Optimisation des Seuils de Coupure dans KPI-COSMO : Améliorer les Décisions de Destination en Situation d’Incertitude
Introduction : Pourquoi planifier stratégiquement les mines, et quel est le lien avec l’optimisation du cutoff et l’incertitude géologique
Quel est le véritable objectif de la planification minière à long terme ?
L’objectif de la planification minière à long terme est de définir une stratégie qui maximise la valeur de l’actif minier — traditionnellement mesurée par la valeur actuelle nette (VAN) — en optimisant la séquence d’extraction, les politiques de cutoff et les décisions en aval dans le temps. Cela signifie que la planification à long terme ne vise pas à déterminer exactement où chaque bloc sera envoyé, puisque ces décisions seront définitives une fois les données de contrôle de teneur disponibles. Elle vise plutôt à prédire les quantités attendues — les prévisions résultantes — de tonnages de minerai et de stérile, de teneurs, de flux de trésorerie, etc.¹–³
Mais ces prévisions ne sont fiables que dans la mesure où le modèle de ressources sur lequel elles reposent l’est (et la géologie est incertaine). L’utilisation d’un modèle de blocs estimé unique et lissé⁴ ⁵, combiné à des valeurs de cutoff fixes, masque cette variabilité⁶, menant à des plans de production trop optimistes ou trop conservateurs, c’est-à-dire risqués, avec une forte probabilité de ne pas se matérialiser⁷.
KPI‑COSMO propose une autre approche : un cadre d’optimisation stochastique qui intègre directement l’incertitude dans le processus décisionnel. Plutôt que de s’appuyer sur un modèle estimé unique et des teneurs de coupure fixes, il recherche la politique de cutoff optimale à travers plusieurs versions simulées du gisement, avec pour objectif de maximiser la VAN tout en maîtrisant le risque⁸ ⁹.
En modélisant la probabilité que chaque bloc soit du minerai ou du stérile, l’optimiseur produit non seulement un plan, mais aussi une prévision probabiliste. Cela reflète l’incertitude du gisement et soutient des décisions stratégiques plus éclairées. Cela signifie de meilleures prévisions de production future, moins de surprises lors de l’exécution et un meilleur alignement entre les plans et la réalité.
Dans cet article, nous explorons comment fonctionne l’optimisation du cutoff sous incertitude dans KPI‑COSMO, et pourquoi intégrer le risque géologique — plutôt que l’ignorer — conduit à de meilleurs résultats en planification minière.
Cutoff : Le moteur des prévisions et de la valeur minière
En exploitation minière, le cutoff est la teneur minimale à partir de laquelle un bloc est traité comme minerai ou rejeté comme stérile. Mais en pratique, cette décision est rarement constante au fil de la vie de la mine, et elle joue un rôle central dans la planification stratégique. Le choix du cutoff doit être optimisé, car il influence directement les prévisions de tonnages de minerai et de stérile, la qualité de l’alimentation de l’usine, et la VAN du projet¹⁰–¹².
Avec l’évolution de la planification minière, le concept de cutoff est passé d’un seuil fixe à une valeur dynamique et optimisée, s’adaptant aux prix du marché, aux coûts et aux contraintes opérationnelles. Avec l’arrivée de la modélisation stochastique, cette évolution s’est poursuivie : les teneurs de coupure ne sont plus des paramètres d’entrée fixes, mais des variables de sortie issues d’un processus d’optimisation intégré qui tient compte de l’incertitude géologique. Elles émergent comme des variables de décision stratégiques au sein même du processus de planification.
En fin de compte, pourquoi optimisons-nous les cutoffs ? Parce qu’ils déterminent combien de minerai sera produit, combien de stérile sera déplacé, et ultimement, quelle valeur sera créée. Une bonne politique de cutoff maximise la VAN non pas en éliminant l’incertitude, mais en prenant de meilleures décisions malgré elle.
Mais comment y parvenir avec 50 simulations, sans définir de cutoff fixe à l’avance, et sans planifier selon des fosses ou phases prédéfinies et non optimisées économiquement ? C’est là toute la puissance de l’optimisation stochastique des complexes miniers.
Optimisation stochastique : Une approche plus intelligente pour planifier sous incertitude
Contrairement aux méthodes déterministes qui optimisent un seul scénario, l’optimisation stochastique dans KPI‑COSMO vise à maximiser la VAN tout en minimisant le risque de s’écarter des objectifs de production à travers plusieurs réalités simulées et sources d’incertitude.
