Etapas en la evaluación y modelamiento de yacimientos

Etapas en la evaluación de yacimientos
• modelamiento geológico: determinación de “unidades geológicas”

en base a la litología, mineralogía, alteración, etc. En general, cada
unidad se estudia y se estima por separado.
• evaluación de la calidad de los datos (muestras)
• modelamiento geoestadístico de los datos
• estimación global y local de los recursos geológicos
• definición y reporte de las reservas mineras

Herramientas
exploratorias
Objetivos
• Estudiar la cantidad, calidad y ubicación de los datos disponibles

para realizar la estimación de recursos y reservas
• Comprobar la homogeneidad de las leyes en cada unidad geológica,

así como la pertinencia de las unidades geológicas definidas
• Anticipar dificultades o problemas que puedan surgir en la fase de

estimación de recursos y reservas
Presentación de los datos
Sondajes de exploración en un yacimiento tipo pórfido cuprífero

→ obtención de 2376 muestras compositadas con sus leyes de
cobre total (en %), oro total (en ppm) y el tipo de roca.
Código Tipo de roca

4 Granodioríta cascada
54 Dioríta
20 Brecha de turmalina
31 Brecha de polvo de roca
34 Brecha de polvo de roca y turmalina
28 Brecha monolito
29 Brecha de turmalina - monolito
Despliegue de atributos (mapas) (1)
Permite visualizar la ubicación de las muestras en el espacio

y darse una idea preliminar de la organización espacial de la
variable regionalizada en estudio:
✓ litología
✓ mineralización definición de “unidades geológicas”
✓ alteración
✓ leyes, densidad, potencia, etc.
Tipos de despliegue: secciones; plantas; vistas 3D; mapas con

escala de colores, codificados por indicador, por símbolos, etc.
Despliegue de atributos (mapas) (2)
Nos interesamos por la ley de cobre total

Distribución de leyes (1)
Histograma estándar
Visualiza la frecuencia de ocurrencia en función del valor
Desagrupamiento
Cuando el muestreo es irregular, es preferible no atribuir el

mismo peso estadístico a todos los datos. La operación de
desagrupamiento consiste en ponderar los datos en función
de su grado de aislamiento: mientras más aislado, más peso.
Principales métodos:
• polígonos de influencia
• método de las celdas
Desagrupamiento: método de los polígonos de influencia

Se pondera cada dato proporcionalmente a su volumen de
influencia en el campo.
Desagrupamiento: método de las celdas

Se divide la zona muestreada en celdas de mismo volumen.
Cada celda tiene el mismo peso, el cual se reparte entre las
muestras contenidas en esta celda.
Factores que especificar para ejecutar el método de las celdas:
• origen de la red de celdas
• orientación de las celdas
• tamaño de las celdas: ¿tomar el tamaño que minimiza el valor
promedio desagrupado?
Los algoritmos de desagrupamiento presentados
• consideran criterios geométricos al ponderar los datos en

función de su grado de aislamiento: mientras más aislado,
más peso
• no toman en cuenta la estructuración espacial de los datos,

aunque idealmente este factor también debería ser tomado en
consideración.
Histograma desagrupado por los pesos obtenidos por el método

de las celdas, con celdas de tamaño 48m × 48m × 12m
Estadística básica
• medidas de posición
media, mediana, moda, mínimo, máximo, rango, deciles,
cuartiles, cuantiles
• medidas de dispersión
varianza, desviación estándar, coeficiente de variación,
rango intercuartil
• medidas de forma
coeficiente de asimetría, coeficiente de aplanamiento
Herramientas alternativas al histograma estándar

• histograma acumulado
• gráficos de probabilidad
• curvas tonelaje-ley
El cálculo de estas herramientas debe tomar en cuenta los

ponderadores de desagrupamiento.
Histograma acumulado
Para cada ley de corte, se visualiza la frecuencia de los valores
menores que dicha ley de corte.
Gráficos de probabilidad
Estos gráficos comparan una distribución empírica con una

distribución de referencia normal o lognormal.
El gráfico de probabilidad normal distorsiona el eje de las
ordenadas del histograma acumulado, de modo que el gráfico
dibujaría una recta en caso de tener una distribución normal o
gaussiana.
El gráfico de probabilidad lognormal consiste en usar una

escala logarítmica en el eje de las abscisas: si la distribución
de los valores fuera lognormal, se obtendría una recta.
La presencia de varias “poblaciones” entre los datos puede

