KPI Mining Solutions

Optimización de Cortes en KPI-COSMO: Mejora de las Decisiones de Destino en Condiciones de Incertidumbre

Introducción: Por qué planificamos las minas estratégicamente y qué tienen que ver la optimización del cutoff y la incertidumbre geológica con ello 

¿Cuál es el verdadero propósito de la planificación minera a largo plazo? 

El objetivo de la planificación minera a largo plazo es definir una estrategia que maximice el valor del activo minero, tradicionalmente representado por el valor presente neto (VPN), optimizando la secuencia de extracción, las políticas de cutoff y las decisiones posteriores a lo largo del tiempo. Esto significa que la planificación a largo plazo no busca determinar con exactitud el destino de cada bloque, ya que esas decisiones se tomarán una vez que se disponga de los datos de control de leyes. En cambio, intenta predecir las cantidades esperadas y los pronósticos resultantes de tonelajes de mineral y desmonte, leyes, flujos de caja y otros factores¹–³. 

Pero estos pronósticos solo son tan fiables como el modelo de recursos en el que se basan (y la geología es incierta). Utilizar un modelo de bloques estimado, único y suavizado⁴⁻⁵ combinado con valores de cutoff fijos oculta esta variabilidad⁶, lo que conduce a planes de producción minera demasiado optimistas o demasiado conservadores, es decir, riesgosos y con alta probabilidad de no materializarse⁷. 

KPI-COSMO propone un enfoque distinto: un marco de optimización estocástica que incorpora directamente la incertidumbre en el proceso de toma de decisiones. En lugar de basarse en un modelo estimado único y valores de cutoff fijos, busca la política de cutoff óptima a través de múltiples versiones simuladas del yacimiento, con el objetivo de maximizar el VPN mientras se controla el riesgo⁸⁻⁹. 

Al modelar la probabilidad de que cada bloque sea mineral o desmonte, el optimizador no produce solo un plan, sino un pronóstico probabilístico. Esto refleja la incertidumbre del yacimiento y respalda decisiones estratégicas más confiables. Se traduce en mejores predicciones de la producción futura, menos sorpresas en la ejecución y una mayor alineación entre los planes y la realidad.  

En este artículo, exploramos cómo funciona la optimización del cutoff bajo incertidumbre en KPI-COSMO y por qué aceptar el riesgo geológico —en lugar de ignorarlo— lleva a mejores resultados en la planificación minera. 

Cutoff Grade: El motor detrás de los pronósticos y el valor del proyecto

En minería, el cutoff grade (ley de corte) es la ley mínima que define si un bloque se trata como mineral o desmonte. Pero en la práctica, esta decisión rara vez se mantiene constante durante toda la vida útil de la mina y juega un papel central en la planificación estratégica. La elección del cutoff debe optimizarse, ya que afecta directamente los pronósticos de tonelajes de mineral y desmonte, la calidad del material alimentado a la planta y el VPN del proyecto¹⁰–¹².  

A medida que evolucionó la planificación minera, el concepto de cutoff pasó de ser un umbral fijo a un valor dinámico y optimizado, que se adapta a los precios de mercado, costos y restricciones operativas. Con la llegada de la modelización estocástica, esta evolución fue aún más lejos: los cutoffs ya no son parámetros de entrada fijos, sino variables de decisión que emergen de un proceso de optimización integrado que considera la incertidumbre geológica. Se convierten en variables estratégicas dentro del propio proceso de planificación.  

Al final del día, ¿por qué optimizamos los cutoffs? Porque determinan cuánto mineral produciremos, cuánto desmonte moveremos y, en última instancia, cuánto valor generaremos. Una buena política de cutoff maximiza el VPN no eliminando la incertidumbre, sino tomando decisiones más inteligentes dentro de ella. 

Pero ¿cómo se logra eso con 50 simulaciones, sin definir un cutoff fijo de antemano y sin programar fases o pits predefinidos y no optimizados económicamente? Esa es la magia de la optimización estocástica de complejos mineros.   

Optimización estocástica: una forma más inteligente de planificar bajo incertidumbre

A diferencia de los métodos deterministas que optimizan un único escenario, la optimización estocástica en KPI-COSMO busca maximizar el VPN mientras minimiza el riesgo de desviarse de los objetivos de producción a través de múltiples realidades simuladas y fuentes de incertidumbre. 

