Step 3:

Ultimate Pit Limit (UPL)

Surface Mine Planning

1
Mine Planning Sequence
1. Geologic Model
2. Economic Model
3. Pit Limits
4. Pushbacks
5. Mining Schedules
6. Detailed mine plans and optimization studies

2
Mine Planning: 3st Step

Ultimate Pit limit

In: Modelo de bloques económico y restricciones mineras

Out: límite económico de explotación, reservas

explotables, valor del negocio minero……

3
Definición
 El Ultimate Pit Limit es el límite económico de explotación
para un escenario técnico, económico y financiero
determinado.
 Define el tamaño y la forma del pit al final de su vida.
 Determina las reservas explotables y el tonelaje total de
estéril a extraer.

En otras palabras, decide el tamaño del negocio minero

4
Procedimientos
 Para definir el Ultimate Pit Limit existen tres caminos
posibles a seguir:
 Método manual
 Comparación de razones de stripping de perfiles, por longitud vs
económica.
 Método computacional
 Cono Flotante, Lerchs & Grossmann
 Método combinado

5
 Algoritmos

 Algoritmos heurísticos: basados en el sentido común

 Cono Flotante (Pana - 1965)
 Cono Flotante Optimizado (Lemieux – 1979)
 Algoritmos Optimizantes: con justificación
matemática
 Cierre Máximo (Lerchs y Grossmann – 1965)
 Flujo Máximo (Picard – 1976)
 Flujo Máximo con reetiquetado (Hochbaum – 2000)

6
Técnica del Cono Flotante
 Esta técnica fue presentada formalmente por Pana (1965).
 Consiste en evaluar el beneficio neto total de los bloques
que caen dentro de un cono invertido.

-1 -1 -1 -1 -1 1 -1
-2 -2 -2 4 -2 -2 -2
-3 -3 7 1 -3 -3 -3

7
Técnica del Cono Flotante
 El algoritmo es el siguiente
 Se posiciona el vértice del cono en el primer bloque (lado izquierdo) de la primera fila.
 El cono flota desde izquierda a derecha y desde arriba hacia abajo, hasta posicionarse
sobre un bloque de valor positivo factible de remover.
 Cuando encuentra un bloque de valor positivo, se determina el valor neto del cono hasta
alcanzar la superficie.
 Si la suma de todos los bloques que caen dentro del cono es positiva (o cero), los bloques
son removidos del modelo. Si la suma es negativa, se mantienen los bloques y el cono se
mueve al próximo bloque positivo.
 Si ya no hay más bloques que evaluar, el proceso termina, y el resultado final es la unión de
todos los conos extraidos.

8
Técnica del Cono Flotante

 Ejemplo (Ángulo de Talud Global = 45º)

-1 -1 -1 -1 -1 1 -1 -1 -1 -1
-2 -2 -2 4 -2 -2 -2 -2 -2 -2 -2 -2 -2 BNA = 3
-3 -3 7 1 -3 -3 -3 -3 -3 7 1 -3 -3 -3

-1 -1 -1 -1 -1 1 -1 -1
BNA = 0
-2 -2 -2 4 -2 -2 -2 -2 -2 -2 -2 BNA = 3
-3 -3 7 1 -3 -3 -3 -3 -3 1 -3 -3 -3

-1 -1 -1 -1 -1 1 -1 -1
-2 -2 -2 4 -2 -2 -2 BNA = 1 -2 -2 -2 -2 BNA = 3
-3 -3 7 1 -3 -3 -3 -3 -3 1 -3 -3 -3

-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1
-2 -2 -2 4 -2 -2 -2 BNA = 2 -2 -2 4
-3 -3 7 1 -3 -3 -3 7 Ultimate Pit Limit

9
Técnica Cono Flotante: Problemas

 Conos sobrelapados pueden llevar a inexactitudes

Cannot mine: Net value = -1 Cannot mine: Net value = -1

-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

-2 -2 -2 -2 -2 -2 -2 -2 -2 -2

10 -3 10 10 -3 10

-1 -1 -1 -1 -1 -1 -1
-2 -2 -2 -2 -2
10 -3 10 Net value = +3
10
10
Técnica Cono Flotante: Problemas

 Puede resultar un pit más grande que el óptimo

Este es el óptimo

-2 -2 -2 -2 -1 -2 -2 -2 -2 -1
4 8 -2 4 8 -2
2 2

Net value = +3 Net value = +4

11
Algoritmos Lerchs & Grossmann

 Creados y publicados por L&G en 1965

 L&G postula que el problema del Ultimate Pit Limit es encontrar aquel
volumen V que maximice la integral:

 m( x, y, z)dxdydz
V
Considerando la restricción del ángulo de talud 

 Donde m es el beneficio de extraer un bloque

 Sin embargo, la complejidad del problema no permite que pueda ser
resuelto por métodos analíticos.