traducirse en un quiebre de pendiente en estos gráficos. Sin
embargo no es una condición necesaria ni suficiente, por lo
que se debe complementar el análisis con otra información.
Curvas tonelaje-ley
El tonelaje asociado a una ley de corte es la cantidad de valores
que superan esta ley de corte. La media de estos valores provee
la ley promedio sobre la ley de corte. El tonelaje también puede
expresarse como fracción del total (entre 0 y 1).
Cuando aumenta la ley de corte, el tonelaje decrece y la ley media

crece. El producto del tonelaje por la ley media define la cantidad
de metal (función decreciente de la ley de corte).
Hay que tener cuidado que las curvas tonelaje – ley dependen del
soporte de los valores medidos, en particular las curvas asociadas
a las muestras (soporte “puntual”) no coinciden con las curvas de
las unidades selectivas de explotación (“bloques”). Para estimar
estas últimas, será necesario construir un modelo de cambio de
soporte.
Comportamiento direccional (1)
Nubes direccionales
Visualizan el comportamiento de los valores a lo largo de
los ejes de coordenada. Esta herramienta permite detectar
valores atípicos e identificar tendencias o cambios de
estructuración en la evolución de los valores.
media desv. estándar

rango [m]
[% Cu] [% Cu]
0 – 50 0.55 0.27
50 – 100 0.96 0.46
100 – 150 1.23 0.81
150 – 200 1.13 0.57
200 – 250 1.15 0.82
250 – 300 0.94 0.52
300 – 350 0.82 0.42
350 – 400 0.73 0.47
rango [m]
[% Cu] [% Cu]
0 – 50 0.93 0.83
50 – 100 1.39 1.08
100 – 150 1.18 0.74
150 – 200 0.96 0.48
200 – 250 0.90 0.48
250 – 300 0.97 0.41
300 – 350 1.04 0.39
350 – 400 1.04 0.50
400 – 450 1.09 0.53
450 – 500 1.16 0.69
500 – 550 0.55 0.28
550 – 600 0.52 0.23

rango [m]
[% Cu] [% Cu]
0 – 25 0.91 0.48
25 – 50 0.95 0.45
50 – 75 0.95 0.51
75 – 100 1.00 0.65
100 – 125 1.03 0.73
Herramientas bivariables (1)
Gráfico cuantiles contra cuantiles

Visualiza los cuantiles de una variable en función de los
cuantiles de otra variable.
Nube de dispersión
→ ver la relación par a par de ambas variables o “correlación”
→ detectar valores aberrantes
Coeficiente de correlación lineal

Resume la relación existente entre dos variables por un valor
comprendido entre –1 y 1. Cuidado con las interpretaciones
rápidas de este coeficiente, ya que es sensible a relaciones no
lineales entre variables y a los valores extremos.
Problemas prácticos
Nociones fundamentales (15)
COMPÓSITOS
Un mismo conjunto de datos no debe contener muestras de
soporte distinto. Por ende, es necesario llevar las muestras a
compósitos de la misma longitud (generalmente, igual a la
altura del bloque de selección minera o a un sub-múltiplo de
esta altura) que se pueden agrupar en el estudio estadístico.
Mientras más largo el compósito, menos dispersos y menos

erráticos los valores.
Creación de compósitos
Testigos originales
Compósitos
con su ley de cobre
Muestreo preferencial
Un muestreo es preferencial si privilegia las zonas de alta

ley. Hay que tener cuidado en el estudio geoestadístico de
tales muestreos, pues los estadísticos experimentales ya no
son representativos del campo entero
→ desagrupar las muestras

→ el tener un muestreo preferencial dificulta el análisis
variográfico de los datos (por ejemplo, en presencia de
un efecto proporcional) y las posteriores estimaciones
de recursos y reservas.
Información geológica (1)
La caracterización del depósito y la evaluación de sus recursos

dependen en gran parte del conocimiento de la geología.
→ Mapas geológicos
Se basan en observaciones de superficie, trincheras, sondajes,
labores subterráneas. Sin embargo, lo esencial de estos mapas
corresponde a una interpretación. Por lo tanto, es necesario
revisar periódicamente estos mapas.
Se localizan los tipos de roca, fallas, pliegues, densidades y

orientación de fracturas o de vetas, y se determina sus edades
(anterior o posterior a la mineralización).
→ Geometría de la zona mineralizada (contacto mineral - estéril)
Modelamiento en plantas y secciones de superficies y volúmenes

por interpolación / extrapolación a partir de la información de
sondajes; modelamiento tridimensional.
A menudo, las fronteras modeladas son más suaves (o sea, menos

erráticas) que las fronteras verdaderas; los errores geométricos
pueden ser localmente muy importantes e implican incertidumbre
en los tonelajes de mineral.
→ Definición de unidades geológicas
Se suele dividir el depósito en varias zonas o “unidades geológicas”

