Universidad

UPC
Peruana de Ciencias
Aplicadas

UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

FACULTAD DE INGENIERÍA

SEMINARIO DE INVESTIGACIÓN APLICADA DE INGENIERÍA

CARRERA DE INGENIERÍA DE GESTIÓN MINERA

A II

“PROPUESTA DE INVESTIGACIÓN”

SECCIÓN: IN-83

2021 - 0
 Universidad
UPC
Peruana de Ciencias
Aplicadas

DATOS GENERALES
Apellidos y nombres estudiante 1: Yato Flores Daniel Código:u201516253
Apellidos y nombres estudiante 2: Gutiérrez Ballesteros César Código:u201313774
Carrera profesional: Ingeniería de gestión minera
Sección: IN-83
Profesor Metodología (presencial): Enrique Sigarrostegui
Profesor Asesor Temático (virtual): Pehovaz Alvarez,
Humberto
Línea de Investigación: Minería Superficial
Área de Investigación: Ley de corte en un yacimiento
polimetálico

1.TÍTULO DEL TEMA DE INVESTIGACIÓN

“Modelo estocástico para una ley de corte mediante machine learning en una mina polimetálica a tajo
abierto”

2. PROBLEMA DE INVESTIGACIÓN:

2.1 DESCRIPCIÓN E IMPORTANCIA DEL PROBLEMA

El sector minero es el que realiza las actividades económicas más importantes del Perú. Este
representa el 9% del PBI, el 13% de la inversión privada local y más del 60% del valor de las
exportaciones totales del país, en el 2019. Todo esto se logra por la producción de los metales, que se
encuentran en nuestros yacimientos polimetálicos. Para alcanzar esta producción, se requiere de un
alto conocimiento de ingeniería, inversión, mano de obra y un adecuado planeamiento de minas. De
esta manera, se puede lograr extraer los minerales y cumplir todos los procesos hasta su venta.

Imagen 1 Producción de metales 2019 – Fuente: SNMPE

 Universidad
UPC
Peruana de Ciencias
Aplicadas

Imagen 2 Exportación de Metales del Perú 2019 - Fuente: SNMPE

Para la planificación de un proyecto minero a cielo abierto, se debe tomar en cuenta las diferentes
etapas que lo conforman, con el fin de conocer las características y complejidades de cada una. La
planificación de una mina de tajo abierto empieza desde la recolección de datos con el modelo de
recursos minerales, para luego hacer cálculos de las reservas mineras. Después, se diseña el pit final
de la mina para determinar la secuencia de extracción. Posteriormente, se realiza el plan de
producción para finalmente elaborar una evaluación económica (Díaz, 2017).

Luego de decidir el diseño final del pit, se debe determinar una ley de corte para el plan de producción
de la mina, ya que es uno de los parámetros fundamentales para alcanzar los logros corporativos. A
pesar de las diferentes leyes de cortes aplicadas en los distintos proyectos mineros hasta el día de hoy,
se viene aplicando el algoritmo de Lane como la técnica de optimización de la ley de corte más usada.
(Ahmadi, 2018)

La ley de corte es un criterio de toma de decisiones, que se utiliza para determinar el destino del
material en la roca extraída. Si es un mineral con valor económico, se procesa en la planta para su
posterior venta, y si es desmonte, se envía a los botaderos. La aplicación de esta herramienta afecta
directamente los flujos efectivos de la operación, ya que busca maximizar el valor actual neto (NPV)
de un proyecto minero. Se sabe que se aplican diferentes leyes de corte en el horizonte de la mina, a
razón de que es un proceso complejo. (Githirial & Musingwini, 2019)

De acuerdo con Githirial & Musingwini (2019) “El algoritmo de optimización de la ley de corte de
Lane presenta algunas deficiencias. Por ejemplo, no se podría utilizar para determinar leyes de corte
 Universidad
UPC
Peruana de Ciencias
Aplicadas

para depósitos polimetálicos. Esta deficiencia se aborda ahora mediante el concepto de rendimiento
neto de fundición (NSR) para evaluar los depósitos polimetálicos” (p. 217). En este caso, el NSR solo
muestra el valor económico de los minerales en USD/Tonelada, mientras una ley de corte de una
mina polimetálica involucraría los diferentes costos por banco, tipo de mineral, tipo de producto, etc,
lo que ayudaría a valorar de una manera más adecuada cada bloque de mineral.

