ORIGINAL PAPER
Method for estimating the size of mineable resource base in the concept of an effective exploitation parcel (EPE)
1
Mineral and Energy Economy Research Institute PAS
Submission date: 2025-07-10
Final revision date: 2025-07-23
Acceptance date: 2025-07-31
Publication date: 2025-09-26
Gospodarka Surowcami Mineralnymi – Mineral Resources Management 2025;41(3):167-195
KEYWORDS
TOPICS
ABSTRACT
The paper presents an authorial method of determining the deposit resource base considering changing market conditions. To achieve this goal authors built the dedicated software, which optimizes mining schedules taking into account the expected impact of geological and mining factors and natural hazards on the exploitation process. The research method developed, and the IT tool built, enables the analysis of thousands of variants of cutting the mining plots in order to identify ones that maximize the profit potential of longwalls and parcels. In this method the potential is measured by the value of the operating margin and profit, which include capital expenditure and operating costs of coal production. The impact of geological, mining and natural hazard factors is identified in a multi-criteria method. Then, by estimating the authorial risk index RI, the cost of equity – the weighted component of the mining company’s cost of capital – is adjusted.
The results of the presented example show that even small changes in raw material price may significantly affect the amount of recoverable resources and the economic value of the project (NPV). Resource base in the analyzed cases ranges from 0 to 45 million Mg and the NPV from 0 to 7.8 billion PLN. For the base price scenario effective resources amount to 19.4 million Mg, which represents only 42% of the proven recoverable resources. The approach used is in line with the requirements of the JORC Code and enables multivariate analysis of tunnel layouts using advanced digital tools.
FUNDING
The publication was carried out as part of the GOSPOSTRATEG.IX-0016/22 project entitled “Dynamic management of demand, production, resource management and logistics of distribution of hard coal in an economy implementing a decarbonization energy mix”.
CONFLICT OF INTEREST
The Authors have no conflict of interest to declare.
METADATA IN OTHER LANGUAGES:
Polish
Metoda szacowania wielkości zasobów wydobywanych w koncepcji efektywnej parceli eksploatacyjnej (EPE)
wydobycie węgla, szacowanie zasobów, planowanie i optymalizacja produkcji, efektywna parcela eksploatacyjna
W artykule zaprezentowano autorską metodę określania wielkości bazy zasobowej złoża w zależności od zmiennych warunków rynkowych. Do realizacji tego celu zastosowano dedykowane oprogramowanie do optymalizacji harmonogramów produkcji górniczej z uwzględnieniem oczekiwanego wpływu czynników geologicznych, górniczych i zagrożeń na wydobycie węgla kamiennego. Opracowana metoda badawcza i zbudowane narzędzie informatyczne umożliwiają analizę tysięcy wariantów rozcinki złoża i parcel eksploatacyjnych celem identyfikacji wariantów zagospodarowania maksymalizujących potencjał dochodowy ścian i parcel. W niniejszej metodzie etapie potencjał ten jest mierzony wartością marży operacyjnej i zysku szacowanego po uwzględnieniu nakładów inwestycyjnych i kosztów operacyjnych produkcji węgla. Wpływ czynników geologicznych, górniczych i zagrożeń naturalnych jest identyfikowany w metodzie wielokryterialnej, a następnie poprzez szacowanie autorskiego indeksu ryzyka RI korygowany jest koszt kapitałów własnych – składnik ważonego kosztu kapitału przedsiębiorstwa górniczego.
Wyniki przykładu obliczeniowego wskazują, że nawet niewielkie zmiany cen surowca mogą znacząco wpływać na opłacalność eksploatacji, skalę zasobów możliwych do pozyskania oraz wartość ekonomiczną projektu (NPV), przy czym w analizowanym przypadku baza zasobowa wahała się od 0 do 45 mln Mg, a NPV od 0 do 7,8 mld PLN. Dla scenariusza bazowego oszacowana wielkość zasobów efektywnych ekonomicznie sięgnęła 19,4 mln Mg, co stanowi zaledwie 42% zasobów udokumentowanych w kategorii zasobów operatywnych (wydobywalnych). Zastosowane podejście wpisuje się w wymagania systemu klasyfikacji zasobów JORC Code i umożliwia wielowariantową analizę geometrii wyrobisk z wykorzystaniem zaawansowanych narzędzi cyfrowych.
