ORIGINAL PAPER
Optimizing mining production plan as a trade-off between resources utilization and economic targets in underground coal mines
 
More details
Hide details
1
Mineral and Energy Economy Research Institute Polish Academy of Sciences
2
AGH University of Science and Technology
CORRESPONDING AUTHOR
Sylwester Kaczmarzewski   

Mineral and Energy Economy Research Institute Polish Academy of Sciences
Submission date: 2020-11-11
Final revision date: 2020-11-25
Acceptance date: 2020-11-30
Publication date: 2020-12-17
 
Gospodarka Surowcami Mineralnymi – Mineral Resources Management 2020;36(4):49–74
 
KEYWORDS
TOPICS
ABSTRACT
The paper presents multi-criteria optimization method allowing for selection of the best production scenarios in underground coal mines. We discuss here the dilemma between strategies maximizing economic targets and rational resources depletion. Elaborated method combines different geological and mining parameters, structure of the deposit, mine’s infrastructure constrains with economic criteria such as the net present value (NPV), earnings before deducting interest and taxes (EBIT) and the free cash flows to firm (FCFF). It refers to strategic production planning. Due to implementation of advanced IT software in underground coal mines (digital model, automated production scheduling) we were able to identify millions of scenarios finally reduced to a few – the best ones. The method was developed and tested using data from mine operation “X” (a real project – an example of a coking coal mine located in Poland). The reliability of the method was approved; we were able to identify multiple production scenarios better than the one chosen for implementation in the “X” mine. The final product of the method were rankings of scenarios grouped according to economic decision criteria. The best scenarios reached NPV nearly 50% higher than the Base Case, which held only 52. position out of 60. According to EBIT and FCFF criteria, 10 scenarios achieved results higher than the Base Case, but the percentage differences were very small, below 2 and 4%, respectively. The developed method is of practical importance and can be successfully applied to many other coal projects.
METADATA IN OTHER LANGUAGES:
Polish
Optymalizacja planowania produkcji górniczej jako kompromis pomiędzy wykorzystaniem bazy zasobowej a maksymalizacją efektów ekonomicznych kopalń węgla kamiennego
wykorzystanie zasobów surowców mineralnych, podziemne górnictwo węgla kamiennego, planowanie produkcji górniczej, optymalizacja, cyfrowy model złoża, efektywność ekonomiczna
W artykule zaprezentowano wielokryterialną metodę optymalizacji produkcji górniczej, prowadzącą do wyboru najlepszych harmonogramów wydobycia w podziemnych kopalniach węgla kamiennego. Przeprowadzono także dyskusję nad dylematem pomiędzy wyborem strategii maksymalizujących efekty ekonomiczne a racjonalną gospodarką zasobami. Opracowana metoda łączy różne parametry geologiczne i górnicze, budowę złoża, ograniczenia infrastruktury kopalni, z kryteriami ekonomicznym takimi jak NPV, EBIT i FCFF. Tym samym wpisuje się w obszar planowania strategicznego. W związku z wdrożeniem zaawansowanych narzędzi IT w podziemnym górnictwie węglowym (cyfrowy model złoża, zautomatyzowane harmonogramowanie produkcji górniczej) możliwe było zidentyfikowanie milionów scenariuszy, ograniczonych w efekcie końcowym do kilku najlepszych. Metoda została zaprojektowana i przetestowana z wykorzystaniem danych dotyczących projektu górniczego „X” (projekt rzeczywisty – przykład kopalni węgla koksowego zlokalizowanej w Polsce). Jej zastosowanie umożliwiło identyfikację wielu scenariuszy produkcji lepszych od wariantu wybranego do wdrożenia w tej kopalni. Tym samym potwierdzono jej skuteczność. Produkt finalny metody stanowią rankingi scenariuszy zgrupowanych według różnych kryteriów oceny efektywności ekonomicznej. Najlepsze scenariusze osiągnęły wartości NPV blisko 50% wyższe od scenariusza bazowego, który spośród 60 zajął dopiero 52. miejsce. Według kryteriów EBIT i FCFF, 10 scenariuszy osiągnęło wyniki lepsze niż scenariusz bazowy, ale różnice w ujęciu procentowym były jednak bardzo niewielkie, odpowiednio poniżej 2 i 4%. Opracowana metoda ma przede wszystkim praktyczne znaczenie i może być z powodzeniem stosowana w wielu przypadkach projektów węglowych.
 