2.2 ANÁLISIS DEL PROBLEMA

El diagrama de problemas es un método común usado en la investigación, donde se puede observar

las principales causas y consecuencias y el respectivo problema principal.

2.3 FORMULACIÓN DEL PROBLEMA

¿Cómo impacta económicamente un modelo estocástico para una ley de corte con machine learning
en una mina polimetálica a cielo abierto?

3. CASO DE ESTUDIO

3.1. DATOS GENERALES

La minería en el Perú es una actividad netamente descentralizada pues se desarrolla en zonas

inhóspitas y por lo general a gran altura.La minería se ocupa de extraer los minerales y procesarlos
para que los industriales fabriquen con ellos los productos que utilizamos y necesitamos todos los
 Universidad
UPC
Peruana de Ciencias
Aplicadas

días.Dependiendo del material que se requiera extraer, la actividad se divide en minería metálica y
no metálica.La explotación abarca diferentes principios, en el actual trabajo abordaremos la
explotación superficial o a cielo a abierto(open pit).La selección del método de explotación también
se tiene en cuenta las características geológicas la geometría del yacimiento, la distribución de
reservas, las características geomecánicas del yacimiento, el precio de los metales, el análisis
económico, el entorno del yacimiento y la factibilidad del proyecto.La minería no metálica tienes
las mismas etapas que la minería metálica , sin embargo, en la etapa de beneficio la no metálica
pasa sólo por el proceso de chancado y secado.

Imagen 3 Cadena de Valor Minería

La siguiente figura ilustra el proceso de la industria minera, empezando por la exploración que es la
etapa donde se identifica yacimientos de minerales.Posteriormente se pasa a la explotación, la etapa
de desarrollo de la mina a cielo abierto.Luego prosigue la etapa donde se procesa el mineral
proveniente de la mina, la etapa de beneficio, aquí el mineral pasa por diferentes plantas de
concentración, fundicion y refinacion.En la etapa de transporte de beneficio el concentrado pasa a la
planta concentradora por medio de ferrocarriles, mineroductos y barcos.Después de obtener el
mineral éste es transportado del depósito de almacenamiento para su embarque y venta.

La minería en el Perú abarca un gran impacto en el sector.Los resultados de los impactos en

exportaciones, inversión, ingresos y empleo son un gran indicador de la contribución a la economia
peruana.
 Universidad
UPC
Peruana de Ciencias
Aplicadas

Imagen 4 Impacto de la minería en el sector peruano

Podemos reflejar su impacto con determinados indicadores económicos tales como el PBI, el valor
agregado bruto, empleo e inversiones.La minería representa el 10% del PBI y se ha visto en auge
hasta los últimos días antes de la pandemia, producto de nuevos proyectos que se insertaron a
operaciones.El sector minero tiene como principal objetivo abarcar la demanda del sector externo,
su participación es visible a través de una mejora en la balanza comercial del país “las
exportaciones mineras tradicionales representaron, en promedio, más de la mitad (52%) del total de
las exportaciones” (Tamayo, Salvador, Vásquez, & Zurita, 2017).

En el sector público, la minería asume el pago compuesto por recaudación fiscal y retribución
económica por uso de recursos mineros.Los ingresos de este sector son distribuidos a gobiernos
centrales , regionales y locales.