12
 Lerchs & Grossmann 2D: Programación
Dinámica
 El algoritmo es el siguiente:
 Se selecciona un bloque (i,j), se determina su beneficio mij = vij – cij y se construye un
tableau con las cantidades:
i
M ij  mkj
k i

 Mij representa el beneficio de extraer una sola columna con el elemento (i,j) en su base
 Luego en un tableau final, se adiciona una fila de ceros en su parte superior y se calcula la
siguiente cantidad:

Pij  M ij  Max( Pi  k , j 1 )
k
P0 j  0
con k=-1, 0, 1

 Luego se indica el valor máximo por una flecha que va desde (i,j) hasta (i+k, j-1)

13
Lerchs & Grossmann 2D
-4 -4 -4 -4 8 12 12 0 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4
-4 -4 -4 -4 0 12 12 8 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4
-4 -4 -4 -4 -4 8 12 12 0 -4 -4 -4 -4 -4 -4 -4 -4 -4
Ejemplo -4
-4
-4
-4
-4
-4
-4
-4
-4
-4
0
-4
12
8
12
12
8
12
-4
0
-4
-4
-4
-4
-4
-4
-4
-4
-4
-4
-4
-4
-4
-4
-4
-4
BNA=108
L&G 1965 -4 -4 -4 -4 -4 -4 0 12 12 8 -4 -4 -4 -4 -4 -4 -4 -4
-4 -4 -4 -4 -4 -4 -4 8 12 12 0 -4 -4 -4 -4 -4 -4 -4
-4 -4 -4 -4 -4 -4 -4 0 12 12 8 -4 -4 -4 -4 -4 -4 -4

-4 -4 -4 -4 8 12 12 0 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4
-8 -8 -8 -8 8 24 24 8 -8 -8 -8 -8 -8 -8 -8 -8 -8 -8
-12 -12 -12 -12 4 32 36 20 -8 -12 -12 -12 -12 -12 -12 -12 -12 -12
-16 -16 -16 -16 0 32 48 32 0 -16 -16 -16 -16 -16 -16 -16 -16 -16
-20 -20 -20 -20 -4 28 56 44 12 -16 -20 -20 -20 -20 -20 -20 -20 -20
-24 -24 -24 -24 -8 24 56 56 24 -8 -24 -24 -24 -24 -24 -24 -24 -24
-28 -28 -28 -28 -12 20 52 64 36 4 -24 -28 -28 -28 -28 -28 -28 -28
-32 -32 -32 -32 -16 16 48 64 48 16 -16 -32 -32 -32 -32 -32 -32 -32

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
-4 -4 -4 -4 8 20 44 60 76 92 96 104 108 104 104 100 96 92
-8 -12 -12 -12 4 32 60 80 96 100 108 112 108 108 100 96 92 88
-12 -20 -24 -24 -8 36 72 104 108 116 120 116 116 104 96 88 84 80
-16 -28 -36 -40 -24 24 84 116 128 132 128 128 116 104 88 80 72 68
-20 -36 -48 -56 -44 4 80 128 148 144 144 132 120 100 84 68 60 52
-24 -44 -60 -72 -64 -20 60 136 160 164 152 140 120 96 76 60 44 36
-28 -52 -72 -88 -84 -44 32 124 172 176 164 144 116 92 68 48 32 16
-32 -60 -84 -104 -104 -68 4 96 172 188 172 140 112 84 60 36 16 0

14
Lerchs & Grossmann 3D

 Creado por L&G en 1963 y publicado en Transaction CIM (1965)

 Se basa en la teoría de Grafos.

The mining of volume A is not

C permissible unless volume B is also
mined.

We thus obtain a directed three-

B
dimensional graph G(X,A) with a set
of vertices X and a set of arcs A.

