MODELAMIENTO GEOESTADSTICO DE LA RAZN DE

SOLUBILIDAD EN UN YACIMIENTO DE OXIDADOS DE COBRE

Xavier Emery y Julin Ortiz
Universidad de Chile
Av. Tupper 2069. Santiago Chile
xemery@cec.uchile.cl
Pedro Carrasco
Codelco Central
Hurfanos 1270, piso 8. Santiago Chile
pcarrasc@codelco.cl
ABSTRACT
Solubility, defined as the ratio between soluble and total copper grades, is a relevant
parameter for assessing the metal recovery factor and therefore the economic value of the
mining business. It can be estimated by kriging at any unsampled location in the deposit,
but such an approach cannot account for a change of support (estimation of blocks instead
of point-support locations). The reason is that the solubility is not an additive variable: its
value over a block is not the average of all the point-support values inside this block.
Another unsatisfactory approach consists in estimating the soluble and total copper block
grades (by kriging or cokriging) and computing the ratio between both estimates, since the
result may be biased. A troubling situation can even occur when the soluble copper grade
has an estimated value greater than the total copper grade, which gives a solubility greater
than 1.
This work aims at showing the strength of the conditional simulation concept in order
to model the block-support solubility, through an application to a Chilean copper deposit.
Starting from a set of exploration samples from diamond drillholes in which both the total
and soluble copper grades are measured, we build several co-simulations of these grades
and of the solubility ratio. The model is simplified by the fact that the latter is practically
independent of the total copper grade. Now, the joint simulations of the grades enable to
realize a change of support to a block size of 20m 20m 10m, then to deduce the
simulated values of the solubility at the block scale. It is worth noting that, contrarily to
estimations, the simulations can be divided without provoking biases because they honor
the spatial variability and properties of the attributes they refer to.
The estimator obtained by averaging all the simulations of the block solubility is
finally compared to the one that consists in dividing the soluble and total copper grades
assessed by block kriging. The latter is more dispersed than the former and has a greater
conditional bias, i.e. given an estimated value of the solubility, the estimation error does
not have a zero mean, a feature that is likely to occur in other case studies.

INTRODUCCIN
En los yacimientos de oxidados de cobre la razn de solubilidad (que se denominar
solubilidad ms adelante) influye en la recuperacin metalrgica y por lo tanto en el valor
econmico del proyecto minero. Las pruebas de laboratorio permiten conocer las leyes de
cobre total y cobre soluble en las muestras recogidas en el yacimiento. A partir de dicha
informacin, se busca caracterizar la solubilidad a escala de bloques cuyo soporte es ms
voluminoso que las muestras originales. Este trabajo propone una metodologa para llegar
a este objetivo, a travs de un estudio de caso en un yacimiento chileno. Se dispone de
una base de datos de sondajes de diamantina (DDH) de exploracin; cada dato se refiere
a un compsito de 1.5m de longitud en el cual se ha medido las leyes de cobre total y
cobre soluble.
ANLISIS EXPLORATORIO DE LOS DATOS
Las muestras disponibles se ubican en una zona de 2 km 2.5 km 0.4 km (figura
1). El muestreo consta de sondajes verticales con una malla de aproximadamente 100m
100m, completados por sondajes de relleno en dos zonas de mayores leyes, as como
sondajes oblicuos en la direccin este-oeste en diversas partes del rea.

Figura 1. Mapa de ubicacin de las muestras de cobre total

(la ley est codificada segn la escala de grises)
Para evitar distorsiones en la representacin de los histogramas de leyes, se asigna
a cada muestra un peso estadstico, de tal modo de corregir los efectos que puedan
tener las irregularidades del muestreo. O sea, se atribuye a una muestra aislada un peso
mayor que a una muestra agrupada con otras (desagrupamiento). El mtodo usado es el
mtodo de las celdas: se divide la zona muestreada en celdas de igual tamao; cada
celda recibe el mismo peso, el cual se reparte en forma equitativa entre las muestras
pertenecientes a dicha celda [2, 6]. En este caso, se decide tomar una celda de tamao
50m 100m 5m (la diferencia de tamao entre los lados de la celda est sugerida por el
mismo muestreo, ms denso en la direccin este y mucho ms en la vertical).

