more than a single ore type, sulfides and oxides, is a key element of an
integrated plan. Although in the geological reserves of a copper mine we typically find both
types, in the traditional planning scheme, mining plans are defined considering only one main
metallurgic process for a particular type. Thus, an integrated plan considers different ore types
in alternative concentration lines that would be otherwise discarded or sent to processes with
low yields.

3.3 Codelco's Production Planning Approach
Recently Codelco has migrated from a traditional planning scheme based exclusively on cut‐off
grades to a methodology based on the model presented in this paper. In order to compare the
results we outline the planning approach. Note that overall the steps have not changed. What
has been modified is the way steps d) and e) are carried out, as explained below.
a) The available resources are determined considering the current geologic characteristics of
the deposit and the mine’s history.
b) A selection of resources is performed. This is done considering Macro Options (i.e.
alternative technologies, economic indicators, management directives, etc) in order to
delimit the floor, perimeter and ceiling of the resources to extract during the planning
horizon. The outcome is known as the Model of Mining Reserve that contains the resources
with positive benefit taking into account the processing costs and the projected recovery.
c) The phases and benches of extraction are designed on the basis of physical y
geomechanical principles.
d) The Consumption Strategy defines a Mining Plan, which contains for every period: tons of
mineral to extract, productive sectors involved, ore grades and level of uncertainty based
on the drillings and samples.
9
e) The Mining Plan is economically evaluated, providing Profit Indicators, and measures of
Technical Risk and Vulnerability. If the result is not satisfactory, the Planning Parameters
are modified and the process is repeated from point c).
f) If an external change occurs affecting the Macro Options, these are incorporated into the
model in point b), and the process is repeated from that stage.
g) The final result is a plan that provides the relevant information for operating each sector,
including the starting period, operation rates and termination period.

In the legacy planning approach steps d) and e) where carried out by looking separately at
the different parts of the mine. This scheme allowed evaluating different options by means of
alternative plans, but not in a unified (global) approach, as each part was treated separately. In
addition, due to the high complexity of the procedure and the involved calculations, several
weeks (if not months) were spent in obtaining one particular plan, preventing the planner from
evaluating more options, going back and forth between the different steps. Using the model in
steps d) and e) allows planning in an automated fast way. It also leads to better solutions as the
whole system is planned in an integrated fashion, and the planner can evaluate multiple
scenarios and options.

4. MODEL FORMULATION AND DISCUSSION
In this section we present a math programming approach to optimize long‐term production
plans in open pit and underground mines that share downstream processes. A graphical
representation of the different stages in the model is given in Figure 4 where material flows
from left to right.
Figure 4: Network flow representation for mining operations where several open pit and
underground mines share downstream processes.
10
The network of mining operations begins with the production or rock extraction phase that
takes places at sectors and expansions for underground and open pit mines respectively. This
phase corresponds to the first stage on the left side of Figure 4. Then the extracted rock is fed
into the network of downstream processes that involves size reduction and chemical reactions.
The last stage is the concentration phase which yields the three final products: copper,
molybdenum and arsenic. The first two have commercial value while the third one is a
contaminant on which environmental restrictions are imposed.
In what follows, we present the model with its essential components. When necessary we
use the sub‐indices O and U to denote the two type of mines open pit and underground
respectively. In section 4.1 we first introduce a unified model for the network of downstream
processes. This part of the model is shared by all the mines considered regardless of their type.
In contrast, we present a different model of the production phase for each type of mine in
order to capture the unique characteristic of the respective mining methods. This is done in
sections 4.2 and 4.3 for underground and open pit respectively.

4.1 Unified Model Formulation for Downstream Processes
As shown in Figure 4, the downstream processes are modeled as a capacitated multi‐
commodity network flow problem. The starting nodes s ∈ S = SU ∪ SO represent the different
sectors and expansions for underground ( SU ) and open pit mines ( SO ) respectively. The
intermediate nodes u , v ∈ V represent stocking points and processing stages that precede the
concentration plants, which are the final nodes ( F ) in the network. Several different products
flow through the network. A given product k ∈ K represents material (i.e., rock) with an
average rock size and a grade of copper, molybdenum, and arsenic within a certain range.
Depending on the characteristics of the ore deposits, the product definition might also include
other relevant attributes such as the chemical nature (sulfide or oxide) or certain geological
properties (e.g., rock hardness). The set of commercial products is denoted COM , whereas the
set of contaminants is denoted CONT .
The flow of product k ∈ K measured in tons and going from node u to node v in period
t ∈ Τ = {1,..., T } is denoted fuvkt . As the material flows through the downstream processes, the
average rock size is reduced and the valuable minerals are separated from waste. Let TCvkk '
denote the transformation coefficient at node v ∈ V . That is, the amount of output k ' obtained
for each ton of input k , with ∑ k '∈K TCvkk ' = 1 ∀v ∈ V , k ∈ K . Let cvkt denote the cost of
processing a ton of product k at node v in period t ∈ Τ . The maximum processing capacity at
node v in period t is given by CPvt . For nodes v ∈ V that can hold inventory, let yvkt represent
the amount of product k available at the beginning of period t , and let CSvt be the maximum
11
stock level per period in tons (if the node cannot hold inventory, then CSvt = 0 ). If k is a
contaminant, then the maximum amount that can be released per period is Ekt (otherwise,
Ekt = ∞ ). We assume that the firm is a price‐taker and that all the production of product k in
period t can be sold at the market price pkt (clearly, pkt = 0 for non‐commercial products).
The link of the downstream processes with the upstream production phase is established
through the auxiliary variables ProdCostst and xskt . The former denotes the total production
cost, while the latter represents the tons of product k produced in sector/expansion s in
period t . The mathematical formulation of the downstream processes is the following:

T
⎛ ⎞ T
max ∑∑ ∑
t =1 k∈K u∈V ∪ S
βt ⎜ ∑ ∑
⎝ v∈F k '∈COM
pk 'tTCvkk ' fuvkt − ∑
v∈V ∪ F
cvkt fuvkt ⎟ − ∑∑ βt ProdCostst
⎠ t =1 s∈S (1)
subject to
xskt = ∑ f
v∈V ∪ F
svkt ∀s ∈ S , k ∈ K , t ∈ Τ (2)
∑ ∑ TC
u∈V ∪ S k∈K
f
vkk ' uvkt + yvk 't −1 = ∑ f
u∈V ∪ F
vuk ' t + yvk 't ∀v ∈ V , k ' ∈ K , t ∈ Τ (3)
∑ ∑f
u∈V ∪ S k∈K
uvkt ≤ CPvt ∀v ∈ V ∪ F , t ∈ Τ (4)
∑y k∈K
vkt ≤ CSvt ∀v ∈ V , t ∈ Τ (5)
∑ ∑ ∑ TC
u∈V ∪ S v∈F k∈K
f
vkk ' uvkt ≤ Ek 't ∀k ' ∈ CONT , t ∈ Τ (6)
fuvkt , yvkt ≥ 0 ∀u, v ∈ V , k ∈ K , t ∈ Τ. (7)

The objective of the model is to maximize the net present value of the mines over the next
T periods. The first term in the objective function (1) corresponds to the discounted benefits
obtained from selling the final products. The second and third terms represent the discounted
processing and production costs respectively (here the parameter β t < 1 is the discount factor).
Constraints (2) feed the production from each sector/expansion into the network of
downstream processes. Constraints (3) ensure the flow conservation and inventory balance at
each node. Constraints (4) and (5) impose maximum processing capacities and stock levels
respectively. Finally, constraints (6) limit the release of pollutants at the final stage, and
constraints (7) are the usual non‐negativity conditions on flows and inventory levels.

4.2 Underground Extraction
To model the production phase for underground mines, we assume that the mining method is
block caving, as explained in section 3.2.1. Let the index i ∈ I ( s) denote a drawpoint or column
12
in sector s ∈ SU and let the index n ∈ N (i ) denote the blocks in that column which are
numbered 0 to N (i ) − 1 from bottom to top. The main decision in the production phase is when
to remove each block. For that, we introduce the binary variable zint , that equals one if the
extraction of block i in column n is initiated in period t , and the continuous variable eint ,
which represents the fraction of the block that is removed in each period.
As part of the model's input, we need the following sets and parameters. Let TON ink be the
amount (tons) of product k contained in block (i, n) . Let EMIN (i ) denote the minimum set of
blocks of column i that must be removed once production at that column is initiated. Let
IU = ∪ s∈SU I ( s ) be the set of drawpoints/columns in all the underground mines considered.
Let Δ denote the maximum number of periods a drawpoint can remain open. Let α in be the
height of block (i, n) and let the variable hit denote the height of column i in period t , which is
given by the blocks that have been removed so far. Let δ s denote the maximum height
differential allowed between two neighboring columns in sector s , and let IJ be the set of
column pairs that are close enough to be considered neighbors.
The extraction precedence relationship among columns is given by the set SECU ,
where (i, j ) ∈ SECU if the extraction of column i must begin before it takes places at
column j . Initiating the production at column i incurs a fixed cost ai and removing block (i, n)
takes a minimum of γ in days. There is also a variable cost bst per ton of rock extracted from
sector s in period t . Let Dt denote the duration of period t measured in days, and for sector s ,
the maximum (minimum) incorporated area and extracted tons allowed in that period are given
by MAX_AREAst ( MIN_AREAst ) and MAX_EXTst ( MIN_EXTst ) respectively. Finally, let
WIN ( s ) denote the time window in which sector s can be in production. The following
constraints complete the model for underground mines.

xskt = ∑ ∑ TON
i∈I ( s ) n∈N ( i )
e
ink int ∀s ∈ SU , k ∈ K , t ∈ Τ (8)
ProdCostst = ∑ az
i∈I ( s )
i i 0t + bst ∑ xskt
k∈K
∀s ∈ SU , t ∈ Τ (9)
∑z
t∈Τ
int ≤1 ∀i ∈ IU , n ∈ N (i ) (10)
t t
∑e
g =1
ing ≤ ∑ zing
g =1
∀i ∈ IU , n ∈ N (i ), t ∈ Τ (11)
13
T T
∑ ∑
t =1 n∈EMIN ( i )
eint ≥ ∑ EMIN (i ) zi 0t
t =1
∀i ∈ IU (12)
t t
∑z
g =1
in +1 g ≤ ∑ eing
g =1
∀i ∈ IU , n ∈ N (i ), t ∈ Τ (13)
t t
∑z
g =1
j0g ≤ ∑ ei 0 g
g =1
∀(i, j ) ∈ SECU , t ∈ Τ (14)
T
zi 0t + ∑e
g =t+Δ
ing ≤1 ∀i ∈ IU , n ∈ N (i ), t ∈ Τ (15)
∑
n∈N ( i )
γ in eint ≤ DPt ∀i ∈ IU , t ∈ Τ (16)
hit = hit −1 + ∑α
n∈N ( i )
in eint ∀i ∈ IU , t ∈ Τ (17)
hit − h jt ≤ δ s ∀i, j ∈ IJ , s ∈ SU , t ∈ Τ (18)
MIN_AREAst ≤ ∑
i∈I ( s )
AREAi zi 0t ≤ MAX_AREAst ∀s ∈ SU , t ∈ Τ (19)
MIN_EXTst ≤ ∑ xskt ≤ MAX_EXTst ∀s ∈ SU , t ∈ Τ (20)

k∈K
∑z
i∈I ( s )
i 0t =0 ∀s ∈ SU , t ∈ Τ \ WIN ( s ) (21)
zint ∈ {0,1}, eint , hit ≥ 0 ∀i ∈ IU , n ∈ N (i ), t ∈ Τ (22)

Constraints (8) define the production per sector, product and period. Constraints (9) define
the production cost for underground mines which has a fixed cost component for each column
that starts production and a variable cost per ton of material removed. Constraints (10) ensure
that each block is removed at most once. Constraints (11) establish the logical link between
variables eint and zint so that the extraction of a block cannot occur in a period prior to when it is
initiated. Constraints (12) ensure that the minimum set of blocks is removed if a column enters
production. Constraints (13) require the extraction of block n to finish before the extraction of
block n + 1 can start at each drawpoint. Constraints (14) restrict the order in which the
drawpoints can enter production.3 Constraints (15) impose the maximum duration of a
drawpoint. Constraints (16) limit the extraction rate of each column. Constraints (17) define the
height of the column in each period and constraints (18) guarantee that neighboring columns
have similar heights so that the rock breaks in a smooth fashion. Constraints (19) and (20)
impose bounds on the area incorporated and the rock extracted per period respectively.
Constraints (21) ensure that a sector is not extracted outside its time window, and constraints
(22) restrict the domain of the decision variables.
3
Note that the left hand side of constraints (11), (13) and (14) is formulated as a cumulative sum over time, which
helps to tighten the LP relaxation.
14
In the model, we need constraints (11) and (13) together with the binary requirement
on zint to ensure that the blocks of a column are extracted one by one from the bottom to the
top. However, if the blocks at the bottom have the highest grades, then the binary requirement
can be relaxed since the sole fact that this is a maximization problem will force the extraction to
occur sequentially in the desired order. Hence, in that case the LP relaxation provides a near‐
integer solution. This is an important observation that is relevant to our solution method.
Therefore, we state it formally in the following lemma.

Lemma 1. If the blocks n ∈ N (i ) in column i are identical except for the grade of the
commercial minerals, which are decreasing, then the optimal solution to the LP relaxation
satisfies zint ∈ {0,1} for all blocks except the first and last one extracted in period t .

4.3 Open Pit Extraction
In contrast with underground mines, the mining method for open pit excavations allows for a
more aggregated model since there is no need of getting into the details at the block level. Here
the index i ∈ I ( s ) represents a drawpoint or bench in expansion s ∈ SO , which are numbered 1
to I ( s ) from top to bottom. The decision variables are: zit ∈ {0,1} , which equals one if the
extraction of bench i is initiated in period t ; and eit ≥ 0 , which is a continuous variable that
represents the amount (tons) extracted per period. Let I O = ∪ s∈SO I ( s ) be the set of
drawpoints/benches in all the open pit mines under consideration. Let S (m) be the set of all
expansions in the open pit mine m ∈ M O . Let SECO denote the set of all pairs (i, j ) such that
the extraction at bench i must be initiated before it takes place at bench j . Note that these
could be benches from different expansions. All the other parameters are the same as in the
underground case. The following constraints complete the production plan optimization model
for open pit mines.

xskt = ∑ TON
i∈I ( s )
e
ik it ∀s ∈ SO , k ∈ K , t ∈ Τ (23)
ProdCostst = ∑ az
i∈I ( s )
i it + bst ∑ xskt
k∈K
∀s ∈ SO , t ∈ Τ (24)
∑z
t∈Τ
it ≤1 ∀i ∈ I O (25)
t t
∑ eig ≤ ∑ zig
g =1 g =1
∀i ∈ I O , t ∈ Τ (26)
15
T T
∑e ≥ ∑ z
t =1
it
t =1
it ∀i ∈ I S (27)
t t
∑z
g =1
i +1 g ≤ ∑ eig
g =1
∀i ∈ I O , t ∈ Τ (28)
t t
∑ z jg ≤ ∑ eig
g =1 g =1
∀(i, j ) ∈ SECO , t ∈ Τ (29)
∑γ
i∈I ( s )
i eit ≤ DPt ∀s ∈ SO , t ∈ Τ (30)
MIN_EXTmt ≤ ∑ ∑x
s∈S ( m ) k∈K
skt ≤ MAX_EXTmt ∀m ∈ M O , t ∈ Τ (31)
∑z
i∈I ( s )
it =0 ∀s ∈ SO , t ∈ Τ \ WIN ( s ) (32)
zit ∈ {0,1}, eit ≥ 0 ∀i ∈ I O , t ∈ Τ. (33)

Constraints (23) and (24) define the production and costs variables respectively, similar
to constraints (8) and (9) in the underground case. Constraints (25) ensure that each bench is
removed at most once. Constraints (26) establish the logical link between variables eit and zit so
that the extraction of a bench cannot occur in a period prior to when it is initiated. Constraints
(27) ensure that bench is not partially extracted. Constraints (28) require the extraction to take
place from top to bottom within an expansion. Constraints (29) impose the extraction sequence
among benches to comply with geomechanical requirements. Constraints (30) limit the
extraction rate per expansion and constraints (31) impose bounds on the total extraction per
period. Finally, constraints (32) impose an extraction time window and constraints (33) restrict
the domain of the decision variables.

4.4 Model Discussion and Strengthened Formulation
We begin this section stating the model's complexity. The following proposition justifies the
heuristic methods described in the next section.

Proposition 2: The long‐term production planning problem for underground and open pit mines
given by Equations (1)‐(33) is strongly NP‐hard.

Given Proposition 2, we turn to the LP relaxation of the model to generate near optimal
solutions. In the case of underground mines, from Lemma 1, if ore grades are decreasing, then
most of the zint variables in the LP solution have integer values. There is a natural rounding
heuristic that follows from this observation which is described in the next section. Underground
mines are usually designed in such a way that the lower blocks of a column have higher grades.
16
This provides support for using our heuristic which is confirmed by its good performance in
practice (see section 6.1).
For open pit mines, there is no equivalent to Lemma 1. In fact, several benches of
overburden material must be removed before the ore deposit is reached, and even then, the
best ore grades are usually deeper in the ground. In terms of our model, this means that the
solution of the LP relaxation is highly fractional since it is optimal to reach the lower benches as
soon as possible. Indeed, most of the zit variables have small fractional values very close to
zero. This makes it hard to construct feasible integer solutions based on the LP relaxation. In
particular, branch and bound or rounding heuristics become very inefficient. To overcome this
obstacle, we strengthen the formulation for open pit mines by adding a network structure to
the production phase. This is explained next.
For each expansion, we generate a directed graph where the nodes represent a bench‐
period grid, as shown in the left hand side of Figure 5. At a given node, there is an outgoing arc
to all the benches that can be reached in the next period, according to the conditions imposed
by constraints (28) and (30)‐(32). An artificial staring bench and period is added to the upper
level of the grid, and similarly an artificial ending bench and period is added to the lower part
(see the right hand side of Figure 5). Hence, timing the extraction of the expansion is equivalent
to moving one unit of flow from the upper left corner to the lower right of the grid.

Figure 5: Extraction graph of the production phase for open pit mines.

To formulate the extraction graph for an expansion s ∈ SO , we first need to introduce
some additional notation. Let t = 0 and t = T + 1 denote the artificial starting and ending
periods respectively. Similarly, let Or ( s ) and De( s ) denote the artificial starting and ending
benches respectively. Let AN (i, t ) and SU (i, t ) denote the antecessors and successors of
node (i, t ) in the extraction graph respectively. Let wijt be a binary decision variable that equals
one if the unit of flow (i.e., the extraction) goes from bench i to bench j in period t . In other
17
words, if wijt = 1 , then it implies that the extraction of benches i and j must begin in
periods t − 1 and t respectively, and given the precedence constraints (29) all the benches in
between must be fully extracted in period t . Note that if there is an arc from node (Or ( s ), T )
to ( De( s), T + 1) , then the model could still decide not extract the expansion at all (see Figure
5). The mathematical formulation of the extraction graph is the following:

∑
j∈SU ( Or ( s ),0)
wOr ( s ) j1 = 1 ∀ s ∈ SO (34)
∑
j∈AN ( De ( s ),T +1)
w jDe ( s )T +1 = 1 ∀ s ∈ SO (35)
∑
j∈AN ( i ,t )
w jit = ∑
j∈SU ( i ,t )
wij (t +1) ∀i ∈ I O , t ∈ Τ (36)
i −1
zit = ∑ ∑ whjt ∀i ∈ I O , t ∈ Τ (37)
h = 0 j∈SU ( h ,t −1)
j ≥i
wijt ∈{0,1} ∀i, j ∈ I O , t ∈ Τ. (38)

Constraints (34) and (35) impose that a unit of flow starting from the upper left node of
the extraction graph in period t = 0 must finish at the lower right in period t = T + 1 . Constraints
(36) establish the flow conservation at each node of the graph. Constraints (37) link the flow
variables wijt with the decision variable zit from the original formulation, and constraints (38)
impose the binary condition.
By construction, constraints (34)‐(38) are valid for the original formulation of the open
pit production phase. It is well known that in the absence of other constraints, the LP relaxation
of the network formulation given by constraints (34)‐(38) yields an integer solution. When the
precedence constraints and the downstream processes are considered, some of
the wijt variables are fractional. However, the LP relaxation is tighter than the original
formulation, and more importantly, the fractional values are closer to one. The latter provides a
good starting point for the rounding heuristic that we describe in the next section.

5. SOLUTION APPROACH
Our approach to solve the model described in section 4 consists in solving the LP relaxation and
then using a heuristic rounding procedure in order to find a feasible integer solution. In sections
5.1 and 5.2 we provide the details for the underground and open pit cases respectively. Note
that in the relaxed problem we can assume with no loss of optimality that the constraints (11)
hold as an equality so that the zint and eint variables take the same values. Therefore, we omit
18
the latter (idem for zit and eit ). The procedures described here below could apply to other
minerals besides copper.

5.1 Underground Mining Rounding Heuristic
In the case of underground mines, the LP relaxation does not present many fractional values.
This can be explained primarily by two reasons: (i) the model formulation itself is very tight; and
(ii) the copper grade in a column is typically decreasing, then larger benefits are obtained when
the inferior blocks are extracted first (see Lemma 1). To obtain an integer solution, the rounding
heuristic proceeds iteratively from the inferior blocks to the higher ones fixing those that
already have an integer value. During this process the tons of ore extracted from each column is
fixed to the value obtained in the relaxed solution. Figure 6 shows the passages of the heuristic
for a particular column.

Figure 6: The rounding heuristic for underground mining.

5.2 Open Pit Mining Buffer‐based Heuristic
The heuristic to solve the open pit problem is also performed in an iterative fashion. As before,
the starting point is the solution of the LP relaxation. Then, a subset of extraction variables is
fixed, and the LP relaxation is solved again. This procedure continues until there are no
fractional variables remaining. The overall structure of the heuristic is the following:

Step 0: Initialization. Solve the LP relaxation of the open pit problem and let zitLP ( q ) denote the
solution for the extraction variables where q represents a counter. Initialize q = 1 and
initialize Λ (m) to contain all the expansions in the open pit mine m ∈ M O .
Step 1: Extraction simulation. For each expansion s ∈ ∪ m∈M O Λ (m) , apply Algorithm 1 to
simulate its extraction. Start with the inner expansions of the open pit and continue
outwards. Algorithm 1 is described below in pseudo‐code. Note that IND( A) is an
indicator function that equals one if the argument A is true and is zero otherwise. The
sets Buf1 ( s ) and Buf 2 ( s ) are used to store the last bench that is reached in each period
of the simulated extraction of expansion s .
19
let t = 1
let i = Or(s)
let j = Or(s)+1
let Buf1(s) = Buf2(s) = φ
while (t≤T and j<De(s))
let f1 = IND ( j ∈ SU (i, t − 1) )
(
let f 2 = IND z jt = 1 is feasible )
let f3 = IND (∑ g ≤t
z LP
jg
(q)
≥ max g >t {z LP
jg
(q)
} )
if (f1 = f2 = f3 =1)
let z SIM
jt
(q)
= 1
update downstream flows
let j = j+1
else
let z SIM
jt
(q)
= 0
let Buf1 ( s ) = Buf1 ( s ) ∪ { j} and Buf 2 ( s ) = Buf 2 ( s ) ∪ {( j , t )}
let i = j - 1
let t = t+1
end
end
Algorithm 1: Extraction simulation for an expansion s ∈ ∪ m∈M O Λ (m) .

Step 2: Expansion selection. For each mine m ∈ M O , select the expansion that minimizes the
squared difference between the extraction simulation (from the previous step) and the
solution of the q ‐th LP relaxation. In formal terms, let
sq∗ (m) = arg min s∈Λ ( m ) ∑
i∈ I ( s ), t∈Τ
( zitSIM ( q ) − zitLP ( q ) )2 .
Step 3: Tighten LP formulation. Add the following two constraints to the open pit problem:
zit = zitSIM ( q ) ∀i ∈ I ( sq* (m)) \ Buf1 ( sq* (m)), m ∈ M O , t ∈ Τ (39)
zit + zit +1 = 1 ∀(i, t ) ∈ Buf 2 ( sq* (m)), m ∈ M O (40)
LP ( q +1)
Solve the q + 1 ‐th LP relaxation and let z it denote the solution for the extraction
variables. For each m ∈ M O , redefine Λ(m) = Λ(m) \{sq* (m)} . If ∪ m∈M O Λ (m) is empty,
then STOP. Otherwise, increment the counter q = q + 1 and go to Step 1.

The premise of the heuristic, as in most rounding procedures, is that the fractional solution
of the LP relaxation is a good starting point to build near‐optimal integer solutions. After
initializing the variables (Step 0), the outcome of the q ‐th LP relaxation is used in Step 1 to
build an integer solution for each expansion, which is denoted zitSIM ( q ) . The superscript
20
SIM stands for "simulation" of the extraction phase. This is performed in Algorithm 1, which
traverses the extraction network from the upper left corner down to the lower right exit node
(see Figure 5). At a given node ( j , t ) , the algorithm must decide whether to move down (i.e.,
extract bench j + 1 ) or to the right (i.e., transition to period t + 1 ). The latter occurs by default
unless three conditions are met, which are given by the flags f1 , f 2 , and f3 respectively.
Flag f1 checks whether node j is accessible from the node reached in the previous period,
i.e., node (i, t − 1) . Flag f 2 checks the precedence constraints (29) and the availability of
downstream capacity to process the material from bench j in period t . The last flag f 3 checks
whether in the q ‐th LP solution the amount extracted from bench j up to period t is greater
than the maximum of the fractional values in the remaining periods. The latter measures the
desirability of extracting bench j in period t . This rule contrasts with the usual rounding
criterion that simply picks the largest fractional value and rounds it up to one. Figure 7 shows
four examples that illustrate the two criterions for a given bench j . Each example shows a
different solution of the LP relaxation. In examples (a), (b) and (c), the rounding criterion based
on f 3 yields the same outcome as the criterion that rounds up the largest fractional value.
However, in example (d), f3 would allow the extraction to start in the second period, whereas
the criterion that considers the largest fractional value would delay the extraction until the
fourth period just as in example (b). In other words, the criterion based on f3 attempts to start
extracting the bench earlier and will wait only if the fractional values of the LP solution are
considerably skewed.
f3 holds f3 holds
(a) 0.7 0.1 0.1 0.1 bench j 0.1 0.1 0.1 0.7 (b)
periods periods
(c) 0.4 0.2 0.2 0.2 bench j 0.2 0.2 0.2 0.4 (d)
f3 holds f3 holds
Figure 7: Examples of the rounding criterion for open pit mining.

In Step 2 of the heuristic, the expansions to be fixed are selected based on how much the
extraction simulation zitSIM ( q ) differs from the LP solution zitLP ( q ) . Finally, in Step 3, additional
constraints are added to the open pit problem to fix the extraction variables for the expansions
selected in Step 2. Constraint (39) sets the variable zit equal to 0‐1 according to zitSIM ( q ) . For a
bench that is extracted in two consecutive periods, constraint (40) is imposed, which allows the
LP relaxation to decide what fraction of the bench to extract in each period. These benches act
21
as buffers between periods and give the LP relaxation more flexibility to satisfy all the
constraints. Note that when there are few expansions left to be fixed, usually it is possible to
solve the MIP formulation to optimality in reasonable time. Therefore, Algorithm 1 can be seen
as a way of reducing the MIP until it can be solved by a commercial solver.

6. IMPLEMENTATION AND IMPACT AT CODELCO
All the data need by the model was extracted directly from Codelco's databases. The
equipment, machinery and facilities with a lifespan shorter than the planning horizon were
prorated and included as variable costs. Some standard pre‐processing routines similar to
Kuchta et al. (2003) were performed in order to reduce the number of binary variables.
Representative instance sizes after pre‐processing are shown in Table 1.

Model N° Constraints N° Variables 0‐1 Variables

Underground mine 446,521 535,639 196,386
Open pit mine 245,391 898,742 160,386
Table 1: Example of instance sizes after pre‐processing.

The model was implemented using the modeling language GAMS and was solved using the
parallel barrier interior point algorithm of CPLEX on a computer running Microsoft Windows.
Given the large timeframe spanned by the project, it has benefited from several upgrades in the
commercial software and the hardware performance. In sections 6.1 and 6.2 we describe large‐
scale case studies performed at Codelco El Teniente (underground) and Codelco North Division
(open pit) respectively. In section 6.3 we summarize the current uses of the model and its
impact on Codelco's operations.

6.1 Case Study at El Teniente4
El Teniente is the largest underground mine in the world. It is located in the Andes Mountains
at 2,200 meters above the sea level and 80 kilometers south of Santiago, Chile's capital. Its
origins date back to pre‐colonial times but officially its exploitation started in 1904. It currently
has nearly 2,400 kilometers of underground tunnels. Our case study considered all the sectors
that were in operation during the 2002 planning cycle. The horizon was divided in six periods,
the first two of 1 and 4 years respectively, and the last four of 5 years each, spanning 25 years
overall. The annual discount rate was 10% and all sunk costs were excluded. A fixed price of 85¢
per pound of fine copper was used throughout the horizon.5
Table 2 shows the results of the legacy planning approach explained in section 3.3 and the
solution based on the optimization model. The comparison considered the same investment
4
A preliminary version of this case study without the financial impact was presented in Epstein et al. (2003).
5
As of February 2010 the price was $3.4/lb.
22
projects in both cases. Hence, the differences come from the selection of reserves. The mining
plan obtained with the model‐based approach increased El Teniente's NPV by 5.1%.

Model‐based vs. Legacy
Percentage Difference
Revenues 2.4%
Production Costs 1.2%
Investments 0.0%
NPV 5.1%
Table 2: Legacy vs. model‐based planning approach at El Teniente.

A detailed comparison of the solutions showed that both provided production schedules
that were very similar in terms of total tons extracted per period and sector, but the model
obtained higher grades of copper and molybdenum, which translated into a higher income, as
seen in Table 2. This improvement came mostly from considering the mine as a whole and from
timing the production of each sector. The legacy approach that looked at each sector separately
did not maximize the throughput of the downstream processes.
The model‐based solution consistently reached the capacity of the intermediate processes
and it provided an appropriate ore blend from all sectors so that the concentration plant
received a constant supply. Moreover, the model was solved with an explicit constraint to limit
the total amount of arsenic produced (as a byproduct) each period. The legacy approach had
difficulties incorporating such kind of environmental restrictions.

6.2 Case Study at the North Division
Codelco North Division is located 1,650 kilometers north of Santiago and at approximately
3,000 meters above the sea level. It comprehends several open pit mines at different stages of
their life‐cycle. Currently, the two most important mines are Chuquicamata (better known as
"Chuqui") and Radomiro Tomic (RT). Chuquicamata has been in operation for nearly a century
and its pit today covers more than 1,300 hectares and is almost one kilometer deep. In
contrast, the exploitation of RT only started in 1995, but it ramped up production very quickly.
While Chuquicamata is mainly composed of sulfides, RT's reserves are mostly oxides.
The case study analyzed at Codelco North Division considered both mines, Chuquicamata
and RT, and we used the geological, technical and economic information available in the 2004
planning period. We considered a 10‐year planning horizon divided in yearly periods with a
fixed price for copper of 85¢/lb. As before, sunk costs were excluded from the evaluation, so
investments were mostly the acquisition of major extraction machinery including trucks, drills
and loaders.
23
Like in the case study at El Teniente, we conducted an analysis to quantify the impact of
the implementation of our proposed methodology. However, a simple comparison of the net
present values is not enough to assess the economic impact. Since one of the advantages of our
approach is that it can be used to simultaneously plan several mines and plants, the
implementation of our methodology facilitated the first joint plan for Chuquicamata and RT.
Therefore, to isolate the impact of our planning methodology from the benefits due to
integrating both mines we compared our proposed solution against three benchmarks:

i. Legacy‐based independent plans ( l − ind ): This is the optimized baseline where we impose
the flow levels determined by the legacy planning approach and then we solve the model
to find the best solution under those conditions. Here, different mines are planned
independently so the downstream processes are not shared.
ii. Model‐based independent plans ( m − ind ): In this instance the two mines are not allowed
to interact (as in l − ind ) but we no longer impose the flow levels from the legacy
approach, so the production plan for each mine is dictated by the model.
iii. Legacy‐based integrated plan ( l − int ): In this instance the production plan is determined
by the legacy planning process (as in l − ind ) but the material is allowed to flow between
the two mines, so it provides an estimation of the value of integrated planning under the
legacy approach.

We denoted our proposed solution m − int , which stands for model‐based integrated plan.
In Table 3 we compare m − int against the three benchmarks. The respective percentage
increases are shown in Figure 8. First, we note that the total economic benefit from using the
model‐based methodology to obtain an integrated plan corresponds to a gain of 8.2% with
respect to the optimized baseline l − ind . From Figure 8, the total impact has the following
breakdown: 3.2 percentage points (pp) are due to integrated planning (see l − int vs. l − ind ),
4.7pp are due to the model‐based approach (see m − ind vs. l − ind ), 0.2pp can be attributed to
synergies between integrated planning and the model‐based approach (to see this, compare
the parallel arrows), and finally 0.1pp is the multiplicative effect. In other words, the specific
impact of the model‐based approach is in the order of 5% which is consistent with the result
obtained in the case study done at El Teniente (see section 6.1). The fact that there are
synergies is another interesting observation meaning that integrated planning and the model‐
based approach reinforce each other.

24
m − int l − ind m − ind l − int
Revenues 1.4% 0.0% 1.7% 1.1%
Production Costs ‐1.6% 0.0% 0.8% 0.0%
Investments ‐27.3% 0.0% ‐31.8% 0.0%
NPV 8.2% 0.0% 4.7% 3.2%
Table 3: Economic evaluation of the model‐based plan ( m − int ) vs. benchmarks at Codelco
North Division. Figures are shown as percentage changes with respect to the baseline ( l − ind ).

Integrated Planning
No Yes
Legacy l − ind 3.2% l − int

Approach
Production 4.7% 8.2% 4.9%
Plan
Model-Based
Approach
m − ind 3.4% m − int

Figure 8: Impact of the model‐based integrated production plan ( m − int ) on NPV with
respect to the three benchmarks: l − ind , m − ind , and l − int .

In Table 4 we compare our solution m − int with the three benchmark plans. We observe
that the total mined material is almost identical in all instances, so the total costs are
comparable (see Table 3). This is intuitive because the ore with higher grades is located at the
bottom of the pit and to get there all the material above it needs to be extracted. The total
extraction might be different if the model decides not to extract a whole expansion, but that
did not happen in this exercise. The economic improvement of the model‐based over the
legacy approach comes mainly from two sources. First, the model‐based approach requires less
investment in machinery because it can achieve better utilizations by smoothing production
whereas the legacy approach needs to make additional investments to accommodate higher
production peaks.6 Second and more importantly, the model‐based approach produces more
copper than the legacy approach. In particular, with respect to the baseline l − ind , the solution
m − int sends 5.5% more ore to the plants reducing the average grade by 2.6%. Unlike
traditional methodologies that use a cutoff grade per mine and period, the model‐based
approach simultaneously considers multiple elements to decide when and where to process
each bench of the pit resulting in a better usage of the available capacity. For instance, we
6
The reduction in investments can be seen in Table 3. Percentagewise, these are important reductions. However,
in absolute terms they are small compared to total revenue and costs.
25
verify that in our solutions, when the benches are close to the plant it decides to send ore of
relatively lower grade than those generated from benches that are away from the plants.

m − int l − ind m − ind l − int
Total Extraction (Kton) 2,882,457 2,889,825 2,874,050 2,889,825
Ore to Process (Kton) 1,468,104 1,391,384 1,456,711 1,418,244
Average Ore Grade (%) 0.660 0.678 0.663 0.674
Average Recovery Rate (%) 80.4 81.0 82.1 80.5
Copper produced (Kton) 7,792 7,643 7,926 7,693
Table 4: Mining plan summary of the model‐based vs. benchmarks at North Division. Material
flows are shown in kilo‐ton, grades shown in percentage.

An interesting observation comes from comparing the independent and integrated model‐
based solutions ( m − ind and m − int respectively). The former has a better recovery rate and
produces more copper but has a lower NPV than the latter. The reason is that the integrated
solution redirects mineral from Chuquicamata to a plant next to RT which had some slack
capacity (<10%) in the non‐integrated solution m − ind . However, this move is counterintuitive
since the mineral from Chuquicamata is mostly sulfides, and sulfides have a lower recovery rate
at the RT plant that is mostly for oxides. The upside is that the processing cost at the RT plant is
lower, and though there is an additional transportation costs, it does not offset the savings
because the material sent from Chuquicamata comes from the bench that is the closest to RT.
Hence, the non‐integrated solution ( m − ind ) recovers more copper but at a higher cost, which
can be seen in Table 3. This kind of subtlety would be harder to identify using the legacy
approach.

6.3 Uses of the Model
This project began at the El Teniente division of Codelco in 1999, where the model was first
implemented and validated in the case study described in section 6.1. To date, the system,
known as MUCH ("Model of the University of Chile") has been implemented in all of Codelco’s
major divisions. The model can evaluate plans much faster than the traditional approach. This
has allowed the planners to examine a larger number of scenarios and to explore several
combinations of investment and operational alternatives. In what follows we present some
examples of how the model is being used to support current planning decisions.

1) Routinely planning support: Since 2005, MUCH has been used on a regular basis by the
planners of Codelco North Division. Several runs a week are carried out, by personnel of our
team located in the central offices of the North Division working with planers of Codelco. The
planners need to continuously evaluate design decisions as incoming data changes over time,
26
such as prices, costs, grade of mineral, and work interruptions caused by machine failures or
strikes. Based on the multiple runs made with MUCH the planners work out the details of a
definite plan at the different decision levels: the mine plan, concerned about how to sequence
the extraction from the different mines, the metallurgic plan, concerned with the production in
the different plants of copper and molybdenum, and the economic plan concerned with costs
and revenues associated with the previous plans. In this sense, MUCH offers the groups in
charge of each decision level the information needed to develop detailed plans of action.
MUCH can be seen as a tool to determine the best combination of decisions in the integrated
production chain. Indeed, the planning teams used to work independently for each mine, but
now MUCH provides the tool for an integrated analysis. It also provides insight for initiatives
Codelco engineers want to test. In this form, MUCH is used to evaluate external scenarios. For
example, if future prices are higher, then more expansions become attractive and the planners
use MUCH to revise the production plan in a timely manner.
Another class of scenarios tested corresponds to the uncertainty on how much copper will
be recovered at the plant given a certain mineral grade. There are formulas to calculate this,
but they are not exact. By running different MUCH versions, the planners test multiple
scenarios on the expected level of copper recovery. The model is also used on a regular basis to
evaluate the impact of minor decisions, like adding a 4 US$ million truck to the current fleet of
about 80 trucks.
In addition, Codelco carries out two yearly formal plans for the following year. One is an
exploratory, tentative one done at midyear, and a final plan is developed at the end of the year
as a formal proposal. This is important as it proposes major investments, like the purchase of a
crusher, with a cost of about US$100 million. MUCH is used to evaluate the impact of different
capacities level: 50, 100 or 150 thousand tons/day. Future investments translate into
alterations of the existing capacities and/or additional nodes and arcs in the network. The
model allows visualizing how the overall system will perform under different price scenarios
and investment decisions.
2) Simultaneous planning of underground and open pit mines: The model is also being used at
Andina, a mixed operation mine with part open pit extraction and underground operations,
located 80km north of Santiago. The use of the model is recent, since 2006. The novelty is that
as far as we know it is the first system in actual use to optimize planning simultaneously open
pit and underground mines. Both operations, underground and open pit compete for
downstream plant processing capacity. We can report specific improvements due to use of the
model. Indeed, compared to the 2008 plan, using the model led to an improvement of 5% in
net income, equivalent to $180 US millions. The latter was obtained using the model separately
for each mine. Integrating both the underground and open pit mines led to an additional
27
increase of 3%, which is consistent with the results obtained at Codelco North Division (see
section 6.2).
Several exercises were carried out to evaluate different scenarios: (a) The model was used
to analyze the effect of a delay in the extraction of an expansion. The model showed that
delaying the extraction from 2009 to 2011 would lead to a loss of $114 US million. The delay
was avoided. (b) In another scenario, a 10‐year delay for a sector in the underground mine was
studied. The result was a loss of $654 US million. However, this was considering a fixed
extraction rate of 165K ton/day for the open pit mine and a very restrictive time window to
remove a particular expansion. In a follow‐up study, these constraints were removed so the
open pit mine could extract material at the higher rate of 233K ton/day, which contributed with
higher grade ore to the plant. With the removal of the constraints, which could be carried out,
delaying the underground sector by 10 years led to a profit of $184 US million.
3) Analysis of strategic decisions: In addition to the regular use of MUCH for planning
purposes, the model has been used to support basic strategic decisions. For instance, a main
sulfides concentration plant is located by Chuquicamata in the North Division. The mine RT is
located 7 km away. There is a lixiviation plant located by RT, but with a lower recovery factor
for sulfides than the plant by Chuquicamata. The question was: should the sulfides material be
sent from RT to the Chuquicamata plant, at a higher transportation cost, instead of being
processed at the RT plant? The decision was not trivial as it had to consider the costs of
processing, transportation and copper recovery under multiple scenarios for copper prices, fuel
and other costs, grade of mineral and other variables. After many MUCH runs it could be
established that using the plant by Chuquicamata was the better option and this decision was
implemented in the annual plans.
Another important issue dealt with the mine Chuquicamata. As the open pit mine started
one hundred years ago, it became too profound, and Codelco developed a project to change
the mine to an underground operation. Codelco has used the MUCH optimization system to
evaluate the best period of time to schedule this huge transformation. Certainly, a structural
projects like this involved many other studies and elements that impact such important and
strategic decision. The conversion is now set to take place in 2018 and it involves an investment
of $2,000 million. It represents one of major strategic projects that Codelco has put forward to
strengthen its competitive position during the next decades (Economía y Negocios 2010).