15
Lerchs & Grossmann 3D
 The Problem:
 Given a directed graph G(X,A) and for each vertex xi a numeric value
mi ≥≤ 0, called the mass of xi, find a closure Y of G with maximum
mass. In order words, finds a set of elements Y X such that:

xi  Y  xi  Y

and M y   mi is maximum
xi Y

 A closure with maximum mass is also called a “maximum closure”

16
Lerchs & Grossmann 3D
Definitions

In a tree T with root x0, an arc is characterized by

the orientation of arc ak with respect to x0.
The arc is called a p-edge if the arc ak points
toward the branch Tk (the terminal vertex of ak is
part of the branch Tk), and Tk is called a p-branch.
If arc points away from branch Tk, then ak is
called an m-edge and Tk an m-branch.

A p-edge (p-branch) is strong if it supports a

mass that is strictly positive.
An m-edge (m-branch) is strong if it supports a
mass that is null or negative.
Edges (branches) that are not strong are said to
be weak.

A vertex xi is said to be strong if there exists at

least one strong edge on the chain of T joining xi
to the root x0.

17
Lerchs & Grossmann 3D
A tree is normalized if the root x0 is common to all strong
arcs. Any tree T of a graph G can be normalized by replacing
the arc (xk, xl) of a strong p-edge with a dummy arc (x0, xl), and
the arc (xq, xr) of a strong m-edge with a dummy arc (x0, xq)
and repeating the process until all strong edges have x0 as
one of their extremities.

Property 1
If a vertex xk belongs to the maximum closure Z of a
normalized tree T, then all the vertices Xk of the branch Tk
also belong to Z.

Property 2
The maximum closure of a normalized tree T is the set Z of
its strong vertices.
Theorem I
If, in a directed graph G, a normalized tree T can be constructed
such that the set Y of strong vertices of T is closure of G, then Y is
a maximum closure of G.
Theorem II
In following the steps of algorithm, a maximum closure of G is
obtained in a finite number of steps.
Lerchs & Grossmann 3D
El algoritmo es el siguiente:
 Se construye un árbol normalizado Tº, el cual cuenta con un
nodo x0 dummy raíz y arcos dummy (x0, xi).
 La iteración t+1 transforma un árbol normalizado Tt en un
nuevo árbol Tt+1. Cada iteración tiene los siguientes pasos:
1. Si existe un arco (xk, xl) en G tal que Yk Yt, y xl X-Yt, entonces se va
al paso 2. De otra forma se va al paso 4.
2. Determinar xm, la raíz de la rama fuerte que contiene a xk. Construir el
árbol Ts reemplazando el arco (x0, xm) de Tt por el arco (xk, xl).
3. Normalizar Ts, removiendo de la cadena [xm,…x0] todos los arcos
fuertes, uno por uno. Es decir, reemplazaremos el arco (xa, xb) por el
arco (x0, xa) y recalcularemos las masas. Esto generará el árbol Tt+1. Ir
al paso 1.
4. Fin. Yt es el cierre máximo de G.
19
Lerchs & Grossmann 3D
 Constructions of Ts
The arc (x0, xm) supports in Tt a
branch Tmt with mass Mmt > 0.
On the chain [xm,…,x0] of Ts we have
the following transformation of
masses:
For an arc on the chain [xm,…,xk]:
On the chain [xm,…,xk], a p-edge in Tt
Mi s = Mmt – Mi t
becomes an m-edge in Ts and vice
For the arc [xk, xl]: versa.

Mks = Mmt On the chains [xm,…,xk] and [xl,…,xp]

in Tt, all p-edges support zero or
For an arc on the chain [xl,…,x0]: negative masses and all m-edges
Mis = Mmt + Mit support strictly positive masses as
Tt is normalized.
Lerchs & Grossmann 3D: Ejemplo
-1 -1 -1 -1 -1 -1
-1 -1 -1 -1 -1 -1
-1 -1 5 10 -1 -1

Grafo G
-1 -1 -1 -1 -1 -1

-1 -1 -1 -1 -1 -1
Árbol T0
-1 -1 -1 -1 -1 -1 -1 -1
-1 -1
-1 -1 -1 -1 -1 -1 -1 -1
-1 -1

5 10 -1 -1 -1 -1
5 10 -1 -1 -1 -1

5 10
5 10

X0

21
 Lerchs & Grossmann 3D: Ejemplo
Secuencia de análisis: de izquierda a derecha y de arriba hacia abajo.

1º Paso: Existe (xk, xl)