Los datos corresponden prcticamente en su totalidad a compsitos de longitud

1.5m, por lo cual no es preciso regularizarlos a una longitud mayor. La distribucin de
leyes de cobre total y cobre soluble estn visualizadas en la figura 2; ambos histogramas
toman en cuenta la ponderacin obtenida en la fase de desagrupamiento. Poseen una
forma que se aparta levemente de una distribucin lognormal.

Figura 2. Histogramas desagrupados de leyes de cobre total y cobre soluble

El cobre total cuenta 15 622 mediciones, con una ley promedio de 0.29%, valores
extremos de 0.01% y 2.74% y una baja dispersin (coeficiente de variacin menor que 1).
En tanto, se tiene 15 431 mediciones de cobre soluble, con una ley promedio de 0.18%,
extremos de 0.00% y 2.72% y tambin una dispersin baja. Cabe sealar que el disponer
de menos mediciones de cobre soluble que de cobre total no perjudica la metodologa
propuesta en este trabajo: los conceptos en los cuales sta se basa (kriging y simulacin
condicional) pueden utilizarse en caso de heterotopa, es decir, cuando las distintas
variables no estn medidas en los mismos sitios del espacio [3]. El nico requerimiento es
tener un nmero suficiente de muestras con ambas leyes (cobre total y cobre soluble), de
modo de poder realizar el anlisis variogrfico conjunto de ellas.

Figura 3. Nube de correlacin entre leyes de cobre total y soluble

Existe una dependencia entre las leyes de cobre total y soluble, la cual se aprecia
en la nube de valores entre ambas leyes (figura 3). El coeficiente de correlacin es igual a
0.723, es decir indica una buena relacin. Asimismo, se observa que la nube de puntos se
extiende por debajo de la primera bisectriz, lo que se explica porque la ley de cobre total
siempre es mayor que la ley de cobre soluble.
ALTERNATIVAS PARA CARACTERIZAR LA SOLUBILIDAD DE BLOQUES
Las tcnicas de kriging no permiten obtener modelos satisfactorios de la solubilidad
a escala de bloques:
1) Si bien la solubilidad est definida en cada muestra por el cuociente entre las leyes de
cobre soluble y cobre total, dicha variable no es aditiva, es decir, el valor de un bloque
no corresponde al promedio aritmtico de los valores de las muestras que contiene
dicho bloque. Por esta razn no se puede emplear un kriging de bloques para efectuar
un cambio de soporte [3].
2) Se puede estimar las leyes de cobre soluble y cobre total por kriging o por cokriging,
pues estas variables s son aditivas. Ahora bien, el cuociente de ambas estimaciones
no constituye un buen estimador de la razn de solubilidad y puede originar un sesgo
(tendencia a sobrestimar o subestimar). La explicacin se debe a que las estimaciones
siempre estn sujetas a errores y esconden la variabilidad de los valores verdaderos
[1]. Por lo tanto, no se puede manejar las estimaciones como los valores reales,
en particular el cuociente de dos estimaciones no proporciona una buena estimacin
del cuociente real (en trminos matemticos, el valor esperado de un cuociente A/B no
es igual al cuociente de los valores esperados de A y de B). Incluso suele darse la
situacin donde el cobre soluble tiene un valor estimado mayor que el cobre total, lo
que da una solubilidad mayor que 1.
3) Tampoco es recomendable estimar (mediante kriging) la ley de cobre total y la razn
de solubilidad, luego multiplicar ambos estimadores para obtener una estimacin de la
ley de cobre soluble. Incluso, este enfoque encuentra los dos problemas mencionados
en los puntos anteriores: no aditividad de la solubilidad (que perjudica su estimacin a
escala de bloques) y multiplicacin de dos estimadores, lo cual puede provocar un
sesgo tal como en la operacin de cuociente.
La solucin propuesta aqu consiste en utilizar modelos numricos o simulaciones
condicionales de la solubilidad, es decir, construir imgenes ficticias pero realistas de la
solubilidad en la zona, tomando en cuenta los valores medidos de las leyes en los sitios
de muestreo as como sus caractersticas geoestadsticas (histograma, variograma, etc.)
[1,7]. Cada modelo numrico constituye una realizacin plausible y equiprobable de lo que
podra ser la realidad del yacimiento. El construir numerosas realizaciones permite
apreciar la variabilidad e incertidumbre que se tiene sobre los atributos en estudio, en este
caso la solubilidad y las leyes de cobre total y soluble.
Para el estudio prctico, basta con simular dos de las tres variables (cobre total,
cobre soluble, razn de solubilidad) para poder deducir la tercera: en efecto, por poseer la
variabilidad espacial correcta, las simulaciones se pueden utilizar como si fueran la
realidad, luego las operaciones de multiplicacin o divisin son legitimas. As, slo se
requiere determinar cul es el par de variables ms adecuadas para la simulacin.