(UG), según la litología, la mineralogía y/o la alteración existente.
También se puede incluir criterios metalúrgicos y condiciones
estructurales (fallamiento) en la definición de dichas unidades
• Verificar la pertinencia de la división; si es necesario, agrupar

varias unidades de propiedades similares
• Cada unidad debería presentar características “homogéneas”

Problemas asociados con la definición de unidades geológicas
→ Transición entre una unidad y otra:

¿frontera “dura” o “blanda”? (examinar los perfiles de leyes
que cruzan la frontera)
→ Extensión espacial de las unidades en el yacimiento
¿modelo determinístico o probabilístico? (las interpolaciones

están sujetas a errores, lo que implica una incertidumbre en los
volúmenes y tonelajes interpretados)
Unidades geológicas definidas por rangos de leyes
Una práctica común es definir unidades geológicas por referencia

a rangos de leyes. Este enfoque (método de “isoleyes”) también
se usa en combinación con criterios geológicos.
El uso de rangos de leyes no tiene sentido geológico. Del punto

de vista geoestadístico, puede llevar a interpretaciones erróneas:
• el método es auto-justificativo
• las fronteras entre rangos de leyes suelen ser blandas
• los resultados son sensibles a los rangos de leyes escogidos

Variables categóricas
Codifican una propiedad del yacimiento (tipo de roca, unidad

geológica...) → no confundir con una variable regionalizada
tradicional.
Se distingue tres grandes zonas:

• brecha de turmalina (centro)
• dioríta y granodioríta (este)
• otras brechas (oeste)
Compósitos (1)
Un mismo conjunto de datos no debe contener muestras de

soporte distinto. Por ende, es necesario llevar las muestras a
compósitos de la misma longitud (generalmente, igual a la
altura del bloque de selección minera o a un sub-múltiplo de
esta altura).
Mientras más largo el compósito, menos dispersos y menos
erráticos los valores.
Si existen soportes muy distintos, se puede considerar el

atributo medido en cada soporte como una variable distinta.
Compósitos (2)
Los compósitos no deben cruzar fronteras “duras” entre unidades

geológicas distintas. Es frecuente que se pierdan segmentos de la
información inicial al compositar (en la frontera de una unidad
geológica o al final del sondaje).
Para variables categóricas (ej: código de litología o mineralogía),

se puede asignar al compósito el código que más se repite entre
las muestras del compósito o el código de la muestra ubicada en
su centro.
Compósitos (3)
Al compositar, se supone que las leyes son uniformes en cada

testigo inicial, para poder reconstituir el perfil de leyes de cada
sondaje.
Aumentar la longitud de los compósitos tiene varios efectos.

• reduce el número de datos
• disminuye la dispersión de los valores (efecto de soporte):
menos valores extremos, facilita el análisis variográfico
La longitud de los compósitos se escoge generalmente en base a

la altura de los bloques usados para modelar el depósito.
Valores atípicos / aberrantes (1)
Es posible detectar valores “atípicos” por medio de varias

herramientas, en especial: histograma, nubes de correlación
entre variables, nubes direccionales...
Nunca se debe eliminar un valor “atípico” sin razón (falla en

el protocolo de medición, en la transcripción del dato, etc.).
Además, ningún test estadístico puede indicar si un valor
es “aberrante” o no.
Valores atípicos / aberrantes (2)
La presencia de valores atípicos puede plantear problema para

la evaluación de recursos y reservas:
• introduce variabilidad y complica el estudio variográfico
• puede conducir a zonas amplias con leyes estimadas muy altas
Alternativas:
• métodos geoestadísticos avanzados (transforman los datos)
• “capping” o “cutting”
• cambiar el tamaño de los compósitos
• identificar varias poblaciones de datos
Datos imprecisos (1)
Es frecuente que todo o parte de las mediciones contengan

imprecisiones, debido al protocolo de muestreo o de análisis
químico
→ las técnicas geoestadísticas permiten tomar en cuenta
estas imprecisiones, siempre que hayan sido previamente
cuantificadas
→ la evaluación de recursos pierde precisión en presencia de
errores de medición
→ es recomendable estudiar la calidad de las mediciones,
sobre todo si provienen de fuentes distintas.
Ejemplo: comparación de las mediciones procedentes de dos

campañas de sondaje distintas
Aquí se puede agrupar las mediciones de ambas campañas