REFERENCES (60)
1.
Ahmadi, M.R. and Shahabi, R.S. 2018. Cutoff grade optimization in open pit mines using genetic algorithm. Resources Policy 55, pp. 184–191, DOI: 10.1016/j.resourpol.2017.11.016.
2.
Alford et al. 2007 – Alford, C., Brazil, M. and Lee, D.H. 2007. Optimisation in Underground Mining [In:] Weintraub, A., Romero, C., Bjørndal, T., Epstein, R. and Miranda, J. (eds.), Handbook of operations research in natural resources, international series in operations research amp. Mana. Springer US, Boston, MA, pp. 561–577, DOI: https://doi.org/10.1007/978-0-....
3.
Australasian… 2012 – Australasian Code for Reporting of Exploration Results, Mineral Resources and Ore Reserves, 2012.
4.
Boucher et al. 2005 – Boucher, A., Dimitrakopoulos, R. and Vargas-Guzmán, J.A. 2005. Joint Simulations, Optimal Drillhole Spacing and the Role of the Stockpile [In:] Leuangthong, O., Deutsch, C.V. (eds.), Geostatistics Banff 2004, Quantitative Geology and Geostatistics. Springer Netherlands, Dordrecht, pp. 35–44, DOI: 10.1007/978-1-4020-3610-1_4.
5.
Brazil et al. 2002 – Brazil, M, Lee, D.H, Rubinstein, J.H., Thomas, D.H., Weng, J.F. and Wormald, N.C. 2002. A network model to optimise cost in underground mine design. Transactions of the South African Institute of Electrical Engineers 93.
6.
Brzychczy, E. and Wnuk-Lipiński, P. 2013. Knowledge-based modeling and multi-objective optimization of production in underground coal mines. Mining 37, DOI: 10.7494/mining.2013.37.1.13.
7.
Camisani-Calzoari, F.A. 2004. National and international codes for reporting mineral resources and reserves: Their relevance, future and comparison. The Journal of The South African Institute of Mining and Metallurgy 104.
8.
Campeau et al. 2022 – Campeau, L.P., Gamache, M. and Martinelli, R. 2022. Integrated optimisation of short- and medium-term planning in underground mines. International Journal of Mining, Reclamation and Environment 36, pp. 235–253, DOI: 10.1080/17480930.2022.2025558.
9.
Carlyle, W.M. and Eaves, B.C., 2001. Underground Planning at Stillwater Mining Company. Interfaces 31, pp. 50–60, DOI: 10.1287/inte.31.4.50.9669.
10.
Carpentier et al. 2016 – Carpentier, S., Gamache, M. and Dimitrakopoulos, R. 2016. Underground long-term mine production scheduling with integrated geological risk management. Mining Technology 125, pp. 93–102, DOI: 10.1179/1743286315Y.0000000026.
11.
David, M. 1982. Geostatistical Ore Reserve Estimation. Elsevier Science, New York.
12.
Dimitrakopoulos, R. and Jewbali, A. 2013. Joint stochastic optimisation of short and long term mine production planning: Method and application in a large operating gold mine. Transactions of the Institutions of Mining and Metallurgy, Section A: Mining Technology 122, pp. 110–123, DOI: 10.1179/1743286313Y.0000000040.
13.
Dyczko, A. 2023. The geological modelling of deposits, production designing and scheduling in the JSW SA Mining Group. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 39, DOI: https://doi.org/10.24425/gsm.2....
14.
Erdogan et al. 2017 – Erdogan, G., Cigla, M., Topal, E. and Yavuz, M. 2017. Implementation and comparison of four stope boundary optimization algorithms in an existing underground mine. International Journal of Mining, Reclamation and Environment 31, 389–403, DOI: https://doi.org/10.1080/174809....
15.
Galos et al. 2015 – Galos, K., Nieć, M., Saługa, P.W. and Uberman, R. 2015. The basic problems of mineral resources valuation methodologies within the framework of System of Integrated Environmental and Economic Accounts. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 31(1), pp. 5–20, DOI: 10.1515/gospo-2015-0034.
16.