-1 -1 -1 -1 -1 -1

-1 -1 -1 -1 -1 -1

-1 -1 -1 -1
-1 -1 -1 -1
2º Paso: Árbol Ts
5 10 -1 -1 -1 -1 -1 -1

5 10 -1 -1 -1 -1 -1 -1

X0 -1 -1 -1 -1

4 -1 -1 -1

A p-edge (p-branch) is strong if it supports a 5 10

mass that is strictly positive.
5 10
An m-edge (m-branch) is strong if it supports a
mass that is null or negative.
X0
Arco Fuerte:

22 En este caso el árbol queda

normalizado en el 2º Paso
Lerchs & Grossmann 3D: Ejemplo
1º Paso: Existe (xk, xl)
-1 -1 -1 -1 -1 -1

-1 -1 -1 -1 -1 -1

-1 -1 -1 -1
4 -1 -1 -1

2º Paso: Árbol Ts
5 10
5 10 -1 -1 -1 -1 -1 -1

3 -1 -1 -1 -1 -1

X0
-1 -1 -1 -1
4 -1 -1 -1

A p-edge (p-branch) is strong if it supports a

5 10
mass that is strictly positive.
5 10
An m-edge (m-branch) is strong if it supports a
mass that is null or negative.
Arco Fuerte: X0

23 En este caso el árbol queda

normalizado en el 2º Paso
Lerchs & Grossmann 3D: Ejemplo
1º Paso: Existe (xk, xl)

-1 -1 -1 -1 -1 -1

3 -1 -1 -1 -1 -1

-1 -1 -1 -1
4 -1 -1 -1
2º Paso: Árbol Ts
5 10
-1 -1 -1 -1 -1 -1
5 10
-1 2 -1 -1 -1 -1

X0
-1 -1 -1 -1
3 -1 -1 -1

A p-edge (p-branch) is strong if it supports a

mass that is strictly positive. 5 10
An m-edge (m-branch) is strong if it supports a 5 10
mass that is null or negative.

Arco Fuerte: X0

24 En este caso el árbol queda

normalizado en el 2º Paso
 Lerchs & Grossmann 3D: Ejemplo
1º Paso: Existe (xk, xl) 2º Paso: Árbol Ts
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1
-1 9 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1

-1 -1 -1 -1 -1 -1 -1 -1

-4 10 -1 -1 -4 8 8 -1

5 10 5 10

1 10 9 10

3º Paso: Normalizar
X0 -1 -1 -1 -1 X0
-1 -1
-1 -1 -1 -1 -1 -1

A p-edge (p-branch) is
strong if it supports a -1 -1 -1 -1
mass that is strictly -4 8 0 -1
positive.
An m-edge (m-branch) is
5 10
strong if it supports a
1 10
mass that is null or
negative.
25 X0
 Lerchs & Grossmann 3D: Ejemplo
1º Paso: Existe (xk, xl) 2º Paso: Árbol Ts
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1
-1 -1 -1 -1 -1 7 -1 -1 -1 -1
-1 -1

-1 -1 -1 -1 -1 -1 -1 -1

-4 8 0 -1 4 8 8 -1

5 10 5 10

1 10 9 10
3º Paso: Normalizar
X0 -1 -1 -1 -1 -1 -1 X0

-1 7 -1 -1 -1 -1

A p-edge (p-branch) is
strong if it supports a -1 -1 -1 -1
mass that is strictly -3 8 1 -1
positive.
An m-edge (m-branch) is
5 10
strong if it supports a
mass that is null or 2 10

negative.
26
26 X0
 Lerchs & Grossmann 3D: Ejemplo
1º Paso: Existe (xk, xl) 2º Paso: Árbol Ts
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1
-1 -1 1 -1 -1 -1 -1 -1 1 4
-1 -1

-1 -1 -1 -1 -1 -1 -1 -1

-2 -4 2 5 -2 -4 2 5

5 10 5 10

3 6 3 6

En este caso el árbol queda

X0 normalizado en el 2º Paso X0

-1 -1 -1 -1 -1 -1
El resultado es entonces: -1 -1 -1 -1 -1 -1
-1 -1 5 10 -1 -1

Y el valor del pit óptimo es la suma de los valores soportados

por los arcos raíces fuertes, es decir: 1 + 4 = 5
27
27
Ups…. Time Value of Money!!!
Analicemos el siguiente pit
-1 -1 -1 -1 -1 -1 -1 -1 -1 2 2 -1
-1 -1 -1 -1 -1 -1 -1 3 3 3 -1 -1 Valor neto del pit = 30
-2 -2 -2 -2 -2 -2 5 5 5 -2 -2 -2

¿Es un pit Óptimo?