La minería genera un encadenamiento productivo y complementariedad económica que beneficia a

otros sectores.Así mismo, la minería eleva el nivel de vida de las comunidades y usa la tecnología
necesaria para proteger el medio ambiente.Los beneficios tributarios de la minería no son
exclusivos para ella, sino que varios son extensivos a otros sectores de la economía que tiene
periodos de maduración similares a la de la minería, que tiene posiciones a riesgos similares de la
minería tales como hidrocarburos, el sector de construcción.La minería tiene diferentes canales de
aporte a la economía, localmente es la creación de empleo directo e indirecto, transporte comercio,
agricultura.El Perú como destino minero es uno de los más atractivos del mundo básicamente por
 Universidad
UPC
Peruana de Ciencias
Aplicadas

las reservas que tiene, sumado con el favorable marco jurídico o nacional en el que nos
encontramos, la seguridad operacional ante eventuales conflictos sociales y el atractivo del país en
términos de regulaciones y de tributos.

3.2. DATOS ESPECÍFICOS

El estudio se centrará en la compañía minera Antamina, es líder en el sector minero peruano y una
de las 10 minas más importantes del mundo. Está ubicado en la región Ancash, en la provincia de
Huari en el distrito de San Marcos. Antamina ha realizado más de mil embarques de concentrados
de cobre y zinc desde el Puerto de Punta Lobitos en Huarmey a aproximadamente 5 continentes. El
trabajo diario de más de 2800 colaboradores ha permitido forjar una gran cultura corporativa ,
operar con los más altos estándares socio ambientales y dentro de una comprometida filosofía de
responsabilidad social. Antamina en sus 19 años de operación busca la excelencia en todas las áreas
de gestión y calidad de sus productos, implementando estándares internacionales.

Misión: Lograr resultados extraordinarios y predecibles en salud y seguridad, medio ambiente,

relaciones comunitarias, calidad y eficiencia, con la participación y liderazgo de los colaboradores.

Visión: Ser un modelo excelente en la minería del mundo. Extraordinarios líderes que transforman
los retos en éxitos, laborando por el desarrollo del Perú.

Objetivos: Mantener un excelente desempeño en el aspecto social y ambiental para que así se pueda
lograr condiciones a favor del desarrollo de la empresa, haciendo participe al Estado, comunidad y
las comunidades en general, todo en conjunto de promover la mejora en bienestar y calidad de vida
de la zona influenciada con la actividad.

Organización de la compañía:

La Junta General de Accionistas es el máximo gobierno de la empresa Antamina.En el directorio

existen nueve titulares tales como Glencore, Mitsubishi, Teck Metals, entre otros.Las reuniones se
realiza vía internet de manera trimestral.La compañia Antamina posee dos comités, uno de
planeamiento estratégico del negocio y otro de auditoría y finanzas.
 Universidad
UPC
Peruana de Ciencias
Aplicadas

Imagen 5 Organización ejecutiva Antamina

Procesos principales:

Antamina se dedica principalmente a la produccion y comercializacion de cobre, zinc, plata,

molibdeno y plomo.Es uno de los más grandes productores de concentrado de zinc y cobres del
mundo.

Imagen 6 Mercado y Productos exportados

 Universidad
UPC
Peruana de Ciencias
Aplicadas

El depósito de la compañía Antamina es un polimetálico perteneciente al skarn, con gran diversidad

de minerales que son enviados a plantas concentradoras. El proceso productivo empezó con la
exploración donde se realizaron grandes perforaciones tomando muestras de rocas que fueron
analizadas. La perforación fue usada para fragmentar la superficie del terreno para la extracción del
mineral. El material minado pasa por una chancadora primaria que luego es transportado por una
faja transportadora cerca del campamento de Yanacancha a un stockpile donde por medio de
estudios el concentrado pasará a la presa de relaves o a la planta concentradora. Los proceso en la
planta concentradora se subdividen en molienda flotación y Bombeo al mineroducto por medio de
una tubería que es monitoreada a través de un sistema de fibra óptica. Finalmente el producto pasa
al almacenamiento cerca del puerto Punta Lobitos con uno concentrado donde se reducirá su
humedad para su posterior embarque.