Godoy, M. 2018. A Risk Analysis Based Framework for Strategic Mine Planning and Design–Method and Application [In:] Dimitrakopoulos, R. (ed.), Advances in Applied Strategic Mine Planning. Springer International Publishing, Cham, pp. 75–90, DOI: 10.1007/978-3-319-69320-0_7.
17.
Grubert, E. 2012. Reserve reporting in the United States coal industry. Energy Policy 44, DOI: 10.1016/j.enpol.2012.01.035.
18.
Grudziński, Z. 2009. Proposals of price structure for steam hard coal and lignite (Propozycje Struktur Cenowych dla węgla kamiennego energetycznego i węgla brunatnego). Polityka Energetyczna 12(2) (in Polish).
19.
Heriawan, M.N. and Katsuaki, K. 2008. Identifying spatial heterogeneity of coal resource quality in a multilayer coal deposit by multivariate geostatistics. International Journal of Coal Geology 73, DOI: 10.1016/j.coal.2007.07.005.
20.
Hindistan et al. 2010 – Hindistan, M.A., Tercan, A.E. and Ünver, B. 2010. Geostatistical coal quality control in longwall mining. International Journal of Coal Geology 81, DOI: 10.1016/j.coal.2009.12.014.
21.
Khan, A. and Asad, M.W.A. 2020. A mathematical programming model for optimal cut-off grade policy in open pit mining operations with multiple processing streams. International Journal of Mining, Reclamation and Environment 34, pp. 149–158, DOI: 10.1080/17480930.2018.1532865.
22.
Khanzode et al. 2011 – Khanzode, V.V., Maiti, J. and Ray, P.K. 2011. A methodology for evaluation and monitoring of recurring hazards in underground coal mining. Safety Science 49, DOI: 10.1016/j.ssci.2011.03.009.
23.
King, B. 2018. Optimal Mining Principles [In:] Dimitrakopoulos, R. (ed.), Advances in Applied Strategic Mine Planning. Springer International Publishing, Cham, pp. 19–30, DOI: 10.1007/978-3-319-69320-0_2.
24.
Kopacz, M. 2016. The use of statistical distributions of coal seams thickness for forecasting the amount of operational coal reserves (Wykorzystanie rozkładów statystycznych miąższości pokładów do prognozy wielkości zasobów operatywnych węgla kamiennego). Zeszyty Naukowe IGSMiE PAN 92, pp. 57–74 (in Polish).
25.
Kopacz, M. 2017. The impact of selected geological and mining parameters on the economic evaluation of projects in the hard coal mining industry (Wpływ wybranych parametrów geologiczno-górniczych na ocenę ekonomiczną projektów w górnictwie węgla kamiennego). Studia, Rozprawy, Monografie 201, Kraków: MEERI PAS (in Polish).
26.
Kopacz et al. 2018 – Kopacz, M., Sobczyk, E.J. and Galica, D. 2018. The impact of variability and correlation of selected geological parameters on the economic assessment of bituminous coal deposits with use of non-parametric bootstrap and copula-based Monte Carlo simulation. Resources Policy 55, pp. 171–183, DOI: 10.1016/j.resourpol.2017.11.015.
27.
Kosenko et al. 2025 – Kosenko, A., Khomenko, O., Kononenko, M., Polyanska, A., Buketov, V., Dychkovskyi, R., Polaski, J., Howaniec, N. and Smoliski, A. 2025. Sustainable Management of Iron Ore Extraction Processes using Methods of Borehole Hydro-Technology. International Journal of Mining and Mineral Engineering 16(1), DOI: 10.1504/ijmme.2025.10070190.
28.
Kulpa et al. 2024 – Kulpa, J., Jekiełek, M. and Malinowski, L. 2024. Challenges and effectiveness of IT tools used in mining for forecasting production parameters. E3S Web of Conferences 567, DOI: 10.1051/e3sconf/202456701014.
29.
Kowal et al. 2022 – Kowal, B., Ranosz, R., Herezy, Ł., Cichy, W., Świniarska, O. and Domaracka, L. 2022. Overview of Taken Initiatives and Adaptation Measures in Polish Mining Companies during a Pandemic. Energies 15(17), DOI: 10.3390/en15176403.
30.