REFERENCES (47)
1.
Bardzinski et al. 2019 – Bardzinski, P.J., Krol, R. and Jurdziak, L. 2019. Empirical model of discretized copper ore flow within the underground mine transport system. International Journal of Simulation Modelling 18(3), pp. 279–289. DOI: 10.2507/IJSIMM18(2)473.
 
2.
Brazil, M. and Grossman, P.A. 2008. Access layout optimisation for underground mines’, Australian Mining Technology Conference, pp. 119–128. [Online] https://www.researchgate.net/p... [Accessed: 2020-10-04].
 
3.
Brazil et al. 2002 – Brazil, M., Lee, D.H., Rubinstein, J.H. Thomas D.A., Weng, J.F. Weng and Wormald, N.C. 2002. A network model to optimise cost in underground mine design. Transactions-south African institute of electrical engineers. [Online] file:///C:/Users/Admin/AppData/Local/Temp/A_Network_Model_to_Optimise_Cost_in_Underground_Mi.pdf [Accessed:2020-10-04].
 
4.
Brazil et al. 2009 – Brazil, M., Grossman, P.A., Lee, D.H. and Rubinstein, H. 2009. Access Optimisation Tools in Underground Mine Design. Orebody Modelling and Strategic Mine Planning Conference. [Online] https://users.monash.edu.au/~n... [Accessed: 2020-10-04].
 
5.
Brzychczy, E. 2007. Modelling and optimisation method of mining works in hard coal mine with an application of stochastic networks. Part 4: Application of evolved method in hard coal mine (Metoda modelowania i optymalizacji robót górniczych w kopalni węgla kamiennego z wykorzystaniem sieci stochastycznych. Część 4. Procedura optymalizacji). Gospodarka Surowcami Mineralnymi – Mineral Resources Management 23(1), pp. 121–128 (in Polish).
 
6.
Brzychczy, E. 2011. The planning optimization system for underground hard coal mines. Archives of Mining Sciences 56(2), pp. 161–178.
 
7.
Brzychczy, E. 2014. A modern tool for modelling and optimisation of production in underground coal mine’, Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). DOI: 10.1007/978-3-319-10894-0_23.
 
8.
Brzychczy et al. 2018 – Brzychczy, E., Kęsek, M., Napieraj, A. and Magda, R. 2018. An expert system for underground coal mine planning. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 33(2), pp. 113–127. DOI: 10.1515/gospo-2017-0015.
 
9.
Brzychczy, E. and Wnuk-Lipiński, P. 2013. Knowledge-based modeling and multi-objective optimization of production in underground coal mines. AGH Journal of Mining and Geoengineering. DOI: 10.7494/mining.2013.37.1.13.
 
10.
Carpentier et al. 2016 – Carpentier, S., Gamache, M. and Dimitrakopoulos, R. 2016. Underground long-term mine production scheduling with integrated geological risk management. Transactions of the Institutions of Mining and Metallurgy, Section A: Mining Technology. DOI: 10.1179/1743286315Y.0000000026.
 
11.
Del Castillo, M.F. and Dimitrakopoulos, R. 2019. Dynamically optimizing the strategic plan of mining complexes under supply uncertainty. Resources Policy 60, pp. 83–93. DOI: 10.1016/j.resourpol.2018.11.019.
 
12.
Dyczko et al. 2013 – Dyczko, A., Galica, D., Sypniowski, S. and Szot, M. 2013. Planning and scheduling of mining production in LW “Bogdanka” SA (Planowanie i harmonogramowanie produkcji górniczej w LW „Bogdanka” SA). Wiadomości Górnicze 64(7–8), pp. 422–426 (in Polish).
 
13.
Dyczko et al. 2014 – Dyczko, A., Galica, D. and Kudlak, Ł. 2014. Selected aspects of the application of IT tools in the designing and scheduling of mining production (Wybrane aspekty zastosowania narzędzi informatycznych w projektowaniu i harmonogramowaniu produkcji górniczej). Wiadomości Górnicze 9, pp. 448–457 (in Polish).
 
14.
Erdogan, G. and Yavuz, M. 2017. Application of Three Existing Stope Boundary Optimisation Methods in an Operating Underground Mine. IOP Conference Series: Earth and Environmental Science. DOI: 10.1088/1755-1315/95/4/042077.
 
15.
Hou et al. 2019 – Hou, J., Li, G., Hu, N. and Wang, H. 2019. Simultaneous integrated optimization for underground mine planning: Application and risk analysis of geological uncertainty in a gold deposit. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 35(2), pp. 153–174. DOI: 10.24425/gsm.2019.128518.
 
