Underground Mining Technology 2017 – M Hudyma & Y Potvin (eds)

© 2017 Australian Centre for Geomechanics, Perth, ISBN 978-0-9924810-7-0

https://papers.acg.uwa.edu.au/p/1710_26_Pourrahimian/

Determination of optimum drawpoint layout in block caving

using sequential Gaussian simulation

E Ugarte  University of Alberta, Canada 
Y Pourrahimian  University of Alberta, Canada 
JB Boisvert  University of Alberta, Canada 
 

Abstract
The economics of today’s mining industry are such that the major mining companies are increasing the use 
of massive mining methods. Caving methods have become the underground bulk mining method of choice 
and are expected to continue as such in the foreseeable future. Caving methods are favoured because of their 
low  cost  and  high  production  rates.  They  offer  a  much  smaller  environmental  footprint  compared  to 
equivalent open pit operations due to the much smaller volume of waste to be moved and handled. 
Drawpoint spacing is an essential part of the block cave layout design which must be investigated carefully at 
the start of the project. In this paper, an overall methodology based on sequential Gaussian simulation (SGS) 
to obtain the drawpoint spacing is suggested. The optimised drawpoint spacing is used to maximise the profit 
since the extraction layout is highly essential for the economics of block caving. This study is opening a new 
horizon for using ‘all realisations all the time’ as a new approach to solve one of the trickiest elements of 
blocks caving. 
Keywords: block caving, drawpoint spacing, layout optimisation, uncertainty 

1 Introduction
Mining companies around the world are constantly searching for tools to maximise the profitability of their 
projects. Optimisation of design, planning, and operation are common, not only in open pit operations but 
also  in  underground  mines.  Among  underground  mining  methods,  block  caving  is  typically  a  large‐scale 
method and one of the few economical techniques for the extraction of deep and large low‐grade material 
(Castro et al. 2012); however, caving is very challenging because its operational complexity is largely affected 
by the initial design which has limited flexibility once the drawpoints have been set. Drawpoint location is a 
critical element in the design of block caving layouts since spacing has a tremendous impact on production, 
dilution  and  extraction  rate.  The  design  of  the  production  layout  relies  on  available  exploration  data, 
geological interpretation and a geostatistical model of mine grades and geomechanical parameters.  
The majority of block caving mines use kriging as the main technique to estimate resources. Therefore, the 
block  model  generated  in  kriging  is  used  to  generate  the  layout  for  production.  There  are  a  number  of 
drawbacks, including: 
 Only a single response can be calculated (i.e. a single net present value (NPV)). 
 It is difficult to assess uncertainty in the response (i.e. NPV, tonnes per year, dilution, production 
rate, etc.). 
 The impact of the smoothing effect of kriging is difficult to quantify. 
Optimisation of the production layout based on kriging will not consider grade uncertainty and is, therefore, 
suboptimal. 
An  improved  technique  is  to  optimise  the  initial  layout  based  on  multiple  models  of  grade  that  span  the 
uncertainty in the deposit. In this work, these models (aka realisations, aka simulations) are generated with 

Underground Mining Technology 2017, Sudbury, Canada 339

Determination of optimum drawpoint layout in block caving E Ugarte et al.
using sequential Gaussian simulation

sequential  Gaussian  simulation  (SGS).  The  difficulty  with  using  multiple  models  is  that  the  layout  must  be 
optimised over all n realisations; this is different than a common implementation where the layout is optimised 
for a kriged model (or averaged SGS realisations) and then n realisations are used to assess uncertainty in NPV, 
grade, etc. Rather, the optimal layout that gives the maximum NPV over all realisations is found in the proposed 
methodology. This allows the practitioner to select the layout that is optimal given geological uncertainty rather 
than select a suboptimal layout based on kriging and then assess uncertainty in a post‐processing framework. 
This results in a better risk assessment for economic indicators as well as safety concerns. 

2 Methodology
In modern geostatistics, Monte Carlo simulation (MCS) is a well‐known computational algorithm; it relies on 
sampling conditional distributions. This algorithm is represented by the formulation of a problem with input 
variables (such as drillhole data, a kriged model or SGS realisations), a transfer function (such as a mine plan 
and resulting production per year), and the computed response variables (such as NPV) which are assessed 
by a probability distribution (Deutsch 2015), as shown in Figure 1. 