7. CONCLUSIONS
In this paper we have presented an approach to optimize long‐term production plans for
copper mines considering multiple mines, multiple products and multiple processing plants. The
approach proposed is a general formulation based on network flows that considers both
underground and open pit mines. We consider as inputs the mineral resources, the processing
28
plants, existing and potential transportation possibilities, geotechnical requirements for
exploitation of the mines, environmental regulations on pollutants (mainly in underground
mines), economic policies of the firm (e.g. minimal yearly production), future estimated prices
and costs, and the firm's objective and risk elements. The model developed supports decisions
on extraction plans, mineral production, use of plants, investments in infrastructure and
machinery.
The model is a multi‐commodity capacitated network flow, where nodes correspond to
extraction or processing points. The flow components are copper and molybdenum in different
stages of processing, as well as the main pollutant, arsenic. Arc or node capacities reflect
capacities on extraction, transportation and processing, while investments can be represented
as costs due to augmentation of capacities or transformation coefficients. Constraints included
limits on extraction rates, restrictions induced by safety considerations related to rock spillage
and instability of walls, as well as limits on pollutants. One major decision element was how to
allocate mineral from the different mines to the downstream processes, where a model has
natural advantages in decision making.
An important challenge here was the algorithmic solution. Given that there are hundreds of
thousands of integer variables, an approximation heuristic was used. In the case of
underground mines, an iterative rounding approach worked well aided by the decreasing rate
of copper as we go up each column. For the open pit mines, a special network flow formulation
proved to be quite strong, leading to less fractional values.
As shown by the different mines of Codelco, where the system was implemented, there
was an important impact in the decision process due to the introduction of the model‐based
approach. For El Teniente, an underground deposit, the value of the mine gained over $100
million when decisions were supported by the model. The system was also implemented at
Codelco Division Norte, which is a cluster of open pit mines. The use of the model led to an
increase of 8% in value, which can be decomposed in 3% due to the integrated approach and
5% due to the optimized plan. The same results were obtained at Andina, where an open pit
and an underground mine coexists. For several years now, the system has been used on a
regular basis for routinely long‐term planning. Through the analysis of scenarios, the model has
also been used to support strategic decisions such as the conversion of Chuquicamata to an
underground mine.
Overall, the system has become an essential planning tool to support Codelco's mission of
being a pillar for the Chilean economy. Given the success of this project, further collaborations
between the University of Chile and Codelco have been established. Current work focuses on
short term planning models and how to incorporate uncertainty, mostly due to price volatility
in the copper market.

29
ACKNOWLEDGEMENTS
First and foremost, the authors thank Codelco, its planners and engineers, for providing an
exciting collaboration opportunity between industry and academia. The authors also thank
Rodrigo Caro for his help with the literature review. This project was partly funded by grant
FONDEF D03I1064.

APPENDIX
Proof of Lemma 1
We show the result for T = 1 . The extension to multiple periods follows a similar argument. For
simplicity, we omit the t subscript. Let {ein* }n∈N ( i ) be the optimal solution of the LP relaxation for
the extraction variables of column i . Suppose that for a given block n ∈ N (i ) , the following
holds:
ein* +1 > 0 and ein* < 1. (41)
Due to the decreasing grades, the tonnage from block n that reaches the concentration plant is
more profitable than an equivalent amount from block n + 1 . Except for this difference at the
commercial level, the blocks are identical. Hence, shifting production from block n + 1 to block
n is feasible since the downstream processes and the other constraints remain unaffected. In
other words, if (41) holds, it is possible to shift a certain amount ε > 0 from ein* +1 to ein* and the
objective value would improve. This means that {ein* }n∈N ( i ) cannot be optimal, but that would be
a contradiction. So condition (41) cannot hold, and ein* +1 can only be positive if ein* equals one.
Therefore, ein* ∈ {0,1} for all blocks except the last one extracted (i.e., except for the highest n
such that ein* > 0 ). From constraints (11) and (13) we have that ein ≤ zin ≤ ein −1 ∀n > 0 . This
implies that the optimal solution of the LP relaxation must satisfy zin ∈ {0,1} for all blocks
except the first and last one extracted, which concludes the proof.
Proof of Proposition 2
Consider a single period, a single product, and a single downstream process with finite capacity.
Let the columns in the underground mines have a single block. Set TCvkk ' = 1 , EMIN (i ) = 1 ,
Δ = T = 1 , WIN ( s) = Τ , δ s = ∞ , γ in = 0 , Ekt = ∞ , pkt = 1 and set all the cost parameters equal
to zero. Set the minimum incorporated area and extraction requirements equal to zero, and set
the maximum values equal to infinity. Then, the production planning model reduces to the
precedence constraint knapsack problem in which the profits are equal to the weights. The
latter is strongly NP‐hard (see section 13.2 of Kellerer et al. 2004). Since we have shown a
polynomial reduction, the long‐term production planning problem is strongly NP‐hard as well.
30
REFERENCES
Alford, C., 1995. Optimization in underground mine design. In 25th APCOM, Australian Instit.
Mining and Metallurgy (AusIMM), Brisbane, Australia, 213–218.
Alford, C., M. Brazil, D.H. Lee. 2007. Optimisation in Underground Minining, in Handbook of
Operations Research in Natural Resources, A. Weintraub, C. Romero, T. Bjorndal, R. Epstein,
Eds., 561‐578
Barbaro, R., R. Ramani. 1986. Generalized multiperiod MIP model for production scheduling
and processing facilities selection and location. Mining Engineering 38(2) 107–114.
Brazil, M., D. Lee, M. Van Leuven, J. Rubinstein, D. Thomas, N. Wormald. 2003. Optimising
declines in underground mines. Trans. IMM, Sect. A: Mining Tech. 112(3) A164–A170.
Busnach, E., A. Mehrez, Z. Sinuany‐Stern. 1985. A production problem in phosphate mining.
J.Oper. Res. Soc. 36(4) 285–288.
Caccetta, L., S.P. Hill. 2003. An Application of Branch and Cut to Open Pit Mine Scheduling.
Journal of Global Optimization 27 349–365.
Caccetta, L. 2007. Applicationn of Optimisation Techniques in Open Pit Mining, in Handbook of
Operations Research in Natural Resources, A. Weintraub, C. Romero, T. Bjorndal, R. Epstein,
Eds., 546‐560.
Carlyle, W., B. Eaves. 2001. Underground planning at Stillwater Mining Company. Interfaces
31(4) 50–60.
Chicoisne, R., D. Espinoza, M. Goycoolea, E. Moreno, E. Rubio. 2009. A new algorithm for the
open‐pit mine scheduling problem. Working Paper, Universidad Adolfo Ibañez and
Universidad de Chile.
Dagdelen, K., T. Johnson. 1986. Optimum open pit mine production scheduling by Lagrangian
parameterization. In 19th APCOM, University Park, PA, 127–141.
Denby, B., D. Schofield, S. Bradford. 1991. Neural Network Applications in Mining Engineering.
Department of Mineral Resources Engineering Magazine, University of Nottingham, 13–23.
Dowd, P., A. Onur. 1993. Open‐pit optimization part 1: optimal open‐pit design. Trans. IMM,
Sect. A: Mining Indust. 102 A95–A104.
Economía y Negocios, online version (in Spanish). January 15, 2010. Accessed on January 18,
2010. http://www.economiaynegocios.cl/noticias/noticias.asp?id=71136.
Elevli, B. 1995. Open pit mine design and extraction sequencing by use of OR and AI concepts.
Internat. J. Surface Mining 9(4) 149–153.
Epstein, R., F. Caro, J. Catalán, P. Santibáñez, A. Weintraub, S. Gaete. 2003. Optimizing long‐
term planning for underground copper mines. In Copper 2003 ‐ Cobre 2003, 5th Internat.
Copper Conf., Vol I. Plenary Lectures, Economics and Appl. of Copper Proc., Canadian Instit.
of Mining, Metallurgy and Petroleum, Santiago, Chile, 265–279.
31
Erarslan, K., N. Celebi. 2001. A simulative model for optimum pit design. Canadian Institute of
Mining (CIM) Bull. 94(1055) 59–68.
Frimpong, S., E. Asa, J. Szymanski. 2002. Intelligent modeling: advances in open pit mine design
and optimization research. Internat. J. Surface Mining Reclamation 16(2) 134–143.
Fytas, K., J. Hadjigeorgiou, J. Collins. 1993. “Production scheduling optimization in open pit
mines.” Internat. J. Surface Mining 7(1) 1–9.
Gershon, M. 1983. Mine Scheduling Optimization with Mixed Integer Programming. Mining
Engineering 35 351–354.
Hochbaum, D., A. Chen. 2000. Performance analysis and best implementations of old and new
algorithms for the open‐pit mining problem. Operations Research 48(6) 894–914.
Jalali, S., M. Ataee‐pour, K. Shahriar. 2006. Pit limits optimization using a stochastic process.
CIM Magazine 1(6) 90.
Kellerer, H., U. Pferschy, D. Pisinger. 2004. Knapsack problems. Springer, 546 pages.
Kim, Y.C. 1978. Ultimate Pit Limit Design Methodologies Using Computer Models – The State of
the Art. Mining Engineering 30 1454 –1459.
Kim, Y., Y. Zhao. 1994. Optimum open pit production sequencing ‐ the current state of the art.
In Preprint ‐ Soc. Mining, Metallurgy and Exploration Annual Meeting Proc., SME of the
AIME, Littleton, CO.
Kuchta, M., A. Newman, E. Topal. 2003. Production Scheduling at LKAB's Kiruna Mine Using
Mixed Integer Programming. Mining Engineering April 35‐40.
Kuchta, M., A. Newman, E. Topal. 2004. Implementing a Production Schedule at LKAB’s Kiruna
Mine. Interfaces 34 124–134.
Kumral, M., P. A. Dowd. 2005. A Simulated Annealing Approach to Mine Production Scheduling.
The Journal of the Operational Research Society 56(8) 922 – 930.
Lane, K., 1988. The Economic Definition of Ore: Cutoff Grade in Theory and Practice, Mining J.
Books Limited, London.
Laurich, R. 1990. Planning and design of surface mines. In Surface Mining, B. Kennedy, ed.,
Society for Mining, Metallurgy and Exploration, Port City Press, Baltimore, MD, chap. 5.2,
465–469.
Lerchs, H., I. Grossmann. 1965. Optimum design of open‐pit mines. Canadian Mining and
Metallurgical Bull. LXVIII 17–24.
Lizotte, Y., J. Elbrond. 1985. Optimal layout of underground mining levels. CIM Bull. 78(873) 41–
48.
Newman, A., E. Rubio, R. Caro, A. Weintraub, K. Eurek. 2009. A Review of Operations Research
in Mine Planning. Interfaces (to appear).
Picard, J.C. 1976. Maximal Closure of a Graph and Applications to Combinatorial Problems.
Management Science 22 1268‐1272.
32
Poniewierski, J., G. MacSporran, I. Sheppard. 2003. Optimisation of Cut‐Off Grade at Mount Isa
Mines Limited’s Enterprise Mine. Proceedings of 12th International Symposium on Mine
Planning and Equipment Selection. Kalgoorlie, WA, 531–538.
Qinglin, C., B. Stillborg, C. Li. 1996. “Optimization of underground mining methods using grey
theory and neural networks.” In 5th MPES, W. Hennies, L. Ayres da Silva and A. Chaves, eds.,
AusIMM, Sao Paulo, Brazil, 393–398
Rahal, D., M. Smith, G. Van Hout, A. Von Johannides. 2003. The use of mixed integer linear
programming for long‐term scheduling in block caving mines. In 31st APCOM, F. Camisani‐
Calzolari, ed., SAIMM, Cape Town, South Africa, 123–131.
Ramazan, S. 2007. The new fundamental tree algorithm for production scheduling of open pit
mines. Eur.J. Oper. Res. 177(2) 1153–1166.
Samanta, B., A. Bhattacherjee, R. Ganguli. 2005. A genetic algorithms approach for grade
control planning in a bauxite deposit. In 32nd APCOM, R. Ganguli, S. Dessureault, V.
Kecojevic and J. Dwyer, eds., Taylor & Francis Gp., Tucson, AZ, 337–342.
Sarin, S., J. West‐Hansen. 2005. The long‐term mine production scheduling problem. IIE Trans.
37(2) 109–121.
Sevim, H., D. Lei. 1998. The Problem of Production Planning in Open Pit Mines. INFOR 36 1–12.
Smith, M., I. Sheppard, G. Karunatillake. 2003. Using MIP for strategic life‐of‐mine planning of
the lead/zinc stream at Mount Isa Mines. In 31st APCOM, F. Camisani‐Calzolari, ed., SAIMM,
Cape Town, South Africa, 465–474.
Tolwinski, B., R. Underwood. 1996. A Scheduling Algorithm for Open Pit Mines. IMA Journal of
Mathematics Applied in Business and Industry 7 247‐270.
Trout, L. 1995. Underground mine production scheduling using mixed integer programming. In
25th APCOM, AusIMM, Brisbane, Australia, 395–400.
Underwood, R., B. Tolwinski. 1998. A mathematical programming viewpoint for solving the
ultímate pit problem. Eur. J. Oper. Res. 107(1) 96–107.
Wang, Q., H. Sun. 2001. A theorem on open‐pit planning optimization and its application. In 29th
APCOM, H. Xie, Y. Wang and Y. Jiang, eds., Swets & Zeitlinger, Beijing, China, 295–298.
Wright, E. 1989. Dynamic programming in open pit mining sequence planning: a case study. In
21st APCOM, A. Weiss, ed., SME of the AIME, Littleton, CO, 415–422.
Yun, Q., J. Liu, Y. Chen, G. Huang. 1990. Optimization of planning and design in underground
mines. In 22nd APCOM, Technische Universität Berlin, Berlin, Germany, 255.
33
informs ®
Vol. 40, No. 3, May–June 2010, pp. 222–245 doi 10.1287/inte.1090.0492

issn 0092-2102 eissn 1526-551X 10 4003 0222 © 2010 INFORMS
A Review of Operations Research in Mine Planning

Additional information, including rights and permission policies, is available at http://journals.informs.org/.
INFORMS holds copyright to this article and distributed this copy as a courtesy to the author(s).
Alexandra M. Newman
Division of Economics and Business, Colorado School of Mines, Golden, Colorado 80401,
[email protected]
Enrique Rubio
Mining Engineering Department, University of Chile, Santiago, Chile,
[email protected]
Rodrigo Caro, Andrés Weintraub

Industrial Engineering Department, University of Chile, Santiago, Chile
{[email protected], [email protected]}
Kelly Eurek
Division of Economics and Business, Colorado School of Mines, Golden, Colorado 80401,
[email protected]
Applications of operations research to mine planning date back to the 1960s. Since that time, optimization and
simulation, in particular, have been applied to both surface and underground mine planning problems, including
mine design, long- and short-term production scheduling, equipment selection, and dispatching, inter alia.
In this paper, we review several decades of such literature with a particular emphasis on more recent work,
suggestions for emerging areas, and highlights of successful industry applications.
Key words: literature review; mine planning; mine design; production scheduling; equipment selection;
dispatching; optimization; simulation; open-pit mining; underground mining.
History: This paper was refereed. Published online in Articles in Advance April 7, 2010.
M ining is the process of extracting a naturally

occurring material from the earth to derive a
profit. In this paper, we confine our discussion of
the extracted areas to enforce stability in the excavated
tunnels (Gregory 1980).
Mining has five stages: (1) prospecting, (2) explo-
mining to the extraction of the following minerals: ration, (3) development, (4) exploitation, and (5) recla-
(1) metallic ores such as iron and copper, (2) nonmetal- mation. In the first phase, geologists use visual
lic minerals such as sand and gravel, and (3) fossil inspection and physical measurements of the earth’s
fuels such as coal. We omit literature regarding natu- properties to discover mineral deposits. In the explo-
rally occurring liquids such as petroleum and natural ration phase, geologists determine the value of
gas that have very different characteristics and require the deposit by drilling holes to estimate the min-
different extraction procedures. The oldest mine is eral concentration and its variability throughout the
located in southern Africa; about 43,000 years ago, pre- orebody. Interpolation techniques such as kriging
historic humans found iron (i.e., hematite) close to the (Krige 1951) and simulation techniques (Deutsch 2004)
earth’s surface and used open-pit (i.e., surface) min- provide tonnage-grade curves representing the poten-
ing to remove ore and waste from the top downward tial benefits of exploiting the orebody for a given
in a methodical fashion. Ancient underground mines set of economic parameters. The third stage, devel-
also exist. One such site in England was exploited opment, consists of obtaining rights to access the
from about 3,000 to 1,900 BC to recover flint from well land and preliminarily preparing it to be mined by
beneath the earth’s surface. Rather than completely removing overlying waste by sinking shafts below
exposing the mining face, miners dug shafts and used the earth’s surface. The development stage trans-
ladders to retrieve the hard stone before backfilling lates mine planning studies into mine design by
222
Newman et al.: A Review of Operations Research in Mine Planning
Interfaces 40(3), pp. 222–245, © 2010 INFORMS 223
(1) determining the mining method, which consists We separate both sections into subsections based on
of the geometrical arrangements of infrastructure; strategic, tactical, and operational models. Finally, we
(2) estimating production capacity and infrastructure conclude with the Emerging Areas and Conclusions sec-
capital; and (3) performing detailed engineering tion, in which we point out emerging areas in mine
design. In the exploitation stage, ore is removed from planning research.
the ground via surface and (or) underground min-

ing methods. It is transported to the surface in trucks Surface Mining
via haulage ramps or in shafts. From there, it may be Surface mining, which can be used when ore is close
stockpiled (and eventually sent to a processing plant), to the earth’s surface, is an older and more pro-
sent directly to a processing plant, or taken to a dump. ductive method than underground mining. Open-pit
Finally, the fifth stage, reclamation, consists of restor- mines differ depending on the nature of the mate-
ing the area in which mining occurred to its natural rial removed. Shallow mines from which gravel and
state to the extent possible. sand are extracted are generally referred to as quar-
Operations research (OR) has been used in min- ries; deeper, long mines from which coal is removed
ing primarily for the development and exploita- are known as strip mines. Figure 1 depicts a deep
tion stages. Mine planners must make decisions surface mine that is typical of mines with hard metal
about when and how to perform both surface and deposits such as copper. Overburden (i.e., waste)
underground extraction. Extraction decisions consist must be removed before extraction can begin. Haul
of determining (1) how to recover the material and roads wind up through the mine from the bottom of
(2) what to do with the extracted material. Because the pit to the surface. Extraction occurs from benches
machines are used to extract the ore, decisions about (i.e., open faces of material).
which type of machines to use, how many machines If prospectors deem the extraction of material in an
to use, and how to allocate them also arise. open pit to be viable, they must determine both the
Topuz and Duan (1989) mention potential areas of pit design and the plan of operations. Pit design relies
mining applications, e.g., production planning, equip- on preliminary analysis consisting of (1) an orebody
ment selection and maintenance, mineral processing, model in which the deposit is discretized into a grid
and ventilation. Osanloo et al. (2008) review long- of blocks, each of which consists of a volume of mate-
term optimization models for open-pit scheduling. rial and the corresponding mineral properties; (2) the
Although the mining industry has been aware of OR value of each block, which is determined by compar-
methods for half a century, few places in the litera- ing market prices for ore with extraction and process-
ture include a comprehensive, state-of-the-art review ing costs; and (3) a geometric model of the deposit.
of the field and mention papers both from the OR Blocks are used as spatial reference points. Geomet-
and the mining-engineering literature. Our work pro- ric constraints, as Figure 2 depicts, ensure that the pit
vides an all-encompassing review of optimization walls are stable and that the equipment can access the
and simulation models to improve mining operations. areas to be mined.
Although we limit ourselves primarily to papers Solving the pit design problem yields the final pit
appearing in the last three decades, we highlight boundary, i.e., the ultimate pit limit, while balancing
directions for future research and note the progres- the ore-to-waste (stripping) ratio with the cumulative
sion of methodologies and theories throughout these value in the pit boundaries. This analysis requires that
decades. We hope to overcome existing shortcomings the cutoff grade, i.e., the grade that separates ore from
in the literature and to motivate researchers to con- waste, is fixed. Other aspects of open-pit mine design
tinue to improve models and algorithms that have a include the location and type of haulage ramps and
direct application to the mining industry. We have additional infrastructure, as well as long-term deci-
organized the remainder of this paper as follows. In sions regarding the size and location of production
the Surface Mining section, we discuss surface-mining and processing facilities.
models; in the Underground Mining section, we give Following the solution of the pit design prob-
a corresponding treatment of underground models. lem, traditional open-pit production scheduling uses
224 Interfaces 40(3), pp. 222–245, © 2010 INFORMS
Ground surface
Overburden
Bench
Face
Bench height
Ore
Crater Ramp
Haulage rode
Figure 1: The schematic illustrates an open-pit mine.

Source. Illustration from http://www.visualdictionaryonline.com ©QA International, 2010.
a discretized orebody model, i.e., the block model, then determined. The basic premise of this approach
assuming a fixed cutoff grade to determine a series is that one can determine a cutoff grade policy to
of nested pits in which a given (notional) price is maximize net present value (NPV) subject to capacity
used to define one pit and increasing prices corre- constraints. Higher cutoff grades in the initial years of
spond to larger pits. From these pits, an ultimate the project lead to higher overall NPVs; over the life
pit is chosen. The nested pits within the ultimate of the mine, the tendency is to reduce the cutoff grade
pit are then grouped into pushbacks, where a sin- to a break-even level depending on the overall grade
gle pushback is often associated with similar resource composition of the mine. Lane (1988), Fytas et al.
usage, e.g., extraction equipment. Within each push- (1987), and Kim and Zhao (1994) extensively discuss
back (which contains only a small subset of blocks this process. The need to partition the problem in this
within the block model), an extraction sequence is way stems from the daunting and, until now, com-
putationally intractable task of determining a start
date (if any) for each production block in the entire
1 1 2 3 geologic area of interest. Determining these dates for
2 3 4 4 5 6 a subset of blocks within a predefined pushback is
5 7 8 9 less challenging. However, three problematic aspects
of this approach are (1) the assumption of a fixed
cutoff grade, which depends on an arbitrary delin-
6 10 eation between ore and waste; (2) the use of notional
(and monotonically increasing) prices in determin-
ing the nested pits; and (3) the piecemeal approach
Figure 2: Sequencing rules can be based, for example, on the removal of
five blocks above a given block (left) or on the removal of nine blocks to the entire optimization problem, which disregards
above a given block (right). the temporal interaction of resource requirements.
We now mention the progress from the traditional Note that this problem has a totally unimodu-
technique to advanced techniques that attempt to lar structure; therefore, solving the linear program
solve the entire mine scheduling problem as a mixed- relaxation of the model, as we show above, is suffi-
integer program. Although the latter approach is cient. Specifically, Lerchs and Grossmann (1965) use
newer and less tractable, there is promise that it will a maximum-weight closure algorithm that exploits
soon solve large enough models to become widely network structure to produce an optimal solution.
accepted. Bixby and Rothberg (2007) remind us of the Because of their algorithm’s fast solve times and
continued improvements in hardware and software solution accuracy, many current commercial soft-
capabilities. ware packages that incorporate open-pit mine design
(e.g., Whittle 2009, Maptek 2009, Datamine 2009)
Strategic Ultimate Pit Limit Design and use it. Other authors seek to improve this algo-
Mine Layout Models rithm. Underwood and Tolwinski (1998) solve the
Two principal classical methods determine the shape problem by developing a network-flow algorithm
of a surface mine. The floating cone method (Laurich based on the dual of its linear programming formu-
1990) assumes a block as a reference point for expand- lation. The authors provide an interpretation of the
ing the pit upward according to pit slope rules. This graph theoretic methodology. Similarly, Hochbaum
upward expansion, which contains all blocks whose and Chen (2000) suggest a maximum-flow, push-
removal is necessary for the removal of the refer- relabel algorithm with improved theoretical complex-
ence block’s removal, forms a cone whose economic ity and faster run times on problem instances with
value we can compute. One can then take a second varying mine characteristics such as ore-grade distri-
reference block and add to the value of the cone bution. Wright (1989) argues that dynamic program-
the incremental value associated with the removal of ming is an effective way to determine the ultimate
the additional blocks necessary to remove the sec- pit limits, particularly because it allows identification
ond reference block; the process then continues. Prob- of incremental pit boundaries. The boundaries define
lems with this method include the following: (1) the production requirements and equipment capacities,
final pit design relies on the sequence in which refer- and these boundaries can then be used to determine
ence blocks are chosen, and (2) many reference blocks those incremental pits that satisfy the corresponding
might need to be chosen (and the associated value of constraints. Wright presents a case study.
the cone computed) to achieve a reasonable, although Two authors propose extensions to the basic ulti-
not even necessarily optimal, pit design. mate pit limit problem by incorporating stochastic-
Although the floating cone method is used ity. Frimpong et al. (2002) argue that most models
widely in practice, the seminal work of Lerchs and developed to address pit design lack the ability to
Grossmann (1965), who provide an exact and compu- incorporate structural, hydrological, and geotechnical
tationally tractable method for open-pit design, and elements. The authors discuss a case study on a gold
associated extensions appear more often in the litera- mine in Zimbabwe using neural networks and artifi-
ture. This problem can be cast as an integer program cial intelligence approaches. Jalali et al. (2006) propose
(Hochbaum and Chen 2000), as we describe below. the use of Markov chains to determine ultimate pit
• b b ∈ B: set of precedences between blocks limits via spatial constraint aggregation. The authors
(predetermined set). assume an initial pit depth and then assign prob-
• vb : value obtained from extracting block b abilities to the existence of lower pit depths based
(parameter). on the economic values of underlying blocks. They
• yb : 1 if block b is extracted, i.e., if the block is part then present an application of the algorithm for two-
of the ultimate pit, 0 otherwise (variable). dimensional problems; however, they concede that
the method would be more difficult to apply to three-
max v b yb
b
dimensional cases.
In addition to the design of the mine itself with
subject to yb ≤ yb ∀ b b ∈ B
respect to the pit limits, authors have also consid-
0 ≤ yb ≤ 1 ered mine layouts. Specifically, Bradley et al. (1985)
determine the number of train tracks and silos to assume a fixed cutoff grade and tend to aggregate
include at a mine site by using formulae to compute entities (strata in early work and aggregated blocks
storage capacity requirements and minimum produc- later). Although authors also use linear programming,
tion rates as a function of demand. They then use this method cannot accurately capture block prece-
simulation to analyze trade-offs between the number dence. Finally, authors also present decomposition
of loading trucks, storage capacity, production rates, techniques and heuristics.

and train filling rates. Using data from Wyoming’s Early work aggregated blocks into strata, or hori-
Powder River Basin mine, they measure the average zontal layers, subject to a simple set of constraints.
train waiting time. Busnach et al. (1985) solve the problem of produc-
tion scheduling in a phosphate mine in Israel. They
Tactical Block-Sequencing Models determine which sublayers to extract at what time
Unlike the ultimate pit limit problem, the block- and to which extent (referred to as shallow or deep
sequencing problem considers not only which blocks mining). The corresponding model maximizes the
to remove, i.e., which blocks form part of the eco- NPV (influenced by factors such as phosphate prices,
nomic envelope, but also when to remove these transportation distance, and ratio of good material to
blocks. The introduction of time into these sequenc- waste) while ensuring that each sublayer is removed
ing models allows for the inclusion of resource con- either via deep or shallow mining, and that only one
straints, e.g., production (extraction) and processing sublayer is mined within a given period. The objec-
(milling). In addition, discounting can be used to tive function is nonconcave; therefore, the authors use
more accurately reflect the value of a block as a func- a tailored local search heuristic and demonstrate its
tion of its extraction date. use with a numerical example. Klingman and Phillips
A typical formulation of such a model is as follows: (1988) solve a similar problem (although they do
• b ∈ B: set of all blocks b. not differentiate by shallow and deep mining, and
• t ∈ T : set of periods within the horizon. they use a linear objective) also for phosphate; they
• Bb : set of blocks that must be excavated immedi- note that their model has been used to make deci-
ately before block b. sions worth millions of dollars. Gershon and Murphy
• vbt : value associated with the extraction of block (1989) determine which strata of material to mine,
b in period t. either as ore or waste, to maximize NPV, and they
• cb : consumption of resource associated with the present a dynamic program that aggregates strata into
extraction of block b (tons). layers, which are mined entirely as ore or waste.
• C C: minimum (maximum) resource bound in
A spreadsheet model demonstrates the technique on
any period (tons). an oil shale deposit. Samanta et al. (2005) extract lay-
• ybt : 1 if block b is extracted in period t, 0 other- ers of material to minimize deviation between target
wise. levels of two quality characteristics, silicon oxide and
aluminum oxide, subject to sequencing constraints,
max vbt ybt
b∈B t∈T
for a bauxite mine. The authors employ a genetic
algorithm on a data set containing 98 layers and
subject to ybt ≤ 1 ∀ b
24 periods to arrive at “good” schedules.
t∈T
Other early work treats blocks but ignores the
C≤ cb ybt ≤ C ∀ t binary nature of the decisions. Tan and Ramani (1992)
b∈B
consider both a linear program and a dynamic pro-