16.
Hou et al. 2020 – Hou, J., Li, G. and Hu, N. 2020. Optimization of underground mine access layout and production scheduling. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 36(2), pp. 87–108. DOI: 10.24425/gsm.2020.132560.
 
17.
Kicki et al. 2019 – Kicki, J., Grudziński, Z., Sobczyk, E.J., Kopacz, M., Ozga-Blaschke, U., Stala-Szlugaj, K., Jarosz, J., Olczak, P., Kulpa, J., Malinowski, L. and Kaczmarzewski, S. Report 2018. Hard Coal Mining in Poland. MEERI PAS (Raport 2018. Górnictwo węgla kamiennego w Polsce). [Online] https://min-pan.krakow.pl/proj... [Accessed: 2020-10-04] (in Polish).
 
18.
Kijanka, D. and Wróbel, D. 2017. Planning and scheduling of mining operations in LW Bogdanka S.A. using second- -generation IT tools (Projektowanie i harmonogramowanie robót górniczych w LW Bogdanka SA z wykorzystaniem narzędzi IT drugiej generacji). Inżynieria Górnicza 1–2, pp. 24–28 (in Polish).
 
19.
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 i Monografie 201, Kraków: MEERI PAS (in Polish).
 
20.
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. DOI: 10.1016/j.resourpol.2017.11.015.
 
21.
Kopacz et al. 2019 – Kopacz, M., Kulpa, J., Galica, D., Dyczko, A. and Jarosz, J. 2019. Economic valuation of coal deposits – The value of geological information in the resource recognition process. Resources Policy. DOI: 10.1016/j.resourpol.2019.101450.
 
22.
Kopacz et al. 2020 – Kopacz, M., Kulpa, J., Galica, D. and Olczak, P. 2020. The influence of variability models for selected geological parameters on the resource base and economic efficiency measures – Example of coking coal deposit. Resources Policy 68. DOI: 10.1016/j.resourpol.2020.101711.
 
23.
Little et al. 2013 – Little, J., Knights, P. and Topal, E. 2013. Integrated optimization of underground mine design and scheduling. Journal of the Southern African Institute of Mining and Metallurgy 113(10), pp. 775–785.
 
24.
Magda, R. 2011. Modelling the mine production process in terms of planning the output volume with regard to the aspects of uncertainty and risk. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 27(4), pp. 45–57.
 
25.
Magda, R. 2014. Influence of the use of the mine's productivity capacity on the unit own cost (Wpływ stopnia wykorzystania zdolności produkcyjnej zakładu górniczego na jednostkowy koszt własny). Konferencja Przemysł 4.0 a Zarządzanie i inżynieria produkcji. Zakopane, pp. 290–300. [Online] http://www.ptzp.org.pl/files/k... [Accessed: 2020-10-04] (in Polish).
 
26.
Maritz, J.H. and Uludag, S. 2019. Developing a mining plan for restarting the operation at Uis mine. Journal of the Southern African Institute of Mining and Metallurgy. DOI: 10.17159/2411-9717/536/2019.
 
27.
Mayer, J.M. 2011. Applications of Uncertainty Theory to Rock Mechanics and Geotechnical Mine Design. Simon Fraser University. [Online] http://summit.sfu.ca/system/fi... [Accessed: 2020-10-04].
 
28.
Morton, J. 2017. Mine Planning Software Empowers Grade Controllers. Engineering and Mining Journal 28.
 
29.
Musingwini, C. 2016. Presidential address: Optimization in underground mine planning-developments and opportunities. Journal of the Southern African Institute of Mining and Metallurgy 116(9), pp. 809–820. DOI: 10.17159/2411-9717/2016/v116n9a1.
 
30.
Nesbitt et al. 2020 – Nesbitt, P., Sipeki, L., Flamand, T. and Newman, A.M. 2020. Optimizing Underground Mine Design with Method-Dependent Precedences. IISE Transactions. DOI: 10.1080/24725854.2020.1823534.
 
31.
Newman, A.M. and Kuchta, M. 2007. Using aggregation to optimize long-term production planning at an underground mine. European Journal of Operational Research 176. DOI: 10.1016/j.ejor.2005.09.008.
 
32.
Newman et al. 2016 – Newman, A.M., Kuchta, M. and Martinez, M. 2016. Long- and short-term production scheduling at LKAB’s Kiruna mine. International Series in Operations Research and Management Science.
 
33.
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(C), pp. 59–69. DOI: 10.1016/j.resourpol.2017.12.004.
 
