Optimal 

open‐pit short‐term planning under 
uncertainty and blending constraints 
Marcelo Vargas, Enrique Rubio and Nelson Morales 
CUBE‐MINE Technology Ltda., Chile 

ABSTRACT 
Short‐term  mine  planning  is  a  key  point  in  the  mining  business,  because  it  is  when  the  profit 
promise  of  long‐term  plans  is  done.  Despite  that,  most  of  the  efforts  in  developing  mathematical 
models and techniques are spent in long‐term models whose output are based on many additional 
information and simplified constraints. This means that the short‐term planner must deal with a lot 
more  variability  in  the  data  and  meet  constraints  that  were  not  taken  into  account  when 
constructing  the  long‐term  plan.  This  often  means  that  in  order  to  satisfy  the  production  goals, 
imposed  by  the  long‐term  plan,  the  short‐term  planner  must  either  make  changes  in  the 
exploitation sequence, affecting future production, or incur in higher costs. 
The  aim  of  the  study  presented  in  this  paper  is  to  generate  a  tool  considering  such  variables, 
allowing for the generation of multiple decision scenarios done in a reasonable time, and providing 
a guide for the mine planner, for short and medium term horizons. The focus of the model are the 
blending  constraints  related  to  the  geometallurgical  attributes  of  the  ore  sent  to  the  processing 
plant, but it also considers the dynamics of stocks, geometrical constraints, plant and mine capacity, 
among others, in order to determine a sequence of exploitation and processing such that the overall 
ore  production  is  maximised.  It  also  includes  the  possibility  to  analyse  mine  operation  design 
selectivity using different loading and haulage equipments, according to the study of different basic 
clustering blocks units. 
The  tool  was  implemented  and  applied  at  the  BHP  Billiton  Spence  mine,  located  in  the  north  of 
Chile, in order to obtain a plan for the quarter September‐November of 2008 and the year July 2009‐
July  2010.  The  results  correspond  to  probability  maps  for  the  extraction  period  of  each  block, 
graphical  analysis  of  the  reliability  of  production  goal,  and  modelling  of  relations  between 
clustering unit sizes and the selectivity and functionality of the mine design. 
   
INTRODUCTION 
Mine planning is defined as the process of mining engineering in charge of transforming the mineral 
resource into the best productive business, while a production schedule is a productive promise that 
corresponds to a bankable document for investors [15]. Therefore, mine planning aims to determine 
which part of the resource must be extracted in each period in order to maximise profits from mineral 
processing,  including  decisions  such  as  which  part  of  the  resource  must  be  processed,  the  required 
investment for the plant and hauling equipments requirements, among others.  
Currently,  mine  planning  process  is  made  considering  operational  and  metallurgical  constraints, 
building short and medium term mining plans through manual approaches of trial and error with 
an  important  time  investment  to  generate  a  result  which  no  one  absolutely  knows  if  is  the  right 
option  which  maximises  the  business  in  terms  of  recoverable  metal,  fleet  utilisation  and  reserves 
consumption  among  other  items,  since  it  is  extremely  difficult  to  include  ore  variability  in  the 
production schedule using the available traditional software. 
In  consequence,  the  main  decisions  concerning  Life  of  the  Mine  (LOM)  are  considered  first,  once 
given  these,  further  decisions  are  taken  into  account  in  relation  to  long  term  (10  to  30  years 
depending  on  the  deposit).  Then,  considering  as  fixed  the  results  previously  obtained,  it  is 
necessary to develop plans for the medium term (usually up to five years) and so on till the daily 
detail, going through the annual planning which compromises directly the operational budget. This 
dismembered  analysis  structure  leads  to  a  massive  scale  mine  exploitation,  with  large  equipment 
and high production rates, without taking into account that mineralogical variability of the body to 
be  exploited  may  require  a  greater  selectivity  degree  in  the  extraction,  ultimately  leading  to 
significant  discrepancies  between  long and  short  term  (where it  faces  the  real mineral  variability) 
incurring significant cost increases in order to achieve production goals involved. 