 
Figure 1 Monte Carlo simulation concepts (Deutsch 2015)

First,  the  input  variable  (Cu)  is  simulated  with  SGS  to  generate  40  equally  probable  realisations.  For  this 
purpose,  GSLIB,  Geostatistical  Software  Library  (Deutsch  &  Journel  1998),  were  used.  Various  drawpoint 
layouts can be selected for the transfer function and the NPV for each realisation is calculated. Geovia PCBC 
(Personal Computer Block Caving) is used here as the transfer function and calculates NPV (USD) for a given 
realisation; in addition to the realisations, mining parameters such as cost, fragment size, layout type, etc. 
are  required.  The  transfer  function  converts  the  simulated  Cu  values  of  every  realisation  into  a  response 
variable; in other words, one realisation is considered as one block model and results in one NPV value. For 
a given mine layout, the final result is a distribution of 40 NPV values that quantify how optimal this layout 
is. The optimal layout is obtained by repeating this for different mine layouts and selecting the mine layout 
with the best distribution of NPV values. The most common criterion to determine the best distribution of 
NPV values is to select the one with the highest average NPV; it should be noted that this is not the same as 
optimising the mine layout on the average model of the 40 realisations, rather, the proposed method obtains 
the best layout over all realisations. 
The main contribution of this work is to illustrate a methodology to obtain the optimal drawpoint spacing 
based  on  a  set  of  stochastic  realisations.  Moreover,  advantages  of  the  proposed  approach  over  previous 
techniques are highlighted. 
The present study is organised into four main steps: 
Step 1: Data analysis, statistics, and variography. 
Step 2: Geostatistical modelling with SGS. 
Step 3: Setting of mining parameters and the transfer function to calculate NPV with PCBC. 
Step 4: Output results are processed to obtain the optimised drawpoint spacing. 
Optimal drawpoint spacing within the initial footprint. 
Confirm the best level of extraction based on the optimal drawpoint spacing. 
Conduct a second optimisation for further refinement. 
This methodology is demonstrated in a brief study that provides a concise illustration of the optimisation of 
the drawpoint layout. 

340 Underground Mining Technology 2017, Sudbury, Canada

 Caving

2.1 Data analysis, statistics, and variography

The study data is composed of 55 synthetic drillholes that were resampled from a confidential block model 
of a real block caving mine; the data used is not the original (confidential) data, rather, the geostatistical 
model  generated  from  the  real  data  is  resampled  to  obtain  this  semi‐synthetic  realistic  data.  This  data 
considers Cu as the continuous variable of interest and the orebody extents in each drillhole are known. The 
drilling  assays  have  been  composited  to  10  m.  The  location  of  the  50  drillholes  and  their  composites  are 
shown in Figure 2. 

 
Figure 2 Composites of the drillholes used in this study

An exploratory data analysis of the composites is performed to obtain the global mean and variance of the 
copper grades. The global declustered mean of Cu is 0.229% with a variance of 0.122. Additional statistical 
analysis and geostatistical interpretations are performed to group populations before domain definition. 
The geological definition was generated with implicit modelling software based on distance functions (Silva 
& Deutsch 2012). There are two modelling domains, Dom 1 represents the porphyry intrusion and Dom 2 is 
the  country  rock  (Figure  3).  The  Cu  distribution  within  the  orebody  is  shown  in  Figure  5.  The  data  are 
transformed to normal score values for input to SGS (Figure 4). 

 
Figure 3 One slice of Dom 1 and Dom 2

Underground Mining Technology 2017, Sudbury, Canada 341

Determination of optimum drawpoint layout in block caving E Ugarte et al.
using sequential Gaussian simulation

   
(a)  (b) 
Figure 4 Declustered Cu histograms for domain Dom 1. (a) Original data; and, (b) Normal score data

 
Figure 5 Fitted horizontal Cu variogram for Dom 1, the major direction (dir1) and minor direction (dir2)

Variograms are used to quantify the spatial continuity/variability of grades. This work considers the building 
and modelling of two types of variograms. These are the indicator variogram model of rock type and the 
continuous variogram model of Cu. The horizontal experimental and modelled variogram of Cu are shown in 
Figure  5.  These  models  contain  two  nested  spherical  structures,  and  the  major  (dir1)  and  minor  (dir2) 
directions are 90° and 0° respectively. 