t
gram to schedule extraction over multiple periods
ybt ≤ yb ∀ b b ∈ Bb t
=1 subject to equipment capacity constraints. The linear
ybt ∈ 0 1 ∀ b t program assesses the differences in production sched-
ules with varied interest rates and equipment avail-
Life-of-mine instances of the above model contain ability. In the absence of discrete variables, block-
many blocks and periods. Therefore, researchers often sequencing decisions are not made. Fytas et al. (1993)
use simulation to determine long-term extracted that he designs open-pit mine phases and incorpo-
material in each period subject to sequencing con- rates constraints such as production capacity and sul-
straints and to minimum and maximum produc- phur content. The author concedes that there may
tion bounds, processing bounds, waste stripping, and be gaps between nested pits, precluding his solution
quality. They then use linear programming (under technique from providing optimal multiperiod sched-
the assumption of partial block removal) to schedule ules; he presents a gold mine case study with 11 mil-
blocks in the short term subject to constraints similar lion blocks.
to those considered in the long term. The authors pro- Although the above are exact techniques for
pose an iterative technique to obtain practical mining addressing the monolithic problem, many authors
sequences. attempt to sequentially determine the ultimate pit lim-
In the 1980s, researchers were aware that sequenc- its, and then the production schedule, by either suc-
ing decisions had to be made at the block level for cessively or iteratively solving the problem. Dynamic
reasonable schedule fidelity and also that such models programming is a popular approach because of its
were difficult to solve because of their problem struc- ability to allow the creation of solutions sequentially.
ture and size. Some authors exploit the structure. An For example, Dowd and Onur (1993) use dynamic pro-
example of seminal work in this area is Dagdelen and gramming for sequence and pit design via a variable
Johnson (1986), who maximize NPV subject to con- cone algorithm. Onur and Dowd (1993) take the ulti-
straints on production and block sequencing. Rather mate pit limits as given and schedule blocks to be
extracted while including haul roads. The production
than relying on heuristics, the authors propose an
schedule can be smoothed to include such roads after
exact approach, Lagrangian relaxation, that exploits
the pit design has been created. The authors’ software
the network structure of the problem if side con-
generates a number of feasible roads from which the
straints, e.g., a constraint on the maximum amount
user can select based on various monetary and geolog-
of material that can be removed per period, are
ical criteria. Elevli (1995) presents a model that max-
dualized, i.e., placed in the objective with associated
imizes the NPV of extracted blocks subject to hard
multipliers to induce the relaxed constraint(s) to be
sequencing constraints and soft constraints on pro-
satisfied. They apply a subgradient multiplier updat-
duction and processing capacity. The author poses the
ing scheme to small examples. Akaike and Dagdelen
problem as a dynamic program and uses local search
(1999) extend this work by iteratively altering the
techniques to solve it. He illustrates his methodology
values of the Lagrangian multipliers until the solu- with a small example of approximately 1,000 blocks.
tion to the relaxed problem meets the original side Two papers use a sequential approach; the first
constraints, if possible. Kawahata (2006) expands on is Sundar and Acharya (1995), who consider one
the Lagrangian relaxation procedure (Dagdelen and model to determine blocks to be blasted and a sec-
Johnson 1986) by including a variable cutoff grade ond model to subsequently find the benches and
(with a variable such as yblt , where the l index would blocks to be excavated from those available from the
denote the location to which the extracted ore is sent), blast, accounting also for mill and transport capacity.
stockpiling (with the inclusion of an inventory vari- A chance-constrained program addresses the random
able and associated balance constraints), and waste- nature of ore quality and quantity characteristics and
dump restrictions. To bound the solution space, he variations in operation-time requirements. Blending
uses two Lagrangian relaxation subproblems, one for of ore blocks meets demand. The authors test the
the most aggressive case of mine sequencing and the program on a mine in India, demonstrating results
other for the most conservative case. Because he has with reduced equipment requirements for a given
difficulty obtaining feasible solutions for the relax- production level. The second paper, Sevim and Lei
ation, he adjusts bounds on capacities to ensure that (1998), describes how the ultimate pit limits, the cut-
the Lagrangian solution is feasible for this adjusted off grade, the mining sequence, and the production
model. Cai (2001) also uses Lagrangian relaxation. rate interact in a circular fashion. The authors propose
His problem differs from conventional scheduling in a methodology based on a combination of heuristics
and dynamic programming to obtain simultaneously higher NPV, on small problems, but solution times
the optimum mining sequence, ore and waste produc- increase rapidly with problem size. Zhang (2006) also
tion, ultimate pit limits, and mine life. Their model uses a genetic algorithm and aggregates blocks a pri-
has three phases. In the first phase, a block model is ori to reduce the problem size. The author tests the
formed based on the deposit’s boundaries. A bound- algorithm against the ability of CPLEX (IBM 2009)
ing algorithm is then applied to this block model to to solve the same instances from BHP Billiton and
determine the largest feasible pit. The second phase finds that CPLEX requires approximately two to four
considers a spectrum of cutoff grades; for each cut- times longer to achieve solutions of the same quality.
off grade, a series of nested pits is generated inside However, the author does not mention the practical
the largest feasible pit. These pits are generated in consequences of aggregation or how to subsequently
such a way that each pit contains the highest amount disaggregate.
of metal among all possible pits of the same size. In Caccetta and Hill (2003) provide an exact approach
the third phase, all possible sequences of pushbacks by defining variables representing whether a block
are formed with the generated pits and are evaluated is mined by period t. (Using the definition of ybt
with respect to their NPV. (above) and defining wbt = 1 if block b is mined by
Erarslan and Çelebi (2001) determine a production period t and 0 otherwise, then yb1 = wb1 and for t > 1,
schedule to maximize NPV subject to such factors ybt = wbt − wb t−1 .) The model contains constraints on
as grade, blending, and production constraints. They the mining extraction sequence; mining, milling, and
use dynamic programming to enumerate various vol-
refining capacities; grades of mill feed and concen-
umes and determine the optimal pit size. This method
trates; stockpiles; logistics; and various operational
ostensibly solves the ultimate pit limit problem and
requirements such as minimum pit-bottom width and
the block-sequencing problem simultaneously. Wang
maximum vertical depth. To solve this problem, the
and Sun (2001) propose an approach using a dynamic
authors use a branch-and-cut strategy, which con-
pit-sequencing scheme to integrate cutoff-grade deter-
sists of a combination of breadth-first search and
mination, production rates, the ultimate pit limits,
depth-first search to achieve a variety of possible
and sequencing. In each period, different options for
pit schedules. A judicious choice of variable def-
the next pit phase are modeled as a network.
initions and fixings and the implementation of a
Some of the above authors concede that dynamic
linear programming-based heuristic help obtain good
programming is not tractable for larger problems.
However, the Lagrangian approach described above bounds on the solutions. Bley et al. (2010) present
remains a prominent method for addressing large an open-pit formulation defined by the same vari-
problems while also (theoretically) ensuring an opti- ables (see Caccetta and Hill 2003) that maximizes
mal solution. Other authors simply pose a mono- net present value subject to precedence and multiple
lithic integer program; e.g., Hoerger et al. (1999) upper bound resource constraints; cutoff grade is
develop a multiperiod mixed-integer programming fixed. The authors develop variable reduction tech-
model for Newmont’s mining operations. The authors niques and cuts based on the precedence-constrained
use LINGO (Lindo) to solve small instances. knapsack structure of the problem and demonstrate
The following two works use genetic algorithms how their developments significantly reduce solution
to attempt to solve large integer programs more time for problems containing hundreds of blocks and
efficiently. Denby and Schofield (1994) concede that 5–10 time periods.
determining the final open pit and extraction sched- Halatchev (2005) maximizes revenues of gold, less
ule must be integrated. The authors define schedules fixed and variable operating (e.g., processing) costs,
as a combination of a final open pit and one extrac- costs associated with handling waste, and fixed-
tion schedule. To generate the best “schedules” from capital costs. To adhere to sequencing and capacity
these combinations, the authors use a genetic algo- constraints, the author enumerates all viable produc-
rithm, employing the typical tools of crossover and tion sequences. However, he takes benches, which are
mutations. They obtain good results, e.g., 6 percent generated via the ultimate pit limit, as given and uses
variants of bench-sequencing rules to provide flexi- et al. The authors solve model instances contain-
bility to his production schedules, all of which must ing between 8 and 100 time periods and between
adhere to mill supply and demand constraints; cutoff about 3,000 and 200,000 production blocks in seconds,
grade is fixed. The author uses Monte Carlo simu- whereas CPLEX consumers up to 4 orders of magni-
lation to generate a variety of data sets that reflect tude more time, if it can solve the instances at all.
ore-grade variability; he provides a case study with a Amaya et al. (2009) also use “by” variables but not
sample of schedules for various ore-grade data. aggregation. They maximize NPV based on a fixed
Aggregation combined with optimal solution cutoff grade subject to upper bounds on resource and
strategies, as opposed to heuristics such as genetic block-sequencing constraints; the authors develop a
algorithms, has also started to play a role in block random, local search heuristic that seeks to improve
sequencing. In short, authors seek to reduce model on an incumbent solution by iteratively fixing and
size by combining blocks with similar properties; they relaxing part of the solution, with the relaxation
then exploit the problem structure with a view to determined through geometric strategies. This simple,
using fast solution methods on the reduced problem. effective idea produces solutions for instances contain-
For example, Ramazan (2007) proposes an aggrega- ing up to four million blocks and 15 periods in four
tion scheme in which he uses linear programming to hours of computing time. These solutions are approx-
construct “fundamental trees” to reduce the number
imately 25 percent better than the solutions that stan-
of blocks to sequence. Each fundamental tree con-
dard heuristics provide, e.g., Gershon (1987); in some
tains blocks within the smallest aggregate entity pos-
cases, a standard application of CPLEX requires mul-
sible that can be mined without violating sequencing
tiple days to find any feasible solution. Chicoisne et al.
constraints and that have an overall positive value.
(2009) extend the aforementioned work to include a
The author applies his techniques to a copper mine
customized algorithm to solve linear programming
consisting of about 40,000 blocks to be scheduled
relaxations of large instances of the same problem; the
over eight years. Boland et al. (2009) use binary vari-
authors also demonstrate that using heuristics simi-
ables (similar to those in Caccetta and Hill 2003)
to enforce precedence between aggregates of blocks lar to those in Amaya et al. (2009) on the solutions
while continuous-valued variables control the amount obtained from the LP relaxations produces results in
of material extracted both from each aggregate and about an hour that are within 5 percent of optimal-
from each block within an aggregate. The authors ity for problem instances containing millions of blocks
exploit the structure of the linear programming relax- and 20 time periods.
ation of their problem to develop partitions of the Open-pit block sequencing is a heavily studied
aggregates into sets of blocks such that these sets area, largely because of the many open-pit mines
are optimal for the linear programming (LP) relax- in existence today and the somewhat generic nature
ation of their monolith, if possible, or show how of the mines. Researchers are able to solve increas-
to obtain good sets of such blocks. They then use ingly large models, which has enabled progress from
these sets to approximate a solution for their origi- solving an ultimate pit model and subsequently
nal, mixed-integer program. The authors demonstrate sequencing blocks within small nested pits to solv-
their procedure using instances containing as many ing a monolith sequencing problem containing up
as 125 aggregates and nearly 100,000 blocks. Times to hundreds of thousands of blocks. However, work
to obtain a solution within 1 percent of optimality remains in terms of incorporating fidelity such as
range from thousands to tens of thousands of sec- variable cutoff grades and inventory constraints into
onds. Gleixner (2008) extends these results with a dif- large models that produce optimal solutions in a rea-
ferent type of aggregation and also presents ideas for sonable amount of time.
using Lagrangian relaxation in this context. Bienstock
and Zuckerberg (2010) extend the work of Boland Tactical and Operational Equipment-Allocation
et al. (2009) by developing a customized linear pro- Models
gramming algorithm to solve the linear program- In addition to determining a production schedule,
ming relaxation of the problem addressed in Boland a related question is determining the resources that
enable such a schedule. These are generally separate show that ignoring queuing leads to overestimating
models in the literature; however, in theory, the deci- production by about 8 percent.
sions are connected. A tactical problem consists of the Many equipment routing and selection models use
size and nature of the fleet, which can be determined optimization, i.e., integer programming, to deter-
by artificial and geological mine characteristics and mine fleet size and allocation. A few exploit the
by equipment capabilities. The operational problem problem structure to arrive at network-like models
of equipment allocation entails scheduling and dis- or incorporate stochasticity. Weintraub et al. (1987)
patching strategies; decisions are based on haul route exploit network structure in their development of lin-
requirements and equipment limitations. To this end, ear programming-based heuristics to route multiple
both stochastic and deterministic models exist. trucks with varying capacities to minimize waiting
Both queuing theory and simulation are used as time at servers, i.e., loaders that fill trucks with ore
stochastic methodologies. For example, Oraee and Asi and waste for transport from the mine. The authors
(2004) use simulation for truck scheduling, consid- account for loading, unloading, and transportation
ering fuzzy parameters on outputs per shovel. The times and use the underlying transportation network
authors wish to attain desired production levels while structure of the problem as a basis for their solu-
ensuring that the ore sent to the mill is of sufficient tion algorithm. This model results in an estimated
quality. They present a case study for Songun Copper 8 percent increase in productivity at Chuquicamata,
Mine in Iran. a large open-pit mine in northern Chile. Similarly,
Kappas and Yegulalp (1991) use queuing theory Goodman and Sarin (1988) develop an integer
to analyze the steady-state performance of a typical program combined with a transportation model to
open-pit truck and shovel system in which trucks, determine an optimal equipment schedule and waste
or customers, transport excavated material to an end distribution. They successively solve the integer por-
location on a path consisting of a network of haul tion of the model, fix those values, and evaluate the
roads. Trucks also undergo repair and maintenance; fixed solution in the resulting transportation model.
although these facilities are capacitated, the authors The authors’ results provide insight as to which com-
assume that the haul roads have infinite capacity. binations of transport equipment result in the highest
Because no trucks enter or leave the system, it is productivity. Soumis et al. (1989) also solve a model
closed; a matrix gives the probabilities of a truck tran- in phases. In short, they seek to maximize truck and
sitioning from one (service) area to another. Because shovel productivity while meeting demand require-
of factors such as the service-time distributions at var- ments. The authors first determine the location of
ious areas, the corresponding stochastic process is not shovels; they then use a network model to estab-
Markovian. However, the authors derive results based lish an optimal production plan (considering waiting
on extensions of Markovian principles to estimate times) that includes access routes to the ore. Finally,
performance parameters such as the expected number they solve a real-time assignment model to dispatch
of trucks in an area. The authors verify the accuracy trucks within the mine.
of their derivations with simulation, benchmark tests White and Olson (1992) suggest an operational
against a purely Markovian approach, and present a truck-dispatching system based on network models,
small numerical example. linear programming, and dynamic programming. The
Najor and Hagan (2006) use queuing theory to objectives maximize production, minimize material
model stochastic behavior of truck and shovel sys- rehandling, and ensure that the plant is supplied
tems. A spreadsheet records truck productivity given with material while meeting blending constraints. The
truck payloads, crusher feed rate, and cycle time. authors’ three-stage process first finds shortest paths
The model analyzes equipment idle time and predicts between all locations in the mine; the linear program
lower material throughput when both truck and plant then determines material flows along these paths.
capacity are considered rather than simply the former. Finally, the dynamic program assigns trucks to oper-
Numerical results on the Pilbara mine in Australia ate between shovels and dumps. The authors’ system,
which is in real-time use at more than 10 mines inter- to maximize revenue subject to processing time avail-
nationally, yields significant (10–20 percent, in most able at the mills. Rubio demonstrates the use of his
cases) productivity improvements in these mines. model at the open-pit Grasberg Mine in Indonesia,
Naoum and Haidar (2000) develop an integer compares the results against a heuristic, and con-
program to choose a cost-minimizing set of equipment cludes that using an optimization model can have
that satisfies maximum production requirements, min- significant benefits; however, he concedes that such
imum and maximum bounds on the number of pieces a model should also incorporate block sequencing.
of each type of equipment and the operational hours McKenzie et al. (2008) address the question of how
for each piece of equipment, and mine-life duration. to locate equipment, specifically a feeder into which
The different characteristics of each type of equipment, extracted aggregate (e.g., sand and gravel) is fun-
e.g., capital and maintenance costs and capabilities, neled. This feeder is attached to a conveyor belt that
make solving the problem difficult. The authors tai- transports the material to a processing plant and can
lor a genetic algorithm to provide solutions that save be moved by adding conveyor belt extensions. The
trade-off is the proximity of the feeder to the opera-
15 percent in equipment-selection costs to the mine
tions, vice the (nonoperational) time required to relo-
for specific case studies. Burt et al. (2005) develop an
cate the feeder as the mining frontier progresses. The
integer program to determine the number of trucks
authors model the problem as a dynamic program
assigned to a loader to minimize the cost of operating
and solve it as a shortest-path model in which an arc
a truck and loader fleet subject to capacity, cycle time,
in the model represents moving the feeder along a
fleet efficiency, and tonnage requirements. The fleet
linear path from location i to location j. Implement-
is heterogeneous, and some machines cannot work
ing the model results in savings of approximately
together. Operational costs increase and productiv- 14 percent of total operational costs at the mine.
ity decreases, both nonlinearly with equipment age. Munirathinam and Yingling (1994) discuss sur-
The authors linearize their objective and demonstrate vey articles on open-pit truck dispatching; they
their model on small instances containing fewer than classify truck-dispatching strategies, examine their
10 trucks and loaders. underlying mathematical formulations in detail, and
Ta et al. (2005) extend optimization modeling identify the strengths and weaknesses of alternate
to incorporate stochasticity by formulating a truck approaches. Alarie and Gamache (2002) analyze dis-
allocation model using chance-constrained stochastic patching systems and the advantages and disadvan-
optimization that accommodates uncertain parame- tages of solution strategies, and they present the
ters such as truckload and cycle time. The num- current challenges of dispatching systems such as
ber and type of trucks that are allocated to shovels real-time monitoring capabilities.
are the decision variables. The objective minimizes
the operating and capital cost of ore delivery sub- Underground Mining
ject to production rates, shovel capacity, waste mate- Despite the relatively lower fixed infrastructure cost
rial removal, and truck availability. The crucial step of an open-pit mine, surface mines necessitate signif-
in solving the chance-constrained problem is to con- icant extraction of waste. A mine can be or become
vert the constraints into a deterministic form by iden- cost prohibitive to operate when the ratio of extracted
tifying the confidence level that must be satisfied. waste to ore becomes too high, when waste storage
Apparently, the technique is simple to implement and space is insufficient, when pit walls fail, or when envi-
possesses reasonable computation times, thus making ronmental considerations outweigh extraction bene-
it applicable to real-time problems. fits. In these cases, underground mining begins.
Rubio (2006) addresses the use of processing The economic viability of an underground mine
facilities rather than the routing or scheduling of relies on much of the same economic analysis as
transportation equipment. He takes the production an open-pit mine. Given viability, there are both pit
schedule as given; for each block, he then determines design and operating decisions. However, in under-
the processing facility to which it is to be sent, if any, ground mine planning, there is no real equivalent to
determining ultimate pit limits. Underground mining deposit and to flow into a recovery location without
methods are commonly categorized as unsupported having to blast all the ore. Longwall mining (Figure 4)
methods, supported methods, and caving methods; is a caving method used on long, thin deposits such
the choice of which method to employ in a mine as coal seams. If the rock (e.g., coal) is soft, it is sim-
depends on the size and shape of the orebody, the ply mechanically cut from the mining face (without
characteristics of the surrounding rock, and the char- blasting). The continuous extraction of the material
acteristics of the ore. Although there are many under- makes it amenable to transport via a conveyor belt.
ground methods (and variants), we restrict ourselves Mined-out areas collapse behind the currently active
to brief descriptions of the methods used in papers ones.
contained in our literature review. Sublevel caving (Figure 5, left panel) is a caving
Room and pillar (Figure 3, left panel) is an unsup- method that is used for long, relatively pure vein-like
ported method designed for flat, relatively thin, deposits. Ore is blasted and extracted from systemati-
homogeneous deposits such as coal. Regularly posi- cally laid-out tunnels (sublevels) parallel to each other
tioned pillars consisting of unrecoverable ore sup- at the same depth. Other series of parallel tunnels lie
port “rooms” from which ore is blasted and then deeper in the mine. Because of the highly structured
removed via trackless loaders. Bolts or pillars are used nature of the mine design, the surrounding rock must
as ceiling supports. In a second phase of this method, cave in a controlled fashion. Blasted ore is hauled via
retreat mining, the pillars are mined until the tunnel loaders to an ore pass; the ore falls down a chute to
collapses. a haulage level from where it can be broken into rock
Sublevel stoping (Figure 3, right panel) is another small enough to be hoisted to the surface via a series
unsupported method used for steeply dipping ore- of vertical shafts.
bodies with regular boundaries. The orebody is Finally, block caving (Figure 5, right panel) is a cav-
divided into separate stopes (i.e., large, vertical pipes ing method with much less structure than sublevel
of rock) into which ore is blasted from various drilled caving. It is applied to orebodies of much lower qual-
access levels. Ore is recovered from drawpoints at the ity in which large masses of rock are blasted; the
bottom of each stope. Stopes are usually backfilled. ore is recovered through drawpoints at the bottom
Caving methods rely on the rock breaking into of the location at which the ore is undercut. Manag-
pieces that are small enough to be retrieved from the ing the size of the rock and the rate at which rock
Long-hole
drilling and Drill
blasting access 1
Vertical benching Stope Drill

access 2
Pillar
Blasted ore Undercut fan

blasting
Pillar
Benching of thicker parts

Loading Transport drift
crosscut
Drawpoint
Figure 3: The diagram illustrates room-and-pillar mining (left) and sublevel stoping mining (right).
Source. Hamrin (2001).
Detail of
coal mining
with drum shearer
and self-advancing
hydraulic support
Roof collapses Longwall

behind supported face
area
Chain Transport drift
conveyor
Drift supported
by yieldable
steel arches
Belt
conveyor
Figure 4: The diagram illustrates longwall mining.

filters through the drawpoints, as well as continually or haulage systems can be evaluated using simula-
monitoring the stability of the mine, are critical. Early tion. Haulage ramps can be designed using geomet-
applications of block caving relied entirely on the ric approaches. Long-term decisions, e.g., whether to
gravity flow of the rock. Now, large rock is redrilled operate a mine or to position a mill at a given location,
and reblasted or broken with hydraulic hammers. As are often made using integer programming optimiza-
in sublevel caving, the rock is sent down a chute to a tion models.
main haulage level before it is hoisted to the surface. Tactical production models generally consist of a
The literature on underground mining is more mixed-integer program in which binary variables
recent, partially because of the complicated nature address longer-term block-extraction decisions and
of underground operations. A parallel to the Lerchs– continuous variables address the related shorter-term
Grossmann algorithm (1965) does not exist for decisions of how much ore should be extracted from
underground mines; therefore, early optimization a block. Transportation devices, e.g., conveyor belts in
work does not necessarily rely upon network-based coal mines or front-end loaders, are usually assessed
methods. Strategic decisions in underground mining using tactical or operational optimization and simula-
may consider how to geographically position various tion models.
facilities, e.g., mills, on the mine site. One may also be
concerned with which mining method to choose and Strategic Mine Layout and Design Models
with mine layout, such as the design of haulage ramps Generally speaking, the mining method is determined
and other infrastructure. Alternative mining methods via geotechnics rather than using OR techniques;
Caved
hanging
wall Undercut
preparation
Production =
blasting and
drilling Sublevels
Drilled
Charging Finger Grizzly Haulage

raise level tunnel + drift
Long-hole Footwall drift
drilling
Main level
Ore pass
Development of
new sublevels
Haulage
level
Figure 5: The diagram illustrates sublevel-caving mining (left) and block-caving mining (right).
however, Qinglin et al. (1996) use neural networks Ultimate Pit Limit Design and Mine Layout Models sub-
based on a deposit’s geotechnical and economic section describes) as a tool for analyzing mineral
factors to optimally select an underground mining reserves and stope geometry. Model inputs are the
method. The case study the authors address is that orebody model, the stope geometry, and a cutoff
of a gold mine in which they consider longwall, grade. The model minimizes waste, maximizes grade,
room-and-pillar, sublevel caving, and sublevel stop- or maximizes metal based on ore-quality restrictions
ing methods. such as minimum grade and maximum dilution from
Other prominent work on underground mine a stope. Brazil and Thomas (2007) provide theory
design concerns mine shape and layout given the and background for Brazil et al. (2003), who con-
method. Yun et al. (1990) use a genetic algorithm to
sider the strategic decision of determining the three-
determine the number and spacing of openings given
dimensional geometry of haulage ramps through
restrictions on their relative placement. To value the
a sublevel stoping mine to serve each stope in a
quality of a given set of openings, the authors consider
given order while subscribing to maximum-gradient,
costs of development, drilling and blasting, under-
minimum-curvature, and area-avoidance constraints.
ground pressure, transportation and dilution, and the
revenue from the excavated ore. They apply their algo- They use existing mathematical theory that projects
rithm to a sublevel caving mine and show how they their problem onto a two-dimensional space to find
tune algorithmic parameters, e.g., crossover and muta- a minimum-cost path satisfying the above conditions
tion rates. with the exception of the gradient and area-avoidance
The following three articles pertain to underground constraints. These constraints are later imposed on
sublevel stoping. Concerned with the shape of an the ramp geometry. The optimization model has been
underground mine, much like the shape of an ulti- embedded into software and implemented at various
mate pit for surface mining, Alford (1995) describes mines in Australia. The authors specifically mention
the floating stope method (analogous to the float- an 11 percent decrease in costs at one representative
ing cone method for surface mines as the Strategic mine in Queensland.
Two early papers address underground facilities, underground block-sequencing formulation. Such for-
e.g., production shafts, and those above ground, e.g., mulations possess the general flavor of those of
mills. Lizotte and Elbrond (1985) discuss the prob- open-pit block sequencing in that objective functions
lem of siting a single facility to minimize demand- represent NPV and constraints generally encompass
weighted transportation costs for a set of existing both precedence and resource restrictions. However,
facilities. Using Euclidean distances, the authors for- both sets of constraints are more complex and min-
mulate their problem as an unconstrained, nonlinear ing method (or even mine) specific. Typical decision
optimization model. Therefore, they propose using variables in this context could include the following:
a hyperboloid approximation procedure based on (1) yatt = 1 if we (start to) mine area a in period t and
methods of calculus and show how the procedure can subsequently backfill it in period t , and 0 otherwise
be adapted to the problem of siting multiple facili- (for some type of supported method); (2) yakt = 1 if
ties. They then describe two case studies in which we (start to) mine area a with equipment of type k
they use their procedure to lay out underground lev- in period t, and 0 otherwise (Sarin and West-Hansen
els and to locate a production shaft. Finally, they point 2005); or (3) variables representing whether area a
out some shortcomings in their optimization model, is developed, drilled, prepared, or extracted from in
e.g., assumptions that haulage and excavation costs period t (Carlyle and Eaves 2001).
are not necessarily directly proportional to Euclidean Linear programming enables the user to optimize
distance. Barbaro and Ramani (1986) formulate a yet does not account for discrete aspects such as
mixed-integer programming model that can be used block sequencing. Jawed (1993) uses linear program-
to determine if a mine produces in a given period, if ming to determine the amount of material to be
market demand is satisfied in a given period, where extracted, e.g., via room and pillar. He minimizes
to locate a processing facility, and the amount of ore deviation from prescribed production and cost tar-
to ship from a mine to a processing facility and then gets subject to operational constraints, manpower
to a market. The objective function maximizes rev- requirements, extraction capacity, ventilation require-
enue less production, processing, waste disposal, and ments, plant capacity, and lower bounds on extrac-
fixed costs. Constraints include minimum and maxi- tion quantity. The author performs sensitivity analysis
mum production requirements, market demand, qual- on the results for a typical mine; of special interest
ity, and limits on the number of mines and facilities are changes in cost parameters and resource (min-
open simultaneously. The authors use a coal system ing equipment) availability. Similarly, Magda (1994)
to demonstrate their model’s capabilities. circumvents binary variables in a model that evalu-
ates the economics of decision making in mine pro-
Tactical Block-Sequencing Models duction processes. He gives formulas for the costs
The literature on sequencing models for underground and benefits of investments as a function of time.
operations is relatively new. Early models use simu- Using geometry, the rate at which the project is con-
lation to assess production schedules and linear pro- structed, construction costs, and commodity prices,
gramming to make decisions regarding ore extracted. he can maximize values, e.g., NPV or internal rate
Integer programming models are needed to deter- of return. The author presents an example of long-
mine whether to mine a given segment of ore in wall coal mining in which, for a particular extraction
a particular period, e.g., to maximize NPV sub- sequence of panels, the length and width of exploita-
ject to, inter alia, complex sequencing constraints tion panels and the number of longwall panels within
and minimum and maximum production (or draw) an exploitation panel can be determined. An enumer-
rates. These models, which have appeared relatively ative procedure yields the NPV for a given point in
recently, were solved first via enumeration and later time and interactions between NPV and panel dimen-
via more sophisticated techniques. sions can be examined.
As is the case for underground mine design, in Authors combine simulation with optimization—
which it is not easy to identify a general mine-design the first article we describe here uses linear pro-
formulation, it is also not easy to identify a generic gramming, and the second uses integer programming.
Winkler (1998) describes a production-scheduling relationship in time; (2) stope extraction and back-
model to determine the amount of ore to mine in each fill quantities; (3) equipment capacity; and (4) grade
period from each production block. He minimizes requirements on the metal recovered. The model con-
weighted deviations from production goal averages tains a 17-period horizon in which the last 4 peri-
in each of 14 to 28 daily periods subject to con- ods are aggregated into durations that are three times
straints on ore quality, a lower bound on demand longer than the previous 13. Although the model runs
and on the amount extracted from a block, and out of memory, it yields a 25 percent improvement
capacity restrictions on available ore. Linear program- over the NPV generated by then-current operational
ming solves a corresponding single-period model; policies.
simulation is then used to fix the current period’s Since the early 2000s, authors have routinely
decisions and optimize over the successive period. used increasingly sophisticated optimization models
The results for a case study involving an iron ore to derive tactical production schedules, in some cases
mine using sublevel caving are displayed in a three- for complex underground mines, that use a vari-
dimensional environment. Chanda (1990) combines ety of methods. Carlyle and Eaves (2001) present a
simulation with optimization in a model that uses model that maximizes revenue from Stillwater’s sub-
an integer program to determine when ore should level stoping platinum and palladium mine. Integer
be extracted from drawpoints in an underground variables schedule the timing of various expansion-
block-caving mine to minimize the differences in aver- planning activities, such as development and drilling,
and the number of stopes to prepare and pro-
age grade between successive periods. Constraints
duce from in a given period. Constraints include
include limits on production and grade, and on the
(1) sequencing of operations and stope preparation;
operational aspects of block caving. The production
(2) production limits of stopes, lower bounds on
schedule given by the integer program is used as
production targets, and upper bounds on process-
input to a simulation model that considers constraints
ing per period; and (3) bounds on the change in
such as production capacity. Depletion of the ore as it
crew size between periods. The authors obtain near-
is extracted is based on gravity flow principles. The
optimal solutions for a variety of scenarios over
author applies his model to a copper mine in Zambia
a 10-quarter time horizon. Their scenarios exam-
and shows a decreased intertemporal ore-quality fluc-
ine variations consisting of (1) constraint relaxation,
tuation and a decreased number of open drawpoints.
(2) time-horizon expansion, and (3) mine-design
The presumed intractability of a mixed-integer pro- (drift-spacing) changes, and the scenarios provide
gram to model the complexities of tactical production planners with insights into different tactical oper-
scheduling is sometimes mitigated by the fact that ating procedures. Smith et al. (2003) construct a
much of the added detail is modeled with continu- production-scheduling model for a copper and zinc
ous, as opposed to binary, variables. As software (e.g., underground mine at Mount Isa, Australia. Decision
IBM’s CPLEX) and hardware improved, researchers variables represent the time at which to mine each
began to use mixed-integer programs. Trout (1995) production block to maximize NPV subject to oper-
might represent the first attempt to optimize under- ational constraints, e.g., ore availability, concentrator
ground mine production schedules, either at the (mill) capacity, mine-infrastructure production capac-
strategic or at the tactical level, using integer program- ity, grade (mineral quality) limits, continuous produc-
ming. By maximizing NPV, the model schedules an tion rules, and precedence relationships between pro-
underground stoping mine for base metals (e.g., cop- duction blocks. However, the authors are unable to
per sulphide). Binary variables control the timing of solve all instances of their problem in a reasonable
extraction from or backfilling of a stope. Continuous- amount of time.
valued variables track the material extracted from Epstein et al. (2003) present a mathematical pro-
or backfilled into a stope in a given period. The gramming model to determine the levels of extracted
constraint set incorporates (1) stope sequencing in ore from several different underground copper mines
terms of extraction, backfilling, and the corresponding to maximize profit over a 25-year horizon subject
to demand, technical exploitation constraints, and they then solve the original model using information
environmental limitations. The mixed-integer pro- gained from the aggregated model. They compute a
gram specifically defines the geological area of inter- bound on the worst-case performance of this heuris-
est through profitable columns (or extraction points), tic and demonstrate empirically that this procedure
which are the vertical aggregation of blocks; a mine produces good-quality solutions while substantially
or sector corresponds to a set of neighboring columns. reducing computation time for problem instances; this
Extracted material is sent through a network of alter- model was implemented at the Kiruna mine (Kuchta
native technologies and (or) infrastructure (e.g., mill) et al. 2004).
investments. This capacitated network contains hun- Sarin and West-Hansen (2005) use decomposition to
dreds of thousands of variables and constraints. The successfully solve the original problem. The authors
authors develop a rounding heuristic that provides maximize NPV for an underground coal mine that
implemented solutions that represent an improve- consists of sections mined with longwall, room-and-
ment of more than 5 percent on current operations at pillar, and retreat mining. Binary variables track
El Teniente, the largest underground copper mine in whether a section is scheduled to start being mined
the world. by a given set of equipment at a given time, whereas
Interestingly enough, several seminal works in this continuous variables track the quality and produc-
subfield do not consider monetary goals. The exam- tion volume of the material extracted. The con-
ples that follow use different methods—block caving straint set consists primarily of enforcing precedence,
and sublevel caving—and although the models are smoothing quality and production levels, and limit-
conceptually similar, it is interesting to note the differ- ing the quantity of sections simultaneously mined.
ence in decisions because of the difference in mining The authors tailor a Benders’ decomposition tech-
methods. Rahal et al. (2003) describe a mixed-integer nique, exploiting the structure of the master problem.
programming model to plan operations of a block- A case study containing over 100 weekly periods sug-
caving mine. Their mathematical program schedules gests that their model can improve profits. Weintraub
drawpoint production to minimize deviations from et al. (2008) also successfully exploit the problem
preset demand levels while also minimizing devia- structure to arrive at good solutions by develop-
tions from a given draw profile. Constraints measure ing an aggregation scheme based on cluster analysis
these deviations, restrict draw rates between mini- for El Teniente, a large Chilean block-caving mine.
mum and maximum levels, limit waste content within The scheme reduces the size of the five-year pro-
a drawpoint, and establish precedence relationships duction scheduling model, allowing it to be solved
between points from which ore is removed. Detailed about one order of magnitude faster with an error of
implementation of these constraints can incorporate approximately 3 percent (on original, disaggregated
ore grade and quality. The authors develop life-of- instances) because of aggregation. Note that both this
mine draw profiles for notional scenarios and show work and that of Epstein et al. (2003) use aggregation
that by using the results from their integer program, for underground block-sequencing operations and
they greatly reduce deviations from ideal drawpoint embed it in an optimization-based heuristic; we also
depletion rates while adhering to a production target. mention this technique in open-pit block-sequencing
Rubio and Diering (2004) expand the analysis to models.
include cost considerations. Newman and Kuchta Underground OR problems, both strategic mine-
(2007), motivated by an underground mining oper- layout and design models and tactical block-
ation at Kiruna, Sweden, formulate a multiperiod sequencing models, are not as heavily studied as
mixed-integer program for iron ore production. The their open-pit counterparts because fewer real-life
optimization model determines an operationally fea- instances of such models exist; each underground
sible ore extraction sequence that minimizes devia- mine is unique in its design and operations. Mine
tions from planned production quantities. The authors planners work with existing software but try to meet
design a heuristic based on solving a smaller, more conflicting objectives—to have software specifically
tractable model in which they aggregate periods; tailored to the orebody at hand yet to also have the
same software that can handle a general underground shows statistics on water and slurry pumping times,
orebody. Continuing to develop faster-solving and surge-tank overflows, the concentration of slurry fed
customized models is necessary. It remains to be seen to the preparation plant, etc., as well as associated
whether such models could be developed into a gen- operating costs for particular mine configurations.
erally applicable underground design and scheduling Mutagwaba and Hudson (1993) present a simulation
model. model to assess underground transportation systems.

Given a mine layout, a hoisting system, and desired
Tactical and Operational Equipment-Allocation
production rates, their model evaluates the perfor-
Models
mance of various transport systems, such as trucks
The majority of equipment allocation concerns trans-
and conveyor belts. The authors apply their anal-
portation systems in underground coal mines that
ysis to a mine in North Wales, UK to choose the
have numerous alternatives, complicated systems,
equipment that best balances performance and costs.
and different types of machines, e.g., conveyor belts
McNearny and Nie (2000) simulate a conveyor belt
and transport cars that are interdependent and
system used with longwall and continuous miner
require analysis to determine bottleneck locations. To
methods to transport coal from a mine face to the
allow managers to address uncertainty, these mines
surface. The authors balance the cost of the con-
commonly use discrete event simulation as their
veyor belt system with overall performance. The
analysis tool.
study reveals bottlenecks and examines the effect of
In the early 1980s, Topuz et al. (1982) simulated the
adding surge bins to remove or mitigate these bottle-
performance of two different haulage systems for an
necks. The authors experiment with various conveyor
underground coal mine. Their work compares a con-
ventional shuttle car with a conveyor belt and a diesel belt speeds and sizes and show that at a mine in
shuttle car (without a conveyor belt). They vary per- southern Utah, productivity could increase by more
formance parameters such as haulage distance and than 13 percent. Simsir and Ozfirat (2008) construct
speed, the number and discharge rates of haulage a simulation model as a case study for a Turkish
units available for coal transport, and the capacity coal mine that uses longwall top-coal caving. The
of a feeder located where the shuttle car dumps its model assesses the efficiency of loaders, crushers, and
output. They also perform a case study on a room- conveyor belts; however, it omits the geomechanical
and-pillar mine to select feeder discharge rates, the effects on the mine of different types of extraction
number and type of haulage units, and a reasonable equipment.
haulage distance to improve the overall production In contrast, in another type of stochastic model that
potential of the mine. Sevim (1987) uses simulation is applied to an iron ore mine, Huang and Kumar
to examine a hydrotransport system that mixes coal (1994) use queuing theory to determine the optimal
with water upon extraction of the coal from the mine number of load-haul-dump machines by considering
face; the coal is then pumped directly to a process- their performance and price, required maintenance,
ing plant. Model events include (1) preparing coal operators’ salaries, etc. An example from a Swedish
to be extracted from a face, (2) pumping water into mine illustrates that their queuing model can accu-
a pipeline to the requisite pressure level, (3) min- rately calculate the probability that a given number
ing the coal and subsequently pumping it into the of machines is sufficient for production. The authors
pipeline with the water, and (4) repositioning the argue that the number of machines estimated by
equipment for new extraction. Between the third and using the queuing model is more accurate than a stan-
fourth stages, a delay can occur because of factors dard method using statistical distributions.
such as equipment malfunction. The authors con- Optimization models are also used to allocate
sider two particular operational characteristics: (1) the equipment in underground mines. These models are
merging of pipelines from different areas of the mine deterministic and less common; in general, they
and (2) the inclusion of a surge tank to store slurry. address a more limited system than simulation mod-
The authors present an instance using both room-and- els do. Dornetto (1988) studies equipment that is
pillar and longwall mining. Their simulation study designed to extract, store, and transport material in
an underground coal mine. The objective is to min- problem and arrives at reasonable levels of minimum
imize the number of extraction cycles necessary to required reliability levels for each subsystem.
fill a shuttle car that transports coal from a surge Operational decisions other than in situ transporta-
bin to a belt feeder by determining optimal values tion exist—specifically, issues outside of the mine
for the position and rate of mining equipment. Con- such as stockpiling, transportation, and facility oper-
straints include lower and upper bounds on the min- ating procedures. For example, Baker and Daellen-
ing position and rate, allowable amounts of coal bach (1984) use dynamic programming to determine
mined in a cycle, and an upper bound on the dis- optimal operating settings for a coal-fired power sta-
tance that must be mined before the equipment can tion and subsequently use simulation to determine
be moved. This nonlinear program is solved via ana- corresponding coal mining and stockpiling policies.
lytical methods; the author shows that lost production Everett (1996) uses a simulation model to reduce fluc-
decreases by using his (optimized) operational policy. tuations in iron ore composition by intelligently stack-
Vagenas (1991) examines real-time dispatching for ing the ore in stockpiles and subsequently recovering
load-haul-dump units in underground mines. He it prior to placing it on a ship for overseas trans-
considers bidirectional loader movement and a few port. Pendharkar (1997) presents a short-term model
alternate paths between an origin and a destination; to determine the quantity of coal to ship from a mine
he preliminarily uses Dijkstra’s (1959) algorithm to to a processing facility and from the processing facil-
determine a shortest path between an origin and ity to a market in each period of the planning horizon.
a destination, and he subsequently develops algo- Pendharkar and Rodger (2000) extend the afore-
rithms that resolve vehicle conflicts either by slowing mentioned model to include a nonlinear objective.
a loader, by stopping it completely, or by routing it to Binkowski and McCarragher (1999) use queuing the-
a different destination. The goal is to minimize loader ory to determine the optimal number and size of
delays. The author uses a simulation model to assess stockpiles in a yard to maximize throughput. Ore
the performance of his algorithms via case studies. arrives at the yard by train, is deposited into a single
Gamache et al. (2005) extend Vagenas (1991) by con- stockpile, can be blended, and awaits transportation
sidering routing on a network with load-haul-dump by ship. The authors demonstrate how system param-
unit orientation and by accounting for time win- eters such as stockyard capacity, ship capacity, and
dows; the authors use Dijkstra’s algorithm to solve arrival and service rates hypothetically influence the
these shortest-path problems. The approach has two performance of the stockyard and its configuration.
drawbacks; it assumes deterministic travel times and
the algorithm considers only a single vehicle at a time,
thus ignoring the effect of the current vehicle on sub- Emerging Areas and Conclusions
sequent vehicle movements. As hardware, software, and solution techniques
Kumral (2005) poses the problem of choosing the improve, we can expect to see models that are
extent to which to improve the reliability of an more realistic and include more detail. For example,
underground mine consisting of five independently stochastic mine planning is relevant given the long
functioning subsystems: (1) drilling, (2) blasting, time horizons involved, the large initial investments
(3) loading, (4) hauling and hoisting, and (5) ventila- and operational budget required, and the historical
tion. The author assumes that each subsystem is either fluctuations of metal prices. In addition, the per-
operational or not and defines a failure as the result centage of ore contained in each block of a deposit
of events such as uncontrolled caving, improper air is uncertain, and significant costs are involved in
circulation, or equipment breakdowns. He minimizes determining ore content with accuracy. Brennan and
the cost of operating all subsystems at an accept- Schwartz (1985) use real options theory to evaluate
able level of reliability subject to bounds on reliability natural resource investment. To date, the heavy com-
variances and reliabilities of the subsystems them- putational burden has precluded using this method-
selves. He presents a case study in which he uses a ology in mathematical programming models with a
genetic algorithm to solve the nonlinear programming large search space; however, the concepts are highly
relevant to stochastic planning scenarios. Cortazar model produces a schedule with a more imple-
et al. (1998) develop a model that determines the opti- mentable mine sequence, i.e., one in which equipment
mum output price level for a firm to invest in envi- movement is reduced substantially. The modified
ronmental technologies and the main parameters that model also accounts for geological uncertainty, which
affect this decision. (the authors claim) helps to produce a schedule
With respect to mine planning (as we discuss that can more readily meet production constraints.
specifically in this paper), Lemelin et al. (2007) con- Gholamnejad and Osanloo (2007) present a problem
sider the collection of geologic block data, the com- in which they determine which blocks to extract in an
pletion of mine design and production planning, and open-pit mine; they consider block-grade uncertainty
the performance of financial analysis based on the in which each block has a probability distribution
outcome from the mine design and planned pro- function obtained using geostatistical simulation.
duction. The authors criticize approaches that accept They transform the probabilistic problem (i.e., the
subjective, if uncertain, parameter values and that problem that has probabilities of satisfying the con-
ignore the relationship between production schedules straints) into a nonlinear integer program. Because of
and information availability. The authors propose the resulting model’s complexity, the authors propose
modeling prices according to well-regarded stochas- using a genetic algorithm; however, they do not give
tic models in which operational plans are updated as details or examples. Askari-Nasab et al. (2007) use a
prices become available. They present a case study stochastic simulation model to develop an open-pit
in which a mine’s value is substantially different schedule based on a geometric elliptical frustum
using their approach when compared with a conven- model. They use a simulator to evaluate a variety of
tional approach, primarily because the authors con- open-pit expansions associated with a schedule or
sider shutdown options for unprofitable portions of volume of ore removed (i.e., processed, sent to waste,
the mine. Carvallo et al. (2009) consider production or stockpiled) in each period. A case study from an
planning for an underground mine in Chile. They iron ore mine with 114,000 blocks and over 20 periods
maximize NPV subject to sequencing and mining-rate demonstrates an improvement in NPV using their
constraints and reduce the problem size by aggre- elliptical frustrum model with stochasticity compared
gating mineable areas; however, because the authors with the NPV obtained from a parametric analysis
introduce price uncertainty, which they characterize using commercial software (Whittle 2009). Finally,
in various scenarios, the problem is large. They use Boland et al. (2010) extend Boland et al. (2009) to
Lagrangian relaxation to dualize the nonanticipativity incorporate ore-grade uncertainty (note that the
constraints so that each scenario can be solved inde- online version of Boland et al. 2010 was available
pendently as a deterministic problem. Although the as of December 2008); the authors update ore-grade
algorithm produces more robust results when it con- data in their model instances as information becomes
siders price uncertainly than when it does not, it does available.
so at the expense of computer time. The following article addresses geological uncer-
Ramazan and Dimitrakopoulos (2004) and tainty in sublevel stoping mines. Grieco and Dimi-
Gholamnejad and Osanloo (2007) consider ore-grade trakopoulos (2007) present a strategic model for deter-
uncertainty in open-pit mines. Ramazan and mining the design of a sublevel stoping mine under
Dimitrakopoulos (2004) mention the traditional ore-grade uncertainty. The design parameters of inter-
block-sequencing problem and illustrate a schedule est are the location, size, and number of stopes. Their
obtained from such a formulation for a case study model seeks to determine if a given ring should
involving a nickel laterite deposit. They then intro- be included in a panel for extraction to maximize
duce a model with a modified objective in which, a probability-weighted metal content across all rings
in addition to the NPV obtained from the extraction and panels subject to constraints on the minimum
of a block, a penalty is incurred for production and maximum number of rings allowed in a panel,
capacity-constraint violations. The authors use var- a minimum acceptable risk level (as defined by the
ious simulated data sets to show that the modified probability of a ring in a panel meeting a specified
cutoff grade), and stope-size constraints in terms of an handle various strategic-, tactical-, and operational-
acceptable number of rings mined in adjacent panels. level decisions. Many authors use case studies
The authors apply their model to a case study of a to demonstrate the advantages of OR, which has
polymetallic mine in Ontario, Canada. played a particularly important industry role in long-
Other emerging areas include a more holistic view range planning. Industry has begun to incorporate
of the mine planning process, e.g., the entire supply the ideas mentioned here in software. For example,
chain, including the decisions of investing, mining, MineMax (2006) and Maptek (2009) use CPLEX to
and processing (Caro et al. 2007). The authors argue provide underlying optimization algorithms to deter-
that although these decisions are often made inde- mine block-sequencing schedules to maximize NPV
pendently, they should be made simultaneously. They subject to sequencing and operational constraints.
describe in detail the various resources necessary to Such software, which can account for blending and
extract ore from a deposit and the processes involved cutoff grade, also contains underground schedulers.
in obtaining saleable metal from the extracted ore; Whittle (2009) and Gemcom (2009) address many
they mention the transportation issues associated of these elements; the former includes an opti-
with processing facilities (e.g., leaching plants versus mization model that considers uncertainty. Datamine
refineries) and the nature of the markets in which (2009) focuses on pushback design and production-
the metal is sold. Other recent models address deci- scheduling optimization in open-pit mines. Unfor-
sions involving distinct stages in mine life. In other tunately, because the details of these models are
words, these models address multiple different deci- proprietary, stating the types of decision variables,
sions that must be made over the life of the mine
objectives, and constraints the underlying optimiza-
rather than decisions that are made throughout the
tion models have or how they perform optimization
geographical space of the production supply chain. To
is impossible. However, academics are increasingly
date, the most prominent of these temporal decisions
seeking ties with companies in the mining industry;
is the transition from open-pit to underground mining
to some extent, they are also openly incorporating the
(Chen et al. 2003, Newman et al. 2009). These models
state of the art into real mining operations at the level
take a long-term view of the mine planning process,
of detail that individual companies seek.
anticipating that a deposit will be mined both via sur-
The direction of research in the mining industry
face and subsequently via underground methods; the
is toward solving larger and more complicated (i.e.,
authors seek to optimize the timing of the transition.
more detailed and realistic) models faster. Specifi-
Bley et al. (2009) address an open-pit block-
sequencing model in which ore grade is variable and cally, we see a trend in the open-pit block-sequencing
an option to stockpile ore before sending it to a pro- literature that abandons the traditional approach in
cessing plant exists. To preserve ore grade in a stock- which models are solved in stages and adopts one
pile, the authors use (nonconvex) blending constraints. in which researchers successfully solve large-scale
They examine the performance of a variety of off- life-of-mine models in their monolithic form. With
the-shelf commercial solvers (i.e., BARON (University advances in hardware and software, researchers are
of Illinois Urbana-Champaign), Couenne (Lehigh Uni- exploring methods to exploit problem structures to
versity), SBB (ARKI Consulting and Development), tackle more detailed (e.g., stochastic), more complex
and SCIP (TU Braunschweig, TU Darmstadt, and (e.g., nonlinear), and larger problems. These methods
Siemens AG)) to solve this problem and show that include limiting the size of very large problems and
such solvers can obtain very good solutions, thus pre- subsequently demonstrating that these limits do not
cluding the need for specialized solution algorithms. significantly compromise the solution quality. Some
This work exhibits the important point that commer- researchers are using heuristics based on aggrega-
cial solvers are becoming more powerful; thus, they tion, including optimization-based heuristics; others
can be used more easily and effectively on complex are using exact decomposition techniques such as
problems. Lagrangian relaxation. This trend is also being fol-
We have presented a review of OR mining lit- lowed in the underground arena; however, the more
erature. Researchers propose different techniques to complex sequencing constraints currently preclude
fast, exact solutions for large models. We anticipate a Boland, N., I. Dumitrescu, G. Froyland, A. M. Gleixner. 2009.
trend in both open-pit and underground mine plan- LP-based disaggregation approaches to solving the open pit
mining production scheduling problem with block processing
ning toward models that are more realistic and faster selectivity. Comput. Oper. Res. 36(4) 1064–1089.
to solve and that the industry will implement to an Bradley, C. E., S. G. Taylor, W. I. Gray. 1985. Sizing storage facilities
for open pit coal mines. IIE Trans. 17(4) 320–326.
ever-increasing extent.
Brazil, M., D. A. Thomas. 2007. Network optimization for the