La simulacin de variables continuas se realiza a menudo gracias a la distribucin

de probabilidad multigaussiana [1] por su comodidad y simplicidad matemtica. Una etapa
previa consiste entonces en transformar cada variable en una variable cuyo histograma es
gaussiano, de media cero y varianza unitaria (procedimiento de "anamorfosis"). El trabajo
se lleva a cabo sobre las variables gaussianas, las cuales sern finalmente transformadas
de vuelta a las unidades originales.
El anlisis de las nubes de correlacin entre variables gaussianas revela que las dos
variables ms adecuadas para el estudio son la ley de cobre total y la solubilidad, pues la
nube correspondiente (de forma circular) es compatible con la hiptesis multigaussiana
(figura 4). En cambio, las relaciones entre la ley de cobre soluble y la solubilidad o entre
las leyes de cobre total y soluble son ms complejas: las nubes de correlacin entre los
valores gaussianos correspondientes no se asemejan a crculos o elipses, lo cual significa
que un modelo multigaussiano no sera adecuado para describir simultneamente dichas
variables.

Figura 4. Nubes de correlacin entre valores gaussianos; slo la ltima nube

presenta caractersticas compatibles con una distribucin multigaussiana
Es sorprendente notar que existe muy poca relacin entre la ley de cobre total y la
solubilidad, ya que la nube de correlacin entre sus valores gaussianos es casi circular. El
modelo variogrfico mostrar que este resultado es vlido no solamente para los valores
co-localizados, sino que tambin espacialmente: dicho en otras palabras, la solubilidad es
prcticamente independiente de la ley de cobre total. Ahora bien, esta ley se utiliz para
determinar las unidades geolgicas del yacimiento, luego el comportamiento metalrgico
no tiene relacin con la definicin de dichas unidades geolgicas: la ley de cobre soluble
es un parmetro mucho ms determinante para la metalurgia que la ley de cobre total. No
se puede pretender que estas aserciones constituyen un resultado general, sino que slo
se refieren a este yacimiento particular.

ETAPAS DEL TRABAJO

El procedimiento para llevar a cabo las simulaciones conjuntas de la ley de cobre
total y la solubilidad es el siguiente:

Transformacin gaussiana de los valores iniciales (anamorfosis) [1,2]

Test de adecuacin de la hiptesis multigaussiana para las gaussianas asociadas

a la ley de cobre total y a la solubilidad. Se puede comparar los variogramas con los
madogramas (variogramas de orden 1) [1].