2.2 Geostatistical modelling

First,  40  sequential  indicator  simulation  (SIS)  realisations  are  generated.  The  SIS  realisations  are  used  to 
indicate ore and waste. Modelling details include: 
 The model contains 1,210,000 blocks with cell dimensions of 20 × 20 × 15 m. 
 Data used for input are the declustered and normalised data (Figure 4). 
To generate multiple conditional Cu realisations with SGS and SIS the modelled variograms (Figure 5) are 
required. Figure 6 illustrates one slice of the SGS model. 
Figure 7 shows good reproduction of the Cu distributions in the SGS models. 

342 Underground Mining Technology 2017, Sudbury, Canada

 Caving

   
(a)  (b) 
Figure 6 Slice 74, level 1150 of one SGS realisation. (a) SIS realisation, white = Dom 1, black = Dom 2;
(b) SGS realisations of Cu

   
(a)  (b) 
Figure 7 Cu histogram reproduction in Dom 1 (a); and, Dom 2 (b); Normal score units

Setting realistic PCBC parameters is critical, however, the data for this study is confidential so values based 
on  referenced  works  and  realistic  assumptions  are  used.  These  settings  are  obtained  from  previous 
engineering, economical and geotechnical studies related to block caving projects (Table 1).  
First, the extraction layouts are considered. The herringbone layout (Figure 8) is used throughout the study. 
In the last 30 years, the most commonly used layouts are the herringbone and the El Teniente (Leach et al. 
2000;  Botha  et  al.  2008).  An  advantage  of  the  herringbone  layout  is  the  load–haul–dump  unit 
manoeuvrability when electric tethered machines are used. The proposed methodology could be used with 
any  regularly  spaced  layout  or  even  performed  by  optimising  the  location  of  each  drawpoint  considering 
constraints; however, optimising each drawpoint would require extensive CPU time and significantly increase 
the complexity of the optimisation problem. 
Three layouts are selected for the purpose of the study. These layouts were  chosen based on a  previous 
sensitivity analysis. Table 2 shows the three main layouts that are used in this work. Their names are related 
to the drawpoint spacing across the major and minor pillars (A and B respectively in Figure 8). It is important 
to mention that the distance between drawpoints within the same bell is 10 m. 

Underground Mining Technology 2017, Sudbury, Canada 343

Determination of optimum drawpoint layout in block caving E Ugarte et al.
using sequential Gaussian simulation

Table 1 Relevant mining parameters and assumptions used within Geovia PCBC (Ahmed et al. 2014;
Diering 2000, 2013; Laubscher 1994, 2000)

Parameters and 
Value  Unit  Description 
assumptions 
% of fines   30  %  Based on a model of fines 
Density  2.5  kg/cm3  Average density for the domains 
HIZ  100  m  Height for interaction zone 
Swell factor  1.2   –  Stablished by experience  
HOD_MAX  500  m  Maximum height of development 
HOD_MIN  30  m  Minimum height of development 
Initial elevation  1,150  m  Initial elevation of extraction  
Radius of draw cone  5  m  Based on fragment sizes 
Layout type  –  –  Herringbone  

 
Figure 8 A typical herringbone layout (Chitombo 2010)

Table 2 Three of the drawpoint layouts used to find the optimal NPV

Layout name  A (m)  B (m) 

20 × 10  20  10 
20 × 15  20  15 
20 × 20  20  20 

In addition to the layout, values such as rock density and percent of fines are also required. The average 
fragment size, where the rock is moderately fractured, is assumed to range from 0.5 to 1 m3. Consequently, 
the radius of the draw cones is set to 5 m. The initial level of extraction is assumed to be 1,150 m using PCBC’s 
Footprint Finder, however, this is optimised after the layout of the drawpoints is considered. 
The development cost for each layout configuration is shown in Figure 9. This cost depends on the number 
of drawpoints in the layout. The number of drawpoints and the distance between them are critical factors 
that help calibrate the amount of dilution without losing ore production while also minimising development 
cost. For example, the total development cost increases when the chosen configuration has a large number 
of drawpoints. 