Políticas de Antamina:

Las operaciones en la compañía se basan en las buenas políticas tales como la calidad del puerto
Punta Lobitos, Derechos Humanos, Diversidad e inclusión, Seguridad de la Información, Salud y
Seguridad Industrial, Medio ambiente y Relaciones Comunitarias. Se emplea diversos sistemas de
gestión como instrumentos que dan mayor valor a la actividad minera realizada. Antamina cuenta
con certificaciones que prueban su estricta y eficiente gestión. A continuación, se presenta la
ilustración de los diversos estándares internacionales que posee la empresa.

Imagen 7 Sistema de Gestión de Antamina - Fuente: Reporte de sostenibilidad 2019 Antamina

 Universidad
UPC
Peruana de Ciencias
Aplicadas

4. FUNDAMENTACIÓN TEÓRICA DE LA TÉCNICA

Según Russell & Norvig (2010, como se citó en Vega, 2019, pág. 27), hace más de 60 años, se viene
utilizando la ciencia de la computación, y desde entonces se han centrado en los algoritmos como el
recurso clave para esta ciencia. Actualmente, las literaturas sobre Inteligencia Artificial (IA) indican
que se debe focalizar en los datos en vez del algoritmo a utilizarse. Esto se da por el gran aumento de
información como son las imágenes, textos, audios, etc, en bases de datos a nivel global.

Como bien menciona Ponte (2010, como se citó en Vega, 2019, pág. 242) “J. Hopfield fundamentó,
durante los ochenta, la red recurrente, que está conformada por un conjunto de neuronas (n) en donde
la salida de cada una de ellas (cada neurona) es aprovechado como retroalimentación en las entradas,
excepto para su misma entrada, lo cual le otorga estabilidad”

Según Abbott (2014, como se citó en Vega, 2019, pág. 2), el análisis de datos es un proceso, donde
se utiliza el algoritmo para encontrar una serie de patrones que afectan a los datos. Las empresas, que
a diario tienen que tomar una gran cantidad de decisiones, tienen que conocer qué información
influyen en estas, a través de la ciencia mencionada. Son los patrones encontrados, los que ayudan a
obtener una mejora y beneficio al momento de tomar una decisión.

Imagen 4 Estructura general del modelo de redes neuronales con machine learning para la
producción de mineral.

Elaborado por Choi, Nguyen, Bui, Nguyen-thoi & Park (2020)

Con el rápido desarrollo del machine learning (ML), en los últimos años, se espera que el el algoritmo,
en base a probabilidades programadas, pueda mejorar el más precisa (Sun; Zhang; Tian; Yang, 2018).
 Universidad
UPC
Peruana de Ciencias
Aplicadas

Es así como se espera que el machine learning impulse un mayor número de investigaciones en el
futuro para mejorar las habilidades de las máquinas mecanizadas.