Anlisis variogrfico conjunto de ambas variables gaussianas. El ajuste se basa

en el modelo lineal de corregionalizacin. Este modelo implica algunas restricciones
entre los parmetros de los variogramas de las gaussianas y su variograma cruzado
[3,8]. El modelo final (figura 5) queda expresado por las siguientes frmulas, en las
cuales las distancias entre parntesis indican los alcances a lo largo de las direcciones
principales de anisotropa, a saber, el plano horizontal y la direccin vertical:
variograma para los datos gaussianos de solubilidad:

sol = 0.27 + 0.26 exp(50m,12m) + 0.14 esf (50m,120m)

+ 0.29 esf (1500m,120m) + 0.04 exp(700m,120m)
variograma para los datos gaussianos de cobre total:

CuT = 0.27 + 0.06 exp(50m,12m) + 0.10 esf (50m,120m)

+ 0.25 esf (1500m,120m) + 0.32 exp(700m,120m)
variograma cruzado para los datos gaussianos de solubilidad y de cobre total:

sol/CuT = 0.0145 + 0.047 exp(50m,12m) 0.0048 esf (50m,120m)

+ 0.0087 esf (1500m,120m) 0.11exp(700m,120m)
Un punto destacable en el anlisis variogrfico es que los variogramas experimentales
no muestran mesetas bien definidas. Esto podra indicar que los datos estudiados no
son homogneos (estacionarios) a la escala de trabajo, lo que conduce a cuestionar
la definicin de la unidad geolgica en la cual estn distribuidas las muestras. Para el
presente estudio, se espera que esta posible heterogeneidad no tenga mucho impacto
en los resultados, dado que se trabajar en una vecindad mvil, es decir, los modelos
numricos sern condicionados por los datos cercanos al sitio considerado.
Otro punto interesante es la presencia de una microestructura (estructura de alcance
pequeo) que explica una gran parte de la variabilidad total. As, el variograma de la
solubilidad indica que la informacin que se tiene de este atributo pierde relevancia
rpidamente cuando uno se aleja de una muestra. Por lo tanto, se puede cuestionar la
pertinencia de definir las unidades metalrgicas a nivel local (bloque a bloque), dado
que la informacin disponible no permite tener tanta resolucin.
Tambin se puede constatar la poca correlacin espacial entre la ley de cobre total y
la solubilidad, puesto que los variogramas cruzados son cercanos a un efecto pepita
puro.

Figura 5. Variogramas experimentales (lneas punteadas) y modelados (lneas continuas)

para los datos gaussianos a lo largo de las direcciones principales de anisotropa

Simulacin conjunta de las variables de origen (ley de cobre total y solubilidad). El

mtodo empleado para la simulacin es el de las bandas rotantes [1], el cual es rpido
y eficiente, sobretodo cuando se trata de hacer una simulacin de dos variables en
forma simultnea. Las simulaciones se llevaron a cabo sobre una grilla densa con una
malla de 2 metros en las direcciones principales del espacio (este, norte, cota). Para
disminuir los tiempos de clculo, se redujo el rea simulada a una porcin del rea
total muestreada. De este modo, la grilla de simulacin cuenta con 400 000 nodos y se
extiende entre las coordenadas (600m, 1600m, 250m) y (1000m, 2000m, 270m).

Se aprecia en la figura 6 que las realizaciones de cada variable son bastante dismiles,
lo cual significa que existe una importante incertidumbre en cuanto a sus valores; a la
escala de trabajo (malla de 2m), la malla del muestreo original es amplia y no provee
mucha informacin. En total, se construyeron 65 realizaciones de cada variable.

Figura 6. Dos modelos numricos para las leyes de cobre total (arriba),
solubilidad (centro) y cobre soluble (abajo) (planta de cota 260m)