RELATED WORK 
Large open pit mine operation and administration is a huge and complex task, particularly for older 
mines.  Optimisation  techniques  can  be  applied  successfully  to  resolution  of  important  issues  that 
arise  in  mine  planning  and  management.  These  applications  include:  ore  body  modelling  and 
reserves  estimation;  optimal  pit  design,  determination  of  optimal  production  schedules, 
determination  of  optimal  operational  design,  determination  of  optimal  mixtures,  equipment 
maintenance time determination, equipment replacement policies, and several others [3]. 

Mine planning process 
In  general  terms,  mine  planning  process  can  be  divided  into  different  levels  according  to  the 
characteristics of the decisions [1]: 
• Strategic:  Refers  to  exploitation  methods  choices,  mining  and  processing  capacity  and  overall 
mineral reserve estimates. The main goal of strategic planning is to synchronise the market with 
the available resources and the companyʹs mission statement. 
• Tactic: It corresponds to processes specifications to make over the life of the mine, such as long 
term  production  schedules  and  the  use  of  equipment  and  processing  plants  inside  the  mine. 
Tactic  or  conceptual  planning  determines  how  to  achieve  the  target  set  earlier  by  strategic 
planning. The result is the mining plan, which defines how and when resources are extracted in 
each period of the mining business. 
  

• Operating:  They  are  daily  made,  for  example,  trucks  address  dispatching.  Within  the 
operational  planning,  processes  and  operational  rates  resulting  from  the  mining  plan  are 
included. Here, the conceptual planning feedback takes place. 
The strategic decision of determining the optimum final pit has been effectively treated using the 
Lerchs‐Grossman  algorithm  [10]  or  the  Picard  flow  networks  method  [13]  (see  also  [2,  4]).  These 
methods  are  based  on  a  block  model  which  characterises  a  mineralised  body.  Moreover,  the 
problem of generating a production schedule can be defined specifically as the sequence in which 
blocks should be removed from the mine with the objective of maximising the total profit, defined 
according to the company strategic goals, subject to a series of physical and economic constraints. 
This  problem  can  be  formulated  using  integer  linear  programming,  however  in  real  applications, 
this formulation is too extended, both in terms of number of variables and number of constraints to 
be  solved  with  available  MILP  software.  In  consequence,  it  appears  the  necessity  to  divide  the 
problem, first establishing a final pit, and then sequencing the blocks contained in it. 
A number of approaches for solving the sequencing and scheduling issue in the extraction of blocks 
have  appeared  in  the  literature,  including:  heuristic  [2,  8];  relaxation  lagrangean;  parametric 
methods [5, 11, 15, 16], mixed integer linear programming [3, 4, 8]; and the application of artificial 
intelligence algorithms such as genetic algorithms and neural networks [6]. Due to the complexity 
and size of the problem, all these approaches suffer from one or more of the following limitations: 
Is not possible to cover most of the constraints that arise, deliver sub‐optimal solutions without a 
quality measure in most cases and they can only address problems of limited size. Smith [15] notes 
that while long‐term planning is typically responsible for maximising the project value, short‐term 
planning  is  commonly  associated  with  a  target  based  on  production  goals  with  maximum  or 
minimum  limits  of  certain  chemical  constituents  critical  such  as  in  mining  coal  with  high  sulfur 
content,  where  the  maximisation  of  sulfides  production  is  considered.  Smith  [15]  poses  a  mixed 
integer programming model which is responsible for blocks scheduling extraction in the short term, 
with the objective of maximising the production of material of interest, subject to certain constraints 
on  blending,  while  ensuring  a  simple  scheme  of  horizontal  and  vertical  constraints  without 
considering  the  presence  of  stocks.  In  the  same  line  Camilo  Morales  [18],  presents  a  model  to 
maximise the production of metal in a copper mine, subject to certain geometallurgical constraints. 