34.
Nieć, M. 2018. Mineral prospecting and mining concessions and reasonable utilization of mineral resources (Koncesjonowanie poszukiwań, rozpoznawania i eksploatacji złóż kopalin a wymagania racjonalnej gospodarki). Przegląd Geologiczny 66(3), pp. 170–175 (in Polish).
 
35.
O’Sullivan, D. and Newman, A. 2015. Optimization-based heuristics for underground mine scheduling. European Journal of Operational Research 241(1), pp. 248–259. DOI: 10.1016/j.ejor.2014.08.020.
 
36.
Ostrowska, E. 2002. Risk of investment projects (Ryzyko projektów inwestycyjnych). Warszawa: Polskie Wydawnictwo Ekonomiczne SA (in Polish).
 
37.
Rimélé et al. 2020 – Rimélé, A., Dimitrakopoulos, R. and Gamache, M. 2020. A dynamic stochastic programming approach for open-pit mine planning with geological and commodity price uncertainty. Resources Policy 65. DOI: 10.1016/j.resourpol.2019.101570.
 
38.
Rozporządzenie Ministra Środowiska z dnia 1 lipca 2015 r. w sprawie dokumentacji geologicznej złoża kopaliny, z wyłączeniem złoża węglowodorów (2015). [Online] http://isap.sejm.gov.pl/isap.n... [Accessed: 2020-10-04] (in Polish).
 
39.
Rozporządzenie Ministra Środowiska z dnia 24 kwietnia 2012 r. w sprawie szczegółowych wymagań dotyczących projektów zagospodarowania złóż (2012). [Online] http://isap.sejm.gov.pl/isap.n... [Accessed: 2020-10-04] (in Polish).
 
40.
Saługa, P.W. 2019. Risk-adjusted discount rate and its components in evaluating hard coal projects at the feasibility stage. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 35(3), pp. 63–74. DOI: 10.24425/gsm.2019.128530.
 
41.
Saługa et al. 2015 – Saługa, P.W., Sobczyk, E.J. and Kicki, J. 2015. Reporting of hard coal reserves and resources in Poland on the basis of the JORC code (Wykazywanie zasobów wȩgla kamiennego w polsce zgodnie z JORC code). Gospodarka Surowcami Mineralnymi – Mineral Resources Management 31(2), pp. 5–29. DOI: 10.1515/gospo-2015-0019 (in Polish).
 
42.
Sandanayake et al. 2015 – Sandanayake, D.S.S., Topal, E. and Asad, M.W.A. 2015. Designing an optimal stope layout for underground mining based on a heuristic algorithm. International Journal of Mining Science and Technology 25(5), pp. 767–772. DOI: 10.1016/j.ijmst.2015.07.011.
 
43.
Sobczyk et al. 2016 – Sobczyk, E.J., Kicki, J., Jarosz, J., Kowalczyk, I. and Stachurski, K. 2016. The management of hard coal reserves in Poland in the years 1990–2015 (Gospodarka zasobami złóż węgla kamiennego w Polsce w latach 1990–2015). Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN 92, pp. 37–56 (in Polish).
 
44.
Szamałek, K. and Wierchowiec, J. 2015. The meaning and role of the bankable feasibility study (BFS) as a basis for JORC mining projects’ feasibility assessment and profitability evaluation (Znaczenie i rola standardu JORC jako podstawy bankowego studium wykonalności projektów górniczych dla oceny rentowności projektu). Gospodarka Surowcami Mineralnymi – Mineral Resources Management 31(3), pp. 25–44. DOI: 10.1515/gospo-2015-25 (in Polish).
 
45.
Tchórzewski, S. and Poniewiera, M. 2012. Planning in production in coal mining with using information collected in GIS systems (Planowanie produkcji w kopalni węgla kamiennego z wykorzystaniem informacji zgromadzonych w systemach GIS). Zeszyty Naukowe. Organizacja i Zarządzanie/Politechnika Śląska 20(60), pp. 335–344 (in Polish).
 
46.
Vallejos et al. 2018 – Vallejos, J.A., Delonca, A. and Perez, E. 2018. Three-dimensional effect of stresses in open stope mine design. International Journal of Mining, Reclamation and Environment 32(5). DOI: 10.1080/17480930. 2017.1309833.
 
47.
Wallace et al. 2015 – Wallace, K., Prosser, B. and Stinnette, J.D. 2015. The practice of mine ventilation engineering. International Journal of Mining Science and Technology 25(2), pp. 165–169. DOI: 10.1016/j.ijmst.2015.02.001.
 
eISSN:2299-2324
ISSN:0860-0953