Esto se logra mediante un algoritmo de recocido simulado que explora un espacio multidimensional de búsqueda utilizando tres variables de decisión principales:
  • Secuencia de bloques – Cuándo se extrae cada bloque.
  • Destino del bloque – A dónde se envía cada bloque.
  • Flujo de procesamiento – Qué ruta seguir entre destinos.
Figura 1: Componentes considerados en la optimización estocástica simultánea de complejos mineros.
En este enfoque, las políticas de cutoff no son reglas predefinidas, sino que emergen como variables de decisión optimizadas. KPI-COSMO ajusta dinámicamente estos umbrales durante la programación para identificar estrategias que maximicen el valor, respetando al mismo tiempo los requisitos de mezcla, las restricciones operativas y las capacidades de planta a lo largo de la cadena de valor (por ejemplo, el complejo minero).
Al finalizar el proceso de optimización, se selecciona una política de cutoff óptima año por año para cada tipo de material en cada mina, con el fin de maximizar el valor y gestionar el riesgo en ese contexto específico.
Figura 2: Política de cutoff optimizada año por año generada a partir de múltiples modelos de recursos simulados en KPI-COSMO.
Esto significa que un bloque puede clasificarse como mineral en algunas simulaciones y como desmonte en otras, dependiendo de sus características y de la política de cutoff optimizada aplicada según su origen y periodo. Como resultado, KPI-COSMO puede cuantificar la probabilidad de que cada bloque sea económicamente procesable y generar pronósticos probabilísticos que reflejan tanto el valor como la incertidumbre.

Aunque no es el objetivo principal de la optimización, estas probabilidades de procesamiento (es decir, si un bloque se envía a la planta, al stockpile o al botadero) son una consecuencia valiosa. Ayudan a los planificadores a identificar zonas de alto riesgo, respaldan la toma de decisiones dinámica y, en última instancia, permiten crear planes mineros resilientes al riesgo bajo condiciones de incertidumbre.

Figura 3: A partir de múltiples escenarios, KPI-COSMO genera una única secuencia de extracción. Sin embargo, el destino de los bloques programados variará según las probabilidades derivadas de las simulaciones.
Pero esto va más allá de los bloques individuales. Dado que cada bloque contribuye de forma probabilística a distintos destinos en las simulaciones, los tonelajes de producción agregados para cada año se convierten en distribuciones, no en valores únicos. Al aplicar la secuencia de extracción y la política de cutoff optimizadas a cada realización simulada del yacimiento, KPI-COSMO genera múltiples pronósticos de producción para cada año. Estos pronósticos (tonelajes, leyes, variables económicas) se resumen luego en perfiles de riesgo probabilísticos, normalmente utilizando percentiles como P10, P50 y P90.

Estos perfiles son uno de los resultados clave del software, ya que permiten a los responsables de la toma de decisiones visualizar y comparar distintas estrategias de planificación, identificar periodos más riesgosos y equilibrar el valor a largo plazo con la confiabilidad operativa. 

Figura 4: Asociar una única secuencia resiliente al riesgo y una política de cutoff con los destinos probabilísticos de los bloques permite generar pronósticos de producción probabilísticos que mejoran el proceso de toma de decisiones.
Cómo KPI-COSMO elige la política de cutoff óptima

A diferencia de la planificación minera tradicional, donde las leyes de corte (cutoff grades) son predefinidas por el usuario, KPI-COSMO deriva la política de cutoff óptima durante la optimización. Su motor estocástico, el modelo de Programación Entera Estocástica (SIP, por sus siglas en inglés), prueba y ajusta dinámicamente los umbrales de cutoff para maximizar el VPN mientras gestiona el riesgo.

Este proceso de ajuste considera toda la gama de leyes de los bloques en todas las simulaciones y adapta la política a cada mina, tipo de material y año. La política de cutoff resultante define el destino económico de los bloques: si se envían a la planta, al stockpile o al botadero.
En el ejemplo a continuación, 3 simulaciones generan un conjunto de histogramas de leyes. El optimizador aplica políticas de cutoff (0.7 %, 0.3 % o 0.2 %) a las simulaciones. La imagen muestra los destinos mediante colores: rojo para los bloques que van al botadero de estériles (bloques de desmonte) y verde para los bloques que se envían a la planta (bloques de mineral).
Figura 5: Una única política de cutoff optimizada aplicada a múltiples escenarios puede parecer contraintuitiva. Aquí se muestra un ejemplo de cómo KPI-COSMO optimiza los cutoffs.