Cela est rendu possible grâce à un algorithme de recuit simulé, qui explore un espace de recherche multidimensionnel en s’appuyant sur trois variables de décision principales :
- Séquence des blocs – à quel moment chaque bloc est extrait.
- Destination des blocs – où chaque bloc est envoyé.
- Flux de traitement – quel circuit suivre entre les différentes destinations.
Figure 1 : Composantes prises en compte dans l’optimisation stochastique simultanée des complexes miniers.
Dans ce cadre, les politiques de cutoff ne sont pas des règles prédéfinies, mais émergent plutôt comme des variables de décision optimisées. KPI‑COSMO ajuste dynamiquement ces seuils pendant la planification afin d’identifier des stratégies qui maximisent la valeur tout en respectant les exigences de mélange, les contraintes opérationnelles et les capacités des installations de la chaîne de valeur (par exemple, le complexe minier).
À la fin du processus d’optimisation, une politique de cutoff optimale est sélectionnée année par année pour chaque type de matériau et pour chaque mine, afin de maximiser la valeur et de gérer le risque selon le contexte spécifique.
Figure 2 : Politique de cutoff optimisée année par année, générée en tenant compte de multiples modèles de ressource simulés dans KPI‑COSMO.
Cela signifie qu’un bloc peut être classé comme minerai dans certaines simulations et comme stérile dans d’autres, selon ses caractéristiques et la politique de cutoff optimisée appliquée à son origine et à sa période. En conséquence, KPI‑COSMO peut quantifier la probabilité que chaque bloc soit économiquement traitable et générer des prévisions probabilistes reflétant à la fois la valeur et l’incertitude.
Bien que cela ne soit pas l’objectif principal de l’optimisation, ces probabilités de traitement (qu’un bloc soit envoyé à l’usine, au parc à minerai ou au terril) constituent une conséquence puissante. Elles aident les planificateurs à identifier les zones à haut risque, soutiennent une prise de décision dynamique et permettent, en fin de compte, de créer des plans miniers résilients face à l’incertitude.
Figure 3: Out of multiple scenarios, KPI-COSMO generates a single extraction sequence. The destination of the scheduled blocks will vary, though, based on the probabilities coming from the simulations.
Mais cela va au-delà des blocs individuels. Comme chaque bloc contribue de manière probabiliste à différentes destinations selon les simulations, les tonnages de production agrégés pour chaque année deviennent des distributions — et non des valeurs uniques. En appliquant la séquence optimisée et la politique de cutoff à chaque réalisation simulée du gisement, KPI‑COSMO génère plusieurs prévisions de production pour chaque année. Ces prévisions (tonnages, teneurs, aspects économiques) sont ensuite résumées sous forme de profils de risque probabilistes, généralement à l’aide de percentiles tels que P10, P50 et P90. Ces profils constituent un résultat clé du logiciel, permettant aux décideurs de visualiser et comparer différentes stratégies de planification, d’identifier les périodes plus risquées et d’équilibrer la valeur à long terme avec la fiabilité opérationnelle.
Figure 4 : L’association d’une séquence unique résiliente au risque et d’une politique de teneur de coupure avec des destinations de blocs probabilistes permet de générer des prévisions de production probabilistes, améliorant ainsi le processus de prise de décision.
Comment KPI‑COSMO détermine la politique de cutoff optimale
Contrairement à la planification minière traditionnelle, où les teneurs de coupure sont prédéfinies par l’utilisateur, KPI‑COSMO établit la politique de cutoff optimale au cours du processus d’optimisation. Son moteur stochastique, basé sur le modèle de Programmation Entière Stochastique (SIP), teste et ajuste dynamiquement les seuils de cutoff pour maximiser la VAN tout en maîtrisant le risque.
Ce processus de réglage prend en compte toute la gamme de teneurs des blocs à travers l’ensemble des simulations, et adapte la politique à chaque mine, chaque type de matériau et chaque année. La politique de cutoff ainsi obtenue définit le routage économique des blocs : s’ils sont envoyés à l’usine, au parc à minerai ou au terril.
Dans l’exemple ci-dessous, trois simulations génèrent un ensemble d’histogrammes des teneurs. L’optimiseur applique des politiques de cutoff (0,7 %, 0,3 % ou 0,2 %) à ces simulations. L’image représente les destinations à l’aide de couleurs : rouge pour les blocs envoyés au parc à stériles (blocs stériles) et vert pour les blocs envoyés à l’usine (blocs de minerai).