Clustering
Aggregation mechanisms combined with optimal solution strategies have also begun to play a role 
in  block  sequencing  for  the  short‐term.  Specifically,  the  authors  try  to  reduce  the  model  size  by 
combining blocks with similar properties. Ramazan [13] proposed an aggregation scheme that uses 
linear programming to construct ʹfundamental treesʹ to reduce the number of blocks (entities) to be 
sequenced.  After  performing  this  aggregation,  the  general  problem  of  block  sequencing  can  be 
solved, but now with far fewer variables because of aggregation. The author applies his techniques 
to  a  mine  of  about  40,000  blocks  to  be  extracted  for  eight  years.  Boland  et  al.  [19]  uses  binary 
variables  to  meet  precedences  between  blocks  clusters,  while  continuous  variables  control  the 
amount  of  material  removed  of  each  cluster,  as  of  each  block  in  an  aggregate.  The  authors 
demonstrate their procedure using cases that contain up to 125 macro‐blocks aggregates in a model 
of nearly 100,000 units. The times for a 1% solution close to the optimum, vary between thousands 
and tens of thousands of seconds. 
  

OPTIMISATION MODEL  
The  mathematical  model  that  aims  to  deliver  a  guide  for  building  short  and  medium  term  plans, 
using  a  general  outline  of  destinations  and  attributes  for  each  block  for  copper  mining  will  be 
described as follows in this chapter. In relation to the destinations, it works on the basis that from a 
copper mine, five main types of materials are extracted, which are: sulphides, oxides, mixed, sterile 
and ROM. It also adds the chance of differentiate in campaigns the extracting of different minerals 
lithologies and the stocks presence. 

Clustering Tool
An obvious way to reduce the number of variables to solve the optimisation model is to select block 
groups  and  add  them  in  order  to  obtain  a  final  model  that  now  includes  macro‐blocks. 
Traditionally, this aggregation is done generating clusters of regular dimensions (see Figure 1), for 
example, from blocks dimension of 10x10x10 to macro‐blocks of 30x30x30 where each macro‐block 
containing 27 (33) of the original blocks, attributes as grades or pollutant contents are averaged to 
obtain the final value for the macro‐block. This way of clustering blocks is useful and efficient for 
porphyry  ore  bodies,  where  large  volume  of  material  with  identical  mineralogical  characteristics 
distributed  uniformly  but  for  ore  bodies  with  chaotic  nature  in  regard  to  the  lithologies  spatial 
distribution, this might not be the right thing. 
Given the need for a mechanism able to make a smart clustering, using as a programming platform 
Python  language,  a  tool  capable  of  receiving a  block model and giving a  set  of macro‐blocks  was 
developed. These macro‐blocks, hence MRU (operational unit resources) are the result of clustering 
blocks  according  to  a  function  defined  for  convenience,  being  also  possible  to  intercept  different 
types of aggregations, for example, in the case of ore bodies with high mineralogical variability, is 
possible to generate macro‐blocks due to the interception of a regular clustering (30x30x30) with a 
clustering by the attribute lithology (see Figure 2). 
This  method  of  aggregation  generates  a  group  of  irregular  macro‐blocks  creating  the  necessity  of 
implementing  tools  that  could  work  properly,  particularly  in  the  definition  of  vertical  and 
horizontal precedences and extraction progress control from the access. 

Figure 1  Clustering traditional methodology 
  

Oxxide Block

Sulfide Block

Sulfide Block

nerated clusterring tool 
Figure 2  Gen

Implem
mentation off graph struccture 
Given  the  new  scennario,  which  must  be  cap pable  of  hand dling  irregulaar  macro‐bloccks  (MRU),  itt  is 
necessaary  to  connecct  the  spatiall  arrangemennt  of  these  MR RU  through  a  graph,  in  which 
w a  nodee  is 
directly
y  associated  with  a  MRU U  and  the  verrtices  to  the  connections 
c g
generated  witthin  a  radius  of 
neighbbours of each MRU (node). 
By  hav
ving  each  lev
vel  of  the  model 
m charactterised  by  a  connected  graph, 
g we  caan  calculate  the 
t
minimum distance ffrom road acccess to each M MRU, which aallows the determination o of the precedeent 
MRU ffor each MRU U. 

Fig
gure 3  Minimu
um path between two MRU 

As  an  example,  Figgure  3  considering  that  the 

t MRU  1  corresponds 
c to  an  access,,  the  minimu
um 
distancce  path  from  the  entrancee  to  the  MRU
U  7  is:  MRU  1  ‐  MRU  3  ‐ MRU  7,  inddicating  that  the 
t
MRU 77 is preceded by MRU3 and d MRU 3 by M MRU 1 respecctively. 