El optimizador itera miles de veces para encontrar la solución que —junto con las otras dos variables de decisión (secuencia y flujos de procesamiento)— maximiza el VPN, minimiza las desviaciones respecto a los objetivos de producción y genera una secuencia operativa.

En el ejemplo simplificado anterior:

  • La política de cutoff n.º 1 no se selecciona porque no garantiza un VPN máximo (muy pocos bloques se envían a la planta).
  • La política de cutoff n.º 3 no se selecciona porque, aunque garantiza un mejor VPN, genera productos de baja ley y supera la capacidad de la planta.
  • La política de cutoff n.º 2 es la que maximiza el VPN, generando un producto con la calidad deseada y respetando la capacidad de la planta.
Una vez que se selecciona la política de cutoff optimizada definida por la optimización estocástica, a cada bloque se le asigna una distribución de probabilidad de destinos, derivada de sus resultados simulados. A partir de este mismo ejemplo, se puede crear un “mapa de calor” de las probabilidades de que un bloque sea enviado a la planta.
Figura 6: Como resultado de la optimización del cutoff grade en KPI-COSMO, los bloques con mayor variabilidad serán evaluados en diferentes destinos, mientras que los bloques con menor variabilidad serán enviados de forma consistente al mismo destino optimizado.
  • El bloque en morado, en la esquina superior izquierda, tiene un 0 % de probabilidad de ir a la planta: todas las simulaciones lo envían al botadero de estériles. Es un bloque de bajo riesgo.
  • El bloque en rojo, en la esquina inferior derecha, tiene un 100 % de probabilidad de ir a la planta: todas las simulaciones lo confirman como mineral. Es un bloque de bajo riesgo.
  • El bloque en verde, en el centro, tiene un 66 % de probabilidad de ir a la planta bajo la política de cutoff optimizada (0,3 %): 2 de las 3 simulaciones lo envían a la planta y 1 al botadero. Es un bloque de alto riesgo.
  • El bloque en celeste, en la esquina inferior izquierda, tiene un 33 % de probabilidad de ir a la planta bajo la política de cutoff optimizada (0,3 %): solo 1 de las 3 simulaciones lo envía a la planta y 2 lo envían al botadero. Es un bloque de alto riesgo.
Es importante destacar que el algoritmo no elimina el riesgo geológico —lo gestiona. Al evaluar la probabilidad de que cada bloque sea enviado a un destino específico a través de múltiples simulaciones, el optimizador identifica los bloques con mayor incertidumbre de clasificación y tiende a retrasarlos en la secuencia de extracción. Esto no solo reduce el riesgo de asignaciones incorrectas tempranas, sino que también aprovecha el descuento financiero: postergar decisiones de alto riesgo suele generar mejores resultados en VPN.

Cómo una política de cutoff optimizada transforma las decisiones de planificación minera 

Una política de cutoff optimizada, respaldada por la optimización estocástica, ofrece información valiosa sobre la probabilidad de que cada bloque siga distintas rutas de procesamiento bajo incertidumbre geológica. Esto permite a los planificadores mineros:

  • Identificar bloques de alto riesgo cercanos a los umbrales de cutoff, especialmente en zonas de transición.
  • Priorizar zonas de alta confianza, reduciendo la dependencia de stockpiles y reprocesamiento.
  • Mejorar el cumplimiento del plan, alineando las decisiones de destino con la variabilidad real de los bloques.
  • Respaldar decisiones estratégicas, como evaluar la viabilidad económica de distintas rutas de procesamiento y evitar inversiones de capital innecesarias (CAPEX).
  • Y, en última instancia, gestionar proactivamente el riesgo geológico, convirtiendo la incertidumbre en una herramienta para optimizar el valor.

Al integrar directamente las probabilidades de destino en el proceso de optimización, los planificadores pueden crear planes mineros más resilientes y flexibles, especialmente cuando se están evaluando múltiples opciones de procesamiento o inversiones en nuevas plantas.  