design of underground mines. Networks 49(1) 40–50.
Acknowledgments Brazil, M., D. H. Lee, M. Van Leuven, J. H. Rubinstein, D. A.
Thomas, N. C. Wormald. 2003. Optimising declines in under-
We would like to recognize funding for this paper provided ground mines. Mining Tech.: IMM Trans. Sect. A 112(3)
by the University of Chile’s Milenium Institute Complex A164–A170.
Engineering Systems and Fondecyt Project. Brennan, M. J., E. S. Schwartz. 1985. Evaluating natural resource
investments. J. Bus. 58(2) 135–157.
Burt, C., L. Caccetta, S. Hill, P. Welgama. 2005. Models for mining
equipment selection. A. Zerger, R. M. Argent, eds. MODSIM
References 2005 Internat. Congress Modeling Simulation. Modelling and Sim-
Akaike, A., K. Dagdelen. 1999. A strategic production schedul- ulation Society of Australia and New Zealand, 1730–1736.
ing method for an open pit mine. C. Dardano, M. Francisco, Busnach, E., A. Mehrez, Z. Sinuany-Stern. 1985. A production prob-
J. Proud, eds. Proc. 28th Internat. Appl. Comput. Oper. Res. Min- lem in phosphate mining. J. Oper. Res. Soc. 36(4) 285–288.
eral Indust. (APCOM) Sympos., SME, Littleton, CO, 729–738. Caccetta, L., S. P. Hill. 2003. An application of branch and cut to
Alarie, S., M. Gamache. 2002. Overview of solution strategies used open pit mine scheduling. J. Global Optim. 27(2–3) 349–365.
in truck dispatching systems for open pit mines. Internat. J. Cai, W. 2001. Design of open-pit phases with consideration of
Surface Mining Reclamation Environ. 16(1) 59–76. schedule constraints. H. Xie, Y. Wang, Y. Jiang, eds. Proc. 29th
Alford, C. 1995. Optimization in underground mine design. Proc. Internat. Appl. Comput. Oper. Res. Mineral Indust. (APCOM)
25th Internat. Appl. Comput. Oper. Res. Mineral Indust. (APCOM) Sympos., CUMT, Beijing, 217–221.
Sympos., Brisbane, Australia, AusIMM, 213–218. Carlyle, W. M., B. C. Eaves. 2001. Underground planning at Still-
Amaya, J., D. Espinoza, M. Goycoolea, E. Moreno, T. Prevost, water Mining Company. Interfaces 31(4) 50–60.
E. Rubio. 2010. A scalable approach to optimal block schedul- Caro, R., R. Epstein, P. Santibañez, A. Weintraub. 2007. An inte-
ing. Proc. 35th Internat. Appl. Comput. Oper. Res. Mineral Indust. grated approach to the long-term planning process in the cop-
(APCOM) Sympos., Vancouver. CIM, Montréal. Forthcoming. per mining industry. A. Weintraub, C. Romero, T. Bjorndal,
Askari-Nasab, H., S. Frimpong, J. Szymanski. 2007. Modeling open R. Epstein, eds. Handbook of Operations Research in Natural
pit dynamics using discrete simulation. Internat. J. Mining Resources. Springer, New York, 595–609.
Carvallo, F., A. Alonso, L. Escudero, M. Guignard-Spielberg,
Reclamation Environ. 21(1) 35–49.
A. Weintraub. 2009. Lagrangian relaxation decomposes a
Baker, W. R., H. G. Daellenbach. 1984. Two-phase optimization
stochastic mining problem. Working Paper 11, Institute Mile-
of coal strategies at a power station. Eur. J. Oper. Res. 18(3)
nium Complex Engineering Systems, Santiago, Chile.
304–314.
Chanda, E. K. C. 1990. An application of integer programming and
Barbaro, R., R. Ramani. 1986. Generalized multiperiod MIP model
simulation to production planning for a stratiform ore body.
for production scheduling and processing facilities selection
Mining Sci. Tech. 11(2) 165–172.
and location. Mining Engrg. 38(2) 107–114.
Chen, J., D. Gu, J. Li. 2003. Optimization principle of combined
Bienstock, D., M. Zuckerberg. 2010. Solving LP relaxations of large-
surface and underground mining and its applications. J. Central
scale precedence constrained problems. Proc. 14th Conf. Integer South Univ. Tech. (China) 10(3) 222–225.
Programming Combin. Optim. (IPCO 2010). Lecture Notes in Com- Chicoisne, R., D. Espinoza, M. Goycoolea, E. Moreno, E. Rubio.
puter Science. Springer, Berlin. Forthcoming. 2009. A new algorithm for the open-pit mine scheduling prob-
Binkowski, M., B. McCarragher. 1999. A queuing model for the lem. Working paper, Universidad Adolfo Ibañez and Universi-
design and analysis of a mining stockyard. Discrete Event dad de Chile, Santiago.
Dynamic Systems: Theory and Applications, Chapter 9. Kluwer Cortazar, G., E. S. Schwartz, M. Salinas. 1998. Evaluating environ-
Academic Publishers, Boston, 75–98. mental investments: A real options approach. Management Sci.
Bixby, R., E. Rothberg. 2007. Progress in computational mixed inte- 44(8) 1059–1070.
ger programming—a look back from the other side of the tip- Dagdelen, K., T. Johnson. 1986. Optimum open pit mine production
ping point. Ann. Oper. Res. 149(1) 37–41. scheduling by Lagrangian parameterization. Proc. 19th Inter-
Bley, A., N. Boland, C. Fricke, G. Froyland. 2010. A strengthened nat. Appl. Comput. Oper. Res. Mineral Indust. (APCOM) Sympos.,
formulation and cutting planes for the open pit mine produc- SME, Littleton, CO, 127–141.
tion scheduling problem. Comput. Oper. Res. 37(9) 1641–1647. Datamine. 2009. NPV scheduler. Bedfordshire, UK. http://www.
Bley, A., A. M. Gleixner, T. Koch, S. Vigerske. 2009. Comparing datamine.co.uk/products/PDF_Flyers/NPVScheduler4_LoRes_
MIQCP solvers to a specialised algorithm for mine production Sep07_LoRes_English.pdf.
scheduling. ZIB Report 09-32, ZIB, Berlin. Retrieved January 1, Denby, B., D. Schofield. 1994. Open-pit design and scheduling by
2010, http://opus.kobv.de/zib/volltexte/2009/1206/. use of genetic algorithms. Mining Tech.: IMM Trans. Sect. A 103
Boland, N., I. Dumitrescu, G. Froyland. 2010. A multistage A21–A26.
stochastic programming approach to open pit mine pro- Deutsch, C. 2004. The place of geostatistical simulation in
duction scheduling with uncertain geology. Working paper. resource/reserve estimation. Proc. Internat. Conf. Mining Inno-
Retrieved January 20, 2010, http://www.optimization-online. vation (MININ), University of Chile and the Catholic University
org/DB_FILE/2008/10/2123.pdf. of Chile, Santiago.
Dijkstra, E. W. 1959. A note on two problems in connection with Halatchev, R. 2005. A model of discounted profit variation of
graphs. Numerische Mathematik 1(1) 269–271. open pit production sequencing optimization. R. Ganguli,
Dornetto, L. D. 1988. An adaptive control scheme—expert system— S. Dessureault, V. Kecojevic, J. Dwyer, eds. Proc. 32nd Inter-
that optimizes the operation of a proposed underground coal nat. Appl. Comput. Oper. Res. Mineral Indust. (APCOM) Sympos.,
mining system with applications to shortwall, longwall and SME, Littleton, CO, 315–323.
room pillar mining systems. Proc. 1988 IEEE Internat. Conf. Hamrin, H. 2001. Underground mining methods and applications.
Systems Man, Cybernetics. International Academic Publishers, W. A. Hustrulid, R. L. Bullock, eds. Underground Mining Meth-
Pergamon Press, Beijing, 209–214. ods: Engineering Fundamentals and International Case Studies.
Dowd, P., A. Onur. 1993. Open-pit optimization, part 1: Opti- SME, Littleton, CO, 3–14.
mal open-pit design. Mining Tech.: IMM Trans. Sect. A 102 Hochbaum, D. S., A. Chen. 2000. Performance analysis and best
A95–A104. implementations of old and new algorithms for the open-pit
Elevli, B. 1995. Open pit mine design and extraction sequencing by mining problem. Oper. Res. 48(6) 894–914.
use of OR and AI concepts. Internat. J. Surface Mining Reclama- Hoerger, S., L. Hoffman, F. Seymour. 1999. Mine planning at New-
tion Environ. 9(4) 149–153. mont’s Nevada operations. Mining Engrg. 51(10) 26–30.
Epstein, R., S. Gaete, F. Caro, A. Weintraub, P. Santibañez, Huang, Y., U. Kumar. 1994. Optimizing the number of load-haul-
J. Catalan. 2003. Optimizing long term planning for under- dump machines in a Swedish mine by using queuing theory—
ground copper mines. Proc. Copper 2003-Cobre 2003, 5th Inter- A case study. Internat. J. Surface Mining Reclamation Environ.
nat. Conf., Vol I, Santiago, Chile, CIM and the Chilean Institute 8(4) 171–174.
of Mining, 265–279. IBM. 2009. ILOG CPLEX. Incline Village, NV. http://www-01.ibm.
Erarslan, K., N. Çelebi. 2001. A simulative model for optimum pit com/software/integration/optimization/cplex.
design. CIM Bull. 94(1055) 59–68. Jalali, S. E., M. Ataee-pour, K. Shahriar. 2006. Pit limits optimization
Everett, J. 1996. Reducing the environmental and economic costs of using a stochastic process. CIM Magazine 1(6) 90.
handling iron ore. C. A. Brebbia, P. Zannetti, eds. Proc. Internat. Jawed, M. 1993. Optimal production planning in underground
Conf. Development Appl. Comput. Techniques Environ. Stud. VI, coal mines through goal programming: A case study from an
Como, Italy, 573–582. Indian mine. J. Elbrond, X. Tang, eds. Proc. 24th Internat. Appl.
Frimpong, S., E. Asa, J. Szymanski. 2002. Intelligent modeling: Comput. Oper. Res. Mineral Indust. (APCOM) Sympos., CIM,
Advances in open pit mine design and optimization research. Montréal, 44–50.
Internat. J. Surface Mining Reclamation Environ. 16(2) 134–143. Kappas, G., T. Yegulalp. 1991. An application of closed queueing
Fytas, K., J. Hadjigeorgiou, J. L. Collins. 1993. Production schedul- networks theory in truck-shovel systems. Internat. J. Surface
ing optimization in open pit mines. Internat. J. Surface Mining Mining Reclamation Environ. 5(1) 45–53.
Reclamation Environ. 7(1) 1–9. Kawahata, K. 2006. A new algorithm to solve large scale mine pro-
Fytas, K., C. Pelley, P. Calder. 1987. Optimization of open pit duction scheduling problems by using the Lagrangian relax-
short- and long-range production scheduling. CIM Bull. 80(904) ation method. Doctoral thesis, Colorado School of Mines,
55–61. Golden.
Gamache, M., R. Grimard, P. Cohen. 2005. A shortest-path algo- Kim, Y., Y. Zhao. 1994. Optimum open pit production sequencing—
rithm for solving the fleet management problem in under- The current state of the art. Proc. Preprint Soc. Mining Metallurgy
ground mines. Eur. J. Oper. Res. 166(2) 497–506. Exploration Ann. Meeting, SME, Littleton, CO.
Gemcom. 2009. Gemcom Software International: MineSched. Klingman, D., N. Phillips. 1988. Integer programming for optimal
Vancouver. http://www.gemcomsoftware.com/products/ phosphate-mining strategies. J. Oper. Res. Soc. 39(9) 805–810.
MineSched/. Krige, D. G. 1951. A statistical approach to some basic mine valu-
Gershon, M. 1987. Heuristic approaches for mine planning and pro- ation problems on the Witwatersrand. J. Chemical Metallurgical
duction scheduling. Internat. J. Mining Geological Engrg. 5(1) Mining Soc. South Africa 52(6) 119–139.
1–13. Kuchta, M., A. Newman, E. Topal. 2004. Implementing a produc-
Gershon, M., F. Murphy. 1989. Optimizing single hole mine cuts by tion schedule at LKAB’s Kiruna Mine. Interfaces 34(2) 124–134.
dynamic programming. Eur. J. Oper. Res. 38(1) 56–62. Kumral, M. 2005. Reliability-based optimisation of a mine produc-
Gholamnejad, J., M. Osanloo. 2007. Using chance constrained tion system using genetic algorithms. J. Loss Prevention Process
binary integer programming in optimizing long term produc- Indust. 18(3) 186–189.
tion scheduling for open pit mine design. Mining Tech.: IMM Lane, K. 1988. The Economic Definition of Ore: Cutoff Grade in Theory
Trans. Sect. A 116(2) 58–66. and Practice. Mining Journal Books Limited, London.
Gleixner, A. M. 2008. Solving large-scale open pit mining pro- Laurich, R. 1990. Planning and design of surface mines. B. Kennedy,
duction scheduling problems by integer programming. Mas- ed. Surface Mining, Chapter 5.2. Port City Press, Baltimore,
ter’s thesis, Technische Universität Berlin, Berlin. http://opus. 465–469.
kobv.de/zib/volltexte/2009/1187/. Lemelin, B., S. A. Abdel Sabour, R. Poulin. 2007. An integrated eval-
Goodman, G. V. R., S. C. Sarin. 1988. Using mathematical program- uation system for mine planning under uncertainty. E. Magri,
ming to develop optimal overburden transport strategies in a ed. Proc. 33rd Internat. Appl. Comput. Oper. Res. Mineral Indust.
surface coal mining operation. Internat. J. Surface Mining Recla- (APCOM) Sympos., Gecamin Ltda., Santiago, Chile, 262–269.
mation Environ. 2(1) 51–58. Lerchs, H., I. Grossmann. 1965. Optimum design of open-pit mines.
Gregory, C. E. 1980. A Concise History of Mining. Pergamon, Canadian Mining Metallurgical Bull. 58 17–24.
Oxford, UK. Lindo. LINGO optimization software. Accessed March 17, 2010,
Grieco, N., R. Dimitrakopoulos. 2007. Managing grade risk in stope http://www.lindo.com/index.php?option=com_content&view=
design optimization: Probabilistic mathematical programming article&id=136&Itemid=54.
model and application in sublevel stoping. Mining Tech.: IMM Lizotte, Y., J. Elbrond. 1985. Optimal layout of underground mining
Trans. Sect. A 116(2) 49–57. levels. CIM Bull. 78(873) 41–48.
Magda, R. 1994. Mathematical model for estimating the economic Ramazan, S., R. Dimitrakopoulos. 2004. Traditional and new MIP
effectiveness of production process in coal panels and an exam- models for production scheduling with in-situ grade variabil-
ple of its practical application. Internat. J. Prod. Econom. 34(1) ity. Internat. J. Surface Mining Reclamation Environ. 18(2) 85–98.
47–55. Rubio, E. 2006. Mill feed optimization for multiple processing facil-
Maptek. 2009. Maptek Software Pty Ltd. Vulcan Chronos. Sydney, ities using integer linear programming. M. Cardu, R. Ciccu,
Australia. http://maptek.com/products/vulcan/scheduling/ E. Lovera, E. Michelotti, eds. Proc. 15th Internat. Sympos. Mine
chronos_reserving_scheduling_module.html. Planning Equipment Selection (MPES). FIORDO S.r.l., Torino,

McKenzie, P., A. M. Newman, L. Tenorio. 2008. Front Range Aggre- Italy, 1206–1212.
gates optimizes feeder movements at its quarry. Interfaces 38(6) Rubio, E., E. Diering. 2004. Block cave production planning using
436–447. operation research tools. A. Karzulovic, M. Alfaro, eds. Proc.
McNearny, R., Z. Nie. 2000. Simulation of a conveyor belt network MassMin 2004, Instituto de Ingenieros de Chile, Santiago,
at an underground coal mine. Mineral Resources Engrg. 9(3) Chile, 141–149.
343–355. Samanta, B., A. Bhattacherjee, R. Ganguli. 2005. A genetic algo-
MineMax. 2006. MineMax Software Pty Ltd. Perth, Australia. rithms approach for grade control planning in a bauxite
http://www.minemax.com/. deposit. R. Ganguli, S. Dessureault, V. Kecojevic, J. Dwyer,
Munirathinam, M., J. C. Yingling. 1994. A review of computer- eds. Proc. 32nd Internat. Appl. Comput. Oper. Res. Mineral Indust.
based truck dispatching strategies for surface mining opera- (APCOM) Sympos., SME, Littleton, CO, 337–342.
tions. Internat. J. Surface Mining Reclamation Environ. 8(1) 1–15. Sarin, S. C., J. West-Hansen. 2005. The long-term mine production
Mutagwaba, W., J. Hudson. 1993. Use of object-oriented simulation scheduling problem. IIE Trans. 37(2) 109–121.
model to assess operating and equipment options for under- Sevim, H. 1987. Evaluation of underground coarse-coal slurry
ground mine transport system. Mining Tech. IMM Trans. Sect. A transportation systems by a simulation model. AIME Trans.:
102 89–94. Part A—Oper. Res. 280 1817–1822.
Najor, J., P. Hagan. 2006. Capacity constrained production schedul- Sevim, H., D. Lei. 1998. The problem of production planning in
ing. M. Cardu, R. Ciccu, E. Lovera, E. Michelotti, eds. Proc. 15th open pit mines. Infor. Systems Oper. Res. (INFOR) J. 36(1–2) 1–12.
Internat. Sympos. Mine Planning Equipment Selection (MPES), Simsir, F., M. K. Ozfirat. 2008. Determination of the most effective
FIORDO S.r.l., Torino, Italy, 1173–1178. longwall equipment combination in longwall top coal caving
Naoum, S., A. Haidar. 2000. A hybrid knowledge base system and (LTCC) method by simulation modeling. Internat. J. Rock Mech.
Mining Sci. 45(6) 1015–1023.
genetic algorithms for equipment selection. Engrg. Construction
Smith, M., I. Sheppard, G. Karunatillake. 2003. Using MIP for strate-
Architectural Management 7(1) 3–14.
gic life-of-mine planning of the lead/zinc stream at Mount Isa
Newman, A., M. Kuchta. 2007. Using aggregation to optimize long-
Mines. F. Camisani-Calzolari, ed. Proc. 31st Internat. Appl. Com-
term production planning at an underground mine. Eur. J.
put. Oper. Res. Mineral Indust. (APCOM) Sympos., SAIMM, Cape
Oper. Res. 176(2) 1205–1218.
Town, South Africa, 465–474.
Newman, A., C. Yano, E. Rubio. 2009. Mining above and below
Soumis, F., J. Ethier, J. Elbrond. 1989. Truck dispatching in an open
ground: Timing the transition. Working paper, Colorado School
pit mine. Internat. J. Surface Mining Reclamation Environ. 3(2)
of Mines, Golden.
115–119.
Onur, A., P. Dowd. 1993. Open-pit optimization part 2: Produc-
Sundar, D. K., D. Acharya. 1995. Blast schedule planning and shift-
tion scheduling and inclusion of roadways. Mining Tech.: IMM wise production scheduling of an opencast iron ore mine. Com-
Trans. Sect. A 102 105–113. put. Indust. Engrg. 28(4) 927–935.
Oraee, K., B. Asi. 2004. Fuzzy model for truck allocation in sur- Ta, C., J. Kresta, J. Forbes, H. Marquez. 2005. A stochastic opti-
face mines. M. Hardygora, G. Paszkowska, M. Sikora, eds. mization approach to mine truck allocation. Internat. J. Surface
Proc. 13th Internat. Sympos. Mine Planning Equipment Selection Mining Reclamation Environ. 19(3) 162–175.
(MPES), Wroclaw, Poland, 585–591. Tan, S., R. Ramani. 1992. Optimization models for scheduling ore
Osanloo, M., J. Gholamnejad, B. Karimi. 2008. Long-term open pit and waste production in open pit mines. Proc. 23rd Internat.
mine production planning: A review of models and algorithms. Appl. Comput. Oper. Res. Mineral Indust. (APCOM) Sympos.,
Internat. J. Mining Reclamation Environ. 22(1) 3–35. SME, Littleton, CO, 781–791.
Pendharkar, P. 1997. A fuzzy linear programming model for pro- Topuz, E., C. Breeds, M. Karmis, C. Haycocks. 1982. Comparison
duction planning in coal mines. Comput. Oper. Res. 24(12) of two underground haulage systems. Proc. 17th Internat. Appl.
1141–1149. Comput. Oper. Res. Mineral Indust. (APCOM) Sympos., SME, Lit-
Pendharkar, P. C., J. A. Rodger. 2000. Nonlinear programming and tleton, CO, 614–619.
genetic search application for production scheduling in coal Topuz, E., C. Duan. 1989. A survey of operations research applica-
mines. Ann. Oper. Res. 95(1–4) 251–267. tions in the mining industry. CIM Bull. 82(925) 48–50.
Qinglin, C., B. Stillborg, C. Li. 1996. Optimization of underground Trout, L. 1995. Underground mine production scheduling using
mining methods using grey theory and neural networks. mixed integer programming. Proc. 25th Internat. Appl. Comput.
W. Hennies, L. Ayres da Silva, A. Chaves, eds. 5th Internat. Oper. Res. Mineral Indust. (APCOM) Sympos., AusIMM, 395–400.
Sympos. Mine Planning Equipment Selection MPES, Sao Paulo, Underwood, R., B. Tolwinski. 1998. A mathematical programming
Brazil, 393–398. viewpoint for solving the ultimate pit problem. Eur. J. Oper.
Rahal, D., M. Smith, G. Van Hout, A. Von Johannides. 2003. The use Res. 107(1) 96–107.
of mixed integer linear programming for long-term schedul- Vagenas, N. 1991. Dispatch control of a fleet of remote-
ing in block caving mines. F. Camisani-Calzolari, ed. Proc 31st controlled/automatic load-haul-dump vehicles in under-
Internat. Appl. Comput. Oper. Res. Mineral Indust. (APCOM) ground mines. Internat. J. Prod. Res. 29(11) 2347–2363.
Sympos., SAIMM, Cape Town, South Africa, 123–131. Wang, Q., H. Sun. 2001. A theorem on open-pit planning optimiza-
Ramazan, S. 2007. The new fundamental tree algorithm for pro- tion and its application. H. Xie, Y. Wang, Y. Jiang, eds. Proc.
duction scheduling of open pit mines. Eur. J. Oper. Res. 177(2) 29th Internat. Appl. Comput. Oper. Res. Mineral Indust. (APCOM)
1153–1166. Sympos., CUMT, Beijing, 295–298.
Weintraub, A., L. Barros, A. Magendzo, F. Ibarra, C. Ortiz. 1987. Mineral Indust. (APCOM) Sympos., Royal School of Mines, Lon-
A truck dispatching system for a large open pit mine. don, 53–59.
G. Rand, ed. Proc. 11th Internat. Conf. Oper. Res. North Holland, Wright, E. 1989. Dynamic programming in open pit mining
Amsterdam, 650–662. sequence planning: A case study. A. Weiss, ed. Proc. 21st Inter-
Weintraub, A., M. Pereira, X. Schultz. 2008. A priori and a posteri- nat. Appl. Comput. Oper. Res. Mineral Indust. (APCOM) Sympos.,
ori aggregation procedures to reduce model size in MIP mine SME, Littleton, CO, 415–422.
planning models. Electronic Notes Discrete Math. 30 297–302. Yun, Q., J. Liu, Y. Chen, G. Huang. 1990. Optimization of planning
White, J., J. Olson. 1992. On improving truck/shovel productiv- and design in underground mines. Proc. 22nd Internat. Appl.
ity in open pit mines. Proc. 23rd Internat. Appl. Comput. Oper. Comput. Oper. Res. Mineral Indust. (APCOM) Sympos., Technis-
Res. Mineral Indust. (APCOM) Sympos., SME, Littleton, CO, che Universität Berlin, Berlin, 255.
739–746. Zhang, M. 2006. Combining genetic algorithms and topological
Whittle. 2009. Whittle Consulting global optimization software. sort to optimize open-pit mine plans. M. Cardu, R. Ciccu,
Melbourne, Australia. http://www.whittleconsulting.com.au/. E. Lovera, E. Michelotti, eds., Proc. 15th Internat. Sympos. Mine
Winkler, B. 1998. System for quality oriented mine production plan- Planning Equipment Selection (MPES), FIORDO S.r.l., Torino,
ning with MOLP. Proc. 27th Internat. Appl. Comput. Oper. Res. Italy, 1234–1239.
Cf:>
CODELCO
Corporación Nacional del Cobre
Casa Matriz
Huérfanos 1270
Casilla 150-D
Santiago, Chile
Fax: 690 36 65
www.codelco.com
ANEXO 5. DOCUMENTOS DE CONFORMIDAD DE LAS EMPRESAS
DOCUMENTO DE CONFORMIDAD DE EMPRESA: Corporación Nacional del

Cobre de Chile, CODELCO
Por la presente, con fecha 3 de Octubre de 2011 , la Corporación Nacional del

Cobre de Chile, CODELCO, da fe de su participación en el proyecto FONDEF
código DO?I-1130, titulado "Metodologías para evaluar planes mineros de cobre de
largo plazo con incertidumbre en precios y leyes del mineral", presentado por la
Universidad de Chile, cuya ejecución ha concluido.
l. Los siguientes resultados obtenidos por el proyecto son de particular interés

para esta empresa:
1. Mejora de las metodologías existentes para evaluar planes mineros de largo

plazo.
2. Desarrollo de nuevas metodologías para incorporar explícitamente la

incertidumbre en la planificación de largo plazo.
3. Cooperación mutua con la Universidad de Chile para incentivar la

investigación y la preparación de profesionales que aporten a la Compañía.
Pues permitirán obtener los siguientes beneficios:
1. Mejorar los planes mineros que incorporan elementos de incertidumbre en

el precio y en los recursos.
11. La empresa participó en las siguientes actividades de investigación y/o de

transferencia tecnológica:
1. Realización de reuniones de coordinación con el equipo de la Universidad

de Chile.
2. Levantamiento de datos para la ejecución del modelo.
3. Realización de pruebas con el sistema de planificación.
4. Validación de resultados.
Casa Matriz 1 Chuquicamata 1 Radomiro Tomic 1 Ministro Hales 1 Salvador 1 Ventanas 1 Andina 1 El Teniente
Cf:>
CODELCO
Corporación Nacional del Cobre
Casa Matriz
Huérfanos 1270
Casilla 150-D
Santiago, Chile
Fax: 690 36 65
www.codelco.com
111. Los aportes realizados por la empresa al proyecto, fueron:
Suma de aportes incrementales: $ 106.735.850

Suma de aportes no incrementales: $ 252.135.800
Suma de aportes totales: $ 358.871.650
IV. El representante de la empresa que participó en el Comité Directivo del

Proyecto fue el Sr. Fernando Geister B., cuya función actual en esta
organización es de Subgerente de Desarrollo Tecnológico.
V. Conclusiones y comentarios respecto de la ejecución del proyecto y de los

resultados e impactos obtenidos y por obtenerse
La ejecución del proyecto se realizó dentro de los plazos esperados . por la

compañía, realizando reuniones periódicas para supervisar el avance y sus
resultados.
Las metodologías desarrolladas, permitirán de manera novedosa, incorporar la
incertidumbre en la planificación minera de largo plazo obteniendo una mejor
evaluación de los proyectos de CODELCO, lo que impactará directamente en una
mejora del VAN.
Se espera continuar trabajando con el equipo de la Universidad de Chile, para
seguir desarrollando mejoras a las metodologías y para incluir esta herramienta en
los diferentes proyectos que actualmente y que a futuro existen en los planes de
CODELCO.
VI. Recomendaciones para la Universidad de Chile y para FONDEF

La interacción de CODELCO con Académicos y Profesionales de la Universidad
de Chile ha enriquecido a ambas instituciones con la transferencia de los
conocimientos esencialmente prácticos de la empresa y teóricos desde la
Universidad.
Se recomienda fortalecer este tipo de instrumentos.
Fernando Geister B.
Subgerente de Desarrollo Tecnológico
Corporación Nacional del Cobre,
CODELCO
Santiago, Chile, 3 de Octubre de 2011.
Casa Matriz 1 Chuquicamata 1 Radomiro Tomic 1 Ministro Hales 1 Salvador 1 Ventanas 1 Andina 1 El Teniente
Proyecto Fondef D07I1130
METODOLOGÍAS PARA EVALUAR PLANES MINEROS DE

COBRE DE LARGO PLAZO CON INCERTIDUMBRE EN
PRECIOS Y LEYES DE MINERAL
CODELCO-UNIVERSIDAD DE CHILE
Informe de Avance: Revisión de Pruebas de Laboratorio
7 de Noviembre de 2009
Índice de Contenidos
1. Introducción ........................................................................................................................ 3
2. Descripción General del Software de Planificación Minera .............................................. 4
3. Diseño, Desarrollo y Resolución de un Modelo de Programación Estocástica.................. 6
3.1 Moldeamiento Estocástico ............................................................................................ 8
3.2. El Modelo de Ornstein-Uhlembeck ........................................................................... 10
3.3. Construcción del Árbol de Escenarios....................................................................... 10
4. Desarrollo de una Metodología de Inclusión de Riesgo ................................................... 12
5. Exploración de Heurísticas de Resolución ....................................................................... 14

1. Introducción
En el presente informe se describirá en términos generales el avance obtenido a la fecha en
el marco del proyecto “METODOLOGÍAS PARA EVALUAR PLANES MINEROS DE
COBRE DE LARGO PLAZO CON INCERTIDUMBRE EN PRECIOS Y LEYES DE
MINERAL”.
El principal resultado de este proyecto consiste en la creación de un servicio de consultoría

que se basará en el uso de un software de planificación minera que entregará planes de
largo plazo optimizando los recursos y las decisiones.
El avance de las pruebas de laboratorio se enfocará en el desarrollo del Software de

Planificación Minera que debe incluir en un primer lugar incertidumbre en los precios del
mineral.
Al comienzo del proyecto se contaba con una antigua versión del sistema que no estaba
preparada para incluir incertidumbre. La planificación se ha desarrollado con precios
determinísticos en el horizonte de evaluación, donde el precio del cobre utilizado
corresponde a su valor esperado para cada año. El trabajo en el marco del presente proyecto
se ha enfocado principalmente en explorar diversas metodologías para lograr incluir la
incertidumbre en los planes mineros que se generan con el software antes mencionado.
El desarrollo se ha enfocado en tres principales líneas de trabajo:
a) Diseño, Desarrollo y Resolución de un Modelo de Programación Estocástica:

Consiste en crear un nuevo modelo de optimización que permita incluir la
incertidumbre del precio del cobre y así entregar como resultado un plan minero
construido tomando en cuenta la variabilidad asociada.
b) Desarrollo de una Metodología de Inclusión de Riesgo: De forma paralela se ha

trabajado en estudiar el efecto de la incertidumbre en los planes mineros con el fin
de entender el impacto de ésta y generar metodologías que la incluyan.
c) Exploración de Heurísticas de Resolución: La inclusión de incertidumbre

significa enfrentar problemas más grandes, es decir, instancias con mayor cantidad
de parámetros que en los casos determinísticos, por lo que se vuelve sumamente
importante estudiar distintas heurísticas que permitan obtener resultados frente a
problemas complejos en tiempos razonables.
A continuación se describen los avances en cada una de estas líneas de trabajo.

2. Descripción General del Software de Planificación Minera
Como resultado de proyectos anteriores se cuenta con un Software de Planificación Minera
que entrega sugerencias de planificación determinística. Es decir, no considera inclusión de
incertidumbre ni en precios ni en las leyes del mineral. Luego, es necesario desarrollar
cambios en el Software para incluir planificación con incertidumbre.
Como punto de partida, se describirá el funcionamiento del software. En un nivel de

descomposición básico, el sistema contempla cuatro módulos principales, que se presentan
en la Figura 1.
Figura 1. Esquema funcionamiento general del Software de Planificación Minera.
La descripción de estos módulos es la siguiente:
a) Entrada de Datos: En primer lugar, el sistema cuenta con una base de datos con la
información de la(s) mina(s), el mineral disponible, la red de procesos y múltiples
parámetros asociados a configurar un escenario de planificación minera. El llenado
de esta base se realiza para a las instancias específicas que se requiere evaluar.
Luego, es necesario traspasar la información contenida en la BD a archivos de texto

legibles para el programa que generará el modelo. Esto se realiza mediante
procedimientos que permiten transformar datos en código para el software GAMS,
que permite generar un modelo de optimización computarizado.
b) Generación del Modelo de Optimización: En esta fase, el modelo de optimización

es generado para la instancia de datos especificada. Para ello se utiliza el programa
GAMS, que permite representar en código computacional el modelo: parámetros,
variables, restricciones y función objetivo pueden ser representadas en este
lenguaje.
Los modelos de optimización actuales permiten tratar problemas con precio
determinístico para minas a rajo abierto, subterráneas y sistemas mixtos (con ambos
tipos de yacimientos).
Es relevante en este punto que la fase anterior de lectura y escritura de datos haya
sido correcta y que los archivos de texto generados a partir de la lectura de la Base
de Datos sean compatibles con este programa.
c) Resolución del Modelo de Optimización: Una vez generado el modelo, éste se

resolverá mediante el solver CPLEX. En esta fase el modelo generado en la fase
anterior es “entregado” al solver, que mediante algoritmos como Simplex y
Ramificación y Acotamiento, intenta resolver el modelo vía iteraciones sucesivas.
Dado el gran tamaño de los problemas abordados, alcanzar la solución óptima

puede ser una tarea que demande gran cantidad de memoria y tiempo
computacional; a veces, es prácticamente imposible computar la solución óptima
del problema.
En particular, el problema de planificación minera de largo plazo en estudio, cae

justamente en esa categoría, pues considera una gran cantidad de variables y
restricciones. Esto, principalmente debido al carácter “integrador” de operaciones
considerado en la génesis del modelo (resuelve la planificación considerando de
manera simultánea múltiples minas y plantas).
Por esta razón, se han diseñado heurísticas que permiten encontrar “buenas”
soluciones (en términos de que en la función objetivo del problema presentan un
desempeño cercano al óptimo), en tiempo y uso de memoria computacional
“razonables”.
d) Reportes de Salida: Una vez resuelto el modelo, el tipo de archivos que los
programas convencionales de resolución entregan suelen ser de difícil lectura para
el planificador. Por esta razón, es preferible programar rutinas que “leen” la
información contenida en la solución y generan archivos de reporte más fáciles de
leer por quien evalúa y toma decisiones.
La generación de reportes puede también ser hecha en el programa con que se

genera el modelo, que vuelve a comunicarse con el solver una vez computada la
solución para escribir archivos de salida. También puede ser necesaria la confección
de rutinas de ejecución de operaciones internas del sistema operativo para la
manipulación de dichos archivos.
El sistema actualmente entrega las soluciones en formato Excel.

3. Diseño, Desarrollo y Resolución de un Modelo de Programación
Estocástica
Este primer punto significa cambios principalmente a nivel del modelo de optimización, ya
que considera generar un nuevo modelo que incluya incertidumbre en el precio del cobre.
El software pasaría de tener un modelo de optimización determinístico a una estocástico.
Esto además significa cambiar algunos datos de entrada y reportes de salida.
La inclusión de la incertidumbre del precio del cobre proviene del hecho que el precio
futuro del cobre es una variable imposible de predecir con certeza. En particular, diversos
estudios han confirmado que el camino aleatorio es la mejor proyección para el corto plazo.
Al revisar la historia del precio en la Figura 2, resulta difícil encontrar alguna componente
estacional o de tendencia del precio. Infinitas eventualidades, el crecimiento de los países
asiáticos y la especulación de los actores del mercado son parte del sinnúmero de efectos
impredecibles que mueven el precio del mineral.
Figura 2. Precio real del cobre refinado LME, deflactado por el PPI de EEUU mayo 2009.
Fuente: COCHILCO.
Por otro lado, la planificación de largo plazo de yacimientos mineros es una tarea
evidentemente compleja, basta considerar las decisiones de inversión en infraestructura y
maquinaria, el diseño de la mina y el secuenciamiento de la extracción para constatar que el
problema es de grandes dimensiones. Asimismo, considerar la volatilidad del precio del
cobre vuelve el problema aún más complejo.
Resulta natural pensar que las decisiones que tomaría un planificador serán distintas frente
a un escenario de precios por sobre los US$3/lb que bajo US$1/lb, porque el desempeño
económico del negocio es altamente sensible al precio.
La Tabla 1 ilustra lo sensible que son los excedentes de CODELCO frente al precio del
mineral.
2005 2007
Precio del Cobre Promedio [Usc/Lb] 167,08 323,25
Producción de Cobre [Miles de TM] 1.831 1.583
Excedentes antes de Impuestos [MMUS$] 4.901 8.451
Tabla 1. Precio del Cobre, Producción y excedentes de CODELCO.