Figure 5 : Une politique de cutoff optimisée unique à travers plusieurs scénarios peut sembler contre-intuitive. Voici un exemple illustrant comment KPI‑COSMO optimise les teneurs de coupure.
L’optimiseur effectue des milliers d’itérations pour identifier la solution qui — combinée aux deux autres variables de décision (séquence et flux de traitement) — maximise la VAN, minimise les écarts par rapport aux objectifs de production et crée une séquence opérationnelle.
Dans l’exemple simplifié ci-dessus :
- La politique de cutoff #1 n’est pas retenue, car elle ne garantit pas une VAN maximale (trop peu de blocs envoyés à l’usine).
- La politique de cutoff #3 n’est pas retenue non plus, car bien qu’elle assure une meilleure VAN, elle génère des produits de faible teneur et dépasse la capacité de l’usine.
- La politique de cutoff #2 est celle qui maximise la VAN, en générant un produit de qualité souhaitée tout en respectant la capacité de l’usine.
Une fois la politique de cutoff optimisée définie par l’optimisation stochastique, chaque bloc se voit attribuer une distribution de probabilité de destinations, issue de ses résultats simulés. À partir du même exemple, on peut générer une « carte chaude » (hot map) illustrant les probabilités d’un bloc d’être envoyé à l’usine.
Figure 6 : À la suite de l’optimisation du seuil de coupure dans KPI-COSMO, les blocs présentant une variabilité plus élevée seront évalués pour différentes destinations, tandis que les blocs à faible variabilité seront systématiquement envoyés vers la même destination optimisée.
- Le bloc en violet, dans le coin supérieur gauche, a 0 % de probabilité d’être envoyé à l’usine – toutes les simulations l’envoient vers le parc à stériles. Il s’agit d’un bloc à faible risque.
- Le bloc en rouge, dans le coin inférieur droit, a 100 % de probabilité d’être envoyé à l’usine – toutes les simulations le confirment comme étant du minerai. Il s’agit d’un bloc à faible risque.
- Le bloc en vert, au centre, a 66 % de probabilité d’être envoyé à l’usine selon la politique de seuil de coupure optimisée (0,3 %) – 2 simulations sur 3 l’envoient à l’usine, et 1 vers le parc à stériles. Il s’agit d’un bloc à risque élevé.
- Le bloc en bleu pâle, dans le coin inférieur gauche, a 33 % de probabilité d’être envoyé à l’usine selon la politique de seuil de coupure optimisée (0,3 %) – seulement 1 des 3 simulations l’envoie à l’usine, tandis que 2 l’envoient au parc à stériles. Il s’agit également d’un bloc à risque élevé.
Il est important de noter que l’algorithme n’élimine pas le risque géologique – il le gère. En évaluant la probabilité que chaque bloc soit dirigé vers une destination donnée à travers les différentes simulations, l’optimiseur identifie les blocs présentant une forte incertitude de classification et a tendance à les retarder dans la séquence d’extraction. Cela réduit non seulement le risque d’une mauvaise affectation en début de planification, mais permet également de tirer parti de l’effet d’actualisation : repousser les décisions à haut risque mène généralement à de meilleurs résultats en termes de VAN.
Comment une politique de seuil de coupure optimisée transforme les décisions de planification minière
Une politique de seuil de coupure optimisée, soutenue par une optimisation stochastique, fournit des indications précieuses sur la probabilité que chaque bloc soit acheminé vers différents circuits de traitement en contexte d’incertitude géologique. Cela permet aux planificateurs miniers de :
- Identifier les blocs à risque élevé proches des seuils de coupure, en particulier dans les zones de transition.
- Prioriser les zones à forte confiance pour réduire la dépendance aux stocks tampons et aux manutentions secondaires.
- Améliorer le respect du plan, en alignant les choix de destination avec la variabilité réelle des blocs.
- Soutenir les décisions stratégiques, telles que l’évaluation de la rentabilité économique des circuits de traitement et l’évitement de CAPEX inutiles.
- Et, ultimement, gérer proactivement le risque géologique, en transformant l’incertitude en levier d’optimisation de valeur.
En intégrant directement les probabilités de destination dans le processus d’optimisation, les planificateurs miniers peuvent élaborer des plans plus résilients et flexibles — en particulier lorsqu’il existe plusieurs options de traitement ou des projets d’investissement dans de nouvelles usines.