Maleki et al. 2021 – Maleki, M., Madani, N., Jélvez, E., 2021. Geostatistical Algorithm Selection for Mineral Resources Assessment and its Impact on Open-pit Production Planning Considering Metal Grade Boundary Effect. Natural Resources Research 30, pp. 4079–4094, DOI: 10.1007/s11053-021-09928-z.
31.
Michalak, J. 2012. Comparative analysis of profitability o coal and nuclear investments (Analiza porównawcza opłacalności inwestycji węglowych i jądrowych). Polityka Energetyczna 15(4) (in Polish).
32.
Miskelly, N. 2003. Progress on International Standards for Reporting of Mineral Resources and Reserves. The Association of Geoscience, Mining and Metallurgy Professionals (YERMAM).
33.
Newman et al. 2010 – Newman, A.M., Rubio, E., Caro, R., Weintraub, A. and Eurek, K. 2010. A review of operations research in mine planning. Interfaces 40, pp. 222–245, DOI: 10.1287/inte.1090.0492.
34.
Nhleko et al. 2018 – Nhleko, A.S., Tholana, T. and Neingo, P.N. 2018. A review of underground stope boundary optimization algorithms. Resources Policy 56, pp. 59–69, DOI: 10.1016/j.resourpol.2017.12.004.
35.
Nieć, M. 1990. Mining Geology (Geologia kopalniana). Warszawa: Wyd. Geol. (in Polish).
36.
Nieć, M. 2010. International classifications of mineral resource deposits (Międzynarodowe klasyfikacje zasobów złóż kopalin). Górnictwo i Geoinżynieria 34 (in Polish).
37.
Nieć, M. 2012. Method of documenting solid resources deposits (Metodyka dokumentowania złóż kopalin stałych). Kraków: MEERI PAS (in Polish).
38.
Nieć, M. 2019. Polish and international classification of resources (unfc) for solid minerals and carbohydrates – similarities and differences (Polska i międzynarodowa ramowa klasyfikacja zasobów (unfc) złóż kopalin stałych i węglowodorów – podobieństwa i różnice). Górnictwo Odkrywkowe 8 (in Polish).
39.
Olea et al. 2011 – Olea, R.A., Luppens, J.A. and Tewalt, S.J. 2011. Methodology for quantifying uncertainty in coal assessments with an application to a Texas lignite deposit. International Journal of Coal Geology 85, DOI: 10.1016/j.coal.2010.10.001.
40.
Ostrowska, E. 2002. Investment Projects Risk (Ryzyko projektów inwestycyjnych). Warszawa: PWE (in Polish).
41.
Rademeyer et al. 2019 – Rademeyer, M.C., Minnitt, R.C.A. and Falcon, R.M.S. 2019. A mathematical optimisation approach to modelling the economics of a coal mine. Resources Policy 62, DOI: 10.1016/j.resourpol.2018.11.00.
42.
Ranosz et al. 2024 – Ranosz, R., Fuksa, D., Kret, Y. and Mucha, K. 2024. Ratio Analysis of Companies in the Raw Materials Sector in Poland for the Years 2018–2022 (Analiza wskaźnikowa przedsiębiorstw z branży surowcowej w Polsce za lata 2018–2022). Inżynieria Mineralna 3(2), DOI: 10.29227/IM-2024-02-87 (in Polish).
43.
Rendu, J.M. and Miskelly, N. 2001. Mineral resources and mineral reserves: progress on international definitions and reporting standards. Mining Technology: Transactions of the Institutions of Mining and Metallurgy 110, DOI: 10.1179/mnt.2001.110.3.133.
44.
Rogowski, W. 2004. Effectiveness of investment enterprises (Rachunek efektywności przedsięwzięć inwestycyjnych). Kraków: Oficyna Ekonomiczna (in Polish).
45.
Saaty, R.W. 1987. The analytic hierarchy process–what it is and how it is used. Mathematical Modelling 8.
46.
Saługa et al. 2015 – Saługa, P., Sobczyk, E.J. and Kicki, J. 2015. Evaluation of hard coal deposits in Poland according to JORC Code (Wykazywanie zasobów węgla kamiennego w Polsce zgodnie z JORC Code). Gospodarka Surowcami Mineralnymi – Mineral Resources Management 31(2), DOI: 10.1515/gospo-2015-0019 (in Polish).