Fuentes CODELCO, COCHILCO.
Como consta, si se duplica el precio del cobre, se duplican los excedentes de la estatal. La
pregunta entonces es: frente a la incerteza de no saber cual escenario se tendrá, ¿cuáles son
las mejores decisiones de planificación hoy? Responder esta pregunta es la motivación de
esta línea de trabajo.
Ocupando un modelo de planificación determinístico es posible saber las decisiones

óptimas a tomar a sabiendas de la trayectoria futura del precio del cobre. Se puede hacer el
ejercicio de análisis de escenarios de precios y, junto a un directorio, llegar a consenso
comparando las soluciones óptimas que entrega el modelo. Este ejercicio parece lógico y
probablemente es el que actualmente se ocupa, pero una limitación evidente es la cantidad
de escenarios que el grupo de directivos es capaz de comparar. Por otro lado, una versión
estocástica del modelo de planificación es computacionalmente muy difícil de resolver: el
problema parece ser excesivamente grande para nuestras capacidades actuales de
computación.
Esta línea de desarrollo busca generar una heurística que permite resolver la versión
estocástica del modelo de planificación, ocupando la metodología de agregación por
escenarios. Se resolverá el modelo de planificación para cada escenario de forma
determinística y se mezclarán las soluciones para llegar a una solución final. Esta mezcla
puede ser interpretada como el resultado de la reunión de los directivos, esta vez
considerando cientos de escenarios. La principal característica de este método es que se
logra eludir el problema de dimensionalidad, permitiendo resolver estocásticamente para
una gran cantidad de escenarios distintos y convenir en la mejor política posible.
La metodología de agregación de escenarios que se aplicará se llama Progressive Hedging

(PH), publicada por Roger J-B Wets y R.T. Rockafellar en el año 1989. El nombre de este
método viene porque es un método iterativo, que progresivamente va convergiendo a la
política estocásticamente óptima: la que se cubre de mejor forma frente a los posibles
escenarios futuros.
La metodología de esta línea de trabajo se basa en los siguientes puntos:
1) Estudio del método de agregación de escenarios: Se recolectará bibliografía y se

realizarán reuniones con investigadores internacionales expertos en la metodología
propuesta.
2) Planteamiento del problema estocástico de planificación: Se recolectarán los datos y
parámetros necesarios para la creación y ejecución del modelo de planificación. Se
planteará el problema de forma compatible con la metodología de resolución. Se
ocupará el lenguaje GAMS para el modelado y CPLEX para la resolución del
modelo. Se explotará la estructura del problema y se harán las modificaciones que
sean pertinentes para lograr una resolución en el menor tiempo posible.
3) Caracterización del precio futuro del recurso minero: Se aplicarán técnicas

matemáticas para describir la aleatoriedad del precio del recurso minero. Se ocupará
un modelo del tipo Browniano Geométrico con reversión a la media como se ha
hecho en trabajos anteriores. Se hará una discretización anual del precio del cobre y
se generará un árbol para representar las posibles trayectorias del precio futuro del
cobre. Se realizará esfuerzo por generar una estructura razonable de escenarios, sin
embargo no es parte de esta tesis proponer una forma novedosa para la proyección
del precio del cobre.
4) Aplicación del método: Se aplicará el método de agregación de escenarios sobre el

problema de planificación minera, calculando resultados y medidas de desempeño
de la metodología propuesta.
Actualmente, en el contexto anterior, se ha trabajado en la definición de un modelo

estocástico y en la generación de los escenarios de precios de cobre.
3.1 Moldeamiento Estocástico
Hasta el momento, los principales avances en planificación minera han estado

principalmente en el mundo determinístico. Sin embargo, los avances en modelos
estocásticos para la minería son menores pero no menos importantes. Mario Guajardo,
como parte del proyecto Fondef anterior, propone un modelo basado en programación
dinámica estocástica para optimizar el timing de extracción. Entre otros trabajos en
programación estocástica se destaca el de Leite y Dimitrakopoulos, donde utilizan
Simulated Annealing para planificar el secuenciamiento de un pit, considerando la incerteza
en las leyes del mineral.
Existen diversas técnicas para eludir el problema de tamaño en modelos estocásticos. Entre
varios, se destacan Simulated Annealing, la descomposición de Benders y coordinated
branching. Progressive Hedging (PH) es una técnica más nueva, la cual será explorada en
esta línea de trabajo.
Existen múltiples aplicaciones de Progressive Hedging en la literatura, mostrando sus

ventajas. Mulvey y Vladimirou muestran las ventajas del algoritmo al aplicarlo en
problemas estocásticos de flujo en redes. Crainic et al. diseñan una heurística basada en PH
para diseñar redes en un contexto estocástico. Watson et al. Proponen innovaciones al
algoritmo para acelerar la convergencia y luego realizan experiencias en problemas de
asignación de recursos. Hasta el momento no se han encontrado publicaciones de PH en
minería.
Para introducir el concepto de PH, supongamos que una fábrica debe decidir óptimamente
el nivel de producción para el próximo año, maximizando el valor presente de las ventas.
De forma genérica, el problema de optimización en una etapa que debemos considerar es de
la forma:
Suponemos que el espacio C incluye restricciones del tipo capacidad de producción, etc.
Bajo este contexto puede ocurrir que algún(os) de los parámetros del modelo sean inciertos,
por ejemplo, la demanda. Suponer un valor fijo para estos parámetros e ignorar la incerteza
puede llevar a una solución muy lejos del óptimo. Supongamos que x es uno de estos
coeficientes inciertos en la función f y por su naturaleza resulta razonable modelarlo como
una variable aleatoria con espacio de probabilidad (X, P). Bajo este contexto, resulta
razonable minimizar el valor esperado de la función f.
Se propone entonces el modelo:
En vez de calcular la esperanza para valores continuos, se asume que la distribución de la

variable aleatoria x tiene soporte finito1. Se define entonces un conjunto numerable de
posibles eventos de x, que llamaremos escenarios. Sea S el conjunto de escenarios que
interesa considerar. Para cada escenario podríamos buscar la solución al problema
determinístico, y luego analizar el comportamiento de la solución para cada escenario, junto
a un directorio y hacer un consenso. Siguiendo esta misma línea, se podría calcular la
solución promedio de los distintos escenarios.
Aunque promediar las soluciones parece razonable, puede incluso que el promedio sea
infactible. Por lo tanto, lo ideal es encontrar la solución al siguiente al problema
estocástico:
Con el objetivo de volver el problema separable por escenarios, se aplica relajación

lagrangeana a las restricciones de no anticipatividad generando el problema relajado.
Progressive Hedging es una técnica que tiene por objetico resolver este problema y así
1
El número de eventos con probabilidad mayor a cero es finito.
obtener una solución al modelo de planificación estocástica en el cual se base el Software
de Planificación Minera.
En tanto, para generar el precio del cobre, P(t), que se utilizará en el problema anterior se
ha escogido el modelo de Ornstein-Uhlenbeck.
3.2. El Modelo de Ornstein-Uhlembeck
Este modelo es un proceso de difusión, basado en movimiento Browniano en una

dimensión. El modelo genérico se define como:
donde la variable x está forzada a alcanzar el valor de equilibrio x .
A partir de esta definición, se puede obtener una expresión para simular el precio del cobre
P(t). Con eso, se pueden generar múltiples series que representan la evolución del precio
del cobre de forma anual.
3.3. Construcción del Árbol de Escenarios
Existen múltiples maneras de representar un proceso estocástico continuo a través de un

árbol de escenarios. Una es el clustering multiperíodo, ocupando una métrica probabilística.
Otra técnica, que se empleó en este caso, es el de ajuste de momentos, motivado por el
trabajo de Hoyland y Wallace. Una muestra de escenarios de precios generados se presenta
en las Figuras 3 y 4.
Figura 3. Gráfico que muestra la trayectoria del precio del cobre anual para los distintos escenarios generados.
Figura 4. Gráfico que muestra la trayectoria del precio del cobre anual para los distintos escenarios generados.
En este caso, se obtienen escenarios que divergen a valores más extremos.
Utilizando este tipo de escenarios de precios se procederá a definir un modelo de

optimización estocástico que los reciba como parámetros y permita obtener un plan robusto
para múltiples escenarios.
4. Desarrollo de una Metodología de Inclusión de Riesgo
Esta línea de trabajo se enfoca en la generación de una metodología que permita incluir la
incertidumbre inherente al precio del cobre en la generación de los planes mineros.
Como se ha mencionado, en la actualidad los planes mineros son consecuencia del supuesto
sobre los precios. Cambio en los precios provoca eventuales cambios en los planes de
producción. De aquí surge el concepto de Planificación Robusta. Este concepto consiste en
desarrollar planes que se comporten razonablemente bien en todos los escenarios
considerados.
La Planificación Robusta representa una oportunidad interesante para la planificación

minera de largo plazo ya que puede permitir hacerse cargo de la incertidumbre existente
tanto en los precios como en las leyes del mineral.
Para mostrar cómo podría aplicar la Planificación Robusta en el caso estudiado en este
proyecto se presenta un ejemplo. Supongamos que se cuenta con dos escenarios de
planificación idénticos, salvo el precio del cobre para el primer año (para los periodos
siguientes se utiliza el mismo precio en ambos escenarios). Luego, se tienen sólo dos
escenarios, uno de precio alto y otro de precio bajo. El precio de cada uno de los escenarios
sería el siguiente:
· Precio Alto = 200 cUS$/lb.

· Precio Bajo = 137 cUS$/lb.
Para cada escenario de precios se construye el mejor plan utilizando el Software de

Planificación Minera determinístico. Esto genera un plan de decisiones generado bajo cada
uno de los precios utilizando información real para un caso de Codelco.
Para cada uno de los escenarios se obtiene los siguientes valores presentes netos de las
operaciones mineras:
· VPN Precio Alto: 10.889 MMUS$.

· VPN Precio Bajo: 9.789 MMUS$.
Luego, el plan construido para un precio planificado alto se evalúa a precio bajo y
viceversa. Esto entrega el VPN que se habría obtenido si se utilizará cada plan en el
escenario contrario.
· VPN Plan Precio Alto – Evaluado con Precio Bajo: 9.773 MMUS$.
· VPN Plan Precio Bajo – Evaluado con Precio Alto: 10.715 MMUS$.
En la siguiente figura se presentan estos valores, mostrando las respectivas diferencias

respecto entre el VPN obtenido en los distintos planes.
Precio de evaluación
bajo alto
precio de bajo 9,789 10,715
planificación alto 9,773 10,889
16 -175
Figura 5. Matriz de Resultados obtenidos evaluando los dos planes con los distintos precios.
En la Figura 5 se puede apreciar que si se hubiese ejecutado el plan con precio de

planificación bajo y en la realidad se hubiese dado el precio alto, se habrían perdido 175
millones de dólares. En cambio, si se hubiese ejecutado el plan generado con precio de
planificación alto y en la realidad se hubiese dado el precio bajo, se habrían dejado de
percibir sólo 16 millones de dólares menos que si se hubiese planificado apuntando al
precio bajo desde un comienzo.
Lo anterior muestra que existen asimetrías en el impacto de la incertidumbre de precios del

mineral. Estas asimetrías se pueden explicar mediante la forma de los costos marginales de
la operación minera. En la Figura 6 se muestran los tres casos posibles al utilizar un precio
distinto al utilizado en la planificación, casos que se generan a partir de diferentes formas
para la función de costos marginales.
Figura 6. Tres formas posibles que pueden tener los costos marginales para explicar las asimetrías en la
incertidumbre del precio del cobre en la panificación.
Lo anterior es de suma importancia para entender cómo afecta la incertidumbre a los planes
mineros. A partir de esto, se trabaja en generar una metodología que permita generar planes
robustos utilizando el software de planificación minero.
5. Exploración de Heurísticas de Resolución
La inclusión de incertidumbre en modelos de optimización presupone el aumento
considerable en el tamaño de los modelos de optimización. Por lo mismo, se vuelve cada
vez más importante contar con heurísticas que permitan resolver problemas complejos.
En este contexto, se ha trabajado en el problema del árbol de Steiner en redes. Éste es un

problema en el cual se tiene un grafo con nodos, arcos, costos de los arcos y un subconjunto
de los nodos llamados terminales. El objetivo es buscar un subgrafo que conecte a todos los
nodos terminales entre sí al menor costo posible. Este problema cae en la categoría de los
np-hard. Es decir, no existe un algoritmo que alcance siempre el óptimo en un tiempo
razonable.
Esta estructura de problemas es muy común en las áreas industriales, y obtener heurísticas
eficientes a este tipo de problemas puede servir para encontrar heurísticas eficientes para
los modelos de optimización usado en el Software de Planificación Minera.
Actualmente este problema es resuelto con algoritmos heurísticos dado que su modelación
matemática da origen a un modelo altamente complejo y para el cual sólo se ha llegado al
óptimo en casos que no tienen aplicación industrial.
El objetivo de esta línea de trabajo es obtener un algoritmo que, abordando el problema del
árbol de Steiner en redes, disminuya en al menos un 1% el costo de construcción de
caminos dentro de las zonas de cosecha con respecto a la solución entregada por el sistema
que es utilizado actualmente para resolver el problema global Se estima que el costo de
construcción de caminos de esta última sobrepasaría al óptimo en aproximadamente un 2%
en promedio para casos reales.
Para ello se elaboraron 4 instancias de estudio. Dos de ellas de tamaño real y dos pequeñas
que son utilizadas de ejemplo para el testeo de algoritmos.
A la fecha se han implementado tres algoritmos. Uno de ellos conocido, otro desarrollado
en este trabajo y otro diseñado para la mejora de las soluciones. Con los dos primeros se
lograron los resultados esperados. El último no logró efectos relevantes.
En las instancias reales la mejora obtenida fue de al menos un 1% y en las pequeñas de un

6,1%.
Parte de estos resultados se probarán ahora en las heurísticas utilizadas en el Software de

Planificación Minera y se medirán los resultados obtenidos.
PROYECTO D07I1130 PRUEBAS EXPERIMENTALES DEL SOFTWARE DE PLANIFICACIÓN

Informe de Avance: Pruebas Experimentales del Software de

Planificación
30 de Abril de 2010
Índice de Contenidos
1. Introducción ........................................................................................................................ 3
2. Metodología de Inclusión de Riesgo .................................................................................. 5
3. Resultados Pruebas Experimentales ................................................................................... 8
3.1. Antecedentes ........................................................................................................................ 10
3.1.1. Metodología de Evaluación de Planes ........................................................................... 10
3.1.2. Descripción de los Escenarios ....................................................................................... 11
3.2. Resultados por Escenario ................................................................................................... 14
3.2.1. Escenario 1: Serie de Precios Bajos .............................................................................. 14
3.2.2. Escenario 2: Serie de Precios Medios ............................................................................ 19
3.2.3. Escenario 3: Serie de Precios Altos ............................................................................... 25
3.3. Análisis de Resultados ............................................................................................... 30
3.4. Conclusiones .............................................................................................................. 32
Anexo 1. Descripción General del Software de Planificación Minera ................................. 33
Anexo 2. Análisis de Sensibilidad sobre la Tasa de Descuento ........................................... 36
Anexo 3. Series de Precios ................................................................................................... 38
1. Introducción
En el presente informe se describirá en términos generales los resultados de las pruebas

experimentales del Software de planificación que se desarrolla en el marco del proyecto
“METODOLOGÍAS PARA EVALUAR PLANES MINEROS DE COBRE DE LARGO
PLAZO CON INCERTIDUMBRE EN PRECIOS Y LEYES DE MINERAL”.
Las pruebas experimentales se enfocarán en las funcionalidades del Software de

Planificación Minera que debe incluir en un primer lugar incertidumbre en los precios del
mineral.
Hasta antes de la ejecución del presente proyecto, la planificación mediante el Software se

ha desarrollado con precios determinísticos en el horizonte de evaluación, donde el precio
del cobre utilizado corresponde a su valor esperado para cada año.
La investigación en el marco del proyecto ha estado enfocada principalmente en tres

grandes áreas.
a) Diseño, Desarrollo y Resolución de un Modelo de Programación Estocástica:

Consiste en crear un nuevo modelo de optimización que permita incluir la
incertidumbre del precio del cobre y así entregar como resultado un plan minero
construido tomando en cuenta la variabilidad asociada.
b) Desarrollo de una Metodología de Inclusión de Riesgo: De forma paralela se ha

trabajado en estudiar el efecto de la incertidumbre en los planes mineros con el fin
de entender el impacto de ésta y generar metodologías que la incluyan.
c) Exploración de Heurísticas de Resolución: La inclusión de incertidumbre

significa enfrentar problemas más grandes, es decir, instancias con mayor cantidad
de parámetros que en los casos determinísticos, por lo que se vuelve sumamente
importante estudiar distintas heurísticas que permitan obtener resultados frente a

problemas complejos en tiempos razonables.
De estas tres áreas la que ha mostrado ser de mayor utilidad corresponde al Desarrollo de
una Metodología de Inclusión de Riesgo. Por lo tanto, las pruebas experimentales han
estado enfocadas en ese ámbito.
El presente informe contiene una breve descripción de la Metodología de Inclusión de

Riesgo y los primeros resultados de pruebas experimentales con el software de
planificación considerando esta nueva metodología. Finalmente, en el Anexo 1, se presenta
una descripción general del software de planificación y en los Anexos 2 y 3 resultados e
información complementaria a las pruebas experimentales.
2. Metodología de Inclusión de Riesgo
El proyecto ha estado enfocado en encontrar una metodología que permita incluir la

incertidumbre inherente al precio del cobre en la generación de los planes mineros. La
metodología no sólo debe permitir incluir la incertidumbre, sino también debe poder
resolverse en tiempos razonables y debe ser de fácil comprensión para los planificadores.
Las metodologías comunes para abordar la incertidumbre son muy complejas y significan
tiempos de resolución considerables, sobre todo si se considera un modelo de optimización
como el que se aborda en este proyecto.
La metodología de inclusión de riesgo se basa en el concepto de Planificación Robusta que

permite generar planes mineros robustos frente a la incertidumbre en precios del mineral.
En la actualidad los planes mineros son consecuencia del supuesto sobre los precios.
Cambio en los precios provoca eventuales cambios en los planes de producción. De aquí
surge el concepto de Planificación Robusta. Este concepto consiste en desarrollar planes
que se comporten razonablemente bien en todos los escenarios considerados.
La Planificación Robusta representa una oportunidad interesante para la planificación

minera de largo plazo ya que puede permitir hacerse cargo de la incertidumbre existente
tanto en los precios como en las leyes del mineral.
Para mostrar cómo podría aplicar la Planificación Robusta en el caso estudiado en este
proyecto se presenta un ejemplo. Supongamos que se cuenta con dos escenarios de
planificación idénticos, salvo el precio del cobre para el primer año (para los periodos
siguientes se utiliza el mismo precio en ambos escenarios). Luego, se tienen sólo dos
escenarios, uno de precio alto y otro de precio bajo. El precio de cada uno de los escenarios
sería el siguiente (NOTA: por confidencialidad de la información, para el presente informe
se usa una moneda ficticia a la cual llamaremos $f):
· Precio Alto = 127 c$f/lb.

· Precio Bajo = 87 c$f/lb.
Para cada escenario de precios se construye el mejor plan utilizando el Software de

Planificación Minera determinístico. Esto genera un plan de decisiones generado bajo cada
uno de los precios utilizando información real para un caso de Codelco.
Para cada uno de los escenarios se obtiene los siguientes valores presentes netos de las
operaciones mineras:
· VPN Precio Alto: 6.893 MM$f.

· VPN Precio Bajo: 6.196 MM$f.
Luego, el plan construido para un precio planificado alto se evalúa a precio bajo y
viceversa. Esto entrega el VPN que se habría obtenido si se utilizará cada plan en el
escenario contrario.
· VPN Plan Precio Alto – Evaluado con Precio Bajo: 6.186 MM$f.
· VPN Plan Precio Bajo – Evaluado con Precio Alto: 6.783 MM$f.
En la siguiente figura se presentan estos valores, mostrando las respectivas diferencias

respecto entre el VPN obtenido en los distintos planes.
precio de evaluación
bajo alto
precio de bajo 6,196 6,783
planificación alto 6,186 6,893
pérdida -10 -110
Figura 1. Matriz de Resultados obtenidos evaluando los dos planes con los distintos precios.
En la Figura 1 se puede apreciar que si se hubiese ejecutado el plan con precio de

planificación bajo y en la realidad se hubiese dado el precio alto, se habrían perdido 110
millones de pesos ficticios. En cambio, si se hubiese ejecutado el plan generado con precio
de planificación alto y en la realidad se hubiese dado el precio bajo, se habrían dejado de
percibir sólo 10 millones de pesos ficticios menos que si se hubiese planificado apuntando
al precio bajo desde un comienzo.
Lo anterior muestra que existen asimetrías en el impacto de la incertidumbre de precios del

mineral. Estas asimetrías se pueden explicar mediante la forma de los costos marginales de
la operación minera. En la Figura 2 se muestran los tres casos posibles al utilizar un precio
distinto al utilizado en la planificación, casos que se generan a partir de diferentes formas
para la función de costos marginales.
Figura 2. Tres formas posibles que pueden tener los costos marginales para explicar las asimetrías en la
incertidumbre del precio del cobre en la panificación.
Lo anterior es de suma importancia para entender cómo afecta la incertidumbre a los planes
mineros. A partir de esto, se trabaja en generar una metodología que permita generar planes
robustos utilizando el software de planificación minero.
3. Resultados Pruebas Experimentales
A continuación se presenta los resultados obtenidos para una serie de pruebas utilizando el
software de planificación minera, denominado Sistema MUCH.
Las pruebas fueron realizadas en base a la situación de la División Codelco Norte y busca
estudiar la posible presencia de asimetrías en el VAN divisional frente a variaciones en los
precios del cobre. Estas pruebas significaron numerosas corridas realizadas con el software
de planificación MUCH.
La metodología tradicional de elaboración y evaluación de planes mineros toma como uno

de sus inputs una única serie de precios, la cual se asume como determinística, y
corresponde al valor esperado del precio del cobre para cada periodo del horizonte de
evaluación.
La nueva metodología que será sometida a pruebas experimentales sustituye esta única
serie de precios por un vector aleatorio de precios, que para el ejercicio actual está
compuesto de tres series de precios: una serie de precios medios, que es la serie que
normalmente viene en las orientaciones comerciales, más una serie de precios altos (una
banda superior) y una serie de precios bajos (banda inferior). Cada serie del vector de
precios tiene una probabilidad de ocurrencia asociada, que para el presente ejercicio es de
1/3 para cada serie. Es decir, de manera simplificada se asume que en la realidad el precio
del cobre sólo puede seguir tres caminos, o que con respecto al precio del cobre el mundo
puede tomar sólo tres estados posibles.
Usando el software de planificación se construye el mejor plan minero para cada una de las
series de precios, es decir, se construyen 3 planes mineros distintos, cada uno apuntando a
que en la realidad ocurra una de las series de precios. ¿Pero qué pasa si se planifica
apostando a que ocurre una serie de precios pero en la realidad se da alguna de las otras dos
series?
Para analizar la situación anterior, cada plan, que se construyó y evaluó apuntando a una
determinada serie de precios, es evaluado utilizando cada una de las otras dos series de
precios (sólo evaluación, sin modificación alguna del plan). De esta manera se construye
una matriz de 3x3, la cual entrega valiosa información sobre posibles asimetrías en el
comportamiento del van de cada plan minero frente a las distintas series de precios. El
escenario o plan que se comporte de mejor manera considerando las distintas series de
precio posibles es el plan más robusto. Finalmente se escoge el escenario o plan minero que
presente el mayor van esperado.
Se debe entender esta metodología como una planificación estocástica inflexible, pues si
bien considera la incertidumbre en el precio mediante la incorporación de vectores
probabilísticos de precios, no considera flexibilidades para reaccionar cuando el precio que
se da en la realidad no corresponde al precio bajo el cual se planificó.
3.1. Antecedentes
En el presente capítulo se describe el ejercicio realizado destinado a probar la nueva

metodología para incorporar el riesgo en el precio del cobre en la confección y evaluación
de planes mineros de largo plazo en la División Codelco Norte, y mediante la utilización de
esta metodología estudiar la posible presencia de asimetrías en el VAN divisional frente a
variaciones en los precios.
3.1.1. Metodología de Evaluación de Planes
Como se ha descrito anteriormente, la metodología utilizada incorpora la incertidumbre

inherente al precio del cobre en la evaluación de planes mineros de una manera sencilla,
práctica y compatible con la planificación normalmente realizada en la División Codelco
Norte.
Se toma el precio del cobre como aleatorio. Concretamente, en vez de trabajar con sólo una
serie de precios tomada como determinística, se utilizan 3 series de precios o vectores
probabilísticos, una serie de precios media, correspondiente a la serie que normalmente se
entrega en las orientaciones comerciales, más dos nuevas series, una serie superior y una
inferior. Cada una de las series de precios tiene asociada una probabilidad de ocurrencia, y
para el presente ejercicio estas series fueron construidas de manera de tener 1/3 de chances
de ocurrencia cada una. Para un mayor detalle sobre las series de precios utilizadas ver
Anexo 3.
Para cada una de las tres series de precios se construye un escenario determinístico
asociado y luego se busca el mejor plan utilizando el sistema MUCH. Posteriormente, el
plan minero entregado por MUCH para cada uno de los tres escenarios es evaluado
utilizando cada una de las otras dos series de precios (es decir, asumiendo que se planificó
apuntando a una serie de precios, pero considerando que en la realidad se dio otra serie de
precios), construyéndose así una matriz de 3x3 con los VAN obtenidos (si bien son 9 VAN,
son sólo 3 los planes mineros en evaluación).

Tabla 1. Matriz de VAN asociada a las tres series de precios.
A continuación se toma para cada plan minero, o fila de la matriz en la Tabla 1, el VAN
esperado, y se selecciona el plan con mayor VAN esperado.
El hecho de reemplazar la maximización del VAN determinístico por la maximización del

VAN esperado permite escoger el plan más robusto, en el sentido de que permite sortear de
mejor manera el riesgo que presenta la incertidumbre en el precio.
3.1.2. Descripción de los Escenarios
En la presente sección se describen las características más relevantes comunes a todos los
escenarios analizados. Como base para el diseño de escenarios se tomó el Plan Sin
Desarrollo (PSD), es decir, un escenario que no incluye inversiones importantes, por lo que
sólo involucra los yacimientos actuales en explotación (dejando de lado tanto el proyecto
de mina a rajo abierto Mina Ministro Hales como los proyectos de minas subterráneas de
Chuquicamata y Mina Ministro Hales), ni tampoco considera inversiones en ampliaciones
de plantas ni construcción de nuevas instalaciones.
Yacimientos:
Los yacimientos participantes corresponden a los rajos Radomiro Tomic (RT) y
Chuquicamata (CHU). Sin embargo, para cada una de estas dos minas, la cantidad de fases
que participan en cada escenario varía junto con la serie de precios utilizada para realizar la
planificación.
Recurso Minero:
Los archivos TMX al 1 de enero de 20XX, corresponden a los utilizados en el PSD 20XX.
Planta:
Existe una sola planta que sirve a los dos rajos, la que corresponde a la concentradora de
CHU cuya capacidad máxima es 182 ktpd/s durante todo el horizonte de planificación.
OOCC:
Las orientaciones comerciales corresponden a las emitidas con fecha 15 de septiembre de
2009, “GEDE-012/2009. (NOTA: por confidencialidad de la información, para el presente
informe se usa una moneda ficticia a la cual llamaremos $f)
Aportes de RT:
Los aportes de sulfuros de RT enviados a la Concentradora están fijados en 60 ktpd/s entre
los años 20XX y 20YY.
Separación de costos:
Para separar los costos en fijos y variables se utilizó la metodología vigente para el sistema
MUCH, en la cual la fracción de costos fijos del primer año se va disminuyendo
gradualmente para los periodos futuros.
Esquema de Procesos:
A continuación se presenta el esquema de procesos base utilizado en el presente set de
corridas.
RADOMIRO TOMIC
Óxidos
Pila RT
SX-EW
BOT ST
Sulfuros Dump
de RT Óxidos
de CHQ
CHUQUICAMATA
Chanc E4
Concentradora
Ch M1 Molienda CHQ
SBL
BOT SX-EW
ST
Figura 3. Esquema de Procesos División Codelco Norte, contexto PSD, utilizado para las pruebas
experimentales del Software de planificación.
3.2. Resultados por Escenario
A continuación se presenta un resumen de los resultados obtenidos para cada uno de los
tres escenarios que componen el ejercicio.
Se observa que para los tres escenarios la tasa de descuento utilizada es de 8%. No obstante
lo anterior, se realizaron dos sensibilidades de este parámetro, utilizando los valores 6% y
10%, para ver el impacto de la tasa de descuento en la elaboración de los planes y su efecto
frente a las diferentes series de precios utilizadas (ver Anexo 2).
Para el presente ejercicio se tomó como base la configuración de escenario mostrada en la

Sección 3.1.2, y a partir de ésta se construyeron 3 escenarios, los cuales difieren en dos
aspectos, la serie de precios utilizada y las fases incorporadas en ambos rajos. El modo de
definir en concreto cada uno de los escenarios fue así: primero se definió la serie de precios
que sería utilizada, ya sea precios bajos, medios o altos, y luego utilizando el sistema
MUCH se decidió que fases debían ser incluidas en cada rajo (de manera natural, a mayor
precio más fases generan una contribución positiva al VAN divisional).
3.2.1. Escenario 1: Serie de Precios Bajos
Este escenario queda definido por los siguientes 3 conjuntos de características:
1. Serie de precios del cobre (c$f):
año 1 año 2 año 3 año 4 año 5 Largo Plazo

Serie precios inferior 113 114 116 106 105 106
2. Fases mina Chuquicamata:

Ø Fase 838
Ø Fase 841
Ø Fase 842
Ø Fase 844
Ø Fase 846
Ø Fase 849
Ø Fase 850
3. Fases mina Radomiro Tomic:

a) Óxidos:
Ø Fase 809
Ø Fase 815
Ø Fase 816
Ø Fase 817
Ø Fase 818
Ø Fase 820
Ø Fase 821
Ø Fase 822
Ø Fase 823
Ø Fase 824
Ø Fase 825
b) Sulfuros:
Ø Fase 831
Ø Fase 832
Ø Fase 833
Ø Fase 834
Ø Fase 835
Ø Fase 836
Resultados obtenidos para el escenario de precios bajos
Inversiones Ingresos Gastos Flujo de

Año
Equipos Vta Cu Vta Mo Total Fijos Variables Total caja
año 1 18 1,667 129 1,796 191 615 806 972

año 2 141 1,690 256 1,945 117 684 800 1,004
año 3 33 1,671 281 1,952 91 692 783 1,136
año 4 7 1,525 213 1,738 80 635 715 1,017
año 5 19 1,434 158 1,592 72 580 652 921
año 6 31 1,280 155 1,435 63 551 614 790
año 7 8 1,082 84 1,167 55 522 576 583
año 8 2 820 93 913 46 370 416 495
año 9 0 816 110 926 37 356 393 533
año 10 0 760 151 911 31 327 358 553
año 11 0 393 37 430 30 215 245 185
año 12 0 303 28 332 20 169 189 142
año 13 17 276 36 313 3 162 165 131
año 14 2 260 33 293 3 160 163 128
año 15 0 232 29 261 1 163 164 97
años 16-20 94 1,355 115 1,470 3 1,133 1,136 240
años 21-30 0 569
0 37
0 606
0 1
0 429
0 429
0 177
Totales 0 372 16,134 1,946 18,080 842 7,761 8,603 0 9,104
VAN 234 9,957 1,237 11,194 610 4,358 4,967 5,993
Tabla 2. Flujo de caja escenario precios bajos (valores en millones de pesos ficticios)
Para el escenario construido para la serie de precios bajos se obtuvo un VAN de 5.993
millones de pesos ficticios. La tabla anterior muestra la composición del VAN en valores
anuales y nominales, con una última fila con valores totales actualizados.
CHU RT TOTAL
Año KTon KTpd %Cu KTon KTpd %Cu KTon KTpd %Cu
año 1 44,981 124 1.16 22,433 62 1.52 67,414 186 1.28
año 2 44,981 124 1.26 22,433 62 1.31 67,414 186 1.28
año 3 44,981 124 1.22 22,433 62 1.21 67,414 186 1.22
año 4 44,981 124 1.27 22,433 62 1.32 67,414 186 1.29
año 5 44,981 124 1.15 22,433 62 1.29 67,414 186 1.19
año 6 44,981 124 1.18 22,433 62 0.95 67,414 186 1.10
año 7 44,981 124 0.98 22,433 62 1.09 67,414 186 1.02
año 8 44,981 124 1.11 22,433 62 1.04 67,414 186 1.08
año 9 30,025 83 1.33 37,389 103 1.01 67,414 186 1.15
año 10 30,025 83 1.34 37,389 103 1.11 67,414 186 1.21
año 11 13,606 37 0.63 37,389 103 0.97 50,995 140 0.88
año 12 956 3 0.59 37,389 103 0.92 38,345 106 0.91
año 13 37,389 103 0.86 37,389 103 0.86
año 14 37,389 103 0.80 37,389 103 0.80
año 15 37,389 103 0.71 37,389 103 0.71
años 16-20 186,945 103 0.84 186,945 103 0.84
años 21-30 0 91,586 25 0.71
0 91,586 25 0.71
0
TOTAL 434,460 1,197 1.17 719,722 1,344 0.94 1,154,181 2,540 1.03
Tabla 3. Aportes de mineral a la Concentradora, escenario de precios bajos (NOTA: por confidencialidad de
la información los valores han sido modificados).
La tabla anterior muestra el envío de minerales desde los dos rajos participantes hacia la
Concentradora. Se aprecia que el rajo de Chuquicamata aporta minerales hasta el año 12,
aunque los dos últimos años son prácticamente enviados de manera íntegra desde stock. Por
su parte RT aporta el 62% del mineral enviado a planta considerando todo el horizonte de
planificación.
Evaluación del plan utilizando las otras series de precios
La pregunta que se busca responder es qué pasa si se planifica pensando en que los precios
futuros siguiendo la serie de precios bajos, pero en la realidad se da alguna de las otras dos
series de precio ¿Cuál sería el resultado económico del negocio divisional?
La siguiente tabla muestra la evaluación del plan antes presentado pero ahora utilizando la
serie de precios medios, obteniéndose un VAN de $7.834 millones de pesos ficticios.

Año
año 1 18 2,051 129 2,180 191 615 806 1,356

año 2 141 2,096 256 2,352 117 684 800 1,411
año 3 33 2,091 281 2,372 91 692 783 1,557
año 4 7 1,882 213 2,095 80 635 715 1,374
año 5 19 1,662 158 1,820 72 580 652 1,149
año 6 31 1,412 155 1,567 63 551 614 922
año 7 8 1,195 84 1,279 55 522 576 695
año 8 2 910 93 1,004 46 370 416 585
año 9 0 907 110 1,017 37 356 393 624
año 10 0 846 151 998 31 327 358 640
año 11 0 439 37 476 30 215 245 231
año 12 0 338 28 367 20 169 189 177
año 13 17 308 36 345 3 162 165 163
año 14 2 290 33 323 3 160 163 158
año 15 0 259 29 288 1 163 164 124
años 16-20 94 1,511 115 1,626 3 1,133 1,136 396
años 21-30 0 634
0 37
0 671
0 1
0 429
0 429
0 242
Totales 0 372 18,832 1,946 20,778 842 7,761 8,603 011,803
VAN 234 11,799 1,237 13,036 610 4,358 4,967 7,834
Tabla 4. Evaluación plan precios bajos utilizando serie de precios medios (valores en millones de pesos
ficticios).
serie de precios altos, obteniéndose un VAN de $9.676 millones de pesos ficticios.

Año
año 1 18 2,436 129 2,564 191 615 806 1,740

año 2 141 2,502 256 2,758 117 684 800 1,817
año 3 33 2,512 281 2,793 91 692 783 1,977
año 4 7 2,238 213 2,451 80 635 715 1,730
año 5 19 1,890 158 2,048 72 580 652 1,377
año 6 31 1,544 155 1,699 63 551 614 1,054
año 7 8 1,307 84 1,392 55 522 576 808
año 8 2 1,000 93 1,094 46 370 416 676
año 9 0 998 110 1,107 37 356 393 714
año 10 0 933 151 1,085 31 327 358 727
año 11 0 484 37 521 30 215 245 276
año 12 0 373 28 402 20 169 189 212
año 13 17 340 36 376 3 162 165 195
año 14 2 320 33 353 3 160 163 188
año 15 0 286 29 314 1 163 164 151
años 16-20 94 1,668 115 1,782 3 1,133 1,136 553
años 21-30 0 700
0 37
0 737
0 1
0 429
0 429
0 308
0
Totales 0 372 21,530 1,946 23,476 842 7,761 8,603 014,501
VAN 234 13,640 1,237 14,877 610 4,358 4,967 9,676
Tabla 5. Evaluación plan precios bajos utilizando serie de precios altos (valores en millones de pesos
ficticios).
3.2.2. Escenario 2: Serie de Precios Medios
Este escenario queda definido por los siguientes 3 conjuntos de características:

Serie precios media 136 139 142 127 120 116

Ø Fase 838
Ø Fase 841
Ø Fase 842
Ø Fase 844
Ø Fase 846
Ø Fase 849
Ø Fase 850
Ø Fase 855
a) Óxidos:
Ø Fase 809
Ø Fase 815
Ø Fase 816
Ø Fase 817
Ø Fase 818
Ø Fase 820
Ø Fase 821
Ø Fase 822
Ø Fase 823
Ø Fase 824
Ø Fase 825
b) Sulfuros:
Ø Fase 831
Ø Fase 832
Ø Fase 833
Ø Fase 834
Ø Fase 835
Ø Fase 836
Ø Fase 837
Ø Fase 838
Resultados obtenidos para el escenario de precios medios

Año
año 1 24 2,055 121 2,175 191 634 824 1,327

año 2 132 2,119 281 2,401 117 680 796 1,473
año 3 29 2,094 258 2,352 91 687 778 1,546
año 4 5 1,884 201 2,085 80 627 707 1,374
año 5 50 1,684 159 1,842 72 600 672 1,120
año 6 73 1,394 155 1,549 63 600 663 812
año 7 5 1,198 83 1,282 55 570 624 653
año 8 2 917 92 1,010 46 428 475 533
año 9 0 930 111 1,041 39 442 481 560
año 10 0 805 134 939 32 381 413 526
año 11 0 603 62 665 30 338 369 296
año 12 1 475 49 524 28 288 316 206
año 13 35 540 67 607 28 323 351 221
año 14 7 662 83 745 28 349 377 361
año 15 3 764 137 901 1 334 334 564
años 16-20 58 1,604 140 1,744 4 1,167 1,170 516
años 21-30 129 2,909 253 3,163 1 2,562 2,562 472
años 31-40 2 109
0 7
0 116
0 0
0 76
0 76
0 38
Totales 0 554 22,748 2,394 25,142 905 11,085 11,990 012,598
VAN 287 12,575 1,325 13,900 633 5,034 5,667 7,946
VAN corregido* 7,898
Tabla 6. Flujo de caja escenario de precios medios (valores en millones de pesos ficticios)1.
Para el escenario construido para la serie de precios medios se obtuvo un van de $7.898
millones de pesos ficticios. La tabla anterior muestra la composición del van en valores
1
Por incluir la fase 855 de Chuquicamata se realiza una inversión cuyo valor actualizado corresponde a $ 47.6
millones de pesos ficticios.
CHU RT TOTAL
año 1 44,981 124 1.16 22,433 62 1.53 67,414 186 1.28
año 2 44,981 124 1.27 22,433 62 1.37 67,414 186 1.30
año 3 44,981 124 1.22 22,433 62 1.21 67,414 186 1.21
año 4 44,981 124 1.26 22,433 62 1.34 67,414 186 1.29
año 5 44,981 124 1.16 22,433 62 1.28 67,414 186 1.20
año 6 44,981 124 1.18 22,433 62 0.95 67,414 186 1.11
año 7 44,981 124 0.98 22,433 62 1.10 67,414 186 1.02
año 8 44,981 124 1.11 22,433 62 1.03 67,414 186 1.09
año 9 30,025 83 1.34 37,389 103 1.06 67,414 186 1.18
año 10 30,025 83 1.27 37,389 103 1.04 67,414 186 1.15
año 11 30,025 83 0.75 37,389 103 1.00 67,414 186 0.89
año 12 15,779 43 0.85 37,389 103 0.91 53,168 146 0.89
año 13 24,106 66 0.87 37,389 103 0.87 61,495 169 0.87
año 14 30,025 83 1.14 37,389 103 0.80 67,414 186 0.95
año 15 27,915 77 1.65 37,389 103 0.69 65,304 180 1.10
años 16-20 4,418 2 1.61 186,945 103 0.84 191,363 105 0.86
años 21-30 373,890 103 0.80 373,890 103 0.80
años 31-40 0 18,450 5 0.61
0 18,450 5 0.61
0
TOTAL 552,165 1,511 1.16 1,020,476 1,426 0.91 1,572,641 2,938 1.00
Tabla 7. Aportes de mineral a la Concentradora, escenario de precios medios (NOTA: por confidencialidad de
La tabla anterior muestra el envío de minerales desde los dos rajos participantes hacia la
Concentradora. Se aprecia que el rajo de Chuquicamata aporta minerales hasta el
quinquenio año 16-año 20, extendiendo su vida con respecto al escenario anterior producto
de la incorporación de la fase 855. Pese a la incorporación de esta nueva fase de
Chuquicamata, los aportes de RT aumentaron desde un 62% a un 65% del mineral enviado
a planta considerando todo el horizonte de planificación, producto de la incorporación de
las fases 837 y 838.
En la siguiente página se muestra el ritmo de extracción de las fases participantes en el

escenario, así como el movimiento de mineral desde los stocks a plantas.
Para este segundo escenario se repetirá lo que señala la metodología de Planificación

Robusta. En este caso, se procederá a evaluar este escenario con los precios bajo y alto.
serie de precios bajos, obteniéndose un VAN de $5.973 millones de pesos ficticios.