Input and model parameters 
The  op
ptimisation  model 
m requiress  as  input  a  block 
b model  in 
i which  each h  block  has  a  spatial  locatiion 
(coordiinates) and weell‐defined attributes, table 11 lists these atttributes and aa brief descripttion of them.
Each  block 
b has  a  tonnage  ton((ū),  destination  dest(ū)  є є (OX,  SP,  ROM, 
R WST)  and 
a a  set  of  A 
geometallurgical atttributes for eaach block: g(ū ū, a) for a = [11, ..., A]. The  same attributtes are requirred 
for eith
her oxides an
nd sulphides  stocks g(OX,  a), g(SP, a) ffor a = [1, ...,  A]. Finally, R ROM blocks aare 
alwayss processed on n a different lline than in th
he case of oxid des and sulph hides. 

 
Table 1  General model notation 

Symbol  Meaning
B  Set of blocks 
ū  Block coordinates 
T  Time horizon (number of periods). 
t  Time period (t є {1,2,…,T}) 
OX, SP, ROM, WST  Block destination (Oxides, sulfides, ROM or 
waste line processing) 
A  Block model sets  (e.g. geometallurgical) 

a  Block model Attribute 
CU(ū)  Copper content in the block 
ton(ū)  Block tonnage 

 
The model requires maximum capacity of plant and mine for every period. On the other hand, for each 
attribute, the average range that should be maintained for the processed blocks must be specified. If we 
consider time periods 1, 2, ..., T, then the mining and processing capacities will be identified as P(t) and 
M(t), and the maximum average value of each attribute as Ma for a = [1, ..., A]. Each time period is also 
labelled as sulphur or oxide, depending on the campaign to which it corresponds. 
The  extraction  control  from  an  access  is  obtained  by  incorporating  the  TL  parameter,  which 
corresponds to the number of periods to extract a MRU account after having removed the previous 
MRU.  In  addition  to  that,  the  FMM  parameter  (mine  movement  factor)  is  set,  which  allow 
saturating the hauling capacity. 

Variables 
Regarding the model blocks, two sets of variables are considered, one for mining and the other for 
processing.  The  first  set  determines  when  a  block  is  extracted  from  the  mine.  For  a  block  U  and  
t = [1, ..., T], where: 

1 ū block is extracted in 1. . t
mū,
0 other case

The second set determines when a particular block is processed: 

1 ū block is processed in 1 … t
pū,
0 other case

Similarly  are  denoted  as  p(OX,  t)  and  p(SP;  t),  the  number  of  processed  blocks  from  the  stock  of 
oxides and sulphur respectively in period t. 
To simplify the writing of the model, it is useful to introduce some auxiliary variables relating to 
mine and process variables: 
  

m ū, t m ū, t 1 si t 1
Δm ū, t
m ū, 1 si t 1

p ū, t p ū, t 1 si t 1
Δp ū, t
p ū, 1 si t 1

Δ  variables  have  the  advantage  of  having  a  rather  simple  interpretation,  for  example  Δm(ū,  t)  is 
equal to 1 where a block (ū) is mined in exactly the period t. 

Objective function 
Each block has a copper content CU (ū) as an attribute. We want to maximise the amount of metal 
produced in the horizon of T time periods involved in the problem. Only sulphide and oxide blocks 
are considered in the objective function because these are the main sources of copper. 

: CU ū Δp ū, t
ū є OX,SP,ROM

Constrains 
The blocks can be mined and processed only once: 
        m ū, t m ū, t 1 , 1 t T 1 (1) 

p ū, t p ū, t 1 , 1 t T 1 (2)

Only mined blocks can be processed: 
        p ū, t m ū, t 1 , 1 t T (3) 
Stocks are limited: 

p OX, s N OX 4

p SP, s N SP 5

Capacities:  Both  the  mine  capacity  and  processing  capacity  at  the  plant  must  be  respected.  For  any  
t = [1...T]: 
 ton ū Δm ū, t ton OX p OX, t ton SP p SP, t M t 6
ū

ton ū Δp ū, t ton OX p OX, t ton SP p SP, t P t 7

ū

Vertical precedences: Previous blocks to a given target block, should be removed, that is, for each 
(ū1, ū2) є Γ (set of arcs in the precedence graph for a given angle of slope) and t = [1, ...,T]. 

m ū ,t m ū ,t 8

Horizontal Precedence: This restriction require that once a block is extracted in a period t, there is a 
TL limit of periods to extract the next block in the horizontal arc of precedence (see Figure 4), ie., for 
each (ū1, ū2) є Π (set of arcs in the precedence graph horizontal) and t = [1...T]. 