Se validan los modelos simulados al verificar que sus variogramas experimentales en

el plano horizontal se parecen al modelo terico de variograma (figura 5), al menos para
las distancias inferiores a los 200 metros (mitad del dimetro de la zona simulada). En
otras palabras, el tamao de la zona simulada no permite validar la reproduccin de los
variogramas verticales, ni de la estructura de largo alcance en el plano horizontal. En la
opinin de los autores, no es un problema muy preocupante, puesto que la variabilidad de
los valores simulados debe respetar el modelo variogrfico.
CAMBIO DE SOPORTE
El tener modelos numricos de las leyes de cobre total y cobre soluble hace posible
realizar un cambio de soporte (es decir, un cambio en el volumen de la medicin): estas
dos variables son aditivas, pues el valor de un soporte ms voluminoso se define como la
media aritmtica de los valores de las muestras contenidas en este soporte, lo cual no es
cierto para la solubilidad.
A continuacin, consideramos bloques de 20m 20m 10m. Cada realizacin de las
leyes de cobre soluble y cobre total se puede promediar a la escala del bloque. La razn
entre ambas leyes proporciona una realizacin de la solubilidad. De este modo, se obtiene
65 realizaciones de la solubilidad sobre un soporte de 20m 20m 10m. Una estimacin
tradicional de la solubilidad consiste en calcular el promedio de las 65 realizaciones (figura
7): en teora, tal estimador no tiene sesgo y es el que minimiza el error cuadrtico
promedio cometido. Un simple anlisis visual de la figura 7 muestra que la media de las
realizaciones no tiene mucha dispersin en la zona de estudio: la mayora de los valores
estn entre 0.6 y 0.75. Esto se debe a que la solubilidad tiene poca estructuracin
espacial, lo que refleja el crecimiento rpido de los variogramas para las distancias cortas:
esta escasa estructuracin implica una alta dispersin en cada realizacin y grandes
diferencias entre una realizacin y otra, pero estas diferencias se neutralizan al sacar el
promedio, de modo que el estimador propuesto aparece como muy suave.
Ahora bien, se desea comparar este estimador con aquel que consiste en evaluar
las leyes de cobre soluble y cobre total por kriging de bloques y luego dividir ambas leyes
estimadas. Esta estimacin de la solubilidad del bloque es fcil de implementar (slo
requiere modelar los variogramas de las leyes de cobre soluble y total) pero puede tener
un sesgo y no ser ptima. La explicacin radica en que la operacin de divisin no es
adecuada al momento de utilizar estimaciones, mientras que lo es al utilizar simulaciones.
En la figura 7, se ve que la estimacin obtenida por kriging es ms dispersa que aquella
obtenida por medio de simulacin; la mayora de los valores estimados se concentra en el
intervalo [0.5,0.8].

Figura 7. Dos modelos numricos para la solubilidad de bloques (arriba) y estimacin por
el promedio de los modelos numricos (abajo izquierda) o por la razn entre leyes de
cobre soluble y total estimadas por kriging (abajo derecha) (planta de cota 260m)
Los estimadores obtenidos por simulacin y por kriging son bastante diferentes; su
correlacin apenas alcanza 0.66. Asimismo se puede comparar, bloque a bloque, cada
estimador con la distribucin de valores simulados, para estudiar su sesgo condicional:
el sesgo condicional sucede cuando, dado cierto valor estimado, el error cometido no
tiene una esperanza nula. En tal caso, la curva de regresin de la nube de correlacin
entre valores estimados y simulados no coincide con la primera bisectriz. En la figura 8, se
ve que la estimacin obtenida por kriging presenta un sesgo condicional, contrariamente a
la estimacin por la media de las realizaciones.
En una seccin anterior, hemos sealado que la estimacin mediante kriging corre
el riesgo de provocar un sesgo (por ser el cuociente de dos estimaciones). Ahora, con
mayor razn se puede obtener un sesgo condicional, lo que indica que este rasgo no es
un resultado particular al yacimiento en estudio, sino que puede repetirse en otros casos.
Por esta razn, es importante tener cuidado del uso que se hace de las estimaciones
obtenidas por kriging, sobre todo porque estas no reproducen la variabilidad espacial de
los atributos en estudio. Al contrario, el recurrir a simulaciones condicionales evita estos
problemas y constituye una herramientas de mayor alcance.