Año
año 1 24 1,670 121 1,791 191 634 824 942

año 2 132 1,708 281 1,990 117 680 796 1,062
año 3 29 1,673 258 1,931 91 687 778 1,125
año 4 5 1,527 201 1,728 80 627 707 1,017
año 5 50 1,453 159 1,611 72 600 672 889
año 6 73 1,263 155 1,419 63 600 663 682
año 7 5 1,086 83 1,169 55 570 624 540
año 8 2 827 92 919 46 428 475 442
año 9 0 837 111 948 39 442 481 467
año 10 0 723 134 857 32 381 413 443
año 11 0 541 62 603 30 338 369 234
año 12 1 426 49 475 28 288 316 158
año 13 35 484 67 552 28 323 351 165
año 14 7 594 83 677 28 349 377 293
año 15 3 686 137 823 1 334 334 486
años 16-20 58 1,439 140 1,579 4 1,167 1,170 350
años 21-30 129 2,609 253 2,862 1 2,562 2,562 171
años 31-40 2 97
0 7
0 105
0 0
0 76
0 76
0 26
Totales 0 554 19,643 2,394 22,037 905 11,085 11,990 0 9,493
VAN 287 10,650 1,325 11,975 633 5,034 5,667 6,021
Tabla 4. Evaluación plan precios medios utilizando serie de precios bajos (valores en millones de pesos
ficticios).2
serie de precios altos, obteniéndose un VAN de $9.822 millones de pesos ficticios.
2

Año
año 1 24 2,440 121 2,560 191 634 824 1,712

año 2 132 2,531 281 2,812 117 680 796 1,884
año 3 29 2,515 258 2,773 91 687 778 1,967
año 4 5 2,241 201 2,442 80 627 707 1,731
año 5 50 1,914 159 2,073 72 600 672 1,350
año 6 73 1,524 155 1,680 63 600 663 943
año 7 5 1,311 83 1,395 55 570 624 766
año 8 2 1,008 92 1,101 46 428 475 624
año 9 0 1,023 111 1,134 39 442 481 653
año 10 0 888 134 1,022 32 381 413 608
año 11 0 665 62 727 30 338 369 358
año 12 1 524 49 573 28 288 316 255
año 13 35 595 67 663 28 323 351 276
año 14 7 730 83 813 28 349 377 429
año 15 3 842 137 980 1 334 334 643
años 16-20 58 1,770 140 1,910 4 1,167 1,170 682
años 21-30 129 3,210 253 3,463 1 2,562 2,562 772
años 31-40 2 120
0 7
0 127
0 0
0 76
0 76
0 49
Totales 0 554 25,852 2,394 28,246 905 11,085 11,990 015,702
VAN 287 14,499 1,325 15,824 633 5,034 5,667 9,870

Tabla 9. Evaluación plan precios medios utilizando serie de precios altos (valores en millones de pesos
ficticios).3
3
3.2.3. Escenario 3: Serie de Precios Altos
Este escenario queda definido por los siguientes tres conjuntos de características:
Serie precios superior 160 163 168 149 134 125

Ø Fase 838
Ø Fase 841
Ø Fase 842
Ø Fase 844
Ø Fase 846
Ø Fase 849
Ø Fase 850
Ø Fase 855
a) Óxidos:
Ø Fase 809
Ø Fase 815
Ø Fase 816
Ø Fase 817
Ø Fase 818
Ø Fase 820
Ø Fase 821
Ø Fase 822
Ø Fase 823
Ø Fase 824
Ø Fase 825
b) Sulfuros:
Ø Fase 831
Ø Fase 832
Ø Fase 833
Ø Fase 834
Ø Fase 835
Ø Fase 836
Ø Fase 837
Ø Fase 838
Ø Fase 841
Resultados obtenidos para el escenario de precios altos

Año
año 1 22 2,443 123 2,566 191 627 818 1,726

año 2 125 2,528 289 2,817 117 676 792 1,899
año 3 44 2,525 245 2,769 91 692 782 1,943
año 4 2 2,245 199 2,444 80 629 709 1,732
año 5 60 1,860 157 2,018 72 603 675 1,283
año 6 71 1,577 155 1,733 63 610 674 988
año 7 5 1,327 87 1,414 55 576 631 779
año 8 2 1,034 96 1,130 46 432 478 650
año 9 0 1,018 111 1,129 39 424 463 666
año 10 0 832 138 970 32 379 411 559
año 11 0 632 49 681 29 336 364 317
año 12 0 571 48 619 28 312 340 278
año 13 31 606 67 673 28 322 350 292
año 14 12 734 85 818 28 353 381 426
año 15 1 843 137 980 1 334 334 645
años 16-20 62 1,779 140 1,919 4 1,173 1,176 680
años 21-30 130 3,333 263 3,596 1 2,646 2,647 819
años 31-40 37 819
0 12
0 831
0 0
0 720
0 720
0 74
Totales 0 603 26,707 2,400 29,107 903 11,842 12745.261 015,759
VAN 297 14,558 1,322 15,881 632 5,082 5714.2824 9,870

4
Tabla 10. Flujo de caja escenario de precios altos (valores en millones de pesos ficticios).
4
Para el escenario construido para la serie de precios altos se obtuvo un van de $9.822
millones de pesos ficticios. La tabla anterior muestra la composición del van en valores
CHU RT TOTAL
año 1 44,981 124 1.17 22,433 62 1.53 67,414 186 1.29
año 2 44,981 124 1.28 22,433 62 1.34 67,414 186 1.30
año 3 44,981 124 1.20 22,433 62 1.27 67,414 186 1.23
año 4 44,981 124 1.26 22,433 62 1.35 67,414 186 1.29
año 5 44,981 124 1.16 22,433 62 1.26 67,414 186 1.19
año 6 44,981 124 1.19 22,433 62 1.01 67,414 186 1.13
año 7 44,981 124 1.02 22,433 62 1.16 67,414 186 1.06
año 8 44,981 124 1.16 22,433 62 1.04 67,414 186 1.12
año 9 30,025 83 1.37 37,389 103 1.02 67,414 186 1.18
año 10 30,025 83 1.17 37,389 103 1.01 67,414 186 1.09
año 11 30,025 83 0.68 37,389 103 0.98 67,414 186 0.85
año 12 22,358 62 0.75 37,389 103 0.93 59,747 165 0.87
año 13 24,106 66 0.87 37,389 103 0.90 61,495 169 0.89
año 14 30,025 83 1.14 37,389 103 0.81 67,414 186 0.96
año 15 27,915 77 1.65 37,389 103 0.69 65,304 180 1.10
años 16-20 4,418 2 1.61 186,945 103 0.85 191,363 105 0.87
años 21-30 394,137 109 0.79 394,137 109 0.79
años 31-40 0 102,510 28 0.75
0 102,510 28 0.75
0
TOTAL 558,745 1,530 1.16 1,124,782 1,455 0.90 1,683,526 2,985 0.98
Tabla 11. Aportes de mineral a la Concentradora, escenario de precios altos (NOTA: por confidencialidad de
La tabla anterior muestra en envío de minerales desde los dos rajos participantes hacia la
Concentradora. Se aprecia que el rajo de Chuquicamata, al igual que el escenario a precios
medios, aporta minerales hasta el quinquenio de los años 16-20. En el presente escenario
los aportes de RT vuelven a aumentar, alcanzando un 67% del mineral enviado a planta
considerando todo el horizonte de planificación, producto que además de la incorporación
de las fases 837 y 838 se anexó la fase 841.
En este tercer escenario, repetiremos también la metodología, reemplazando los precios por
los de los escenarios anteriores.
serie de precios bajos, obteniéndose un VAN de $5.961 millones de pesos ficticios.

Año
año 1 22 1,673 123 1,796 191 627 818 956

año 2 125 1,707 289 1,996 117 676 792 1,078
año 3 44 1,680 245 1,924 91 692 782 1,098
año 4 2 1,530 199 1,728 80 629 709 1,017
año 5 60 1,411 157 1,568 72 603 675 833
año 6 71 1,308 155 1,463 63 610 674 719
año 7 5 1,098 87 1,185 55 576 631 549
año 8 2 848 96 943 46 432 478 463
año 9 0 832 111 944 39 424 463 481
año 10 0 677 138 815 32 379 411 404
año 11 0 514 49 563 29 336 364 199
año 12 0 464 48 512 28 312 340 172
año 13 31 493 67 560 28 322 350 179
año 14 12 597 85 682 28 353 381 289
año 15 1 686 137 823 1 334 334 488
años 16-20 62 1,446 140 1,586 4 1,173 1,176 347
años 21-30 130 2,709 263 2,972 1 2,646 2,647 195
años 31-40 37 666
0 12
0 678
0 0
0 720
0 720
0 -79
Totales 0 603 20,337 2,400 22,737 903 11,842 12745.261 0 9,389
VAN 297 10,698 1,322 12,020 632 5,082 5714.2824 6,009
Tabla 12. Evaluación plan precios altos utilizando serie de precios bajos (valores en millones de pesos
ficticios).5
serie de precios medios, obteniéndose un VAN de $7.891 millones de pesos ficticios.
5

Año
año 1 22 2,058 123 2,181 191 627 818 1,341

año 2 125 2,117 289 2,406 117 676 792 1,489
año 3 44 2,102 245 2,347 91 692 782 1,521
año 4 2 1,887 199 2,086 80 629 709 1,375
año 5 60 1,636 157 1,793 72 603 675 1,058
año 6 71 1,442 155 1,598 63 610 674 854
año 7 5 1,213 87 1,300 55 576 631 664
año 8 2 941 96 1,036 46 432 478 557
año 9 0 925 111 1,036 39 424 463 573
año 10 0 754 138 892 32 379 411 481
año 11 0 573 49 622 29 336 364 258
año 12 0 518 48 565 28 312 340 225
año 13 31 549 67 617 28 322 350 236
año 14 12 665 85 750 28 353 381 358
año 15 1 764 137 901 1 334 334 566
años 16-20 62 1,613 140 1,752 4 1,173 1,176 514
años 21-30 130 3,021 263 3,284 1 2,646 2,647 507
años 31-40 37 743
0 12
0 755
0 0
0 720
0 720
0 -2
Totales 0 603 23,522 2,400 25,922 903 11,842 12745.261 012,574
VAN 297 12,628 1,322 13,951 632 5,082 5714.2824 7,939

Tabla 13. Evaluación plan precios altos utilizando serie de precios medios (valores en millones de pesos
ficticios).6
6
3.3. Análisis de Resultados
Con los resultados de cada escenario mostrados en el capítulo anterior se construyó una
matriz resumen, en que cada fila corresponde un escenario y las columnas corresponden a
los posibles estados que pueden ocurrir en la realidad (que por definición son tres). Por
ejemplo, la primera fila corresponde al escenario construido pensando en que la serie de
precios que ocurrirá en el horizonte de planificación es la serie de precios bajos, luego este
plan se evalúa utilizando las tres series de precios, que son los tres estados que pueden
llegar a ocurrir en la realidad (los tres con probabilidad 1/3 de ocurrencia).
Precio real
Precio Planificado Bajo Medio Alto
Bajo 5,993 7,834 9,676
Medio 5,973 7,898 9,822
Alto 5,961 7,891 9,822
Tabla 14. Matriz con tasa de descuento 8% (VAN en millones de pesos ficticios).
La Tabla muestra la Matriz con la valoración económica de los 3 escenarios bajo los tres
posibles estados de la realidad, según nuestra simplificación. Se aprecia que los valores de
la diagonal principal (en negrita) son siempre el valor más alto de su columna, lo cual es
lógico pues representa el hecho de que se construye un escenario pensando en una serie de
precios y finalmente ocurre en la realidad esa misma serie.
Precio real
Bajo 0 -64 -146
Medio -20 0 0
Alto -32 -7 0
Tabla 15. Diferencia entre escenarios para una misma serie de precios realizada (VAN en millones de pesos
ficticios).
La tabla anterior muestra para cada columna la diferencia de van de los distintos escenarios
con respecto al máximo valor de la columna. Se observa que la matriz es bastante
asimétrica. Si en la realidad ocurre la serie de precios bajos, las pérdidas por haber
planificado apuntando a la series de precios altos (ver columna 1 de la tabla 18) son de 32
millones de pesos ficticios. Sin embargo, si se planifica pensando que ocurrirá la serie de
precios bajos y en la realidad ocurre la serie de precios altos las pérdidas alcanzan los 146
millones de pesos ficticios (ver columna 3 de la tabla 15). El escenario de precio bajo se
comporta muy mal cuando ocurre cualquiera de las otras dos series de precios. Los
escenarios de precios medios y altos se comportan bastante bien cuando ocurren las otras
dos series de precios, por lo que podríamos decir que son mucho más robustos.
Confirmando lo anterior, la siguiente tabla muestra el valor esperado de cada escenario,

donde se aprecia que el mejor valor lo presenta el escenario de precios medios, seguido
muy de cerca por el escenario de precios altos, relegando al tercer lugar al escenario de
precios bajos.
Escenario Valor Esperado Diferencia

Precio Bajo 7,834 -63
Precio Medio 7,898 0
Precio Alto 7,891 -6
Tabla 16. Valor esperado por escenario (VAN en millones de pesos ficticios).
3.4. Conclusiones
Las pruebas experimentales llevadas a cabo con tres escenarios de precios muestran el
comportamiento de la metodología de planificación robusta. Esta metodología, si bien es
simple y fácil de entender, también es poderosa ya que permite incorporar la incertidumbre
en precios del cobre en la planificación real.
Otro aspecto a destacar de estas pruebas son los tiempos de resolución. Estas pruebas si
bien significaron múltiples corridas y pruebas, en definitiva sólo basta con tres corridas.
Una para cada escenario de precios. Si bien, el número de corridas crece con cada
escenario, si se utiliza un número acotado de escenarios a avaluar, como es en este
ejercicio, los tiempos de resolución son razonables y alineados con las necesidades de los
profesionales de planificación.
Estos resultados permiten comprender de forma clara el impacto que posee la incertidumbre
en precios del cobre en la planificación minera. Sin embargo, es necesario seguir trabajando
en pruebas con esta metodología para detectar potenciales mejoras tanto en la metodología
como en su aplicación.
Anexo 1. Descripción General del Software de Planificación Minera


en la Figura 4.
Figura 4. Esquema funcionamiento general del Software de Planificación Minera.


lenguaje.



del problema.


“razonables”.

El sistema actualmente está preparado para entregar las soluciones en formato

Excel.
Anexo 2. Análisis de Sensibilidad sobre la Tasa de Descuento
Como una manera de ver el impacto que tiene la utilización de una tasa de descuento del
8% en los resultados del presente ejercicio, en este anexo se muestra los resultados de dos
ejercicios idénticos al anterior, pero solamente variando la tasa de descuento, la cual toma
los valores de 6% y 10%.
a) Evaluación utilizando tasa de descuento de 6%
A continuación se muestra el resultado de hacer el mismo ejercicio presentado en los

capítulos 3 y 4, pero utilizando una tasa de descuento de 6%.
Precio real
Precio Planificado Bajo Medio Alto Valor Esperado Diferencia
Bajo 6,612 8,678 10,743 8,678 -44
Medio 6,611 8,721 10,832 8,721 0
Alto 6,596 8,718 10,841 8,718 -3
Precio real
Bajo 0 -44 -98
Medio -1 0 -8
Alto -16 -3 0
ficticios).
Los valores mostrados en las dos tablas anteriores mantienen la asimetría observada en el
ejercicio base, aunque atenúa las magnitudes de esta asimetría. Las pérdidas por planificar
una serie de precios altos o medios y que en la realidad se de la serie de precios bajos
(columna 1 Tabla ) es similar a la observada en el caso base (1 y 16 millones versus 20 y 32
del caso base). Sin embargo, las pérdidas de planificar precios bajos y que en la realidad
ocurra la serie de precios altos, pese a ser importante, es menor que la observada en el caso
base (98 millones versus 146 millones del caso base).
En cuanto al valor esperado, el escenario de precios medios sigue siendo el de mayor valor,
seguido de cerca por el escenario de precios altos, al igual que lo observado en el ejercicio
base.
b) Evaluación utilizando tasa de descuento de 10%
A continuación se muestra el resultado de hacer el mismo ejercicio presentado en el

informe, pero utilizando una tasa de descuento de 10%.
Precio real
Precio Planificado Bajo Medio Alto Valor Esperado Diferencia
Bajo 5,512 7,225 8,938 7,225 -11
Medio 5,466 7,236 9,007 7,236 0
Alto 5,457 7,232 9,007 7,232 -4
Precio real
Bajo 0 -11 -69
Medio -46 0 0
Alto -55 -4 0
ficticios).
La Tabla muestra que en, cuanto al valor esperado, nuevamente se repite el orden de los
escenarios, con el escenario de precios medios presentando el mayor valor, seguido por el
escenario de precios altos y dejando en tercer lugar al escenario de precios bajos. Sin
embargo, la diferencia entre el valor esperado es en este ejercicio mucho menor al
observado en el caso base y en el ejercicio de tasa de descuento de 6%.
La Tabla nos muestra que, a diferencia del caso base y del ejercicio a tasa 6%, en este caso
las pérdidas por no apuntarle a la serie de precios son mucho más balanceadas, por lo que
los planes resultan ser de manera natural más robustos.
Anexo 3. Series de Precios
Las series de precios utilizadas en el presente estudio fueron elaboradas por la Gerencia
Corporativa de Estudios y Diseño Estratégico de Codelco Norte. Las tres series de precios
fueron construidas utilizando como base la serie correspondiente a las orientaciones
comerciales, la cual fue directamente tomada como serie de precios media por ser por
construcción el valor esperado del precio del cobre para cada año. Luego se elaboraron dos
nuevas series de precios, una superior y otra inferior, de manera que cada serie tuviese una
probabilidad de ocurrencia de 1/3. A continuación se detallan las series de precios
utilizadas (NOTA: por confidencialidad de la información, para el presente informe se usa
una moneda ficticia a la cual llamaremos $f):

Serie precios superior 160 163 168 149 134 125
Serie precios media 136 139 142 127 120 116
Serie precios inferior 113 114 116 106 105 106
Tabla 21. Series de precios del Cobre (c$f).
Series de precios del cobre

180
160
Precio del Cobre (c$f)
140
120
100 Serie precios superior
80 Serie precios media
60
Serie precios inferior
40
20
0
Figura 5. Series de precios del cobre utilizadas en el presente ejercicio.


Informe de Avance: Pruebas Piloto del Software de

Planificación
31 de Julio de 2010
PROYECTO D07I1130 PRUEBAS PILOTO DEL SOFTWARE DE PLANIFICACIÓN
1. Introducción ........................................................................................................................ 3
2. Resultados Pruebas Piloto .................................................................................................. 5
2.1. Antecedentes ............................................................................................................................ 7
2.1.1. Metodología de evaluación de planes .............................................................................. 7
2.1.2. Características comunes de los escenarios ...................................................................... 8
2.1.3. Series de precios para el Cobre ..................................................................................... 12
2.1.4. Elaboración de escenarios ............................................................................................. 13
2.2. Escenario seleccionado para Serie de Precios Bajos.............................................................. 14
2.2.1. Planta Concentradora RT de 63 ktpd ............................................................................. 14
2.3. Escenario seleccionado para Serie de Precios Medios. .......................................................... 19
2.4. Escenario seleccionado para Serie de Precios Altos. ............................................................. 24
3. Análisis de resultados ....................................................................................................... 29
3.1. Planta Concentradora RT con capacidad 63 ktpd .................................................................. 29
3.2. Planta Concentradora RT con capacidad 95 ktpd ................................................................. 31
3.3. Conclusiones .......................................................................................................................... 33
Anexo. Descripción General del Software de Planificación Minera .................................... 35
2
1. Introducción
En el marco del proyecto “METODOLOGÍAS PARA EVALUAR PLANES MINEROS

DE COBRE DE LARGO PLAZO CON INCERTIDUMBRE EN PRECIOS Y LEYES DE
MINERAL”, y continuando con las pruebas al software de planificación, en el presente
informe se describirá en términos generales los resultados de las pruebas piloto obtenidas
en la división Codelco Norte.
Las pruebas piloto se enfocarán en las funcionalidades del Software de Planificación

Minera que debe incluir en un primer lugar incertidumbre en los precios del mineral.
Puesto que el área que ha mostrado ser de mayor utilidad corresponde al Desarrollo de una
Metodología de Inclusión de Riesgo, las pruebas pilotos han estado enfocadas en ese
ámbito.
El ejercicio de pruebas piloto realizado corresponde a un ejercicio que busca determinar el

pit final del rajo RT utilizando la nueva metodología, Planificación Estocástica Inflexible
(PEI), que incorporar el riesgo en el precio del cobre en la confección y evaluación de
planes mineros de largo plazo en la División Codelco Norte.
La nueva metodología PEI sustituye a una única serie de precios por un vector aleatorio de
precios, que para el ejercicio actual está compuesto de tres series de precios: una serie de
precios medios, que es la serie que normalmente viene en las orientaciones comerciales,
más una serie de precios altos (una banda superior) y una serie de precios bajos (banda
inferior). Cada serie del vector de precios tiene una probabilidad de ocurrencia asociada,
que para el presente ejercicio es de 1/3 para cada serie. Dicho de manera simplificada, se
asume que en la realidad el precio del cobre sólo puede seguir tres caminos, o que con
respecto al precio del cobre el mundo puede tomar sólo tres estados posibles.
Usando el sistema MUCH se construye el mejor plan minero para cada una de las series de
precios, es decir, se construyen 3 planes mineros distintos, cada uno apuntando a que en la
3
realidad ocurra una de las series de precios. ¿Pero qué pasa si se planifica apostando a que
ocurre una serie de precios pero en la realidad se da alguna de las otras dos series?
En el capítulo 2 se muestran los resultados obtenidos en las pruebas pilotos: se explica la

metodología de evaluación de planes considerando riesgo en el precio del cobre, se
describen los escenarios evaluados, y se muestran los principales resultados de los planes
obtenidos para las tres series de precios. El capítulo 3 está destinado a un análisis de los
resultados obtenidos, donde se muestran las matrices obtenidas (matrices que resumen los
resultados para las tres series de precios). Finalmente se incluye un anexo con una
descripción de la herramienta empleada para la evaluación de planes mineros de largo
plazo, el sistema MUCH.
4
2. Resultados Pruebas Piloto
A continuación se presenta los resultados obtenidos para una serie de pruebas utilizando el
software de planificación minera, denominado Sistema MUCH.
Las pruebas fueron realizadas en base a la situación de la División Codelco Norte y busca
estudiar la posible presencia de asimetrías en el VAN divisional frente a variaciones en los
precios del cobre. Estas pruebas significaron numerosas corridas realizadas con el software
de planificación MUCH.
La metodología tradicional de elaboración y evaluación de planes mineros toma como uno

de sus inputs una única serie de precios, la cual se asume como determinística, y
corresponde al valor esperado del precio del cobre para cada periodo del horizonte de
evaluación.
La nueva metodología que será sometida a pruebas experimentales sustituye esta única
serie de precios por un vector aleatorio de precios, que para el ejercicio actual está
compuesto de tres series de precios: una serie de precios medios, que es la serie que
normalmente viene en las orientaciones comerciales, más una serie de precios altos (una
banda superior) y una serie de precios bajos (banda inferior). Cada serie del vector de
precios tiene una probabilidad de ocurrencia asociada, que para el presente ejercicio es de
1/3 para cada serie. Es decir, de manera simplificada se asume que en la realidad el precio
del cobre sólo puede seguir tres caminos, o que con respecto al precio del cobre el mundo
puede tomar sólo tres estados posibles.
Usando el software de planificación se construye el mejor plan minero para cada una de las
series de precios, es decir, se construyen 3 planes mineros distintos, cada uno apuntando a
que en la realidad ocurra una de las series de precios. ¿Pero qué pasa si se planifica
apostando a que ocurre una serie de precios pero en la realidad se da alguna de las otras dos
series?
5
Nota: por confidencialidad de la información, se han modificado los valores económicos,

las toneladas y las leyes, multiplicando los valores reales por alguna constante. Las
unidades resultantes fueron llamadas dólares ficticios ($F), toneladas ficticias (TonF) y
leyes ficticias (LeyF).
6
2.1. Antecedentes
En el presente capítulo se describe el ejercicio realizado entre los meses de mayo y julio
2010 destinado a determinar el pit final del rajo de RT, pero incorporando el riesgo en el
precio del cobre en la confección y evaluación de los planes mineros de largo plazo.
Mediante la utilización de esta metodología se busca estudiar la posible presencia de
asimetrías en el VAN frente a variaciones en los precios y escoger el plan minero más
robusto. Este ejercicio conllevó numerosas corridas realizadas en el sistema de
planificación MUCH.
2.1.1. Metodología de evaluación de planes
La metodología utilizada incorpora la incertidumbre inherente al precio del cobre en la

evaluación de planes mineros de una manera sencilla, práctica y compatible con la
planificación normalmente realizada en la División Codelco Norte, en particular con la
utilización de la herramienta MUCH.
Se toma el precio del cobre como aleatorio. Concretamente, en vez de trabajar con sólo una
serie de precios tomada como determinística, se utilizan 3 series de precios o vectores
probabilísticos, una serie de precios media, correspondiente a la serie que normalmente se
entrega en las orientaciones comerciales, más dos nuevas series, una serie superior y una
inferior. Cada una de las series de precios tiene asociada una probabilidad de ocurrencia, y
para el presente ejercicio estas series fueron construidas de manera de tener 1/3 de chances
de ocurrencia cada una. Para un mayor detalle sobre las series de precios utilizadas ver
sección 2.1.3.
Para cada una de las tres series de precios se construye un escenario determinístico
asociado y luego se busca el mejor plan utilizando el sistema MUCH. Posteriormente, el
plan minero entregado por MUCH para cada uno de los tres escenarios es evaluado
utilizando cada una de las otras dos series de precios (es decir, asumiendo que se planificó
7
apuntando a una serie de precios, pero considerando que en la realidad se dio otra serie de
precios), construyéndose así una matriz de 3x3 con los VAN obtenidos (si bien son 9 VAN,
son sólo 3 los planes mineros en evaluación).
Tabla 2.1: Matriz de VAN asociada a las tres series de precios.

A continuación se toma para cada plan minero, o fila de la matriz anterior, el VAN
esperado, y se selecciona el plan con mayor VAN esperado.
El hecho de reemplazar la maximización del VAN determinístico por la maximización del

VAN esperado permite escoger el plan más robusto, en el sentido de que permite sortear de
mejor manera el riesgo que presenta la incertidumbre en el precio.
2.1.2. Características comunes de los escenarios
En la presente sección se describen las características más relevantes comunes a todos los
escenarios analizados.
Yacimientos:
El único yacimiento participante corresponde al rajo RT. Sin embargo, la cantidad de fases
que participan en cada escenario varía junto con la serie de precios utilizada para realizar la
8
planificación. El rajo Chuquicamata participa de manera implícita, ya que se reserva

capacidad de la planta concentradora de Chuquicamata para procesar su mineral.
Recurso Minero:
Los archivos TMX para el rajo RT corresponden a los confeccionados para el PND 2011,
del 20 de mayo de 2010.
Plantas:
Existe una planta Concentradora en Chuquicamata, la cual es alimentada desde los dos
rajos, cuya capacidad máxima es 115 ktpd/s (toneladas ficticias, TonF) durante todo el
horizonte de planificación.
Puesto que el rajo de Chuquicamata no participa en este ejercicio, a los 115 ktpd (TonF) de
capacidad se le descuenta un vector con la capacidad utilizada por el rajo de Chiquicamata,
donde el saldo queda disponible para los minerales del rajo de RT.
De manera adicional, se considera una segunda planta concentradora ubicada en las
cercanías del rajo RT. Puesto que se desea definir su capacidad, se consideran dos posibles
tamaños: 63 y 95 ktpd (TonF). Esta planta es alimentada exclusivamente con sulfuros
extraídos desde el rajo RT.
OOCC:
Las orientaciones comerciales corresponden a los ANTECEDENTES ECONOMICOS Y
COMERCIALES PARA PLANIFICACION 2011, emitidos en Abril de 2010 por la
Gerencia Corporativa de Estudios y Diseño Estratégico y Vicepresidencia Corporativa de
Comercialización.
Aportes de RT a concentradora Chuquicamata:

La capacidad para tratamiento de sulfuros de RT en la Concentradora de Chuquicamata
queda determinada por la capacidad de la planta, 115 ktpd/secas (TonF), menos la
capacidad que se estima será utilizada para tratar minerales provenientes del mismo rajo
9
Chuquicamata. Como resultado de lo anterior, el vector de capacidad de tratamiento de

sulfuros de RT en dicha planta resulta:
Tabla 2.2: Vector de capacidad de planta Chuquicamata para minerales de RT.
Concentra dora Chuqui ca ma ta

Año Ktpd hum *
2011 29,118
2012 38,613
2013 38,613
2014 38,613
2015 38,613
2016 38,613
2017 38,613
2018 35,450
2019 51,562
2020 43,625
2021 35,642
2022 22,345
En a del a nte 51,562
* Nota: Por motivos de confidencialidad de la información se utiliza como unidad toneladas

ficticias, TonF (Toneladas reales multiplicadas por una constante).
Separación de costos:
Para separar los costos en fijos y variables se utilizó la metodología vigente para el sistema
MUCH, en la cual la fracción de costos fijos del primer año se va disminuyendo
gradualmente para los periodos futuros.
10
Esquema de Procesos:
A continuación se presenta el esquema de procesos base utilizado en las corridas MUCH
del ejercicio de determinación de pit final del rajo RT.
Concentradora
Molienda RT RT
RADOMIRO TOMIC
Chanc RT
Chanc Óxidos Pila RT
BOT ST
Sulfuros
de RT Sulf RT
Dump SX-EW
CHUQUICAMATA
Chanc E4
Molienda CHQ
Concentradora
Chuquicamata
Figura 2.1: Esquema de Procesos División Codelco Norte, para corridas MUCH para determinación del pit
final rajo RT.
Como muestra el esquema, existen tres plantas: Concentradora de Chuquicamata,

Concentradora de RT e Hidro Norte. El rajo de Chuquicamata no es parte de la
optimización, sin embargo sus minerales utilizan una capacidad fija de la Concentradora de
Chuquicamata. Los minerales de RT tienen tres destinos, los sulfuros aportan mineral a la
Concentradora de Chuquicamata y a la Concentradora propia de RT, y sus óxidos alimentan
la planta Hidro Norte.
11
2.1.3. Series de precios para el Cobre
Las series de precios utilizadas en el presente estudio fueron elaboradas por la Gerencia
Corporativa de Estudios y Diseño Estratégico, entregadas a través de los Antecedentes
Económicos Y Comerciales Para La Planificación 2011, emitidos en Abril de 2010. A
diferencia de ocasiones anteriores, para el precio del cobre se han definido tres niveles de
valores, representativos de tres bandas (o intervalos), cada una de las cuales tiene una
probabilidad de un tercio. A continuación se detallan las series de precios utilizadas
(NOTA: por confidencialidad de la información, para el presente informe se usa una
moneda ficticia, dólares reales multiplicados por alguna constante, moneda a la cual
llamaremos dólares ficticios, o $F):
Tabla 2.3: Series de precios del Cobre (c$F)

2011 2012 2013 2014 2015 2016 Largo Plazo
Serie precios superior 226 227 206 204 182 167 153
Serie precios media 199 196 174 171 155 142 132
Serie precios inferior 173 166 142 137 128 118 110
Gráfico 2.1: Series de precios del cobre utilizadas en el presente ejercicio, valores en c$F.
Series de precios del cobre

240
220
Precio del Cobre (cUS$)
200
180 Serie precios superior

160 Serie precios media
140 Serie precios inferior
120
100
2011 2012 2013 2014 2015 2016 Largo Plazo
12
2.1.4. Elaboración de escenarios
Para cada serie de precios se analiza un conjunto de escenarios y se determina el mejor de

ellos en términos de VAN.
Puesto que sólo participa el rajo de RT en el presente ejercicio, la única variable en la

confección de escenarios para una serie de precios dada fue la última fase del rajo de RT
que participa.
Se debe tener presente que se desea estudiar el diseño de una nueva planta concentradora
exclusiva para los minerales de RT. Para el presente estudio se consideraron dos opciones,
una planta capaz de procesar 63 ktpd (en toneladas ficticias, TonF) y una planta con
capacidad 95 ktpd (en TonF).
Tabla 2.4: Escenarios definidos y posteriormente evaluados con sistema MUCH.

Precio Bajo Precio Medio Precio Alto
Ultima Fase Planta RT Ultima Fase Planta RT Ultima Fase Planta RT
Fase1 63,3 Ktpd Fase1 63,3 Ktpd Fase1 63,3 Ktpd
Fase 2 63,3 Ktpd Fase 2 63,3 Ktpd Fase 2 63,3 Ktpd
Fase6 63,3 Ktpd Fase6 63,3 Ktpd Fase6 63,3 Ktpd
Dado lo anterior, se definieron 42 escenarios que fueron evaluados utilizando el sistema

MUCH, y se escogió el mejor para cada serie de precio y tamaño de planta de RT. Es decir,
se eligieron 6 escenarios.
13
En las siguientes secciones se muestran los resultados obtenidos para estos escenarios
escogidos. IMPORTANTE: El van del proyecto no coincide con su valor real, puesto que
no considera inversiones en infraestructura ni algunos costos fijos como gastos generales de
administración. Sin embargo, la diferencia del VAN entre los diferentes escenarios es
consistente.
2.2. Escenario seleccionado para Serie de Precios Bajos
En esta sección se presentan los escenarios escogidos para la serie de precios bajos, uno
para cada opción de planta concentradora exclusiva de RT, mostrándose además algunos de
resultados del plan minero obtenido en cada caso.
Tabla 2.5: Serie baja de precios del cobre (¢$F).
2011 2012 2013 2014 2015 2016 Largo Plazo

Serie precios inferior 173 166 142 137 128 118 110

2.2.1. Planta Concentradora RT de 63 ktpd
El escenario escogido para la serie de precios bajos con una planta concentradora exclusiva
para los minerales de RT con capacidad de 63 ktpd fue aquel con la fase 4 como fase final
del rajo.
14
Tabla 2.6: Flujo de caja y VAN (millones de dólares ficticios). Escenario precio bajo,
planta RT 63 ktpd, rajo RT hasta fase 4.
Ingres os Ga s tos
Año Invers i ones Fl ujo de ca ja
Vta Cu Vta Mo Total Fi jos Va ri a bl es Total
P2011 6 1.442 15 1.457 88 285 373 1.078
P2012 96 1.094 20 1.114 53 309 362 656
P2013 56 949 18 967 25 372 397 514
P2014 10 970 18 987 21 402 423 555
P2015 15 745 1 747 18 350 368 364
P2016 37 1.081 41 1.122 27 474 501 584
P2017 29 1.027 62 1.089 25 460 485 575
P2018 17 655 61 716 21 376 397 302
P2019 4 657 62 720 19 377 396 320
P2020 0 586 67 653 18 294 311 342
P2021 0 495 62 557 17 263 280 278
P2022 0 429 50 479 17 237 254 226
P2023 67 584 76 659 17 311 327 265
P2024 22 570 95 665 17 318 334 309
P2025 0 467 56 522 1 309 311 211
P2026 265 2.795 343 3.138 5 2.121 2.126 747
P2031 0 2.584 326 2.911 4 1.882 1.886 1.025
P2041 84 1.215 119 1.334 0 940 940 310
Total es 708 18.346 1.492 19.838 390 10.081 10.471 8.660
VAN 294 8.333 452 8.785 262 3.666 3.927 4.563
Tabla 2.7: Minerales de RT a Concentradora de RT. Escenario precio bajo, planta RT 63

ktpd, rajo RT hasta fase 4.
Concentra dora RT
Mi na Stock Tota l
Peri odo KTon KTpd %Cu %Mo KTon KTpd %Cu %Mo KTon KTpd %Cu %Mo
P2011
P2012
P2013
P2014
P2015
P2016 21.515 59 1,04 0,018 2.152 6 0,67 0,011 23.667 65 1,00 0,017
P2017 23.667 65 1,06 0,026 23.667 65 1,06 0,026
P2018 23.667 65 1,21 0,021 23.667 65 1,21 0,021
P2019 23.667 65 1,09 0,023 23.667 65 1,09 0,023
P2020 17.656 49 1,11 0,028 6.011 17 1,16 0,036 23.667 65 1,12 0,030
P2021 23.651 65 0,98 0,026 16 0 0,74 0,011 23.667 65 0,98 0,026
P2022 23.566 65 0,93 0,022 101 0 0,67 0,011 23.667 65 0,93 0,021
P2023 23.667 65 1,02 0,027 23.667 65 1,02 0,027
P2024 21.638 60 1,01 0,037 2.029 6 0,65 0,011 23.667 65 0,98 0,035
P2025 4.796 13 0,98 0,036 18.871 52 0,64 0,011 23.667 65 0,71 0,016
P2026 118.336 65 0,97 0,028 118.336 65 0,97 0,028
P2031 221.833 61 0,73 0,018 3.163 1 0,64 0,010 224.996 62 0,73 0,018
P2041 105.928 29 0,73 0,013 105.928 29 0,73 0,013
653.589 727 0,87 0,021 32.343 81 0,74 0,015 685.932 808 0,87 0,021
15
Tabla 2.8: Minerales de RT a Concentradora de Chuquicamata. Escenario precio bajo,

Mi na Stock Tota l
P2011 10.022 28 1,12 0,019 548 2 0,85 10.570 29 1,10 0,018
P2012 11.905 33 1,15 0,020 2.111 6 0,88 14.017 39 1,11 0,017
P2013 14.017 39 1,16 0,024 14.017 39 1,16 0,024
P2014 14.017 39 0,99 0,028 14.017 39 0,99 0,028
P2015 8.424 23 1,23 0,015 5.593 15 0,85 14.017 39 1,08 0,009
P2016 11.333 31 0,94 0,014 2.683 7 0,73 0,004 14.017 39 0,90 0,012
P2017 13.935 38 0,79 0,014 82 0 0,67 0,002 14.017 39 0,79 0,014
P2018 12.868 35 0,90 0,020 12.868 35 0,90 0,020
P2019 18.717 52 0,66 0,015 18.717 52 0,66 0,015
P2020 10.498 29 0,71 0,015 5.338 15 0,74 0,020 15.836 44 0,72 0,016
P2021 6.761 19 0,67 0,023 6.177 17 0,71 0,014 12.938 36 0,69 0,019
P2022 2.778 8 0,69 0,023 5.333 15 0,68 0,015 8.111 22 0,68 0,018
P2023 18.717 52 0,74 0,021 18.717 52 0,74 0,021
P2024 18.717 52 0,74 0,026 18.717 52 0,74 0,026
P2025 17.545 48 0,79 0,023 17.545 48 0,79 0,023
P2026 93.584 52 0,72 0,018 93.584 52 0,72 0,018
283.837 576 0,82 0,020 27.865 77 0,76 0,010 311.703 652 0,82 0,019
16
El escenario escogido para la serie de precios bajos con una planta concentradora exclusiva
del rajo.
Tabla 2.9: Flujo de caja y VAN (millones de dólares ficticios). Escenario precio bajo,
Ingres os Ga s tos
Vta Cu Vta Mo Tota l Fi jos Va ri a bl es Tota l
P2011 6 1.442 15 1.457 88 285 373 1.078
P2012 96 1.100 20 1.120 53 309 362 661
P2013 57 943 17 960 25 370 394 509
P2014 11 926 18 944 21 399 420 513
P2015 57 735 1 737 18 361 379 301
P2016 33 1.258 58 1.316 31 534 565 718
P2017 30 1.239 77 1.316 29 543 571 714
P2018 6 826 83 908 25 436 461 442
P2019 6 803 95 898 23 436 459 432
P2020 11 708 88 796 22 391 413 371
P2021 7 673 90 763 21 379 399 357
P2022 94 599 105 704 21 369 389 221
P2023 9 678 68 746 21 398 419 318
P2024 0 752 123 875 21 391 411 464
P2025 0 508 91 599 1 281 283 317
P2026 23 1.690 197 1.888 5 1.121 1.126 739
P2031 241 3.753 456 4.209 4 2.880 2.883 1.085
Tota l es 685 18.634 1.602 20.235 427 9.881 10.309 9.241
VAN 301 8.827 536 9.363 279 3.853 4.132 4.929
17
Tabla 2.10: Minerales de RT a Concentradora de RT. Escenario precio bajo, planta RT 95

Conce ntra dora RT

Mi na Stock Tota l
Pe ri odo KTon KTpd %Cu %Mo KTon KTpd %Cu %Mo KTon KTpd %Cu %Mo
P2011
P2012
P2013
P2014
P2015
P2016 28.059 77 0,99 0,018 7.474 21 0,65 0,011 35.533 98 0,91 0,016
P2017 35.533 98 1,01 0,022 35.533 98 1,01 0,022
P2018 35.533 98 1,15 0,022 35.533 98 1,15 0,022
P2019 35.502 98 0,99 0,027 31 0 0,74 0,011 35.533 98 0,99 0,027
P2020 35.533 98 0,98 0,026 35.533 98 0,98 0,026
P2021 35.533 98 0,97 0,025 35.533 98 0,97 0,025
P2022 35.533 98 0,92 0,033 35.533 98 0,92 0,033
P2023 31.198 86 0,87 0,019 4.334 12 0,66 0,011 35.533 98 0,85 0,018
P2024 35.533 98 1,03 0,034 35.533 98 1,03 0,034
P2025 35.533 98 0,84 0,031 35.533 98 0,84 0,031
P2026 131.439 72 0,73 0,018 17.396 10 0,64 0,013 148.836 82 0,72 0,017
P2031 318.832 88 0,75 0,016 318.832 88 0,75 0,016
793.760 1.107 0,84 0,021 29.236 42 0,65 0,012 822.996 1.149 0,84 0,020
Tabla 2.11: Minerales de RT a Concentradora de Chuquicamata. Escenario precio bajo,