1 m ū ,t m ū ,t TL m ū ,t TL 1 9

Figure 4  Horizontal precedence diagram 

Campaigns: During an oxide campaign, there is no chance for sulphide blocks to be processed: 
For all t = [1, …, T] and ū such that dest (ū) = SP. 

Δp ū, t 0 10

p SP, t 0 11

Similarly,  during a sulphide  campaign,  then  neither  oxide  blocks  nor  blocks from  the  oxide  stock 
are processed: For all t = [1, …,T] and ū such that dest (ū) = OX. 
   Δp ū, t 0  (12) 

p OX, t 0   (13)

Blending: For each blending attribute a= [1, …,A] we have a maximum average of Ma so: 

g ū, a Δp ū, t g OX, a p OX, t g SP, a p SP, t  

ū
                                  M Δp ū, t p OX, t p SP, t (14)

Transport  capacity  saturation:  Because  the  graph  structure  and  the  definition  of  horizontal 
precedences  that  ensure  the  geometric  connectedness  of  the  solution,  it  is  possible  to  add  a 
constraint that ensures the saturation of the hauling capacity in the mine, for all t = [1,…,T]: 

∑ū ton ū Δm ū, t ton OX p OX, t ton SP p SP, t FMM · M t (15)

Where  the FMM  parameter  corresponds  to a  mine movement factor,  where  value fluctuates  between  

0 and 1. 

Heuristics to reduce computation time 
A sequencing problem is divided into periods, from the first (1), to the horizon (T). In general, it is 
observed  for  a  universe  of  fixed  blocks,  the  difficulty  of  solving  a  sequencing  problem  increases 
dramatically with the number of periods T. It is natural then to search for decomposition resolution 
schemes  in  order  to  maintain  the  T  value  bounded.  A  possible  technique  to  use  is  a  pattern  of 
ʹwindowsʹ,  which  resolves  the  problem  of  sequencing  for  the  first  Tʹ<T  periods,  then  this  firsts 
periods are fixed as part of the solution and then the technique continues solving for the following 
non  fixed  Tʹ  periods  in  an  iterative  way  until  the  entire  horizon  have  been  solved,  as  seen  in  the 
Figure 5. 
This mechanism was successfully applied in the optimisation model described above, achieving a 
significant  reduction  in  computation  time,  verifying  that,  for  certain  window  sizes,  feasible 
solutions are obtained with a gap of no more than 5% with a computation time about 80% lower to 
those for solving the problem without this scheme. This reduction in computation time can make 
the  leap  to  analyse  uncertainty  associated  with  mine  planning  process,  incorporating  into  the 
production schedule calculation, geostatistical simulations of the resource model. 
 
1  2  3  4 5  6  7  …  T 
Resolution for T' periods  It is assumed that in this period there is no activity 
RESOLVED  Resolution for T' periods Periods without  activity 
RESOLVED  Resolution for T' periods  without  activity 

RESOLVED  Resolution for T' periods   

Figure 5  Time‐Frame Methodology 
RESULTS 
The  model  was  tested  both  for  a  short (Quarter)  and  medium (Forecast)  time horizon, using  data 
from Spence mine, owned by BHP Billiton. For the first case, the data used are those for the quarter 
July to September 2008 and for the second one from fiscal year July 2008 ‐ July 2009. 
The  issue  presented  in  this  study  was  solved  using  an  integer  programming  model,  whose 
implementation  was  done  using  the  AMPL  programming  language,  and  whose  resolution  was 
made using the commercial software ILOG CPLEX, version 10.2. 