344 Underground Mining Technology 2017, Sudbury, Canada

 Caving

 
Figure 9 Total development cost for the three extraction layouts

2.3 Optimisation of drawpoint layout

For  each  of  the  chosen  drawpoint  configurations,  the  NPV  is  determined  using  PCBC  for  each  of  the 
40 realisations. Figure 10 illustrates one of these realisations with the 20  × 15 layout.  The final results  of 
tonnage, grade and NPV are shown in Table 3 and Figure 11. 
Usually, the maximum NPV average is preferred (20 × 15 layout Table 3), but using the proposed technique the 
uncertainty in NPV can be quantified. The 20 × 15 layout corresponds to a distribution of NPV values (Figure 12) 
and this uncertainty can be used to better evaluate potential decisions made in the mining process. 
The maximum average NPV is usually desired but the layout with the smallest risk, measured by the variance 
of the NPV, could also be selected for very risk adverse practitioners (20 × 20 layout Table 3). Moreover, if 
the highest tonnage or %Cu is desired, layout 20 × 10 may be preferred. Note that this layout performs poorly 
as measured by NPV because of the high development cost. 

   
(a)  (b) 
Figure 10 Calculation of minable reserves by PCBC. (a) SGS realisations with 20 × 15 drawpoint layout
shown; and, (b) Topography and caved blocks overlain on the SGS realisation

Underground Mining Technology 2017, Sudbury, Canada 345

Determination of optimum drawpoint layout in block caving E Ugarte et al.
using sequential Gaussian simulation

Table 3 Summary of tonnage, grade and net value for 40 realisations

Configuration  Minimum  Maximum  Average 

Tonnage (Mtonne)       
20 × 10  234  315   285 
20 × 15  220  267   249 
20 × 20  184  221  207 
Grade (%Cu)       
20 × 10  0.68  0.78  0.72  
20 × 15  0.60  0.69  0.65  
20 × 20  0.55  0.65  0.61  
NPV (M USD)       
20 × 10  919  1,998  1,516  
20 × 15  1,530  2,384  2,046  
20 × 20  1,581  2,256  1,989  

 
Figure 11 Grey thin curves represent the responses (NPV) of 40 stochastic realisations. Thick blue line represents
the average result. Note values are extrapolated between each of the three tested layouts

346 Underground Mining Technology 2017, Sudbury, Canada

 Caving

 
Figure 12 Distribution of net values for the 20 × 15 layout. The mean is USD 2,046 M

As  mentioned  previously,  the  total  development  cost  depends  on  the  number  of  drawpoints.  When 
drawpoints are closer, development is expensive and dilution may increase, but tonnage recovered is also 
high. Increasing drawpoint spacing can reduce profit due to ore lost. Figure 13 shows that the 20 × 15 layout 
increases profit, reaching an average NPV of USD 2,046 M. 
The optimal layout could be further refined by assessing additional layouts between 20 × 20 and 20 × 10, 
such as 20 × 17.5 or 20 × 12.5. This type of binary search can be repeated until the user is satisfied with the 
level of precision in the optimisation. 

 
Figure 13 Production tonnage and profit for different configurations

2.4 Optimisation of the extraction level

Once the optimum layout is known, the extraction level can be optimised. Four levels: 1,030, 1,090, 1,150, 
and 1,180 m were selected and the NPV of each of the 40 realisations is determined using a 20 × 15 layout. 
The calculation of NPV with PCBC at the four proposed levels of extraction shows that the maximum average 
NPV is achieved at the 1,150 m level (Figure 14). As with the layout optimisation, further refinement could 
be made by testing the 1,065 m and 1,120 m level. 

Underground Mining Technology 2017, Sudbury, Canada 347

Determination of optimum drawpoint layout in block caving E Ugarte et al.
using sequential Gaussian simulation

 
Figure 14 Grey thin curves represent the responses (NPV) of 40 stochastic realisations. Thick blue line
represents the average result. Note values are extrapolated between each of the four tested layouts

Additional optimisation steps could be performed iteratively. In this study, the layout is optimised followed 
by the extraction level. With the new extraction level, the optimal layout could be revaluated using the same 
procedure  described  in  Section  2.4.  With  this  new  optimal  layout,  the  optimal  extraction  level  could  be 
revaluated  as  in  Section  2.5.  This  could  be  repeated  until  the  practitioner  is  satisfied  with  the  result, 
successive iterations would eventually converge on the optimal value for the mine and the user must define 
their level of tolerance (usually based on the block size). It is important to mention that further parameter 
analysis will be conducted to measure the influence of dilution, fragmentation, and rock quality for improving 
this approach. 