Mi na Stock Tota l
P2011 10.022 28 1,12 0,019 548 2 0,85 10.570 29 1,10 0,018
P2012 11.905 33 1,16 0,021 2.111 6 0,88 14.017 39 1,12 0,017
P2013 12.967 36 1,20 0,024 1.050 3 0,85 14.017 39 1,18 0,022
P2014 14.017 39 0,99 0,028 14.017 39 0,99 0,028
P2015 8.789 24 1,20 0,014 5.228 14 0,85 14.017 39 1,07 0,009
P2016 9.376 26 1,08 0,015 4.641 13 0,71 0,006 14.017 39 0,96 0,012
P2017 13.935 38 0,79 0,012 82 0 0,67 0,002 14.017 39 0,79 0,012
P2018 12.868 35 0,80 0,016 12.868 35 0,80 0,016
P2019 18.717 52 0,66 0,015 18.717 52 0,66 0,015
P2020 15.836 44 0,68 0,018 15.836 44 0,68 0,018
P2021 12.938 36 0,70 0,021 12.938 36 0,70 0,021
P2022 8.111 22 0,67 0,023 8.111 22 0,67 0,023
P2023 12.501 34 0,78 0,021 6.216 17 0,64 0,011 18.717 52 0,73 0,018
P2024 18.717 52 0,65 0,024 18.717 52 0,65 0,024
P2025 3.404 9 0,68 0,022 3.404 9 0,68 0,022
184.102 507 0,86 0,020 19.875 55 0,76 0,005 203.977 562 0,85 0,018
18
2.3. Escenario seleccionado para Serie de Precios Medios.
En esta sección se presentan los escenarios escogidos para la serie de precios medios, uno
Tabla 2.12: Serie media de precios del cobre (¢$F).
2011 2012 2013 2014 2015 2016 Largo Plazo

Serie precios media 199 196 174 171 155 142 132

El escenario escogido para la serie de precios medios con una planta concentradora
exclusiva para los minerales de RT con capacidad de 63 ktpd fue aquel con la fase 6 como
fase final del rajo.
19
Tabla 2.13: Flujo de caja y VAN (millones de dólares ficticios). Escenario precio medio,
Ingres os Ga s tos
P2011 6 1.672 14 1.686 90 290 380 1.301
P2012 96 1.318 22 1.340 55 315 370 874
P2013 57 1.164 16 1.180 25 375 400 723
P2014 8 1.266 16 1.282 21 410 432 842
P2015 30 964 0 965 19 363 381 553
P2016 30 1.327 37 1.364 28 476 503 831
P2017 20 1.286 61 1.346 25 474 499 827
P2018 23 821 58 879 21 387 408 448
P2019 4 827 56 883 20 384 403 476
P2020 0 719 75 794 18 298 316 478
P2021 0 629 58 687 17 278 295 392
P2022 0 542 46 588 17 252 269 319
P2023 105 731 90 821 17 341 358 358
P2024 1 707 91 798 17 339 356 441
P2025 0 577 49 626 1 325 326 300
P2026 230 3.517 354 3.871 5 2.111 2.116 1.525
P2031 12 3.506 315 3.821 4 2.054 2.058 1.751
P2041 193 3.065 200 3.266 0 2.158 2.158 915
Tota l es 814 24.638 1.558 26.196 398 11.629 12.027 13.355
VAN 302 10.386 448 10.835 267 3.819 4.086 6.446
Tabla 2.14: Minerales de RT a Concentradora de RT. Escenario precio medio, planta RT 63

Concentra dora RT
Mi na Stock Tota l
P2011
P2012
P2013
P2014
P2015
P2016 23.667 65 1,13 0,019 23.667 65 1,13 0,019
P2017 23.667 65 1,13 0,027 23.667 65 1,13 0,027
P2018 23.667 65 1,24 0,019 23.667 65 1,24 0,019
P2019 23.667 65 1,11 0,022 23.667 65 1,11 0,022
P2020 23.667 65 1,11 0,032 23.667 65 1,11 0,032
P2021 19.145 53 1,00 0,025 4.523 12 1,06 0,030 23.667 65 1,01 0,026
P2022 23.420 65 0,95 0,021 247 1 0,67 0,009 23.667 65 0,94 0,021
P2023 23.667 65 1,02 0,033 23.667 65 1,02 0,033
P2024 23.667 65 1,00 0,036 23.667 65 1,00 0,036
P2025 2.155 6 1,07 0,045 21.512 59 0,64 0,010 23.667 65 0,68 0,013
P2026 118.336 65 0,99 0,029 118.336 65 0,99 0,029
P2031 232.188 64 0,73 0,016 4.484 1 0,63 0,010 236.672 65 0,73 0,015
P2041 236.672 65 0,66 0,008 236.672 65 0,66 0,008
797.587 774 0,84 0,018 30.766 74 0,70 0,013 828.353 848 0,83 0,018
20
Tabla 2.15: Minerales de RT a Concentradora de Chuquicamata. Escenario precio medio,

Mi na Stock Total
P2011 10.022 28 1,12 0,019 548 2 0,85 10.570 29 1,10 0,018
P2012 12.071 33 1,20 0,022 1.945 5 0,88 14.017 39 1,15 0,019
P2013 13.755 38 1,18 0,023 262 1 0,85 14.017 39 1,18 0,023
P2014 12.512 34 1,03 0,029 1.504 4 0,85 14.017 39 1,01 0,026
P2015 9.811 27 1,23 0,015 4.206 12 0,85 14.017 39 1,12 0,010
P2016 8.734 24 0,67 0,012 5.282 15 0,71 0,005 14.017 39 0,69 0,010
P2017 13.935 38 0,67 0,014 82 0 0,67 0,002 14.017 39 0,67 0,014
P2018 12.868 35 0,86 0,021 12.868 35 0,86 0,021
P2019 18.717 52 0,66 0,014 18.717 52 0,66 0,014
P2020 13.080 36 0,70 0,019 2.756 8 0,66 0,015 15.836 44 0,69 0,018
P2021 8.765 24 0,67 0,018 4.173 11 0,67 0,013 12.938 36 0,67 0,017
P2022 8.111 22 0,69 0,019 8.111 22 0,69 0,019
P2023 17.296 48 0,75 0,023 1.421 4 0,67 0,009 18.717 52 0,74 0,022
P2024 16.363 45 0,69 0,023 2.354 6 0,67 0,009 18.717 52 0,69 0,021
P2025 18.650 51 0,76 0,022 67 0 0,67 0,009 18.717 52 0,76 0,022
P2026 93.584 52 0,71 0,019 93.584 52 0,71 0,019
P2031 9.493 3 0,66 0,029 9.493 3 0,66 0,029
297.768 591 0,80 0,020 24.599 68 0,74 0,006 322.368 658 0,79 0,019
21
El escenario escogido para la serie de precios medios con una planta concentradora
exclusiva para los minerales de RT con capacidad de 95 ktpd fue aquel con la fase 6 como
fase final del rajo.
Tabla 2.16: Flujo de caja y VAN (millones de dólares ficticios). Escenario precio medio,
Ingres os Ga s tos
P2011 6 1.672 14 1.686 90 290 380 1.301
P2012 96 1.329 22 1.351 55 316 371 883
P2013 57 1.160 15 1.175 25 373 399 720
P2014 10 1.176 17 1.193 21 404 425 758
P2015 58 900 0 901 19 367 385 457
P2016 30 1.569 50 1.619 32 535 566 1.023
P2017 33 1.558 74 1.633 29 541 571 1.029
P2018 14 1.029 84 1.113 26 449 475 624
P2019 9 1.007 94 1.101 24 451 475 617
P2020 8 865 77 942 22 396 418 516
P2021 9 843 94 938 21 391 412 517
P2022 89 741 99 841 21 378 399 353
P2023 28 906 85 991 21 423 444 519
P2024 3 956 131 1.087 21 419 440 644
P2025 1 760 82 842 1 400 401 439
P2026 209 3.798 333 4.131 5 2.326 2.331 1.591
P2031 118 4.620 328 4.948 4 3.016 3.019 1.810
Tota l es 778 24.889 1.601 26.490 436 11.476 11.912 13.800
VAN 341 11.271 546 11.817 286 4.228 4.514 6.963
22
Tabla 2.17: Minerales de RT a Concentradora de RT. Escenario precio medio, planta RT 95

Concentra dora RT
Mi na Stock Total
P2011
P2012
P2013
P2014
P2015
P2016 29.870 82 1,09 0,019 5.663 16 0,64 0,010 35.533 98 1,02 0,017
P2017 35.533 98 1,08 0,023 35.533 98 1,08 0,023
P2018 35.533 98 1,18 0,021 35.533 98 1,18 0,021
P2019 31.666 87 1,04 0,029 3.867 11 0,67 0,009 35.533 98 1,00 0,027
P2020 35.533 98 0,96 0,023 35.533 98 0,96 0,023
P2021 35.533 98 0,98 0,026 35.533 98 0,98 0,026
P2022 35.533 98 0,91 0,031 35.533 98 0,91 0,031
P2023 35.533 98 0,96 0,024 35.533 98 0,96 0,024
P2024 35.533 98 1,05 0,037 35.533 98 1,05 0,037
P2025 17.641 49 0,90 0,031 17.892 49 0,64 0,010 35.533 98 0,77 0,021
P2026 177.648 98 0,79 0,020 16 0 0,95 0,011 177.664 98 0,79 0,020
P2031 348.014 96 0,67 0,009 348.014 96 0,67 0,009
853.569 1.097 0,83 0,018 27.438 76 0,64 0,010 881.007 1.173 0,82 0,018
Tabla 2.18: Minerales de RT a Concentradora de Chuquicamata. Escenario precio medio,


Mi na Stock Total
P2011 10.022 28 1,12 0,019 548 2 0,85 10.570 29 1,10 0,018
P2012 12.388 34 1,19 0,022 1.628 4 0,89 14.017 39 1,16 0,019
P2013 12.998 36 1,20 0,024 1.018 3 0,85 14.017 39 1,18 0,022
P2014 14.017 39 0,99 0,028 14.017 39 0,99 0,028
P2015 9.283 26 1,18 0,014 4.733 13 0,85 14.017 39 1,07 0,010
P2016 7.472 21 0,67 0,012 6.545 18 0,73 0,004 14.017 39 0,70 0,008
P2017 13.935 38 0,66 0,011 82 0 0,67 0,002 14.017 39 0,66 0,011
P2018 12.868 35 0,73 0,021 12.868 35 0,73 0,021
P2019 18.610 51 0,66 0,017 107 0 0,67 0,009 18.717 52 0,66 0,017
P2020 15.836 44 0,67 0,017 15.836 44 0,67 0,017
P2021 12.938 36 0,70 0,022 12.938 36 0,70 0,022
P2022 8.111 22 0,67 0,023 8.111 22 0,67 0,023
P2023 16.880 47 0,68 0,019 1.837 5 0,66 0,009 18.717 52 0,68 0,018
P2024 18.717 52 0,65 0,024 18.717 52 0,65 0,024
P2025 18.717 52 0,64 0,022 18.717 52 0,64 0,022
P2026 79.367 44 0,72 0,019 79.367 44 0,72 0,019
282.159 602 0,78 0,020 16.499 45 0,78 0,003 298.657 648 0,78 0,019
23
2.4. Escenario seleccionado para Serie de Precios Altos.
En esta sección se presentan los escenarios escogidos para la serie de precios altos, uno
Tabla 2.19: Serie alta de precios del cobre (¢$F).
2011 2012 2013 2014 2015 2016 Largo Plazo

Serie precios superior 226 227 206 204 182 167 153

El escenario escogido para la serie de precios altos con una planta concentradora exclusiva
del rajo.
24
Tabla 2.20: Flujo de caja y VAN (millones de dólares ficticios). Escenario precio alto,
Ingre s os Ga s tos
Año Inve rs i one s Fl ujo de ca ja
Vta Cu Vta Mo Tota l Fi jos Va ri a bl e s Tota l
P2011 6 1.901 14 1.915 91 295 387 1.522
P2012 102 1.537 18 1.555 57 327 383 1.069
P2013 56 1.413 15 1.428 26 363 388 983
P2014 10 1.510 14 1.525 22 396 418 1.096
P2015 10 1.125 0 1.125 19 354 373 742
P2016 29 1.593 37 1.630 28 457 485 1.116
P2017 30 1.515 59 1.574 25 465 491 1.053
P2018 22 981 53 1.035 22 380 402 610
P2019 3 988 55 1.043 20 382 402 637
P2020 0 859 69 927 18 294 312 615
P2021 0 744 52 797 17 261 278 519
P2022 10 650 45 696 17 247 264 422
P2023 106 875 87 962 17 346 363 493
P2024 4 856 91 947 17 341 358 585
P2025 0 702 56 758 1 334 335 424
P2026 215 4.223 355 4.578 5 2.151 2.156 2.206
P2031 77 5.314 352 5.666 4 2.881 2.885 2.704
P2041 176 2.878 154 3.032 0 1.885 1.885 971
Tota l e s 858 29.664 1.529 31.193 407 12.159 12.566 17.769
VAN 308 12.363 437 12.800 274 3.859 4.132 8.360
Tabla 2.21: Minerales de RT a Concentradora de RT. Escenario precio alto, planta RT 63

Conce ntra dora RT

Mi na Stock Tota l
Pe ri odo KTon KTpd %Cu %Mo KTon KTpd %Cu %Mo KTon KTpd %Cu %Mo
P2011
P2012
P2013
P2014
P2015
P2016 23.240 64 1,16 0,019 428 1 0,68 0,025 23.667 65 1,15 0,019
P2017 23.655 65 1,11 0,028 12 0 0,71 0,015 23.667 65 1,11 0,028
P2018 23.667 65 1,14 0,026 23.667 65 1,14 0,026
P2019 23.667 65 1,06 0,025 23.667 65 1,06 0,025
P2020 23.667 65 1,08 0,034 23.667 65 1,08 0,034
P2021 23.667 65 0,99 0,026 23.667 65 0,99 0,026
P2022 23.551 65 0,95 0,023 116 0 0,68 0,026 23.667 65 0,95 0,023
P2023 23.667 65 1,02 0,033 23.667 65 1,02 0,033
P2024 23.667 65 1,00 0,036 23.667 65 1,00 0,036
P2025 7.286 20 1,01 0,033 16.381 45 0,65 0,011 23.667 65 0,76 0,017
P2026 118.336 65 1,00 0,029 118.336 65 1,00 0,029
P2031 234.632 65 0,75 0,014 2.040 1 0,64 0,011 236.672 65 0,75 0,014
P2041 189.972 52 0,64 0,007 189.972 52 0,64 0,007
762.675 788 0,85 0,019 18.978 47 0,65 0,011 781.653 835 0,84 0,019
25
Tabla 2.22: Minerales de RT a Concentradora de Chuquicamata. Escenario precio alto,


Mi na Stock Tota l
P2011 10.022 28 1,12 0,019 548 2 0,85 10.570 29 1,10 0,018
P2012 11.626 32 1,14 0,020 2.390 7 0,85 14.017 39 1,09 0,017
P2013 12.545 35 1,23 0,024 1.472 4 0,85 14.017 39 1,19 0,021
P2014 12.411 34 1,03 0,028 1.605 4 0,85 14.017 39 1,01 0,025
P2015 13.292 37 1,08 0,014 724 2 0,86 14.017 39 1,07 0,013
P2016 9.757 27 0,67 0,012 4.259 12 0,84 14.017 39 0,72 0,009
P2017 13.947 38 0,71 0,012 69 0 0,67 14.017 39 0,71 0,012
P2018 12.868 35 1,06 0,007 12.868 35 1,06 0,007
P2019 18.717 52 0,72 0,010 18.717 52 0,72 0,010
P2020 15.836 44 0,73 0,012 15.836 44 0,73 0,012
P2021 12.938 36 0,67 0,011 12.938 36 0,67 0,011
P2022 8.111 22 0,68 0,014 8.111 22 0,68 0,014
P2023 18.717 52 0,73 0,023 0,67 0,009 18.717 52 0,73 0,023
P2024 17.886 49 0,71 0,024 831 2 0,67 0,009 18.717 52 0,71 0,023
P2025 13.519 37 0,68 0,020 5.198 14 0,66 0,026 18.717 52 0,67 0,022
P2026 93.584 52 0,69 0,019 93.584 52 0,69 0,019
P2031 73.976 20 0,69 0,020 437 0 0,60 0,007 74.412 20 0,69 0,020
369.753 629 0,78 0,018 17.534 47 0,78 0,008 387.287 676 0,78 0,018
26
El escenario escogido para la serie de precios altos con una planta concentradora exclusiva
del rajo.
Tabla 2.23: Flujo de caja y VAN (millones de dólares ficticios). Escenario precio alto,
Ingres os Ga s tos
P2011 6 1.901 14 1.915 90 290 380 1.530
P2012 96 1.544 22 1.566 55 316 371 1.099
P2013 57 1.378 16 1.394 25 374 399 939
P2014 10 1.433 17 1.450 21 407 428 1.012
P2015 61 1.129 0 1.129 19 373 391 678
P2016 24 1.849 50 1.899 32 543 575 1.300
P2017 37 1.843 78 1.921 29 537 566 1.318
P2018 17 1.223 80 1.303 26 447 472 815
P2019 6 1.206 94 1.300 24 459 483 812
P2020 10 1.031 79 1.111 22 405 427 674
P2021 5 1.010 89 1.098 21 389 411 683
P2022 90 891 100 991 21 376 398 503
P2023 33 1.087 87 1.174 21 415 436 705
P2024 1 1.147 131 1.278 21 421 442 835
P2025 1 899 82 981 1 393 394 586
P2026 208 4.559 334 4.893 5 2.327 2.332 2.354
P2031 118 5.543 329 5.872 4 3.015 3.019 2.735
P2041 46 469 26 495 0 436 436 13
Tota l es 825 30.143 1.630 31.773 436 11.922 12.359 18.589
VAN 344 13.393 548 13.941 286 4.258 4.544 9.054
27
Tabla 2.24: Minerales de RT a Concentradora de RT. Escenario precio alto, planta RT 95

Concentra dora RT
Mi na Stock Tota l
P2011
P2012
P2013
P2014
P2015
P2016 29.720 82 1,09 0,019 5.813 16 0,64 0,011 35.533 98 1,02 0,018
P2017 35.533 98 1,09 0,025 35.533 98 1,09 0,025
P2018 35.533 98 1,17 0,020 35.533 98 1,17 0,020
P2019 35.447 98 1,00 0,027 86 0 0,75 0,011 35.533 98 1,00 0,027
P2020 35.533 98 0,95 0,023 35.533 98 0,95 0,023
P2021 35.533 98 0,97 0,025 35.533 98 0,97 0,025
P2022 35.533 98 0,91 0,031 0,67 0,009 35.533 98 0,91 0,031
P2023 35.533 98 0,96 0,024 35.533 98 0,96 0,024
P2024 35.533 98 1,05 0,037 35.533 98 1,05 0,037
P2025 18.244 50 0,89 0,031 17.289 48 0,64 0,011 35.533 98 0,77 0,021
P2026 177.664 98 0,79 0,020 177.664 98 0,79 0,020
P2031 347.915 96 0,67 0,009 347.915 96 0,67 0,009
P2041 29.505 8 0,67 0,013 29.505 8 0,67 0,013
887.225 1.117 0,82 0,018 23.188 64 0,64 0,011 910.413 1.181 0,82 0,018
Tabla 2.25: Minerales de RT a Concentradora de Chuquicamata. Escenario precio alto,


Mi na Stock Tota l
P2011 10.022 28 1,12 0,019 548 2 0,85 10.570 29 1,10 0,018
P2012 12.394 34 1,19 0,022 1.623 4 0,89 14.017 39 1,16 0,019
P2013 13.559 37 1,18 0,024 458 1 0,85 14.017 39 1,17 0,023
P2014 14.017 39 0,99 0,028 14.017 39 0,99 0,028
P2015 9.429 26 1,23 0,015 4.588 13 0,85 14.017 39 1,11 0,010
P2016 6.869 19 0,67 0,012 7.148 20 0,73 0,004 14.017 39 0,70 0,008
P2017 13.935 38 0,67 0,012 82 0 0,67 0,002 14.017 39 0,67 0,012
P2018 12.868 35 0,72 0,020 12.868 35 0,72 0,020
P2019 17.603 48 0,66 0,018 1.114 3 0,67 0,009 18.717 52 0,66 0,018
P2020 15.836 44 0,67 0,018 15.836 44 0,67 0,018
P2021 12.938 36 0,70 0,021 12.938 36 0,70 0,021
P2022 8.111 22 0,67 0,022 8.111 22 0,67 0,022
P2023 14.903 41 0,69 0,020 3.814 11 0,67 0,009 18.717 52 0,68 0,018
P2024 18.717 52 0,65 0,024 18.717 52 0,65 0,024
P2025 17.884 49 0,64 0,022 17.884 49 0,64 0,022
P2026 79.466 44 0,72 0,019 79.466 44 0,72 0,019
278.549 592 0,78 0,020 19.374 53 0,76 0,004 297.924 646 0,78 0,019
28
3. Análisis de resultados
Con los resultados de cada escenario mostrados en el capítulo anterior se construyó una
matriz resumen, en que cada fila corresponde un escenario y las columnas corresponden a
los posibles estados que pueden ocurrir en la realidad (que por definición son 3). Por
ejemplo, la primera fila corresponde al escenario construido pensando en que la serie de
precios que ocurrirá en el horizonte de planificación es la serie de precios bajos, luego este
plan se evalúa utilizando las tres series de precios, que son los tres estados que pueden
llegar a ocurrir en la realidad (los tres con probabilidad 1/3 de ocurrencia).
IMPORTANTE: El van del proyecto no coincide con su valor real, puesto que no considera
inversiones en infraestructura ni algunos costos fijos como gastos generales de
administración. Sin embargo, la diferencia del VAN entre los diferentes escenarios es
consistente.
3.1. Planta Concentradora RT con capacidad 63 ktpd
Tabla 3.1: Matriz para planta 63 ktpd (VAN en millones de dólares ficticios).
Preci o rea l
codi go MUCH Preci o Pl a ni fi ca do Ba jo Medi o Al to
rpt_PIT_PLO_2010-05-28-841-03 Ba jo 4.563 6.439 8.314
rpt_PIT_PME_2010-05-27-11 Medi o 4.536 6.446 8.357
rpt_PIT_PHI_2010-06-02-844-02 Al to 4.518 6.439 8.360
La tabla 3.1 muestra, para la planta de RT de 63ktpd, la Matriz con la valoración

económica de los 3 escenarios bajo los tres posibles estados de la realidad, según nuestra
simplificación. Se aprecia que los valores de la diagonal principal (en negrita) son siempre
el valor más alto de su fila, lo cual es lógico pues representa el hecho de que se construye
un escenario pensando en una serie de precios y finalmente ocurre en la realidad esa misma
serie.
29
Tabla 3.2: Diferencia entre escenarios para una misma serie de precios realizada (VAN en
millones de dólares ficticios)
Precio rea l
codigo MUCH Precio Pla nifica do Bajo Medio Alto
rpt_PI2_PLO_2010-06-04-841-01 Bajo 0 -8 -47
rpt_PI2_PME_2010-06-03-843-01 Medio -27 0 -4
rpt_PI2_PHI_2010-06-03-844-04 Alto -46 -7 0
con respecto al máximo valor de la columna.
Primero que todo, no se observan grandes valores en la tabla anterior, son más bien valores
poco significativos en comparación con los valores del VAN, a partir de lo cual se puede
afirmar que no hay algún escenario que sea categóricamente superior para un determinado
precio. Segundo, se observa que la matriz es bastante simétrica. De ambos puntos se
desprende que no hay posibilidades de grandes pérdidas o ganancias, es decir, los 3
escenarios son más bien similares bajo las distintas series de precio.
Confirmando lo anterior, la siguiente tabla muestra el valor esperado de cada escenario,

donde se aprecia lo cercano de sus evaluaciones.
Tabla 3.3: Valor esperado por escenario (VAN en millones de dólares ficticios)
Es cenario Valor Es perado Diferencia
Bajo 6.439 -8
Medio 6.446 0
Alto 6.439 -7
30
3.2. Planta Concentradora RT con capacidad 95 ktpd
Tabla 3.4: Matriz para planta 95 ktpd (VAN en millones de dólares ficticios).
Preci o real
codi go MUCH Preci o Pl ani fi cado Bajo Medi o Alto
rpt_PI2_PLO_2010-06-04-841-01 Bajo 4.929 6.928 8.927
rpt_PI2_PME_2010-06-03-843-01 Medi o 4.875 6.963 9.050
rpt_PI2_PHI_2010-06-03-844-04 Alto 4.868 6.961 9.054
La tabla 3.4 muestra, para la planta de RT de 95 ktpd, la Matriz con la valoración

económica de los 3 escenarios bajo los tres posibles estados de la realidad, según nuestra
simplificación. Nuevamente se aprecia que los valores de la diagonal principal (en negrita)
son siempre el valor más alto de su fila, lo cual es lógico pues representa el hecho de que se
construye un escenario pensando en una serie de precios y finalmente ocurre en la realidad
esa misma serie.
Tabla 3.5: Diferencia entre escenarios para una misma serie de precios realizada (VAN en
millones de dólares ficticios)
Precio real
codigo MUCH Precio Planificado Bajo Medio Alto
rpt_PI2_PLO_2010-06-04-841-01 Bajo 0 -34 -127
rpt_PI2_PME_2010-06-03-843-01 Medio -54 0 -4
rpt_PI2_PHI_2010-06-03-844-04 Alto -62 -2 0
con respecto al máximo valor de la columna. Se observa que la matriz es más asimétrica
que el caso de la planta de RT de 63 ktpd. Si en la realidad ocurre la serie de precios bajos,
las pérdidas por haber planificado apuntando a la series de precios altos (ver columna 1 de
la tabla 3.5) son de 62 millones de dólares ficticios. Sin embargo, si se planifica pensando
que ocurrirá la serie de precios bajos y en la realidad ocurre la serie de precios altos las
pérdidas alcanzan los 127 millones de dólares ficticios (ver columna 3 de la tabla 3.5). El
escenario de precio bajo se comporta mal cuando ocurre cualquiera de las otras dos series
de precios. Los escenarios de precios medios y altos se comportan bastante bien cuando
31
ocurren las otras dos series de precios, por lo que podríamos decir que son mucho más
robustos.
La siguiente tabla muestra el valor esperado de cada escenario, donde se aprecia que el
mejor valor lo presenta el escenario de precios medios, prácticamente empatado con el
escenario de precios altos, relegando al tercer lugar al escenario de precios bajos.
Tabla 3.6: Valor esperado por escenario (VAN en millones de dólares ficticios)
Es cena ri o Va l or Es pera do Di ferenci a

Ba jo 6.928 -34
Medi o 6.963 0
Al to 6.961 -2
32
3.3. Conclusiones
Este ejercicio, determinación de pit final para el rajo de RT, corresponde al segundo
ejercicio de pruebas del sistema MUCH incorporando incertidumbre en el precio y de la
consultoría asociada (Anteriormente se realizaron las pruebas experimentales, aplicando la
misma metodología para otro ejercicio en la división Codelco Norte). Por lo anterior, tanto
la metodología como la consultoría asociada se encuentran en una etapa más madura, con
una mayor cantidad de pruebas acumuladas.
Las pruebas pilotos llevadas a cabo con tres escenarios de precios muestran el
comportamiento de la metodología de planificación robusta. Esta metodología, si bien es
simple y fácil de entender, también es poderosa ya que permite incorporar la incertidumbre
en precios del cobre en la planificación real. La metodología posee un enfoque innovador
para abordar la planificación minera de largo plazo, que permite considerar el riesgo en el
precio del cobre de una manera sencilla, entendible por todas las partes involucradas en la
evaluación de planes mineros.
Con respecto a los tiempos de resolución, si bien estas pruebas significaron múltiples
corridas y pruebas, pues se evaluaron 42 escenarios (7 escenarios para cada opción de
planta de RT, para cada una de las 3 series de precios), los tiempos de resolución son
razonables y alineados con las necesidades de los profesionales de planificación. Sin
considerar los tiempos empleados por la Subgerencia de Recursos Mineros y Desarrollo
(SGRMD) en la elaboración y obtención de los parámetros técnicos y económicos
requeridos para llevar a cabo el ejercicio (tiempo que es independiente de la metodología
empleada), se requieren unas 3 a 5 semanas para realizar corridas y su correspondiente
análisis (interactuando con los planificadores de la SGRMD), tiempo considerado más que
razonable para los resultados y la información que se obtiene.
Estos resultados permiten comprender de forma clara el impacto que posee la incertidumbre
en precios del cobre en la planificación minera. Sin embargo, es necesario seguir trabajando
33
en pruebas con esta metodología para detectar potenciales mejoras tanto en la metodología
como en su aplicación.
34
Anexo. Descripción General del Software de Planificación

Minera

en la Figura A.1.
Figura A.1. Esquema funcionamiento general del Software de Planificación Minera.
35


lenguaje.



del problema.
36

“razonables”.

El sistema actualmente está preparado para entregar las soluciones en formato

Excel.
37

Director del Proyecto: Rafael Epstein

Ejecutivo Fondef: Alejandro Guerra
Pruebas piloto con el Software de planificación
22 Diciembre de 2010
1
Índice de Contenido
1. Introducción .................................................................................................................... 3
2. Metodología utilizada ..................................................................................................... 4
2.1 Programación robusta flexible. ................................................................................ 4
2.2 Generación de escenarios de precios ............................................................................ 5
2.3 Metodologías de solución ............................................................................................. 6
3. Datos utilizados .............................................................................................................. 8
3.1 Periodos ................................................................................................................... 8
3.2 Árbol de escenarios. ................................................................................................. 8
3.3 Instancia utilizada ....................................................................................................... 10
4. Resultados..................................................................................................................... 12
5. Conclusiones................................................................................................................. 15
6. ANEXOS ...................................................................................................................... 16
6.1 Anexo 1: Detalle de Flujo de Caja de 6 escenarios. ................................................... 16
6.2 Anexo 2: Ritmos de explotación por fase, según destino (Ktpd/h) ................... 19
2
1. Introducción
En el marco del proyecto “METODOLOGÍAS PARA EVALUAR PLANES

MINEROS DE COBRE DE LARGO PLAZO CON INCERTIDUMBRE EN PRECIOS Y
LEYES DE MINERAL”, y continuando con las pruebas al software de planificación, en el
presente informe se describirá en términos generales los resultados de las pruebas piloto
obtenidas en la división Codelco Norte.
Las pruebas piloto se enfocarán en las funcionalidades del Software de Planificación

Minera que debe incluir en un primer lugar incertidumbre en los precios del mineral.
Puesto que el área que ha mostrado ser de mayor utilidad corresponde al Desarrollo de una
Metodología de Inclusión de Riesgo, las pruebas pilotos han estado enfocadas en ese
ámbito.
El ejercicio de pruebas piloto realizado corresponde a una planificación minera de

largo plazo para la Mina Ministro Hales (MMH), en las que se utiliza la metodología de
planificación robusta flexible.
La metodología incluye la generación de trayectorias futuras del precio del cobre

(escenarios de precio), en la que se utiliza un movimiento browniano con reversión a la
media, en donde la media es representada por el precio de largo plazo del cobre.
Posterior a ello, el sistema utiliza la metodología Progressive Hedging para que

iterativamente las variables de decisión del problema vayan cumpliendo con el principio de
no-anticipatividad. De esta manera se obtiene una política en cada nodo del árbol de
precios, permitiendo que el planificador tenga flexibilidad para reaccionar frente a cambios
en los precios futuros.
Se detallará, por lo tanto en este informe la metodología utilizada y los resultados

obtenidos, los que fueron presentados a un equipo planificador de CODELCO el día 21 de
Diciembre del 2010.
3
2. Metodología utilizada
2.1 Programación robusta flexible.
Esta metodología se genera al combinar el modelo de planificación minera con un

árbol de escenarios, dando como resultado un modelo de programación estocástica para
planificación robusta flexible. Si se considera la incertidumbre en el precio del cobre, cada
uno de los escenarios representa una posible trayectoria que puede seguir el precio del
metal rojo en el futuro. Las decisiones en este modelo se van tomando en forma flexible
dependiendo del escenario que siga el precio a través del árbol.
Como consecuencia de lo anterior, cada escenario tiene su propio conjunto de

variables de decisión, lo que aumenta el tamaño del modelo. Para poder tener un plan
robusto, se debe considerar cientos de escenarios, lo que está en directa relación con el
horizonte de planificación que se considera. En la siguiente figura se muestra un ejemplo de
árbol de escenarios de precios, en donde cada nodo representa un posible precio futuro del
cobre y los arcos representan una posible trayectoria que sigue el mismo. La cantidad de
escenarios está dada por la cantidad de hojas que el árbol contiene.
Figura 1. Ejemplo de Árbol de Escenarios de Precios futuros de Cobre. Árbol de 4 períodos y 5 escenarios.
Aparece destacado el escenario s2. Valores en USd/Lb
4
2.2 Generación de escenarios de precios
La generación de un árbol de escenario de precios se realiza mediante una variación

del modelo de ajuste de momentos (ver Hoyland & Wallace [55] y Smith [82]). Se
comienza con un movimiento browniano con reversión a la media. La media es
representada por el precio de largo plazo del precio del cobre. El argumento económico
para usar ese modelo es el siguiente: Si el precio está por sobre la media de largo plazo,
proyectos mineros comenzarán a volverse rentables y se activarán aumentando la oferta.
Por otra parte, si el precio está por debajo de la media, se cerrarán operaciones mineras y la
oferta decaerá.
Así si S(t) representa el precio del cobre en el periodo t, entonces el precio responde
a la ecuación diferencial estocástica.
݀ܵ‫=ݐ‬ሺߤ− ln(ܵ‫ݐ‬ሻሻ‫ݐ݀ݐ‬+ ߪܵ‫ݐݖ݀ݐ‬
Donde:
· ߤes el valor de largo plazo o de equilibrio.
· ߢes la velocidad de reversión al valor de equilibrio
· ‫ݐݖ‬representa el movimiento browniano estándar
· ߪes la medida de volatilidad del proceso
A partir de lo anterior, utilizando argumentos de cálculo estocástico se plantea la

siguiente fórmula para simular trayectorias futuras del precio del cobre.
Este método de ajuste de momentos utiliza simulaciones del precio (St) para generar
un árbol de escenarios. Esta metodología elegirá el valor de los nodos y las probabilidades
de cada rama del árbol de tal forma que la distribución de probabilidades del árbol coincida
con la distribución de probabilidades firmada por las trayectorias simuladas con la ecuación
anterior. La similitud de las distribuciones se mide con la diferencia entre los primeros 4
momentos de cada una, es decir, la esperanza, varianza, asimetría y kurtosis.
Un ejemplo de árbol obtenido utilizando la metodología descrita, se muestra en la

siguiente imagen.
5
Figura 2. Árbol de escenarios futuros del cobre generado con la metodología de moment-matching. Se genera un
total de 960 escenarios para alimentar el modelo de Planificación Robusta Flexible.
2.3 Metodologías de solución
La metodología de planificación flexible se desarrolló utilizando la teoría de

programación estocástica, donde se plantea un modelo por cada escenario. La característica
que comparte todo modelo estocástico es la presencia de las restricciones de no-
anticipatividad: Para cada par de escenarios, si son idénticos desde el periodo i hasta el
periodo t, entonces las soluciones deben ser idénticas desde el periodo 1 hasta el periodo t,
para todo periodo t (Wets [88, Anexo 1]). Estas restricciones complican la resolución del
modelo, tanto en la estructura como en la cantidad de restricciones que se deben generar.
Para resolver estos modelos se utiliza un método más sofisticado, ya que la alta
complejidad del modelo de optimización resultante no permite que sea resuelto a través de
los métodos tradicionales. En particular el método que se utiliza para resolver el problema
de planificación minera bajo incertidumbre es la técnica conocida como Progressive
Hedging (PH) que fue desarrollado por Rockafellar & Wets ([72], Anexo 1). En él se
relajan las restricciones de no-anticipatividad, lo que permite descomponer el problema por
escenarios. En este método comienza resolviendo el modelo determinista para cada
escenario por separado y de manera independiente. Posteriormente se introduce un sistema
6
de penalizaciones que depende de las soluciones obtenidas en cada escenario, la que se
introduce de manera explícita en el objetivo del problema de optimización, con el fin de
forzar a los escenarios a que en las siguientes iteraciones se vaya cumpliendo
progresivamente el principio de no-anticipatividad. Se ha demostrado por los creadores de
este algoritmo, que este método converge a la solución óptima.
La principal ventaja de este método es que basta con tener una forma eficiente de
resolver el modelo de planificación con precios deterministas, que es resuelto para cada
escenario en cada iteración. Con esto se evade el problema del tamaño y la complejidad del
modelo de programación estocástica.
7
3. Datos utilizados
3.1 Periodos
Se consideró un horizonte de planificación que va desde el 2011 al 2030, agrupados

formando 9 periodos de la siguiente manera.
Periodos Fusionados Periodos Originales

P2011 2011
P2012 2012
P2013 2013
P2014 2014
P2015 2015 - 2016
P2017 2017 - 2018
P2019 2019 - 2022
P2023 2023 - 2026
P2027 2026 - 2035
Tabla 1: Agregación de periodos
3.2 Árbol de escenarios.
Se generó un árbol de precios con 16 escenarios para el precio futuro del cobre, en el que se
utilizó los siguientes parámetros:
Parámetro Valor
Precio Inicial 316 USc/lb
Media de largo plazo 208 USc/lb
Desv. Estándar 0,96
Tabla 2: Parámetros utilizados
Se obtuvo con ello, 16 trayectorias de precios, lo cuales se muestran en la siguiente tabla y

se grafican el que grafico que la sigue:
8
P2011 P2012 P2013 P2014 P2015 P2017 P2019 P2023 P2027
ESC1 316 377 411 447 487 444 483 525 481
ESC2 316 377 411 447 407 444 405 443 404
ESC3 316 377 411 375 340 308 277 248 222
ESC4 316 377 343 376 412 374 407 370 337
ESC5 316 377 343 376 340 308 338 307 277
ESC6 316 316 347 314 345 312 344 309 279
ESC7 316 316 347 314 283 254 281 309 279
ESC8 316 316 316 346 314 283 311 280 251
ESC9 316 316 316 286 258 230 205 182 162
ESC10 316 316 285 313 281 310 340 371 336
ESC11 316 316 285 257 284 255 282 310 279
ESC12 316 255 282 309 279 308 279 251 224
ESC13 316 255 282 255 229 254 227 202 224
ESC14 316 255 228 251 225 249 276 304 333
ESC15 316 255 228 205 228 252 225 201 180
ESC16 316 255 228 205 182 161 142 123 107
Tabla 3: Precios generados (USc/lb)
Escenarios de precio
600
500
400
300
200
100
0
P2011 P2012 P2013 P2014 P2015 P2017 P2019 P2023 P2017
Figura 3: Trayectorias de precio
Con estas trayectorias se utilizó Progressive Hedging, el que se encuentra programado en

una serie de archivos escritos en lenguaje de programación matemática GAMS que son
llamados en el orden correspondiente a través de archivos .bat. De esta manera, a medida
9
que se avanza se puede guardar las soluciones e irlas analizando en pasos intermedios de la
ejecución del modelo. De esta manera se realizó lo siguiente:
1. Iteración inicial: se calcula la solución para cada escenario por separado y

posteriormente se calcula la penalización para cada variable que no ha cumplido con
el principio de no-anticipatividad.
2. 5 iteraciones Progressive Hedging: Se realizan 5 iteraciones PH, donde en cada una
se calcula una solución para cada escenario de precios, pero esta vez incorporando
la penalización de la iteración anterior (iteración inicial en el caso de la primera
iteración) en la función objetivo.
3. Crossover para obtener una solución factible inicial: la solución obtenida a través de
las iteraciones PH se entrega al modelo estocástico con la formulación implícita.
Este procedimiento entrega una solución final implementable.
3.3 Instancia utilizada
El objetivo de estas pruebas era utilizar una instancia real para poder realizar una posterior
validación del resultado. Es por esto que se utilizó la Mina Ministro Hales (MMH), la que
se resolvió con las siguientes condiciones:
- 8 fases
- 249 bancos
- 1 planta Concentradora de 50 Ktpd
- 1 Botadero
- 1 Stock
- 1 Chancador
- 1 Molienda
A continuación se muestra el esquema de procesos descrito y utilizado para las pruebas

realizadas:
10
Figura 4: Esquema de procesos mina MMH
11
4. Resultados
Luego a la aplicación de los pasos mencionados anteriormente sobre los 16

escenarios se obtuvo para cada escenario el VAN que se muestra a continuación:
VAN (millones de
Escenario dólares)
ESC1 10.107
ESC2 8.842
ESC3 6.185
ESC4 7.754
ESC5 6.426
ESC6 6.368
ESC7 5.288
ESC8 5.875
ESC9 4.071
ESC10 6.079
ESC11 5.008
ESC12 5.309
ESC13 4.089
ESC14 4.453
ESC15 3.695
ESC16 2.226
Tabla 4: VAN de cada escenario
Suponiendo que cada escenario ocurre con la misma probabilidad el VAN promedio
de la evaluación es de 5.736 millones de dólares.
A modo de análisis de los resultados, se escogió 6 escenarios, con el objetivo de

observar el cumplimiento de las restricciones del modelo, tales como la no-anticipatividad.
De esta manera se podrá ver las variaciones en la política de decisiones en cada escenario y
las diferencias que se obtienen en parámetros de la planificación.
Estos 6 escenarios escogidos se muestran en la siguiente tabla y se grafican en el

gráfico siguiente:
12
P2011 P2012 P2013 P2014 P2015 P2017 P2019 P2023 P2027
ESC1 316 377 411 447 487 444 483 525 481
ESC3 316 377 411 375 340 308 277 248 222
ESC8 316 316 316 346 314 283 311 280 251
ESC9 316 316 316 286 258 230 205 182 162
ESC14 316 255 228 251 225 249 276 304 333
ESC16 316 255 228 205 182 161 142 123 107
Tabla 5: 6 escenarios escogidos para el análisis (USc/lb)
600
500
ESC1
400
ESC3
300
ESC8
200
ESC9
100
ESC14
0
ESC16
Figura 5: 6 Escenarios escogidos (USc/lb)
Como se puede observar, se escogió dos trayectorias de precios altos, dos

trayectorias de precios medios y dos escenarios de precios bajos. Cada pareja de escenarios
comparte los tres primeros periodos en común.
A continuación se muestra el flujo de caja en cada periodo en cada escenario. Se

puede ver que tal como las trayectorias que comparten los tres primeros periodos, el flujo
en estos periodos es igual en cada para de escenarios. Esto demuestra que se ha cumplido
con el principio de no anticipatividad, restricción básica para dar cumplimiento a las
condiciones de programación estocástica.
ESC1 ESC3 ESC8 ESC9 ESC14 ESC16