Spence Mining Company 
The Spence mine is a company 100% BHP Billiton owned. The mine operation is located near the 
community  of  Sierra  Gorda  in  Region  II  of  Northern  Chile,  approximately  50  km  southwest  of 
Calama and 150 km northeast of Antofagasta. 
In geological terms, it corresponds to a supergene enriched and partially oxidized porphyry copper 
deposit  from  Upper  Paleocene  age  (~  57  M  Years),  100%  covered  by  gravels  with  mineralisation 
depth  ranges  from  80  to  100  metres  below  surface,  where  the    supergene  sulphide  and  the  oxide 
mineralisation are associated with the presence of atacamite and chalcocite respectively. Five types 
of materials are drawn from the mine, which are: sulphides, oxides, mixed, ROM and waste, those 
which are classified agree to characteristics of the block model. 
The  operation  is  conducted  through  an  open  pit  mine  with  leaching  and  SX‐EW  (Solvent 
extraction/Electro winning) production facilities, with a mining rate ex‐pit up to 260,000 tonnes/day 
and  an  ore  treatment  rate  of  50,000  tonnes/day  for  an  approximate  nominal  annual  production 
capacity  of  200,000  tonnes  copper  cathode.    Finally,  the  cathodes  are  carried  to  either  ports  of 
Antofagasta or Mejillones for shipping to customers. 

Geometallurgical constraints 
The  processing  plant  imposes  certain  geo‐metallurgical  constraints  to  obtain  final  copper  cathode 
with maximum recovery, ensuring maximum efficiency step in the process. The constraints that must 
be met are: 
Table 2  Geometallurgical Constraints 
Attribute Upper limit
CO3  0.8 kg/t 
Clacid  0.8 % 
Blend  25 % 
F_Geomet  20 % 

Quarter Spence Application 
It was worked with the block model for the period between July and September 2008, which has a 
total of 9,976 blocks of 10 x 10 x 15 metres size. Model exploitation was roughly divided into two 
weeks period (see Table 4), with certain exceptions such as when there is a change of campaign or 
when days of the last week are less than the 14 required. The mathematical model considers the use 
of  two  stocks,  sulphides  and  oxides  respectively,  and  its  objective  function  is  to  maximise  the 
tonnage of copper recovered. 
  

Table 33 Resolution parameters 

 
LIM
MITS
Mine  d  CO3  F_Geomeet  Blend 
Plant  Clacid
Perio
od Days Camppaign
(Kt) (Kt) (Kg/t)) (%) (%) (%)
1 14 Sulphides 3,080    700  0.8 1.2 20 25
2 14 Sulphides 3,080    700  0.8 1.2 20 25
3 14 Sulphides 3,080    700  0.8 1.2 20 25
4 14 Sulphides 3,080    700  0.8 1.2 20 25
5 14 Sulphides 3,080    700  0.8 1.2 20 25
6 7 Sulphides 1,540    350  0.8 1.2 20 25
7 14 Oxidees 3,080    700  ‐ 1.2 20 25
8 1 Oxidees     220      50  ‐ 1.2 20 25
 
Depending on minee and plant caapacities preseented in Tablle 4, saturation n of the transsport capacity y of 
95%  iss  imposed  (Eqquation  15).  Finally,  a  slo
ope  angle  of  50%  (Equatio
on  8)  and  a  value  of  TL  = 
= 2 
(Equattion 9) are esttablished, the latter param meter as explained above co orresponds to o the maximu um 
time to ock on a path of minimum distance, afteer having extrracted its prev
o extract a blo viously. 

Graph
h 1  Copper reccovered by leveel of aggregatio
on

The maathematical m model was so olved in an Inntel® Xeon® 1.6 GHz CPU aand 3 GB of R RAM noteboo ok. 