3 Conclusion
This paper  provides an approach for using a set of stochastic realisations to solve a practical engineering 
concern in block caving. The proposed methodology optimises drawpoint spacing over multiple geostatistical 
realisations rather than simply using geostatistical realisations in a post‐processing framework to assess a 
layout based on a kriged model. 

Acknowledgement
The authors thank the Centre for Computational Geostatistics (CCG) and the Mining Optimisation Laboratory 
(MOL) of the University of Alberta. 

References
Ahmed,  H,  Scoble,  M  &  Dunbar,  S  2014,  ‘A  comparison  between  offset  herringbone  and  El  Teniente  underground  cave  mining 
extraction  layouts  using  a  discrete  event  simulation  technique’,  International  Journal  of  Mining  Reclamation  and 
Environment, vol. 30, no. 2, pp. 1–21. 
Botha, J, Watson, S, Arkadius, T & Samosir, E 2008, ‘Simulation applications at PT Freeport Indonesia’s DOZ/ESZ block cave mine’, 
Proceedings of the 5th International Conference and Exhibition on Mass Mining, Luleå, pp. 237–246.  
Castro,  R,  Vargas,  R,  &  Huerta,  F  2012,  ‘Determination  of  drawpoint  spacing  in  panel  caving:  a  case  study  at  El  Teniente  mine’,  
The Journal of the Southern African Institute of Mining and Metallurgy, vol. 112, no. 10, pp. 871–876. 
Chitombo, GP 2010, ‘Cave mining: 16 years after Laubscher's 1994 paper ‘Cave mining–state of the art’’, Mining Technology, vol. 119, 
no. 3, pp. 132–141. 

348 Underground Mining Technology 2017, Sudbury, Canada

 Caving

Deutsch, CV & Journel, AG 1998, GSLIB: Geostatistical Software Library and User's Guide, 2nd edn, Oxford University Press, New York. 
Deutsch, CV 2015, ‘All realisations all the time’, Proceedings of the CCG 17th Annual Meeting, University of Alberta, Edmonton, paper 
2015‐101. 
Diering,  T  2000,  ‘PC‐BC:  A  block  cave  design  and  draw  control  system’,  in  G  Chitombo  (ed.),  Proceedings  of  MassMin  2000,  The 
Australasian Institute of Mining and Metallurgy, Melbourne, pp. 469–484. 
Diering, T 2013, Reserve Estimation Using GEOVIA PCBC, Dassault Systemes Geovia Inc., Vancouver. 
Laubscher, DH 1994, ‘Cave mining‐the state of the art’, Journal of the South African Institute of Mining and Metallurgy, vol. 94, no. 10, 
pp. 279–293. 
Laubscher, DH 2000, Block Caving Manual, prepared for the International Caving Study, Julius Kruttschnitt Mineral Research Centre 
and Itasca Consulting Group, Inc., Brisbane. 
Leach,  A,  Naidoo,  K  &  Bartlett,  P  2000,  ‘Considerations  for  design  of  production  level  drawpoint  layouts  for  a  deep  block  cave’, 
in G Chitombo  (ed.),  Proceedings  of  MassMin  2000,  The  Australasian  Institute  of  Mining  and  Metallurgy,  Melbourne,  
pp. 356–366.  
Silva, DA & Deutsch, CV 2012, ‘Modeling multiple rock types with distance functions: methodology and software’, Proceedings of the 
Centre for Computational Geostatistics 14th Annual Meeting, University of Alberta, Edmonton, paper 2012‐307. 
   

Underground Mining Technology 2017, Sudbury, Canada 349

Determination of optimum drawpoint layout in block caving E Ugarte et al.
using sequential Gaussian simulation

350 Underground Mining Technology 2017, Sudbury, Canada