5. DESCRIPCIÓN DE LA TÉCNICA INNOVADORA

La técnica se basa en la utilización de un algoritmo que debe ser programado, en base a prueba-error,
para simular una solución de algún problema en específico. En este caso, la optimización económica
de las reservas mineras, a través de una ley de corte de una mina polimetálica de tajo abierto, para
maximizar el valor actual neto (VPN), el cual es un flujo de caja. Este nuevo algoritmo, reformula el
método de optimización propuesto por Lane, debido a que su método, no puede determinar la ley de
corte, cuando se presentan una mina polimetálica. El nuevo algoritmo, simula de manera estocástica
la optimización de valores de entradas o datos almacenados previamente, y les otorga un rango de
variabilidad a cada dato de entrada para seleccionar el modelo óptimo y sea la ley de corte
representativa. Esto se logra a través de la aplicación del machine learning, ya que este interpreta los
algoritmos que ingresan, y nos ayuda a pronosticar, simular, validar una mejor alternativa de solución.
Lo que nos permite formular y optimizar una la ley de corte mediante un modelo estocástico,
identificando cuando existen escenarios favorables considerando los diferentes parámetros de la
mina, como el precio fluctuante de los minerales, la presencia de metales secundarios, etc. El Machine
Learning se focaliza en resolver el problema por medio de redes neuronales, ya que analiza las
variables disponibles que modifican el escenario, y estos resultados serán los algoritmos y modelos a
usar en las operaciones. Finalmente, este algoritmo es un modelo matemático representado por
variables de tratamiento estocástico para una aproximación en la solución del problema.
6. ANTECEDENTES DE LA PROPUESTA

La aplicación del método estocástico ha sido aplicado en la mina de “Nevada Gold Mines“.Los
resultados se informan como un análisis de riesgo probabilístico en varios indicadores de
rendimiento. El material extraído del complejo minero de Nevada proviene de dos minas a cielo a
abierto, la optimización determina el límite de ley de corte de oro para cada tipo de material
clasificado. La clasificación de materiales nos especifica su destino pudiendo ser enviado a un
stockpile o a un vertedero de desmonte(Saliba, Dimitrakopoulos 2019).

La ley de corte es optimizada conjuntamente para maximizar el NPV tomando en cuenta secuencias
de extracción, decisiones de procesamiento y una serie de restricciones.En este análisis se presenta
un caso simultáneo y un caso base, pero no quiere decir que tengan el mismo grado de material
minado, además las secuencias de extracción no son las mismas.
 Universidad
UPC
Peruana de Ciencias
Aplicadas

Figura: “Sección transversal de la secuencia de extracción del caso simultáneo y base”

En la figura se evidencia la gran diferencia, incluso en los límites de las excavaciones de las minas a
cielo abierto.Se observa que el caso simultáneo optimizado tiene una extracción 3% mayor al caso
base o determinístico durante el periodo de 10 años.El caso simultáneo se observa favorable debido
al número reducido de reservas necesarias en el lugar.En dicho escenario la optimización
proporciona información sobre los límites de ley de corte de oro para establecer un procedimiento
de determinado material a vertederos de desechos mineros, molinos, pads de lixiviación, stockpiles.

En el artículo de Cosmin y Roussos, se observa diferentes mecanismos para insertar el método de

machine learning en las operaciones mineras. Existen diferentes modelos determinísticos en cada
mina y cada modelo posee un plan estratégico diferente, así como también una gran cantidad de
data a manejar y controlar para tomar la mejor decisión. Del artículo se puede resaltar el enfoque
alternativo de aprendizaje que superar limitaciones y muestra un complejo proceso para optimizar
un complejo minero. En machine learning es importante recabar información como también
ponderaciones matemáticas, algoritmos, etc. El destino que interactúa con el modelo es el que va a
determinar la producción de la planta, para ello se debe calcular la rentabilidad. Además, los autores
aconsejan mantener especificaciones de ubicación de los componentes de estado que mantienen
relación directa con la información o data junto con todas las propiedades de los materiales
(Paduraru, Dimitrakopoulos 2019). Los modelos optimizados puede tener procesos aplicables tales
como enviar material extraído al destino inicial, los modelos utilizados se relación estrechamente
con el comportamiento del verdadero proceso final o de interés. En el presente informe luego que el
material es triturado éste se dirigirá a la planta con menor tonelaje de pila de alimentación.