Both, tthe geometriccal results obttained for a rrepresentativee bank visible in Figure 55 and the mod del 
calculaation times vaary depending on the size  and shape off the selected d MRU, the laatter varies fro
om 
10  minnutes  withou ut  using  any  kind  of  aggregation  till 10  seconds  for 
f a  square  aggregation  of  
60 x 600 x 15 intercep
pted with Min ntType and Ph hase‐Bank atttributes.  
The  obbjective  function  without  using 
u any  kinnd  of  aggreg
gation  reachess  a  value  of  124, 
1 112  copp
per 
tonnes.  The  relationnship  analysiis  between  thhe  MRU  seleccted  (see  Graaph  1),  coppeer  recovery  and 
a
geometric coherence of the resullting solution n, throws thatt by growing  the size of th he MRU, copp per 
recovery decreases, which is intu uitively justifiied due to losss of selectiviity associated with the usee of 
basic ooperating unitts of larger siize, but on th he other hand d, solutions co orresponding g to big clusteers, 
look faar more opera ational than th hose that do n not use blocks cluster (see Figure 6). Th he nomenclatu ure 
of aggrregation in thhis work repreesents an squ uare aggregation CX0 where, for examp ple, X = 4 meaans 
that  macro‐blocks 
m of  40  x  40  m2  with  targget  attributess,  phase  and  bench  of  th he  block  mod del  
are inteercepted. 

 
 

Access
Access

Figure 6  Geometric results for Phase 2‐Bank 1580 with C40 (left) and C70 (right) clustering 

CONCLUSIONS 
Implementing  a  graph  structure  allows  to  define  a  pattern  of  vertical  and  horizontal  precedence 
consistent  with  the  logical  order  of  blocks  removal  in  the  operation  of  an  open  pit  mine.  On  the 
other hand, this restrictive scheme helps to reduce the range of feasible solutions, which combined 
with the use of an time‐frame algorithm for ciplex resolution and the possibility of generate MRU, 
can both reduce the calculation times for a total of 14,000 blocks in about 97%, allowing to solve the 
problem  in  a  personal  computer  at  a  time  between  0.5  and  10  minutes  depending  on  the  level  
of aggregation. 
Adding  the  concept  of  operating  exploitation  units  (MRU)  that  feeds  the  optimisation  model,  not 
only allows to reduce significantly the model computation time and to address problems involving 
a larger number of variables, but also provides a tool for incorporating minimum operating areas 
for mining equipment, allowing analysis of the decrease or increase of the recovery associated with 
selectivity degree that can be achieved with a certain profile of mining equipment. The decrease in 
computation  time  and  the  use  of  MRU,  allow  address  the  problem  of  extract  scheduling  for  a 
greater number of blocks (100,000 blocks). 

FUTURE WORK 
The implementation of the optimisation model described in this paper implies an important step to 
tackle the problem of uncertainty associated with the block sequencing problem for both the short 
and  medium  term,  incorporating  blending  and  operational  constraints,  this  thanks  to  the  drastic 
decrease in the calculation times. In this regard an important step goes in hand with the ability to 
add intelligent way, with the development of the tool described in this document. The challenges to 
address in the future are: 
Improving resolution techniques: While in the model in its current stage, it is possible to deal with 
a  universe  of  100,000  blocks,  in  particular  for  those  involved  in  the  medium‐term  plan  of  Spence 
mine, still need to make significant improvements in algorithms resolution if it is wanted to address 
at some point the long‐term problem. 
To  study  changes  in  the  objective  function:  The  implementing  a  graph  structure  allows  to 
incorporate the item of distances traveled to extract certain volume of blocks, this allows to aspire 
some changings in the objective function that incorporate the cost item in the model. 
Build  model  with  variables  destinations:  In  its  current  stage,  the  model  requires  each  block  to 
have  preset  destination,  this  naturally  affects  the  maximum  value  achieved  by  the  objective 
function, an important challenge is to incorporate this item as a variable, so that the destiny of each 
block is the result of optimisation. 