Exemple réel : Prendre de meilleures décisions CAPEX grâce à des politiques de seuil optimisées
Voici un exemple tiré d’un complexe minier réel doté d’une usine existante pour les produits à haute teneur et d’une usine de concentration à basse teneur en projet. L’analyse s’est concentrée sur un type de matériau auparavant classé comme stérile par l’approche déterministe.
Les principales questions d’investissement, dans un contexte d’incertitude géologique, étaient les suivantes :
- L’entreprise doit-elle étendre la capacité de son usine de traitement haute teneur pour accepter ce matériau ?
- L’usine de concentration à basse teneur est-elle réellement viable pour traiter ce type de matériau ?
Traditionnellement, ces questions auraient été abordées à partir d’un modèle de blocs estimé unique et de seuils de coupure fixes, ce qui aurait pu masquer des facteurs de risque importants. Au lieu de cela, l’équipe a mis en place un cadre entièrement stochastique qui intègre l’incertitude : 20 simulations géologiques et de teneur ont été combinées à un processus d’optimisation unifié, où les seuils de coupure ne sont pas imposés par des règles fixes, mais découverts comme résultats optimaux du processus d’optimisation.
Les cartes ci-dessous illustrent les probabilités d’acheminement du matériau évalué vers l’usine haute teneur ou vers l’usine de concentration basse teneur.
Figure 7 : Carte de probabilités générée par KPI-COSMO. Il est possible d’identifier les blocs à faible et à forte variabilité ainsi que leurs probabilités associées d’être envoyés vers deux usines de traitement différentes : haute teneur (à gauche) et basse teneur (à droite).
L’optimisation stochastique et la politique de seuil de coupure optimisée ont permis de révéler des informations clés :
1. Pas besoin d’agrandir l’usine de produits à haute teneur
L’agrandissement de cette usine avait initialement été envisagé pour traiter un matériau à haute teneur, caractérisé par des spécifications élevées, une forte demande du marché, mais aussi une variabilité importante de la silice et des incertitudes en matière de récupération.
L’optimisation stochastique a permis de constater que :
- Même si la mine présente une forte probabilité d’acheminer des blocs vers cette usine, le profil de risque des tonnages d’alimentation chute de façon significative après les premières années dans de nombreuses simulations. Plusieurs scénarios entraînent même une fermeture prématurée de l’usine, rendant son agrandissement économiquement injustifiable.
- En revanche, comme illustré sur l’image, la majorité des blocs présentent une forte probabilité d’être envoyés vers l’usine de concentration de produits à basse teneur, générant ainsi une valeur projet supérieure.
- L’optimiseur a pris en compte la synergie entre les deux usines ainsi que les simulations de teneur du métal principal et des contaminants, montrant que l’agrandissement de l’usine haute teneur n’est pas nécessaire en raison des risques liés à la qualité et à la diminution des volumes disponibles.
- Le modèle probabiliste a démontré que l’agrandissement de cette usine entraînerait de faibles rendements dans un contexte incertain.
2. Viabilité de l’usine de concentration de produits à basse teneur
À l’inverse, l’usine de produits à basse teneur s’est révélée plus résiliente et économiquement avantageuse :
- Comme visible sur les images, plusieurs blocs de la mine ont une forte probabilité d’être envoyés vers cette usine de manière cohérente à travers toutes les simulations.
- Les prévisions probabilistes (P10, P50, P90) montrent un débit stable et soutenu sur l’ensemble de la durée de vie de la mine.
- Les contraintes strictes en matière de contaminants sont respectées.
- La qualité finale des produits respecte, voire dépasse, les spécifications commerciales.
Ces résultats confirment que les circuits de traitement à plus faible teneur et à faible variabilité sont non seulement viables, mais aussi plus probables pour générer de la valeur à long terme, surtout dans un contexte géologique incertain.
3. Bénéfices opérationnels et économiques au-delà du traitement
Les avantages se sont aussi étendus aux opérations minières :
- Réduction significative du déplacement de stériles et du ratio de découverture, avec plus de 20 % de diminution par rapport au plan déterministe.
- Une VAN équivalente à celle du scénario de référence, mais sans CAPEX additionnel et avec des coûts d’exploitation nettement plus faibles.
- Toutes les contraintes opérationnelles — telles que le taux d’abattage et la largeur minimale d’exploitation — ont été respectées, confirmant la faisabilité du plan.