-2 -2 -2 -2 -2 -2 5 5 -2 -2 -2 -2
-2 -2 -2 -2 2 5 5 5 -2 -2 -2 -2
-2 -2 -2 -2 -2 5 5 -2 -2 -2 -2 -2

Analicemos este talud de bloques límites:

-1 -1 -2 -2 +2 +5 = 1

Volvamos a analizar ese talud de bloques límites:

Apliquemos ahora una tasa de descuento del 10% y supongamos
que se extrae un bloque por año.

1
(1 0,1)1
 (101,1)2  (102,1)3  (102,1)4  (102,1)5  (105,1)6  0,54

28
NPV vs. Toneladas de Mineral

Dominio factible para

los diseños de pit

(Whittle)

29
NPV vs. Toneladas de Mineral

(Whittle)

30
¿Cuál es el pit óptimo?

Maximum NPV Cost of

NPV Of the mine
Production
$m
3500
$/oz
300

3000 250
2500
200
2000
150
1500
100
1000

500 50

0 0
1 4 7 10 13 16 19 22 25 28 31 34 37
31 Pit number
Pasando del Pit Óptimo al Diseño

32
Análisis de sensibilidad
Los programas de optimización permiten la elaboración rápida
de programas de producción, sin tener que pasar por el
diseño.

Esto permite realizar análisis de sensibilidad de variables como el

precio, la tasa de descuento, la tasa de producción, etc.

De tal forma, de analizar las variaciones de VPN del proyecto,

tanto en la optimización de rajos como en los programas de
producción.

33
Categorización de Reservas

 De acuerdo a su nivel de confiabilidad en la

extracción de la reserva
 Ley.
 Factores económico financieros.
 Sistema minero.
 Proceso metalúrgico.
 Sistema sustentable.
 Se dividen en
 Probadas.
 Probables.

34
Reservas
 Una reserva mineral es la parte económicamente explotable
de un recurso mineral indicado y medido. Incluye materiales
diluidos y estériles, lo cual puede ocurrir cuando el material es
explotado. Para esto, se han llevado a cabo valoraciones y
estudios apropiados, incluyendo factores de tipo minero,
metalúrgicos, económicos, de mercadeo, legales,
medioambientales, sociales y gubernamentales. Estas
valoraciones demuestran, en el momento del reporte, que
podría justificarse la extracción razonada.

 Las reservas de mineral se subdividen, en orden incremental

de confianza, en: Probables y Probadas.

35
Tipos de Reservas
 Reservas Probables: es la parte económicamente explotable de
los recursos indicados, y en algunas circunstancias, recursos
medidos. Incluye materiales diluidos y estériles producto de la
explotación. Se han hecho, al menos, estudios de pre-
factibilidad, en los que se analizan los factores: de tipo minero,
metalúrgicos, económicos, de mercadeo, legales,
medioambientales, sociales y gubernamentales.

 Reservas Probadas: es la parte económicamente explotable de

los recursos medidos. Incluye materiales diluidos y estériles
producto de la explotación. Se han hecho, al menos, estudios
de pre-factibilidad, en los que se analizan los factores: de tipo
minero, metalúrgicos, económicos, de mercadeo, legales,
medioambientales, sociales y gubernamentales.
36
Reporte de Reservas
 Especificar los recursos que serán convertidos a reservas.
 Establecer el estatus del estudio que da origen a la conversión.
 Leyes de Corte o Valores de Corte.
 Factores y suposiciones mineras:
 Método de conversión (aplicación de factores, optimización o diseño)
 Elección, diseño y propiedades del método de explotación
 Parámetros geotécnicos y control de leyes.
 Modelo de recursos minerales para optimización de pit
 Factores de dilución y recuperación
 Requerimientos de infraestructura
 Factores y suposiciones metalúrgicas
 Factores de Costos e Ingresos
 Valoraciones de Mercado (demanda, oferta, stock, competidores, etc)
 Efectos de cualquier riesgo asociado (natural, infraestructura, legal, etc)
 Cubicaciones de las clasificaciones
 Auditoría externa y discusión
37
 That’s It For Now! 

38