REFERENCES 
Alexandra  M.  Newman,  Enrique  Rubio,  Rodrigo  Caro,    Andres  Weintraub  (2007),  A  Review  of  Operations 
Research in Mine Planning, Workshop on Operations Research in Mining. Pp. 1-13. [1]

Caccetta, L. and Giannini, L.M. (1986), Optimization Techniques for the Open Pit Limit Problem, Proc. Australas. 
Inst. Min. Metall. 291p., pp.57‐63. [2] 

Caccetta,  L.,  Giannini,  L.M.  and  Kelsey,  P.  (1998),  Application  of  Optimization  Techniques  in  Open  Pit  Mining, 
Proceedings of the Fourth International Conference on Optimization Techniques and Applications (ICOTA’98) 
(L. Caccetta et al. Editors.), Vol. 1, pp. 414‐422. (CurtinUniversity of Technology: Perth, Australia). [3] 

Caccetta, L., Kelsey, P. and Giannini, L.M. (1998), Open Pit Mine Production Scheduling, in A.J. Basu, N. Stockton 
and  D.  Spottiswood  (Eds.),  Computer  Applications  in  the  Minerals  Industries  International 
Symposium (3rd Regional APCOM), Austral. Inst. Min. Metall Publication Series 5 p., pp. 65‐72. [4] 

Dagdelen,  K.  and  Johnson,  T.B.  (1986),  Optimum  Open  Pit  Mine  Production  Scheduling  by  Lagrangian 
Parameterization,  in:  Proc.  19th  APCOM  Symposium  of  the  Society  of  Mining  Engineers  (AIME)  
pp. 127‐142. [5] 

Denby, B., Schofield, D. and Bradford, S. (1991), Neural Network Applications in Mining Engineering, Department 
of Mineral Resources Engineering Magazine, University of Nottingham, pp. 13‐23. [6] 

Francois‐Bongarcon, D.M. and Guibal, D. (1984), Parametization of Optimal Designs of an Open Pit Beginning of a 
New Phase of Research, Trans. SME, AIME 274, pp.1801‐1805. [7] 

Gershon,  M.  (1983),  Mine  Scheduling  Optimization  with  Mixed  Integer  Programming,  Mining  Engineering  35  p.,  
pp. 351‐354. [8] 

Gershon, M. (1987), Heuristic Approaches for Mine Planning and Production Scheduling, Int. Journal of Mining and 
Geological Engineering 5 p., pp.1‐13. [9] 

Lerchs,  H.  and  Grossmann,  I.F.  (1965),  Optimum  Design  of  Open  Pit  Mines,  Canad.  Inst.  Mining  Bull.  58  p.,  
pp. 47‐54 [10] 

Matheron, G. (1975), Le Parametrage des Contours Optimaux, Technical Report No. 403, Centre de Geostatistiques, 
Fontainebleau, France. [11] 

Picard, J.C. (1976), Maximum Closure of a Graph and Applications to Combinatorial Problems, Management Sc. 22 p., 
pp. 1268‐1272. [12] 

Ramazan,  S.,  (2007).  The  new  fundamental  tree  algorithm  for  production  scheduling  of  open  pit  mines.  European 
Journal of Operational Research, Vol. 177, No. 2, pp. 1153‐1166. [13] 

Rubio,  E.,  (2006).  Block  cave  mine  infrastructure  reliability  applied  to  production  planning.  Thesis  (Ph.  D.).  
Vancouver,  Canada.  The  University  of  British  Columbia.  The  Faculty  of  Graduate  Studies  (Mining 
Engineering). [14] 

Smith,  M.  L.,  (1998).  Optimizing  short‐term  production  schedules  in  surface  mining: Integrating mine modeling 
software with AMPL/CPLEX.  International Journal of Surface Mining, Reclamation and Environment, 
12 p., pp.149‐155. [15] 

Whittle, J. (1993), Four‐D User Manual, Whittle Programming Pty Ltd., Melbourne, Australia. [16] 
Whittle, J. (1998), Four‐X User Manual, Whittle Programming Pty Ltd.,Melbourne, Australia. [17] 

Morales C. and Rubio E.  (2010), Development of a mathematical programming model to support the planning of short‐
term mining, Proc. of the 34th Intern. Symp. on Application of Computers and Operations research in 
the Mineral Industry (APCOM), Vancouber, Canada. [18] 

Boland, N., Dumitrescu, I., Froyland, G., and Gleixner, A., (2009). LP‐based disaggregation approaches to solving 
the  open  pit  mining  production  scheduling  problem  with  block  processing  selectivity.  Computers  and 
Operations Research, Vol. 36, No. 4, pp. 1064‐1089. [19]