Pourquoi c’est important
En optimisant les seuils de coupure au lieu d’appliquer une règle fixe, le modèle a permis de prendre des décisions plus avisées en équilibrant profits, risques et investissements. Plutôt que d’engager des millions en CAPEX pour tenter de rentabiliser l’agrandissement risqué d’une usine instable, l’entreprise a eu la confiance nécessaire pour :
- Prioriser des circuits de traitement stables avec des produits à basse teneur performants et constants.
- Éviter des projets d’expansion risqués et coûteux.
- Utiliser des calendriers d’extraction informés par le risque pour soutenir des décisions stratégiques en contexte d’incertitude.
Ce cas réel illustre la valeur fondamentale des destinations de blocs probabilistes : plutôt que de se demander « que pourrait être ce bloc ? », l’algorithme pose la question « que devons-nous faire de ce bloc, et où devons-nous l’envoyer — dans un contexte incertain — pour optimiser la valeur ? »
C’est ça, l’optimisation des seuils de coupure. C’est ça, la planification minière stochastique.
Conclusion : un virage vers une planification plus résiliente
L’optimisation des seuils de coupure en contexte d’incertitude, telle qu’implémentée dans KPI-COSMO, représente un pas important vers une planification minière plus réaliste et plus robuste. Elle reconnaît la variabilité géologique, la modélise explicitement, et l’utilise pour éclairer de meilleures décisions à tous les niveaux — de la stratégie à l’exécution quotidienne.
Grâce au moteur d’optimisation stochastique de KPI-COSMO, les seuils de coupure ne sont plus supposés ni imposés, mais découverts, validés et adaptés au risque, transformant ainsi l’incertitude d’un obstacle en un véritable levier stratégique.
Références
- King, B. La transparence dans l’optimisation des seuils de coupure – « Clear-cut ». Dans Strategic Mine Planning Conference, 26–29 (Whittle Programming Pty Ltd, 2001).
- King, B. Principes d’optimisation minière. Dans Advances in Applied Strategic Mine Planning (éd. Dimitrakopoulos, R.), vol. 17, 7–11 (The Australasian Institute of Mining and Metallurgy, 2018).
- Hall, B. & Stewart, C. Optimisation du plan minier stratégique – Méthodologies, résultats, succès et échecs. Australas. Inst. Min. Metall. Publ. Ser. 14, 301–307 (2007).
- Goovaerts, P. Geostatistics for Natural Resources Evaluation. (Oxford University Press, 1997).
- Journel, A. G. & Huijbregts, C. J. Mining Geostatistics. (Academic Press, 1978).
- Lane, K. F. Choisir le seuil de coupure optimal, Colorado School of Mines Quarterly, 59(4).
- Dimitrakopoulos, R., Farrelly, C. T. & Godoy, M. Aller au-delà de l’optimisation traditionnelle : incertitude des teneurs et effets du risque dans la conception de fosses ouvertes. Mining Technology 111, 82–88 (2002).
- Dimitrakopoulos, R. & Lamghari, A. Optimisation stochastique simultanée des complexes miniers – chaînes de valeur minérales : aperçu des concepts, exemples et comparaisons. Int. J. Mining, Reclamation and Environment, avril, 1–18 (2022).
- Goodfellow, R. C. & Dimitrakopoulos, R. Optimisation globale de complexes miniers à ciel ouvert en contexte d’incertitude. Applied Soft Computing Journal 40, 292–304 (2016).
- Lane, K. F. The Economic Definition of Ore – Cut-Off Grades in Theory and Practice. (COMET Strategy Pty Ltd, 1988).
- Dagdelen, K. Algorithme de maximisation de la VAN pour la conception de mines à ciel ouvert. Dans Application of Computers and Operations Research in the Mineral Industry XXIV, 257–263 (Institut canadien des mines, de la métallurgie et du pétrole, 1993).
- Rendu, J. M. An Introduction to Cut-Off Grade Estimation. (Society for Mining, Metallurgy and Exploration (SME), 2014).
Douglas Alegre
Douglas est consultant en planification minière et possède une solide expérience en planification stratégique et opérationnelle, en modélisation économique et en évaluation de projets. Il a travaillé sur une grande variété de minerais — dont l’or, le fer, le cuivre et les terres rares — auprès des principales entreprises minières au Brésil. Il se consacre au conseil, à la mise en œuvre et à la formation pour accompagner les clients dans l’adoption d’outils de planification minière avancés, basés sur la simulation. Connectez-vous avec Douglas sur Linkedin.