La comparación estadística de “poblaciones” debe hacerse con

cuidado
• diferencias “naturales” por tratarse de muestras diferentes, aun
si están tomadas en la misma zona (fluctuaciones estadísticas
que pueden ser importantes en las colas de las distribuciones)
• diferencias esperables cuando las poblaciones están en zonas

distintas, debido a la evolución en los valores de la variable
regionalizada: cambio en las leyes y en su dispersión (efecto
proporcional)
La regresión de D. Krige
Regresión lineal (1)
Se considera la nube de dispersión entre dos variables X e Y

(ejemplos: leyes de cobre total vs. cobre soluble; leyes estimadas
vs. reales; acumulación de oro vs. potencia; ley vs. coordenada)
La regresión lineal consiste en determinar la recta que mejor

represente la nube de puntos. Su ecuación es:
Ŷ = a X + b
cov (X, Y)
con: a =
var (X)
b = mY − a mX
Regresión lineal (2)
Ilustración: valores reales vs. valores estimados de leyes

La regresión de Krige (1)
Problemática
A principios de los años 1950, en los yacimientos de oro
sudafricanos, se solía estimar la ley de un panel por la media
de las leyes de las muestras contenidas en dicho panel.
Este proceder resultaba en un fuerte sesgo condicional: si las

muestras tienen una alta ley, el panel tiende a tener una ley
más baja, y viceversa, a causa del efecto de soporte. Luego,
cuando el estimador proporcionaba una ley muy alta, lo más
probable es que la ley verdadera del panel fuera más baja.
Propuesta de D. Krige
Para corregir los sesgos, Krige aplicó la siguiente regresión:
ley estimada del panel = a mi + (1 − a) m

con
mi: ley promedio de las muestras al interior del panel
m: ley promedio de todas las muestras
a: coeficiente inferior a 1
Propuesta de G. Matheron
En la regresión de D. Krige, todas las muestras dentro del panel

tienen el mismo peso; asimismo las muestras fuera del panel
también tienen un peso igual entre sí, se sitúen o no próximos a
él.
G. Matheron mejoró la ponderación al atribuir a cada muestra

el ponderador que se merece realmente, según su alejamiento al
centro del panel y la estructuración espacial de los valores; así
formalizó el método llamado “kriging” (1963).
Ejercicios
Repetir el estudio exploratorio de los datos de cobre y realizar el

estudio de los datos de oro en los sondajes de exploración
locxyz, histplt, declus, scatplt, qpplt, probplt, gtcurve, getpairs
Comparar las características de las leyes de cobre en los sondajes

con aquellas de los pozos de tronadura ubicados en los centros
de los bloques de 25m × 25m × 12m
pixelplt, histplt, qpplt
Comparar las características de los pozos de tronadura con

