MineSight Simulacion Condicional

Simulacin Secuencial Gaussiana Y Post-proceso

MSCS y MSPCS
Introduccin Objetivos de la simulacin Simulacin o estimacin? Usos tipicos Ejemplos de aplicaciones

Corridas MSCS y MSPCS

SIMULACIN
ENTREGA MLTIPLES REALIZACIONES DE LA VARIABLE REGIONALIZADA

OFRECE MAPAS REALISTAS Y EQUIPROBABLES DEL COMPORTAMIENTO DE LA VARIABLE REGIONALIZADA:

REPRODUCE LA MISMA LEY MEDIA Y VARIANZA (HISTOGRAMA) COMPORTAMIENTO ESPACIAL DE LOS DATOS DISPONIBLES (VARIOGRAMA) RESPETA LOS VALORES EN LOS PUNTOS CONOCIDOS (MUESTRAS CONDICIONANTES)

OBJETIVOS DE LA SIMULACIN
PROPORCIONA UN CONOCIMIENTO DE LA REALIDAD LOCAL. ENTREGA UNA PLATAFORMA ADECUADA PARA ESTUDIAR CUALQUIER PROBLEMA RELACIONADO CON LA VARIABILIDAD DE LA VA. PERMITE CUANTIFICAR INCERTIDUMBRE, ES DECIR, CUANTO VARAN LOS ESCENARIOS.

ESTIMACIN O SIMULACIN?
TIENE PROPSITOS DIFERENTES (SON HERRAMIENTAS COMPLEMENTARIAS):
LA ESTIMACIN ENTREGA UN VALOR ESPERADO QUE, SEGN PARMETROS DE CALIDAD, ES EL MS CERCANO AL VALOR REAL.
LA SIMULACIN PROPORCIONA UN MODELO DE INCERTIDUMBRE EN EL QUE SE REPRODUCEN LA VARIABILIDAD Y EL COMPORTAMIENTO ESPACIAL.

ESTIMACIN
PROPORCIONA UN MAPA PROMEDIADO DE LA REALIZAD, EL QUE PUEDE ESTAR SOBRESUAVIZADO
LA INTENSIDAD DEL SUAVIZAMIENTO DEPENDE DE LA DENSIDAD DE MUESTREO LA VARIANZA DE KRIGING NO MIDE TODAS LAS CAUSAS DE INCERDITUMBRE (NO CONSIDERA EL EFECTO PROPORCIONAL)

Estimacin

Simulacin

PERFILES: REAL, ESTIMADO Y SIMULADO

lnea gruesa= realidad, lnea normal= simulacin condicionada, lnea entrecortada=krigeado, o= datos condicionantes)

SIMULACIN EN MINE SIGHT

Simulacin secuencial gausiana.

Simulacion secuencial de indicador

Simulacin en Mine Sight

- Anlisis exploratorio de los datos EDA. - Desagrupamiento de datos.

- Transformacin Normal Score.

- Despiking.

-Variografia.
-SGS / SIS. -Transformacin a datos reales

Simulacion en Mine Sight

Detalles de implementacin
En la prctica, se restringe los valores condicionantes (datos iniciales + valores previamente simulados) a los ms cercanos del sitio a simular, es decir, se usa una vecindad mvil en lugar de una vecindad nica. Esto provoca imprecisin, que requiere ciertos trucos para minimizar sus efectos: aleatorizacin del orden de los sitios a simular. grillas mltiples: simular en una malla amplia, luego refinar. Clsicamente, se usa kriging simple, puesto que los datos Gaussianos tienen media conocida (= 0). Se puede tambin relajar la hiptesis de media conocida y usar kriging ordinario

Pasos para realizar una SCSG

1) Desagrupamiento de los datos originales 2) Transformacin de los datos a valores Gaussianos 3) Anlisis variogrfico de la Gaussiana

4) Simulacin de la funcin aleatoria Gaussiana condicionamiento a los datos Gaussianos disponibles