47.
Sieniawska, I. and Wierchowiec, J. 2016. New methods of evaluating deposit resources from the viewpoint of mining investments (Nowoczesne metody wykazywania zasobów złoża z punktu widzenia potrzeb inwestycji górniczych). Górnictwo Odkrywkowe 57 (in Polish).
48.
Simonsen, H. and Perry, J. 1999. Risk identification, assessment and management in the mining and metallurgical industries. Journal of the Southern African Institute of Mining and Metallurgy 99.
49.
Smith, L.D. 1994. Discount rates and risk assessment in mineral project evaluations. Canadian Institute of Mining, Metallurgy and Petroleum.
50.
Sobczyk, E.J. 2009. Nuissace of mining and geological conditions of extraction of hard coal and its impact on deposit management (Uciążliwość geologiczno-górniczych warunków eksploatacji węgla kamiennego i jej wpływ na gospodarkę złożem). Kraków: MEERI PAS (in Polish).
51.
Sobczyk, E.J. and Kopacz, M. 2018. Assessing geological and mining nuisance and its impact on the cost of exploitation in hard coal mines. Przegląd Geologiczny 66, pp. 177–184.
52.
Sobczyk et al 2024 – Sobczyk, E.J., Kulpa, J., Kopacz, M., Sałamaga, M. and Sobczyk, W. 2024. Sustainable management of hard coal resources implemented by identifying risk factors in the mining process. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 40(3), DOI: 10.24425/gsm.2024.151526.
53.
Sokołowski, A. 1982. Taksonomy issues (O zagadnieniach taksonomicznych). Zeszyty Naukowe Akademii Ekonomicznej w Krakowie 165 (in Polish).
54.
Srivastava, R.M. 2013. Geostatistics: A toolkit for data analysis, spatial prediction and risk management in the coal industry. International Journal of Coal Geology 112, DOI: 10.1016/j.coal.2013.01.011.
55.
Szamałek et al. 2021 – Szamałek, K., Szuflicki, M., Górska, I., Zgnilicki, K. and Mazurek, S. 2021. Evolution of methodology, scope and importance of Balance of Potential resource deposit od Poland (Ewolucja metodologii, zakresu i znaczenia Bilansu Perspektywicznych Zasobów Kopalin Polski). Przegląd Geologiczny 69(8) (in Polish).
56.
Topal et al. 2003 – Topal, E., Kuchta, M. and Newman, A. 2003. Extensions to an efficient optimization model for long-termproduction planning at LKAB’s Kiruna Mine. Application of Computers and Operations Research in the Minerals Industries.
57.
Will, K. and Vendla, S. 2018. Underground Cut-off Grade Optimisation in Narrow Vein Deposits Based on an Innovative Mine Design Algorithm. Mining Report Glückauf 154.
58.
Villalba Matamoros, M.E. and Kumral, M. 2019. Underground mine planning: stope layout optimisation under grade uncertainty using genetic algorithms. International Journal of Mining, Reclamation and Environment 33, pp. 353–370, DOI: 10.1080/17480930.2018.1486692.
59.
Vladyko et al. 2025 – Vladyko, O., Maltsev, D., Gliwiński, Ł., Dychkovskyi, R., Stecuła, K. and Dyczko, A. 2025. Enhancing Mining Enterprise Energy Resource Extraction Efficiency Through Technology Synthesis and Performance Indicator Development. Energies 18(7), DOI: 10.3390/en18071641.
60.
Zhu, B. 2011. Quantitative evaluation of coal-mining geological condition. Procedia Engineering 26.
Share
RELATED ARTICLE
| eISSN: | 2299-2324 |
| ISSN: | 0860-0953 |
© 2006-2025 Journal hosting platform by Bentus
We process personal data collected when visiting the website. The function of obtaining information about users and their behavior is carried out by voluntarily entered information in forms and saving cookies in end devices. Data, including cookies, are used to provide services, improve the user experience and to analyze the traffic in accordance with the Privacy policy. Data are also collected and processed by Google Analytics tool (more).
You can change cookies settings in your browser. Restricted use of cookies in the browser configuration may affect some functionalities of the website.
You can change cookies settings in your browser. Restricted use of cookies in the browser configuration may affect some functionalities of the website.