Figura 8. Nube de correlacin de los valores simulados de la solubilidad en funcin del

valor estimado por kriging o por la media de las realizaciones. La lnea punteada indica la
curva de regresin (en el segundo caso, coincide exactamente con la diagonal).
La primera nube permite determinar la distribucin de probabilidad del valor real de
la solubilidad dado el valor obtenido mediante kriging. La figura 9 proporciona dos
ejemplos de ello, el primero cuando el valor estimado vale 0.6 ( 0.01), el segundo cuando
vale 0.7 ( 0.01). El anlisis de esta figura corrobora que el valor obtenido va kriging
posee un sesgo condicional: en general, el valor esperado de la solubilidad real (promedio
de las realizaciones) no coincide con el valor dado por el kriging. Se ve que el rango de
valores [0.65,0.70] constituye una excepcin: cuando el valor obtenido por kriging se ubica
en este intervalo, es prcticamente igual al valor esperado de la solubilidad real.

Figura 9. Distribucin de probabilidad del valor real de la solubilidad cuando el

valor obtenido por kriging vale 0.6 0.7. Los boxplots dibujados abajo indican
los cuantiles a 2.5%, 25%, 50%, 75%, 97.5% (barras) y la media (punto)

CONCLUSIONES
El presente estudio muestra los lmites de las tcnicas tradicionales de estimacin,
tal como el kriging, cuando involucran una variable no aditiva y un cambio de soporte. Una
herramienta potente para paliar estas deficiencias lo constituye el concepto de simulacin
condicional. Una simulacin es un modelo numrico cuyo propsito es proporcionar una
imagen plausible de lo que podran ser los valores reales, o sea, reproduce la variabilidad
espacial de stos. Su inters radica en que se puede utilizar como si fuese la realidad.
As, en el estudio presentado, se puede promediar las leyes simuladas de cobre soluble y
cobre total a escala de bloques, luego dividirlas para obtener modelos numricos de la
razn de solubilidad. La idea de realizar un cambio de soporte por medio de simulaciones
ya ha sido desarrollada, principalmente en un mbito monovariable [4,5]. Una novedad
de este trabajo es la extensin al marco multivariable, al considerar simultneamente tres
atributos (leyes de cobre soluble, cobre total y solubilidad).
El contar con una serie de simulaciones condicionales permite no solamente estimar
la variable en estudio (por ejemplo, al calcular un promedio de las realizaciones), sino que
adems las diferencias observadas de una realizacin a otra muestran la incertidumbre
asociada a los valores reales desconocidos y permiten apreciar el impacto que puede
ocasionar en el valor econmico del proyecto. Esto convierte a las simulaciones
condicionales en una herramienta de apoyo privilegiada para la evaluacin de riesgo del
negocio minero.
REFERENCIAS
[1] Chils J.P. and Delfiner P., 1999, Geostatistics: Modeling Spatial Uncertainty, Wiley,
New York, 696 p.
[2] Deutsch C.V. and Journel A.G., 1998, GSLIB: Geostatistical software library and users
guide, Second edition, Oxford University Press, New York, 369 p.
[3] Emery X., 2000, Geoestadstica lineal, Dpto de Ingeniera de Minas, Universidad de
Chile, Santiago, 411 p.
[4] Glacken I.M., 1997, Change of support and use of economic parameters for block
selection, in E.Y. Baafi and N.A. Schofields (eds), Geostatistics Wollongong'96, Kluwer
Academic, Dordrecht, v. 2, p. 811-821.
[5] Gmez-Hernndez J.J., 1991, A stochastic approach to the simulation of block
conductivity fields conditioned upon data measured at a smaller scale, Ph. D. tesis,
Department of Applied Earth Sciences, Stanford University, Stanford, 351 p.
[6] Isaaks E.H. and Srivastava R.M., 1989, An introduction to applied geostatistics, Oxford
University Press, New York, 561 p.
[7] Journel A.G. and Huijbregts C.J., 1978, Mining geostatistics, Academic Press, London,
600 p.
[8] Wackernagel H., 1998, Multivariate geostatistics: an introduction with applications,
Springer-Verlag, Berlin, 291 p.