5) Transformacin Gaussiana inversa, para volver a la variable original

SIMULACIN
PASO-1
Desagrupar los datos para tener un histograma representativo de los datos originales
Mtodo de las celdas Mtodo de los polgonos de influencia
||

SIMULACIN
PASO-2

SIMULACIN
PASO-2
Transformar los datos a una Gaussiana N(0,1)

Generalmente, los datos tienen una distribucin asimtrica, distinta a la Gaussiana. Como primer requerimiento, es necesario realizar una anamorfosis Gaussiana
Z(x) = f [Y(x)]

Z(x) = f [Y(x)]

Se trabaja sobre los histogramas acumulados, luego F[Z(x)] = G[Y(x)]

SIMULACIN
PASO-3
Modelamiento variogrfico de la variable transformada

SIMULACIN
PASO-4
Ir a una posicin u y efectuar un kriging para obtener la media y varianza de kriging correspondiente: Y*(u) = =1,n . Y(u) 2SK(u) = C(0) - =1,n . C(u,u) Obtener un residuo aleatorio R(u) que siga una distribucin normal con media 0.0 y varianza s2KS(u)

SIMULACIN
PASO-4
Sumar el valor estimado y el residuo para obtener el valor simulado: Ys(u) = Y*(u) + R(u)
Ys(u) tambin puede obtenerse equivalentemente a partir de una distribucin normal con media Y*(u) y varianza s2SK(u) Una idea clave de simulacin secuencial es usar los valores previamente simulados como datos con la finalidad de reproducir la covarianza entre todos los valores simulados Visitar todas las posiciones en orden aleatorio

SIMULACIN
PASO-5
Transformacin de vuelta

PANELES

Transformar la variable original a NS: 0=No realiza transformacin. 1=Transforma la variable original a NS, simula y transforma de vuelta (NS a datos originales). 2=No transforma a variable original a NS (asume que es NS) y la transforma de vuelta.

RESULTADOS DE LA SC
SIM1 SIM20 SIM50

HISTOGRAMAS MUESTRAS &SIMULACIONES

SIMULACIN-POST PROCESO
Simulacin mltiples modelos numricos

Qu hacer con las simulaciones generadas? Post-proceso de las realizaciones

SIMULACIN-POST PROCESO

ALTERNATIVAS DE POST-PROCESO

ARCHIVO DE ENTRADA: SIMULACIONES

LIMITE DE REA PARA POST-PROCESSING

SIMULACIN-POST PROCESO

ITEMS DE LOS VALORES SIMULADOS PARA EL POSTPROCESO:

INGRESO UNO AUNO POR LOTES

SIMULACIN-POST PROCESO
Limitaciones de seleccin

SIMULACIN-POST PROCESO
OPTION=1 E-TYPE MEAN & CONDITIONAL VARIANCE

ALMACENA EL PROMEDIO Y LA VARIANZA CONDIONAL A PARTIR DE LAS N-SIMULACIONES

SIMULACIN-POST PROCESO
OPTION=2 PROBABILITY TO EXCEED CUTOFF

CALCULA LA PROBABILIDAD DE CADA BLOQUE O NODO DE EXCEDER UNA DETERMINADA LEY DE CORTE. ADEMAS CALCULA EL PROMEDIO DE LOS NODOS POR SOBRE Y BAJO LA LEY DE CORTE

SIMULACIN-POST PROCESO
OPTION=3 Z-PERCENTILE FOR A CDF VALUE
Fda Bloque X
1.0 0.9 0.8 0.7 0.6 p [0,1]

0.5
0.4 0.3 0.2

ENTREGA EL PERCENTIL-Z PARA UN VALOR DADO DE LA FDA

0.1 ENTREGA EL VALOR DE LA LEY CORRESPONDIENTE 0.0 AL VALOR DE PROBABILIDAD p DE LA FDA / 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 p [0,1] CuT%

SIMULACIN-POST PROCESO
OPTION=4 THE SIMMETRIC P PROBABILITY INTERVAL (AROUND THE MEAN)
Fda Bloque X
1.0 0.9 0.8 0.7 0.6 p [0,1]