Ejemplo del mundo real: decisiones de CAPEX más inteligentes con políticas de cutoff optimizadas 

A continuación, presentamos un ejemplo real de un complejo minero con una planta existente para productos de alta ley y una planta propuesta para concentrar material de baja ley. El enfoque se centró en un tipo de material específico que previamente había sido clasificado como desmonte bajo el enfoque determinista. 

Las preguntas clave de inversión, bajo incertidumbre geológica, eran:
  • ¿Debería la empresa ampliar la capacidad de su planta de alta ley para aceptar este material?
  • ¿Es realmente viable la planta de concentración de baja ley para procesarlo?

Tradicionalmente, estas preguntas se habrían abordado usando un único modelo estimado de bloques y valores de cutoff fijos, lo cual podría haber ocultado factores de riesgo críticos. En cambio, el equipo implementó un marco totalmente estocástico que integraba la incertidumbre: se combinaron 20 simulaciones geológicas y de ley en un proceso de optimización unificado, donde los cutoff no fueron definidos por reglas, sino descubiertos como resultados optimizados del modelo.  

Las imágenes a continuación muestran los mapas de probabilidad para el tipo de material evaluado, ilustrando su probabilidad de ser enviado ya sea a la planta de alta ley o a la de baja ley. 

Figura 7: Mapa de probabilidades generado por KPI-COSMO. Es posible identificar bloques con baja y alta variabilidad y sus probabilidades asociadas de ser enviados a dos plantas de procesamiento distintas: alta ley (izquierda) y baja ley (derecha).
La optimización estocástica y la política de cutoff optimizada revelaron conocimientos clave:
1. No es necesario ampliar la planta de productos de alta ley
Inicialmente se consideraba expandir la planta para procesar material de alta ley caracterizado por especificaciones estrictas, fuerte demanda en el mercado, pero con alta variabilidad en sílice e incertidumbre en recuperación.

La optimización estocástica reveló que:

  • Aunque la mina tiene una alta probabilidad de enviar bloques a esta planta, los perfiles de riesgo en los tonelajes de alimentación caen significativamente después de los primeros años en muchas simulaciones. En varios escenarios, la planta cierra anticipadamente, haciendo que su expansión no sea económicamente justificable.
  • Por otro lado, como se observa en la imagen, la mayoría de los bloques tienen una alta probabilidad de ser enviados a la planta de concentración de baja ley, lo que genera un mayor valor global del proyecto.
  • El optimizador consideró la sinergia entre las plantas y las simulaciones tanto del metal principal como de los contaminantes durante el proceso, mostrando que no es necesaria la expansión de la planta de alta ley debido a los riesgos de calidad y a la disponibilidad decreciente.
  • El modelo probabilístico demostró que ampliar esta planta generaría bajos retornos bajo incertidumbre. 
2. Viabilidad de la planta de concentración de baja ley
En contraste, la planta de baja ley demostró ser resiliente y económicamente atractiva:
  • Como muestran las imágenes, hay muchos bloques que tienen alta probabilidad de ser enviados de forma consistente a esta planta en todas las simulaciones.
  • Los pronósticos probabilísticos (P10, P50 y P90) mostraron una tasa de procesamiento estable y sostenida durante toda la vida útil de la mina.
  • Se respetaron las restricciones estrictas de contaminantes.
  • Las leyes del producto final cumplieron o superaron las especificaciones comerciales de manera consistente.
Estos resultados confirmaron que las rutas de procesamiento de menor ley y menor variabilidad no solo son viables, sino que también son más probables para generar valor a largo plazo, especialmente en contextos geológicos inciertos.
3. Beneficios operativos y económicos más allá del procesamiento
Los beneficios también se extendieron a las operaciones mineras:
  • Se logró una reducción significativa del movimiento de estériles y del stripping ratio, de más del 20 %, en comparación con el plan determinista.
  • Se obtuvo un VPN similar al plan determinista, pero sin CAPEX adicional y con costos operativos significativamente más bajos.
  • Se respetaron todas las restricciones operativas, como la velocidad de hundimiento y el ancho mínimo de minado, confirmando la viabilidad práctica del plan.

Por qué es importante 

Al optimizar los cutoffs en lugar de usar reglas fijas, el modelo permite tomar decisiones más inteligentes equilibrando ganancia, riesgo y capital, y elegir las mejores opciones para las plantas. En lugar de comprometer millones en CAPEX para perseguir retornos inciertos por la expansión de una planta de alta ley con calidad y producción inestables, la empresa ganó confianza para: 

  • Priorizar rutas de producción de producto de baja ley estables, con rendimiento consistente.
  • Evitar inversiones innecesarias en proyectos de expansión de alto riesgo.
  • Utilizar planes informados por el riesgo para respaldar decisiones estratégicas bajo incertidumbre. 