7. MOTIVACIÓN

El presente informe tiene como principal motivación reformular el algoritmo de optimización de Lane
y determinar así una nueva ley de corte, que pueda ser aplicada a las diferentes minas polimetálicas
del país, para luego optimizarlo mediante el machine learning. Algo que no ha sido propuesto hasta
 Universidad
UPC
Peruana de Ciencias
Aplicadas

la actualidad, debido a que los ingenieros de planeamiento normalmente utilizan la ley de corte NSR
para obtener el valor económico de los metales a producir en la mina, en dólares por toneladas, como
también la fórmula de metales equivalente, mas no para conocer los costos reales en la operación.
Además, se busca que el algoritmo integre el modelo estocástico para brindar un rango de variabilidad
a los precios, y el sistema escoja el más adecuado de acuerdo a los precios proyectados y una base
histórica.
A pesar de que la optimización mediante el método estocástico viene siendo aplicado en ciertas
investigaciones científicas, la gran mayoría se sigue basando en el algoritmo de Lane. Se espera que
esta situación cambie, y se analice el nuevo algoritmo, a nivel internacional, como base para futuras
operaciones mineras. De esta forma, el algoritmo ayuda a las empresas a mejorar su planeamiento
de largo plazo. Finalmente, se busca promover el uso de la tecnología, como el machine learning, a
las empresas mineras en sus diferentes operaciones, ya sea subterráneas o cielo abierto, ya que nos
encontramos en un cambio tecnológico que avanza cada vez más rápido y de manera eficiente.

8. REFERENCIAS BIBLIOGRÁFICAS

● Ahmadi (2018) “Cutoff grade optimization based on maximizing net present value using a
computer model”. Journal of Sustainable Mining. 17(2), pp 68-75.
● Antamina. (2019). Reporte de Sostenibilidad 2019 (p. 9). Lima: Avanza Sostenible. Recuperado

de: http://www.antamina.com/wp-content/uploads/2020/10/reporte-de-sostenibilidad-2019.pdf

● Chuctaya , D., & Larota , M. (2020). Optimización de Carguío y Transporte en tiempo real

mediante el Software Jmineops en Minería Superficial – Caso de Estudio (Bachiller).

UNIVERSIDAD TECNOLÓGICA DEL PERÚ.

● Githiria, J., & Musingwini, C., (2019) “A stochastic cut-off grade optimization model to
incorporate uncertainty for improved project value”. Journal of the Southern African Institute of
Mining and Metallurgy, 119 (3), pp. 217-228
● Paduraru, C., Dimitrakopoulos, R.Responding to new information in a mining complex: fast

mechanisms using machine learning (2019) Mining Technology: Transactions of the Institute of

Mining and Metallurgy, 128 (3), pp.129-142.

 Universidad
UPC
Peruana de Ciencias
Aplicadas

● Saliba, Z., Dimitrakopoulos, R.Simultaneous stochastic optimization of an open pit gold mining

complex with supply and market uncertainty (2019) Mining Technology: Transactions of the

Institute of Mining and Metallurgy, 128 (4), pp. 216-229.

● Sociedad Nacional de Minería (2019) Memoria Anual. Recuperado de:

https://www.snmpe.org.pe/informes-y-publicaciones/memorias-institucionales/6065-memoria-

anual-2019.html

● Tamayo, Jesús; Salvador, Julio; Vásquez, Arturo y Víctor Zurita (Editores) (2017). La industria

de la minería en el Perú: 20 años de contribución al crecimiento y desarrollo económico del

país. Osinergmin. Lima-Perú.Obtenido de:

https://www.osinergmin.gob.pe/seccion/centro_documental/mineria/Documentos/Publicaciones

/Osinergmin-Industria-Mineria-Peru-20anios.pdf

● VEGA GARCÍA, J. F. (2019) MODELO DE PRONÓSTICO DE RENDIMIENTO

ACADÉMICO DE ALUMNOS EN LOS CURSOS DEL PROGRAMA DE ESTUDIOS BÁSICOS

DE LA UNIVERSIDAD RICARDO PALMA USANDO ALGORITMOS DE MACHINE

LEARNING.LIMA: UNIVERSIDAD RICARDO PALMA