P2011 -58.370 -58.370 -58.370 -58.370 -58.370 -58.370
P2012 -95.247 -95.247 -85.866 -85.866 -92.005 -92.005
P2013 1.505.651 1.505.651 1.092.695 1.092.695 722.499 722.499
P2014 1.641.268 1.303.336 1.188.110 902.598 832.852 556.800
P2015 3.899.856 2.425.934 2.226.606 1.635.270 1.189.757 931.823
P2017 3.274.884 1.990.299 1.793.106 1.288.473 1.510.711 686.963
P2019 5.836.793 3.063.927 3.689.770 1.878.120 2.979.111 877.345
P2023 3.993.531 1.147.352 1.408.431 647.573 1.945.664 229.847
P2027 3.073.297 279.552 341.267 159.979 1.968.585 62.470
Tabla 6: Flujo de Caja de los 6 escenarios escogidos
13
Flujo de caja
7,000,000
6,000,000
5,000,000 ESC1
4,000,000 ESC3
3,000,000 ESC8
2,000,000 ESC9
1,000,000 ESC14
0
ESC16
-1,000,000
Figura 6: Flujo de caja de los 6 escenarios
En Anexos 1, se puede encontrar el detalle del flujo de caja de cada uno de estos
escenarios.
14
5. Conclusiones
Se realizaron pruebas para verificar el comportamiento de la metodología estudiada

(Progressive hedging) para evaluar planes mineros de largo plazo bajo incertidumbre en el
precio del cobre.
Se generó 16 escenarios de precios y se utilizó una instancia de la Mina Ministro

Hales, utilizando 8 fases y cerca de 250 bancos. Se pudo comprobar que el modelo permite
flexibilidad para reaccionar frente a cambios en los precios. En este sentido se pudo
comprobar que efectivamente el modelo permite cumplir con el principio de no-
anticipatividad, permitiendo darle credibilidad a la política de soluciones que se entrega.
Se realizó 5 iteraciones del método Progressive Hedging lo que finalmente implicó

un tiempo de resolución de cerca de 3 horas. Este tiempo, sin embargo se espera disminuya
con el plan de trabajo futuro, en que se logrará paralelizar el modelo para resolver cada
escenario en paralelo e investigando metodologías para resolver de manera más eficiente
cada escenario.
Los resultados fueron presentados el día 21 de diciembre del 2010 a un equipo de

planificación de CODELCO.
Se espera continuar realizando pruebas con el objetivo de incorporar mayor nivel de

detalle en el modelo calibrando constantemente los parámetros, ecuaciones y restricciones
utilizadas.
15
6. ANEXOS
6.1 Anexo 1: Detalle de Flujo de Caja de 6 escenarios.
Ingresos Gastos Flujo de

Ano
Vta Cu Vta Mo Vta Ag Otros Total Fijos Variables Otros Total caja
P2011 0 0 0 0 0 0 58 0 58 -58
P2012 0 0 0 0 0 6 89 0 95 -95
P2013 1.674 0 103 0 1.777 13 259 0 271 1.506
P2014 1.856 0 87 0 1.943 40 262 0 302 1.641
P2015 4.430 0 190 0 4.620 142 579 0 720 3.900
P2017 3.753 0 181 0 3.934 136 524 0 660 3.275
P2019 6.705 0 312 0 7.017 274 906 0 1.180 5.837
P2023 4.594 0 199 0 4.793 237 563 0 799 3.994
P2027 3.456 0 24 0 3.480 0 407 0 407 3.073
Totales 26.468 0 1.096 0 27.564 847 3.646 0 4.493 23.072
VAN 11.663 0 546 0 12.210 385 1.717 0 2.102 10.107
Tabla 7: Flujo de caja Escenario 1

Ano
P2011 0 0 0 0 0 0 58 0 58 -58
P2012 0 0 0 0 0 6 89 0 95 -95
P2013 1.674 0 103 0 1.777 13 259 0 271 1.506
P2014 1.517 0 87 0 1.604 40 261 0 301 1.303
P2015 2.957 0 190 0 3.147 142 579 0 721 2.426
P2017 2.469 0 181 0 2.650 136 524 0 660 1.990
P2019 4.002 0 341 0 4.343 274 1.005 0 1.279 3.064
P2023 1.604 0 170 0 1.773 203 423 0 626 1.147
P2027 365 0 18 0 382 0 103 0 103 280
Totales 14.587 0 1.090 0 15.677 813 3.301 0 4.114 11.562
VAN 7.714 0 549 0 8.263 375 1.702 0 2.078 6.185
16
Ano
P2011 0 0 0 0 0 0 58 0 58 -58
P2012 0 0 0 0 0 6 80 0 86 -86
P2013 1.267 0 103 0 1.370 13 265 0 278 1.093
P2014 1.410 0 87 0 1.497 40 269 0 309 1.188
P2015 2.753 0 190 0 2.943 142 575 0 716 2.227
P2017 2.271 0 181 0 2.452 136 523 0 659 1.793
P2019 4.628 0 341 0 4.969 274 1.005 0 1.279 3.690
P2023 1.865 0 170 0 2.034 203 423 0 626 1.408
P2027 426 0 18 0 444 0 103 0 103 341
Totales 14.620 0 1.090 0 15.709 813 3.300 0 4.114 11.596
VAN 7.404 0 549 0 7.953 375 1.702 0 2.078 5.876

Ano
P2011 0 0 0 0 0 0 58 0 58 -58
P2012 0 0 0 0 0 6 80 0 86 -86
P2013 1.267 0 103 0 1.370 13 265 0 278 1.093
P2014 1.124 0 87 0 1.212 40 269 0 309 903
P2015 2.162 0 190 0 2.352 142 575 0 716 1.635
P2017 1.766 0 181 0 1.947 136 523 0 659 1.288
P2019 2.816 0 341 0 3.157 274 1.005 0 1.279 1.878
P2023 1.104 0 170 0 1.274 203 423 0 626 648
P2027 245 0 18 0 263 0 103 0 103 160
Totales 10.484 0 1.090 0 11.574 813 3.300 0 4.114 7.460
VAN 5.600 0 549 0 6.149 375 1.702 0 2.078 4.071
17
Ano
P2011 0 0 0 0 0 0 58 0 58 -58
P2012 0 0 0 0 0 6 86 0 92 -92
P2013 886 0 103 0 989 13 254 0 266 722
P2014 999 0 87 0 1.087 40 214 0 254 833
P2015 1.661 0 173 0 1.834 142 503 0 645 1.190
P2017 1.985 0 180 0 2.165 136 518 0 654 1.511
P2019 3.979 0 330 0 4.309 274 1.056 0 1.330 2.979
P2023 2.546 0 199 0 2.745 237 563 0 799 1.946
P2027 2.347 0 28 0 2.375 0 407 0 407 1.969
Totales 14.404 0 1.100 0 15.504 847 3.658 0 4.505 10.999
VAN 5.980 0 543 0 6.523 385 1.684 0 2.069 4.454

Ano
P2011 0 0 0 0 0 0 58 0 58 -58
P2012 0 0 0 0 0 6 86 0 92 -92
P2013 886 0 103 0 989 13 254 0 266 722
P2014 773 0 87 0 860 40 263 0 303 557
P2015 1.464 0 190 0 1.654 142 580 0 722 932
P2017 1.170 0 181 0 1.350 136 527 0 663 687
P2019 1.817 0 342 0 2.158 274 1.007 0 1.281 877
P2023 686 0 170 0 856 203 423 0 626 230
P2027 147 0 18 0 165 0 103 0 103 62
Totales 6.941 0 1.091 0 8.032 813 3.301 0 4.114 3.917
VAN 3.753 0 549 0 4.303 375 1.701 0 2.076 2.226
18
6.2 Anexo 2: Ritmos de explotación por fase, según destino (Ktpd/h)
Expansión Material P2011 P2012 P2013 P2014 P2015 P2017 P2019 P2023 P2027
Mineral SU 0,00 0,00 3 30 10 0,00 0,00 0,00 0,00
Stock SU 0,00 0 4 21 1 0,00 0,00 0,00 0,00
MM101
Lastre 260 49 101 84 3 0,00 0,00 0,00 0,00
Total 260 49 109 136 13 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 44 17 1 0,00 0,00 0,00 0,00
Stock SU 0,00 1 10 3 0 0,00 0,00 0,00 0,00
MM102
Lastre 43 243 195 5 0 0,00 0,00 0,00 0,00
Total 43 244 249 25 1 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0 0,00 6 0,00 0,00 0,00 0,00
Stock SU 0,00 0,00 0 26 29 0,00 0,00 0,00 0,00
MM103
Lastre 0,00 147 70 135 24 0,00 0,00 0,00 0,00
Total 0,00 147 70 160 60 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0 0,00 32 0,00 0,00 0,00 0,00
Stock SU 0,00 0,00 0 1 20 0,00 0,00 0,00 0,00
MM104
Lastre 0,00 22 52 150 106 0,00 0,00 0,00 0,00
Total 0,00 22 52 150 159 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 20 0,00 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 2 30 0,00 0,00 0,00
MM105
Lastre 0,00 0,00 0,00 0 140 78 0,00 0,00 0,00
Total 0,00 0,00 0,00 0 141 128 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 29 0 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 27 0 0,00 0,00
MM106
Lastre 0,00 0,00 0,00 0,00 103 157 0,00 0,00 0,00
Total 0,00 0,00 0,00 0,00 103 213 0 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 19 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 6 0,00 0,00
MM107
Lastre 0,00 0,00 0,00 0,00 0,00 14 142 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 14 167 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 2 14 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 24 38 0,00
MM108
Lastre 0,00 0,00 0,00 0,00 0,00 24 102 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 24 128 52 0,00
Tabla 13: Ritmos de explotación (Ktpd/h) Escenario 1
19
Expansion Material P2011 P2012 P2013 P2014 P2015 P2017 P2019 P2023 P2027
Mineral SU 0,00 0,00 3 30 12 1 0,00 0,00 0,00
Stock SU 0,00 0 4 14 1 0 0,00 0,00 0,00
MM101
Lastre 260 49 101 80 5 0,00 0,00 0,00 0,00
Total 260 49 109 124 19 1 0,00 0,00 0,00
Mineral SU 0,00 0,00 44 17 1 0,00 0,00 0,00 0,00
Stock SU 0,00 1 10 3 0 0,00 0,00 0,00 0,00
MM102
Lastre 43 243 195 5 0 0,00 0,00 0,00 0,00
Total 43 244 249 25 1 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0 0,00 6 0,00 0,00 0,00 0,00
Stock SU 0,00 0,00 0 26 29 0,00 0,00 0,00 0,00
MM103
Lastre 0,00 147 70 135 24 0,00 0,00 0,00 0,00
Total 0,00 147 70 160 60 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0 0,00 31 1 0,00 0,00 0,00
Stock SU 0,00 0,00 0 1 20 0 0,00 0,00 0,00
MM104
Lastre 0,00 22 52 150 106 0,00 0,00 0,00 0,00
Total 0,00 22 52 150 158 1 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 19 0,00 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 2 31 0,00 0,00 0,00
MM105
Lastre 0,00 0,00 0,00 5 137 78 0,00 0,00 0,00
Total 0,00 0,00 0,00 5 139 128 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 30 0 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 26 0 0,00 0,00
MM106
Lastre 0,00 0,00 0,00 0,00 103 157 0,00 0,00 0,00
Total 0,00 0,00 0,00 0,00 103 213 0 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 16 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 9 0,00 0,00
MM107
Lastre 0,00 0,00 0,00 0,00 0,00 14 142 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 14 167 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 12 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 13 0,00 0,00
MM108
Lastre 0,00 0,00 0,00 0,00 0,00 24 153 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 24 179 0,00 0,00
20
Mineral SU 0,00 0,00 31 9 1 0,00 0,00 0,00 0,00
Stock SU 0,00 0 12 26 0 0,00 0,00 0,00 0,00
MM101
Lastre 260 49 174 18 0,00 0,00 0,00 0,00 0,00
Total 260 49 217 53 1 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 16 38 1 0,00 0,00 0,00 0,00
Stock SU 0,00 1 5 15 0 0,00 0,00 0,00 0,00
MM102
Lastre 43 243 153 47 0 0,00 0,00 0,00 0,00
Total 43 244 174 100 1 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 6 0,00 0,00 0,00 0,00
Stock SU 0,00 0,00 0 26 29 0,00 0,00 0,00 0,00
MM103
Lastre 0,00 121 68 163 24 0,00 0,00 0,00 0,00
Total 0,00 121 68 189 60 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 31 1 0,00 0,00 0,00
Stock SU 0,00 0,00 0 1 20 0 0,00 0,00 0,00
MM104
Lastre 0,00 0,00 54 171 106 0,00 0,00 0,00 0,00
Total 0,00 0,00 54 171 158 1 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 20 0,00 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 2 30 0,00 0,00 0,00
MM105
Lastre 0,00 0,00 0,00 0,00 140 78 0,00 0,00 0,00
Total 0,00 0,00 0,00 0,00 141 128 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 29 0 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 27 0 0,00 0,00
MM106
Lastre 0,00 0,00 0,00 0,00 103 157 0,00 0,00 0,00
Total 0,00 0,00 0,00 0,00 103 213 0 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 16 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 9 0,00 0,00
MM107
Lastre 0,00 0,00 0,00 0,00 0,00 14 142 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 14 167 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 12 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 13 0,00 0,00
MM108
Lastre 0,00 0,00 0,00 0,00 0,00 24 153 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 24 179 0,00 0,00
21
Mineral SU 0,00 0,00 31 12 1 0,00 0,00 0,00 0,00
Stock SU 0,00 0 12 24 0 0,00 0,00 0,00 0,00
MM101
Lastre 260 49 174 18 0,00 0,00 0,00 0,00 0,00
Total 260 49 217 53 1 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 16 36 1 0,00 0,00 0,00 0,00
Stock SU 0,00 1 5 17 0 0,00 0,00 0,00 0,00
MM102
Lastre 43 243 153 47 0 0,00 0,00 0,00 0,00
Total 43 244 174 100 1 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 6 0,00 0,00 0,00 0,00
Stock SU 0,00 0,00 0 26 29 0,00 0,00 0,00 0,00
MM103
Lastre 0,00 121 68 163 24 0,00 0,00 0,00 0,00
Total 0,00 121 68 189 60 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 31 1 0,00 0,00 0,00
Stock SU 0,00 0,00 0 1 20 0 0,00 0,00 0,00
MM104
Lastre 0,00 0,00 54 171 106 0,00 0,00 0,00 0,00
Total 0,00 0,00 54 171 158 1 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 20 0,00 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 2 30 0,00 0,00 0,00
MM105
Lastre 0,00 0,00 0,00 0,00 140 78 0,00 0,00 0,00
Total 0,00 0,00 0,00 0,00 141 128 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 30 0 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 27 0 0,00 0,00
MM106
Lastre 0,00 0,00 0,00 0,00 103 156 0,00 0,00 0,00
Total 0,00 0,00 0,00 0,00 103 213 0 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 16 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 9 0,00 0,00
MM107
Lastre 0,00 0,00 0,00 0,00 0,00 14 142 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 14 167 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 12 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 13 0,00 0,00
MM108
Lastre 0,00 0,00 0,00 0,00 0,00 24 153 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 24 179 0,00 0,00
22
Mineral SU 0,00 0,00 4 30 14 1 0,00 0,00 0,00
Stock SU 0,00 0 5 8 2 0 0,00 0,00 0,00
MM101
Lastre 260 49 110 67 7 0,00 0,00 0,00 0,00
Total 260 49 119 105 23 1 0,00 0,00 0,00
Mineral SU 0,00 0,00 43 17 1 0,00 0,00 0,00 0,00
Stock SU 0,00 1 10 3 0 0,00 0,00 0,00 0,00
MM102
Lastre 43 243 195 5 0 0,00 0,00 0,00 0,00
Total 43 244 249 25 1 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 28 0,00 0,00 0,00 0,00
Stock SU 0,00 0,00 0 0 20 0,00 0,00 0,00 0,00
MM103
Lastre 0,00 147 35 35 91 0,00 0,00 0,00 0,00
Total 0,00 147 35 35 140 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0 0,00 8 29 0,00 0,00 0,00
Stock SU 0,00 0,00 0 0,00 10 9 0,00 0,00 0,00
MM104
Lastre 0,00 6 43 26 161 18 0,00 0,00 0,00
Total 0,00 6 43 26 179 55 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 22 0,00 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 31 0,00 0,00 0,00
MM105
Lastre 0,00 0,00 0,00 0,00 47 170 0,00 0,00 0,00
Total 0,00 0,00 0,00 0,00 47 223 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 21 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 8 0,00 0,00
MM106
Lastre 0,00 0,00 0,00 0,00 0,00 59 100 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 59 129 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 18 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 7 0,00 0,00
MM107
Lastre 0,00 0,00 0,00 0,00 0,00 14 142 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 14 167 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 2 14 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 22 38 0,00
MM108
Lastre 0,00 0,00 0,00 0,00 0,00 24 104 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 24 128 52 0,00
23
Mineral SU 0,00 0,00 4 40 9 1 0,00 0,00 0,00
Stock SU 0,00 0 5 9 1 0 0,00 0,00 0,00
MM101
Lastre 260 49 110 76 3 0,00 0,00 0,00 0,00
Total 260 49 119 125 13 1 0,00 0,00 0,00
Mineral SU 0,00 0,00 43 6 6 0,00 0,00 0,00 0,00
Stock SU 0,00 1 10 1 1 0,00 0,00 0,00 0,00
MM102
Lastre 43 243 195 3 1 0,00 0,00 0,00 0,00
Total 43 244 249 11 8 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 1 6 0,00 0,00 0,00 0,00
Stock SU 0,00 0,00 0 25 29 0,00 0,00 0,00 0,00
MM103
Lastre 0,00 147 35 169 24 0,00 0,00 0,00 0,00
Total 0,00 147 35 196 60 0,00 0,00 0,00 0,00
Mineral SU 0,00 0,00 0 0,00 30 2 0,00 0,00 0,00
Stock SU 0,00 0,00 0 0 21 0 0,00 0,00 0,00
MM104
Lastre 0,00 6 43 151 119 0,00 0,00 0,00 0,00
Total 0,00 6 43 151 169 2 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 19 0,00 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 1 33 0,00 0,00 0,00
MM105
Lastre 0,00 0,00 0,00 0,00 135 82 0,00 0,00 0,00
Total 0,00 0,00 0,00 0,00 136 133 0,00 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 31 1 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 25 0 0,00 0,00
MM106
Lastre 0,00 0,00 0,00 0,00 96 163 0,00 0,00 0,00
Total 0,00 0,00 0,00 0,00 96 219 1 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 16 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 9 0,00 0,00
MM107
Lastre 0,00 0,00 0,00 0,00 0,00 14 142 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 14 167 0,00 0,00
Mineral SU 0,00 0,00 0,00 0,00 0,00 0,00 12 0,00 0,00
Stock SU 0,00 0,00 0,00 0,00 0,00 0,00 13 0,00 0,00
MM108
Lastre 0,00 0,00 0,00 0,00 0,00 24 154 0,00 0,00
Total 0,00 0,00 0,00 0,00 0,00 24 179 0,00 0,00
24
METODOLOGÍAS PARA EVALUAR PLANES MINEROS DE COBRE DE

LARGO PLAZO CON INCERTIDUMBRE EN PRECIOS Y LEYES DE MINERAL
Literatura Relacionada
[1] A. Alonso-Ayuso, L.F. Escudero and M.T. Ortuño. BFC, “A Branch-and-Fix Coordination
algorithmic framework for solving some types of stochastic pure and mixed 0-1 programs”,
European Journal of Operational Research, 151:503–519, 2003.
[2] A. Alonso-Ayuso, L.F. Escudero, A. Garín, M.T. Ortuño and G. Pérez, “An approach for
strategic supply chain planning based on stochastic 0–1 programming”, Journal of Global
Optimization, 26:97-124, 2003.
[3] Ahrens, A., V Sharma, “Trends in natural resource commodity prices: deterministic or
stochastic?”, JEEM,33, 59-74, 1997.
[4] Amaya, J., Espinoza, D., et al., “A scalable approach to optimal block scheduling”, Proceedings
of 35th APCOM Vancouver, Canada, 2009.
[5] Benaroch, M., R. Kauffman, “A Case for Using Real Options Pricing Analysis to Evaluate
Information Technology Projects Investments”, Information System Research, 10:70-86, 1991.
[6] Bertsekas, D.P., “Dynamic Programming and Optimal Control”, Athena Scientific,
Massachussets, 1995.
[7] Bharath, B. and V. S. Borkar, “Stochastic approximation algorithms: overview and recent
trends”, Sadhana, 24(4-5), p425–452, 1991.
[8] Birge, J., “Option Methods for incorporating Risk into Linear Capacity Planning Models”,
Manufacturing & Service Operations Management, 2:19-31, 2000.
[9] Birge, J., F. Louveaux, “Introduction to Stochastic Programming”, Springer Series in
Operations Research, 1997.
[10] Bley, A., Boland, N., Fricke, C., & Froyland, G. (2010). A strengthened formulation and
cutting planes for the open pit mine. Computers & Operations Research , 37, 1641-1647.
[11] Brennan, M., E. Schwartz, “Evaluating Natural Resources Investments”, The Journal of
Business, 58:135-157, 1995.
[12] Bui, N., J. Pippenger, “Commodity prices, exchange rates and their relative volatility”, Journal
of International Money and Finance, 9, 3-20, 1990.
[13] Caccetta L. y Hill S. P., en "An Application of Branch and Cut to open pit Mine Scheduling"
School of Mathematics and Statistics, Curtin University of Technology, Perth Australia, 2001.
[14] Caldentey, R., Epstein, R., Sauré, D., “Optimal Exploitation of a Nonrenewable Resource”,
Under Review in Operations Research, 2006.
[15] Carvallo, F., “Desarrollo de un modelo estocástico de planificación minera utilizando
escenarios probabilísticos del precio del cobre”, Tesis de Magíster en Gestión de Operaciones,
Departamento de Ingeniería Industrial, Universidad de Chile, 2009.
[16] Castro, F. (2010). Desarrollo de un método de solución de un problema de programación
entera mixta para la planificación de largo plazo en minería a cielo abierto. Tesis de Magíster
en Gestión de Operaciones, Universidad de Chile, Departamento de Ingeniería Industrial.
[17] Childs, P., A. Triantis, “Dynamic R&D Investment Policies”, Management Science, 45:1359-
1377, 1999.
[18] Cochilco, “Boletín mensual”, Junio 2009.
[19] Codelco, “Memoria anual”, 2005.
[20] Codelco, “Memoria anual”, 2007.
[21] Codelco, “Planificación Minera El Teniente. Informe Superintendencia general Planificación
MINCO”, 1993.
[22] Cortázar, G., E. Schwartz, “A Compound Option Model of Production and Intermediate
Inventories”, Journal of Business, 66:517-540, 1993.
[23] Cortázar, g., E. Schwartz, J. Casassus, “Optimal Exploration Investment under Price and
Geological-Technical Uncertainty: a Real Options Model”, EFMA Athens, 2000.
[24] Cortázar, G., E. Schwartz, M. Salinas, “Evaluating Environmental Investments: A Real
Options Approach”, Management Science, 44:1059-1070, 1998.
[25] Crainic, T. G., et al., “Progressive hedging based metaheuristics for stochastic network
design”, CIRRELT 03 (2009), 1–18.
[26] Dagdelen, K., T. Johnson., “Optimum open pit mine production scheduling by Lagrangian
parameterization”, Proc. 19th Internat. Appl. Comput. Oper. Res. Mineral Indust. (APCOM)
Symposium SME, Littleton, CO, 127–141, 1986.
[27] Dagdelen, K., "Open Pit Optimization - Strategies for Improving Economics of mining
Projects through Mine Planning" Proc. 23rd International APCOM Symposium, 1992.
[28] Davenport, T., Harris, J., Morison, R., “Analytics at Work: Smarter Decisions, Better
Results”, Harvard Business Review, Feb 12, 2010.
[29] Diggle, Peter J. and Paulo Justiniano Ribeiro, “Model-based Geostatistics”, Springer Series in
Statistics, 2007.
[30] Dixit, A., and Pindyck, R., “Investment under Uncertainty”, Princeton University Press, 1994.
[31] dos Santos, M., da Silva, E. L., Finardi, E. C., & Goncalves, R. (2009). Practical aspects in
solving the medium-term operation planning problem of hydrothermal power systems by using
the progressive hedging method. Electrical Power and Energy Systems.
[32] Dowd, P., A. Onur., “Open-pit optimization, part 1: Optimal open-pit design”, Mining Tech.
IMM Trans. Sect. A 102 A95–A104, 1993.
[33] Dupačová, J., Consigli, G., and Wallace, S., “Scenarios for multistage stochastic programs”,
Annals of Operations Research 100 (2000), 25–53.
[34] Dupačová, J., N. Gröwe-Kuska and W. Römisch (2003) Scenario reduction in stochastic
programming. Mathematical Programming, vol 95 No 3, p493-511.
[35] Engel, E., R. Valdés. (2002). Prediciendo el precio del cobre: ¿Más allá del camino aleatorio?
Documento de Trabajo.
[36] Erarslan, K., N. Çelebi., “A simulative model for optimum pit design”, CIM Bull., 94(1055),
59–68, 2001.
[37] Escudero, L.F, A Garín, M Merino and G Pérez. (2007). A two-stage stochastic integer
programming approach as a mixture of Branch-and-Fix Coordination and Benders
Decomposition schemes. Annals of Operations Research, 395-420.
[38] Escudero, L.F. (1994). Robust Decision Making as a Decision Making Aid Under Uncertainty.
In S. Rios (ed.), Decision Theory and Decision Analisis. Kluwer Academic Publishers, Boston,
127-138. 12
[39] Escudero, L.F., P.V. Kamesan, A. King, R.J-B Wets. (1993). Production Planning via
Scenario Modelling. Annals of Operations Research 43, 311-335.
[40] Everitt, Brian S, Sabine Landau, and Morven Leese (1984) Cluster Analysis, Lulu Press.
[41] Fleming, W.H., R.W. Rishel, “Deterministic and Stochastic Optimal Control”, Springer-
Verlag, New York, 1975.
[42] Fu, Michael, “Optimization via simulation: a review”, Annals of Operation Research.,
53:199–247, 1994.
[43] Gacitúa, J., “Aplicación de una heurística escalable para resolver un problema estocástico de
planificación minera”, Tesis de Magíster en Gestión de Operaciones, Departamento de
Ingeniería Industrial, Universidad de Chile, 2010.
[44] Gibson, R., E. Schwartz, “Stochastic Convenience Yield and the Pricing of Oil Contingent
Claims”, Journal of Finance, 45:959-976, 1990.
[45] Gillespie, D. T., “Markov Processes: An introduction for Physical Scientists”, Academic,
1991.
[46] Goic, M., “Formulación e implementación de un modelo de programación matemática para la
planificación de largo plazo en minería a cielo abierto”. Tesis de Magíster en Gestión de
Operaciones, Departamento de Ingeniería Industrial, Universidad de Chile, 2003.
[47] Growe-Kuska, N., Heitsch, H., and Romisch, W. “Scenario reduction and scenario tree
construction for power management problems”, Power Tech Conference Proceedings, IEEE
Bologna 3, 7, 2003.
[48] Guajardo, M., “Programación dinámica estocástica en un problema de planificación minera”,
Tesis de Magíster en Gestión de Operaciones, Departamento de Ingeniería Industrial,
Universidad de Chile, 2007.
[49] Guilbert, John M. and Charles Frederick Park, “The Geology of Ore Deposits”, Waveland Pr.
Inc, 2007.
[50] Guzmán, Juan Ignacio, “Conceptualización de la inclusión de riesgos de mercado en la
planificación minero-metalúrgica en Codelco”, en Revisión, 2009.
[51] Haneveld, Willem K. Klein, and Maarten H. van der Vlerk, “Stochastic integer programming:
General models and algorithms”, Annals of Operations Research, Volume 85, p39-57, 1999.
[52] Heitsch, H., & Romisch, W. (2009). Scenario tree reduction for multistage stochastic
programs. Computational Management Science , 6, 117-133.
[53] Hernández, “Aplicación de Programación Estocástica a un Problema de Localización de
Cárceles”, Tesis de Magister en Gestión de Operaciones, Departamento de Ingeniería
Industrial, Universidad de Chile.
[54] Hochreiter, R., and Pflug, G. C., “Financial scenario generation for stochastic multi-stage
decision processes as facility location problems”, Annals of Operations Research 152 (2007),
257–272.
[55] Hoyland, K., and Wallace, S., “Generating scenario trees for multistage decision problems”,
Management Science 47 (2001), 295–307.
[56] Huchzeineier, A., C. Loch., “Project Management under Risk: Using the Real Options
Approach to Evaluate Flexibility in R&D”, Management Sciences, 47:85-101, 2001
[57] Kulatilaka, N., E. Perotti, “Strategic Growth Options”, Management Science, 44:1021-1031,
1998.
[58] Labys, W., A. Achouch, M. Terraza, “Metal prices and the business cycle”, Resource Policy
25, 229-238, 1999.
[59] Lane, K., “Choosing the optimum cut-off grade”, Quarterly of the Colorado School of Mines,
vol. 59 (4), pp. 811–829, 1964.
[60] Lane, K., “The Economic Definition of Ore: Cut-off Grades in Theory and Practice”, Mining
Journal Books Ltd., 1988.
[61] Leite, A., and Dimitrakopoulos, R., “Stochastic optimization model for open pit mine
planning: application and risk analysis at copper deposit”, Mining Technology 116 (2007),
109–118.
[62] Luenberger, D., “Investement Science”, Oxford Press, 1998.
[63] Mittelman, H. (2010, 7 27). Mixed Integer Linear Programming Benchmark (parallel codes).
Retrieved 9 15, 2010, from http://plato.asu.edu/ftp/milpc.html
[64] Morck, R., E. Schwartz, D. Stangeland, “The Valuation of Forestry Resources under
Stochastic Prices and Inventories”, The Journal of Financial and Quantitative Analysis,
24:473-487, 1989.
[65] Mulvey, J. M., and Vladimirou, H., “Applying the progressive hedging algorithm to stochastic
generalized networks”, Annals of Operations Research 31 (1991), 399–424.
[66] Mulvey, J.M., R.J. Vanderbei, S.A. Zenios, “Robust Optimization of Large-Scale Systems:
General Modelling Framework and Computations”, Operations Research 43, 244-281, 1995.
[67] Newman, Rubio, Weintraub, Eurek, “A review of Operations Research in Mining”, Interfaces
V.40, Número 3, 222-245, 2010.
[68] P. A. Dowd y A. H. Onur, en "Optimizing Open Pit Design and Sequencing" Proc. 23rd
International APCOM Symposium, 411-422, 1992.
[69] Pereira, M., “Construcción de un Modelo Agregado de Planificación Minera”, Memoria para
optar al título de Ingeniero Civil Industrial, Universidad de Chile, 2007.
[70] Powell, A., “The Costs of Commodity Price Uncertainty”, Nuffield College, Oxford, 1990.
[71] Pranevicius, H., and Sutiene, K., “Scenario tree generation by clustering the simulated data
paths”, Proceedings 21st European Conference on Modeling and Simulation, 2007.
[72] Rockafellar, R. T., and Wets, R. J.-B., “Scenarios and policy aggregation in optimization
under uncertainty”, Mathematics of Operations Research 16, 119–147, 1991.
[73] Romesburg, Charles, “Cluster Analysis for Researchers”, Hodder Arnold Publication, 2001.
[74] Santibáñez, P., “Metodología para la evaluación y optimización de planes mineros de largo
plazo”, Memoria para optar al título de Ingeniero Civil Industrial, Departamento de Ingeniería
Industrial, Universidad de Chile, 2000.
[75] Sauré, D., “Enfoque de opciones reales para la optimización de los planes mineros de largo
plazo”, Tesis de Magíster en Gestión de Operaciones, Departamento de ingeniería Industrial,
[76] Schultz, X., “Agregación de un Modelo de Planificación Minera de Codelco utilizando
Análisis de Cluster a Priori”, Memoria para optar al título de Ingeniero Civil Industrial,
[77] Schwartz, E., C. Zozaya-Gorostiza, “Valuation of information Technology Investments as
Real Options”, Unpublished, 1998.
[78] Schwartz, E., J. Smith., “Short-Term Variations and Long-Term Dynamics in Commodity
Prices”, Management Science, 46:893-911, 2000.
[79] Shwartz, E. S., “The stochastic behavior of commodity prices: Implications for valuation and
hedging”, The Journal of Finance 52, 3 (July 1997), 923 – 973.
[80] Slade, M. (1982a). Trends in natural-resource commodity prices: an analysis of the time
domain. JEEM, 9, 122-137.
[81] Slade, M. (1982b). Cycles in natural-resource commodity prices: an analysis of the frequency
domain. JEEM, 9, 138-148.
[82] Smith, J. E. (1993). Moment Methods for Decision Analysis. Management Science , 39 (3),
340-358.
[83] Somervell, M. (1998). Progressive Hedging in parallel. Auckland, New Zealand.
[84] Trick, M. (2009, 01 29). Gurobi versus CPLEX benchmarks. Retrieved 09 15, 2010, from
Michael Trick's Operations Research Blog: http://mat.tepper.cmu.edu/blog/?p=534
[85] Ulloa, A. (2002). Tendencia y Volatilidad del Precio del Cobre. Documento de trabajo.
[86] Watson, J.-P., and Woodruff, D., “Progressive hedging innovations for a class of stochastic
mixed-integer resource allocation problems”, Computational Management Science (July
2010), 1–16.
[87] Wen-Long Cai, Banfield Frederic, “Long Range Open Pit Sequencing - A Comprehensive
Approach”, XXIV APCOM, Canada 1993.
[88] Wets, R. J.-B., “The aggregation principle in scenario analysis stochastic optimization”,
Algorithms and model formulations in mathematical programming, 91–113, 1989.
[89] Wolsey, L., “Integer Programming”, Wiley Ed, 1998.
[90] Woodruff, D. L., & Watson, J.-P. (2010). Progressive Hedging Innovations for a class of
stochastic mixed-integer resource allocation problems. Computational Management Science.
[91] Woodruff, D., “Progressive hedging for multi-stage stochastic logistic problems”, In
Progressive Charla CGO (Abril 2009).

Objetivos

Cargado por

Copyright:

Formatos disponibles

Objetivos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Objetivos

Cargado por

Copyright:

Formatos disponibles

PROYECTO FONDEF DE INVESTIGACIÓN Y DESARROLLO

TITULO DEL PROYECTO: METODOLOGÍAS PARA EVALUAR PLANES MINEROS DE COBRE DE

CÓDIGO DEL PROYECTO: D07I1130

FECHA DE EMISION: 30/03/2012

FIRMA DEL (DE LA) DIRECTOR(A) DEL PROYECTO

1.1 Identificación del proyecto

2.1 Resumen Ejecutivo

Se desarrollaron metodologías y herramientas que permiten evaluar planes

La solicitud de Registro de Marca de la herramienta de planificación fue hecha

Se diseña un servicio de consultoría, que corresponderá a una asesoría para

Se desarrolló un estudio que analiza la comercialización tanto en Chile como en

Alumnos del Magíster en Gestión de Operaciones, del Departamento de

Alumnos de las carreras de Ingeniería civil Industrial y de Ingeniería en Minas de

[11] Weintraub A. 2011. Stochastic Models in Natural Resources. En:

Miembros del equipo del proyecto trabajaron en la elaboración de dos trabajos de

El seminario se llevo a cabo entre el 15 y el 17 de marzo 2010 en el

Este proyecto correspondió a una continuación del trabajo que ha venido

El equipo planificador de la Universidad de Chile, tiene un fuerte conocimiento en

RESULTADO DE TRANSFERENCIA Y NEGOCIOS

RESULTADO DE PRODUCCIÓN CIENTÍFICA (EX "OTROS")

RESULTADO DE FORMACIÓN DE CAPACIDADES (EX "OTROS")

Monto por Reintegrar

El(la) Representante Institucional de cada Institución Beneficiara

El(la) Director(a) del proyecto

3.1.2 Objetivos Específicos

El servicio de consultoría se realiza utilizando como apoyo el software de

Siguiendo el conducto regular establecido por la Institución, la solicitud de

El seminario se llevo a cabo entre el 15 y el 17 de marzo 2010 en el

Durante este proyecto, se realizaron periódicamente reuniones con personal de

3.3.2 Gastos Ejecutados vs. Presupuesto inicial

3.3.3 Participación de las instituciones y Empresas

3.3.5 Participación de las instituciones y Empresas

El(la) Director(a) del proyecto

4.1 Negocios Tecnológicos y Productivos

4.2.1 Síntesis de las actividades realizadas en Transferencia La transferencia de las tecnologías

4.3.2 Impactos científicos-tecnológicos

4.3.3 Impactos Institucionales

4.3.4 Impactos Ambientales

INVESTIGACIÓN Y DESARROLLO REALIZADOS

El proceso de investigación y desarrollo se compuso de múltiples líneas de investigación que

El modelo de producción combinatorial busca representar la operación minera, y se modela

Se desarrollaron distintas líneas de investigación con el objetivo de probar la hipótesis

୲ ൌ ɈሺɊ െ ሺ୲ ሻሻ୲  ൅ ɐ୲ ୲

· µ es el valor de largo plazo o de equilibrio.

Luego, utilizando argumentos de cálculo estocástico se plantea la fórmula para simular

El método de ajuste de momentos utilizará simulaciones de ܵ௧ para generar un árbol de

Planificación Robusta Inflexible

A continuación, se evalúa el desempeño de cada uno de los S planes frente a la ocurrencia de

Serie de precio real (de evaluación)

Tabla 1. Ejemplo de matriz de evaluación para planificación robusta inflexible

En la actualidad se están considerando los resultados de esta metodología para el ejercicio de

Planificación Robusta Flexible

Al combinar un modelo de planificación minera con un árbol de escenarios resulta un modelo

En la Figura 1 se muestra un ejemplo de árbol de escenarios, cada nodo representa un precio

La planificación flexible se modeló utilizando la teoría de programación estocástica. La

Se realizaron experimentos en este sentido con instancias de prueba en primer lugar, y

ANEXO 1. EVALUACIÓN ECONÓMICA SOCIAL Y PRIVADA

A1.1. Evaluación Económica Social

A1.1.1. ¿Qué productos, servicios o procesos se ha considerado en la evaluación

A1.1.2. ¿Cuáles son los beneficios y tipo de impactos económico-sociales

୲ ൌ ɈሺɊ െ ሺ୲ ሻሻ୲ ൅ ɐ୲ ୲