0.5
0.4 0.3 0.2 0.1 0.0 0.0 0.5 1.0

ENTREGA LAS LEYES DEL INTERVALO RESPECTO DE LA MEDIANA, DADO UN RANGO PORCENTUAL p.
p/2

1.5

2.0

2.5

3.0

3.5

4.0

4.5

CuT%

SIMULACIN-POST PROCESO
OPTION=5 E-TYPE MEAN AND THE PROBABILITY WITHIN SPECIFIED PERCENT

ENTREGA EL PROMEDIO Y LA PROBABILIDAD QUE ESTE SE ENCUENTRE DENTRO DE UN PORCENTAJE DEL PROMEDIO

APLICACIONES Y EJEMPLOS
Aplicacin en control de leyes para determinar las lneas de excavacin que con mayor probabilidad permitan maximizar las ganancias o minimizar las prdidas.
Diseo de rajo ptimo.

Estudios del nivel de muestreos necesario para un objetivo dado.

Categorizacin de Recursos y Reservas Aplicacin para generar modelos de porosidad y permeabilidad.

Aplicacin en produccin de reservorios de petrleo.

APLICACIONES Y EJEMPLOS
Estudios para determinar la probabilidad de exceder un lmite de una normativa y aplicacin en el desarrollo de estrategias para el control de emisiones.
Estudios para cuantificar la posibilidad de variacin de impurezas o contaminantes en los metales o en el carbn. Prediccin de reservas recuperables. Aplicacin en la generacin de intervalos de confianza para las leyes de los bloques.

APLICACIONES Y EJEMPLOS
Aplicacin para verificar cambios en procedimientos de soporte y factores de correccin de cmputo de volumen/varianza. Aplicacin en el modelado de la variabilidad local espacial para estudios de mezcla, almacenamiento en pilas o selectividad de minado.

Anlisis de riesgo: Clculo del VAN en cada realizacin.

APLICACIONES Y EJEMPLOS

Simulacin condicional para variables categricas: geologa.

Simulacin condicional del espesor de mantos o potencia de una veta.

Simulacin multivariable. Simulacin de variables geometalrgicas y geotcnicas.

EJEMPLOS DE APLICACIN POST-PROCESO

Evaluacin de las leyes de bloques y de su incertidumbre El promedio de las realizaciones es parecido al kriging La varianza de las realizaciones es distinta a la de kriging; en particular, incorpora el efecto proporcional

PROMEDIO DE SIMULACIONES VS KRIGING

PROMEDIO SIMULACION

KRIGING

VARIANZA CONDICIONAL VS VARIANZA DE KRIGING

VARIANZA CONDICIONAL SIMULACION

KRIGING

EJEMPLOS DE APLICACIN POST-PROCESO

Evaluacin de recursos recuperables sobre una ley de corte de 0.4%Cu Clculo de tonelajes, leyes medias sobre una ley de corte Estos mapas no pueden ser obtenidos por kriging, debido al suavizamiento de ste

PROBABILIDAD DE SUPERAR UNA LEY DE CORTE DE 0.4%Cu / MLW/ MUP

VALOR DE Z-PERCENTIL PARA UNA PROBABILIDAD DETERMINADA

PBD=0.1

PBD=0.5

PBD=0.9

INTERVALOS DE PROBALIDAD SIMTRICOS C/R A LA MEDIANA

LW-P25% [-12.5%M, UP-P25% ,+12.5%M]

LW-P75%

[-37.5%M,

UP-P75%

,+37.5%M]

PROBABILIDAD DENTRO DE UN INTERVALO PORCENTUAL ESPECFIDO

PBD=PROMEDIO 10%

PBD=PROMEDIO 25%

PBD=PROMEDIO 50%

OTRAS APLICACIONES Diseo de Pit usando SGS

OTRAS APLICACIONES GEOLOGA CON MODELO DETERMINSTICO

OTRAS APLICACIONES GEOLOGA CON MODELO PROBABILSTICO SSI

GRACIAS