Este caso real ilustra el valor central de los destinos probabilísticos de los bloques: en lugar de preguntar “¿qué puede ser este bloque?”, el algoritmo pregunta “¿qué deberíamos hacer con este bloque y a dónde enviarlo —bajo incertidumbre— para optimizar el valor?”  

Eso es optimización de cutoff. Eso es planificación minera estocástica.  

Conclusión: Un cambio hacia una planificación resiliente 

La optimización del cutoff bajo incertidumbre, tal como la implementa KPI-COSMO, representa un paso importante hacia una planificación minera más realista y resiliente. Reconoce la variabilidad geológica, la modela explícitamente y la usa para tomar mejores decisiones en todos los niveles: desde el diseño estratégico hasta el despacho diario.  

Cuando se combina con el motor de optimización estocástica de KPI-COSMO, las políticas de cutoff dejan de ser supuestos o parámetros fijos, y se descubren, validan y adaptan al riesgo. Esto transforma la incertidumbre de un desafío de planificación en una ventaja estratégica. 

Referencias 

  1. King, B. Transparency in cut-off grade optimisation ‘Clear-cut’. Strategic Mine Planning Conference (Whittle Programming Pty Ltd, 2001).
  2. King, B. Optimal mining principles. In Advances in applied strategic mine planning (ed. Dimitrakopoulos, R.), vol. 17, pp. 7–11 (The Australasian Institute of Mining and Metallurgy, 2018).
  3. Hall, B. & Stewart, C. Optimising the strategic mine plan – Methodologies, findings, successes and failures. Australas. Inst. Min. Metall. Publ. Ser. 14, 301–307 (2007).
  4. Goovaerts, P. Geostatistics for natural resources evaluation. (Oxford University Press, 1997).
  5. Journel, A. G. & Huijbregts, C. J. Mining geostatistics. (Academic Press, 1978).
  6. Lane, K. F. Choosing the optimum cut-off grade. Colorado School of Mines Quarterly, 59(4) (1964).
  7. Dimitrakopoulos, R., Farrelly, C. T. & Godoy, M. Moving forward from traditional optimization: grade uncertainty and risk effects in open-pit design. Min. Technol. 111, 82–88 (2002).
  8. Dimitrakopoulos, R. & Lamghari, A. Simultaneous stochastic optimization of mining complexes – mineral value chains: An overview of concepts, examples, and comparisons. Int. J. Mining, Reclam. Environ. April, 1–18 (2022).
  9. Goodfellow, R. C. & Dimitrakopoulos, R. Global optimization of open pit mining complexes with uncertainty. Appl. Soft Comput. J. 40, 292–304 (2016).
  10. Lane, K. F. The economic definition of ore – Cut-off grades in theory and practice. (COMET Strategy Pty Ltd, 1988).
  11. Dagdelen, K. An NPV Maximization Algorithm for Open Pit Mine Design. In Application of Computers and Operations Research in the Mineral Industry XXIV, pp. 257–263 (CIM, 1993).
  12. Rendu, J. M. An Introduction to Cut-Off Grade Estimation. (Society for Mining, Metallurgy and Exploration (SME), 2014).  

Douglas Alegre

Douglas es consultor en planificación minera con amplia experiencia en planificación estratégica y operativa, modelado económico y evaluación de proyectos. Ha trabajado con una gran variedad de minerales —incluyendo oro, hierro, cobre y tierras raras— brindando apoyo a las principales empresas mineras de Brasil. Se enfoca en la consultoría, implementación y capacitación para ayudar a los clientes a adoptar herramientas avanzadas de planificación minera basadas en simulaciones. Conéctate con Douglas en Linkedin.

Solicite una demostración

Vea usted mismo por qué KPI-COSMO Stochastic Mining Optimizer se considera el cambio de paradigma del software para la industria minera. Complete el formulario a continuación para programar una demostración gratuita, obtener respuestas a sus preguntas específicas y descubrir cómo nuestro software puede ayudarlo a optimizar sus operaciones mineras.