aquellas de los bloques de 25m × 25m × 12m
pixelplt, histplt, qpplt, scatplt
Archivos de parámetros
de los programas GSLib
Mapa de ubicación
Parameters for locxyz
*********************
START OF PARAMETERS:
muestras.dat -file with data
1 2 4 - columns for X, Y, variable
3 -1.0e21 1.0e21 - columns for Z and coordinate limits
-1.0 1.0e21 - trimming limits
mapa_muestras_Cu_planta.ps -file for PostScript output
0.0 400. -xmn,xmx
0.0 600. -ymn,ymx
0 -0=data values, 1=cross validation
0 -0=arithmetic, 1=log scaling
1 -0=gray scale, 1=color scale
0 -0=no labels, 1=label each location
0.0 3.0 0.5 -gray/color scale: min, max, increm
0.25 -label size: 0.1(sml)-1(reg)-10(big)
Muestras de exploracion (planta) -Title
Histograma
Parameters for HISTPLT
**********************
4 0 - columns for variable and weight
hist_muestras_Cu.ps -file for PostScript output
0.0 3.0 -attribute minimum and maximum
0.12 -frequency maximum (<0 for automatic)
30 -number of classes
0 -0=frequency, 1=cumulative histogram
0 - number of cum. quantiles (<0 for all)
2 -number of decimal places (<0 for auto.)
Histograma estandar -title
1.5 -positioning of stats (L to R: -1 to 1)
-1.1e21 -reference value for box plot
Desagrupamiento (1)
Parameters for DECLUS
*********************
1 2 3 4 - columns for X, Y, Z, and variable
declus.sum -file for summary output
declus.out -file for output with data & weights
1.0 0.25 -Y and Z cell anisotropy (Ysize=size*Yanis)
0 -0=look for minimum declustered mean (1=max)
94 30.0 500.0 -number of cell sizes, min size, max size
10 -number of origin offsets
Desagrupamiento (2)
Parameters for SCATPLT
**********************
declus.sum -file with data
1 2 0 0 - columns for X, Y, wt, third var.
media_vs_tamano.ps -file for Postscript output
0.0 500.0 0 -X min and max, (0=arith, 1=log)
0.8 1.10 0 -Y min and max, (0=arith, 1=log)
1 -plot every nth data point
0.5 -bullet size: 0.1(sml)-1(reg)-10(big)
0.0 5.0 -limits for third variable gray scale
Media desagrupada vs tamano de celda -title
Desagrupamiento (3)
Parameters for DECLUS
*********************
1 2 3 4 - columns for X, Y, Z, and variable
declus.sum -file for summary output
declus.out -file for output with data & weights
1.0 0.25 -Y and Z cell anisotropy (Ysize=size*Yanis)
0 -0=look for minimum declustered mean (1=max)
1 48.0 48.0 -number of cell sizes, min size, max size
10 -number of origin offsets
Desagrupamiento (4)
Parameters for HISTPLT
**********************
declus.out -file with data
hist_declus_Cu.ps -file for PostScript output
0.0 3.0 -attribute minimum and maximum
0.12 -frequency maximum (<0 for automatic)
30 -number of classes
0 -0=frequency, 1=cumulative histogram
0 - number of cum. quantiles (<0 for all)
2 -number of decimal places (<0 for auto.)
Histograma desagrupado -title
1.5 -positioning of stats (L to R: -1 to 1)
-1.1e21 -reference value for box plot
Gráficos de probabilidad
Parameters for PROBPLT
**********************
logprobplt_declus_Cu.ps -file for PostScript output
0 -number of points to plot (<0 for all)
0.1 10.0 0.5 -min,max,increment for labeling
Grafico de probabilidad lognormal -title
Curvas tonelaje-ley
Parameters for GTCURVE
**********************
declus.out \file with data
4 7 \ columns for grade and weight
-1. 1.0e21 \ trimming limits
100.0 \ clipping limit (upper limit)
gtcurve_declus_Cu.ps \file for Postscript output
30 0.0 3.0 \Cutoff: num, min and max
0.0 1.0 \Tonnes: min and max
0.0 5.0 \Grade: min and max
Curvas Tonelaje-Ley
Nubes direccionales
**********************
nube_Cu_este.ps -file for Postscript output
0. 400.0 0 -X min and max, (0=arith, 1=log)
Nube direccional (este) -title
Nubes de dispersión
**********************
scatplt_cobre_oro.ps -file for Postscript output
0. 7.0 0 -X min and max, (0=arith, 1=log)
Nube de dispersion -title
Gráfico cuantiles contra cuantiles
Parameters for QPPLT
********************
declus.out -file with first set of data (X axis)
declus.out -file with second set of data (Y axis)
qqplt_declus_CuAu.ps -file for PostScript output
0 -0=Q-Q plot, 1=P-P plot
0 -number of points to plot (<0 for all)
0.0 7.0 -X minimum and maximum
0.0 70.0 -Y minimum and maximum
Grafico cuantiles contra cuantiles -Title
Ejemplo: clasificación de las unidades selectivas de explotación
en mineral o estéril

Etapas en la evaluación y modelamiento de yacimientos

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Etapas en la evaluación y modelamiento de yacimientos

Загружено:

Авторское право:

Доступные форматы

Etapas en la evaluación de yacimientos

• modelamiento geológico: determinación de “unidades geológicas”

• evaluación de la calidad de los datos (muestras)

• modelamiento geoestadístico de los datos

• estimación global y local de los recursos geológicos

• definición y reporte de las reservas mineras

• Estudiar la cantidad, calidad y ubicación de los datos disponibles

• Comprobar la homogeneidad de las leyes en cada unidad geológica,

• Anticipar dificultades o problemas que puedan surgir en la fase de

Sondajes de exploración en un yacimiento tipo pórfido cuprífero

Código Tipo de roca

Permite visualizar la ubicación de las muestras en el espacio

Tipos de despliegue: secciones; plantas; vistas 3D; mapas con

Nos interesamos por la ley de cobre total

Cuando el muestreo es irregular, es preferible no atribuir el

Desagrupamiento: método de los polígonos de influencia

Desagrupamiento: método de las celdas

Los algoritmos de desagrupamiento presentados

• consideran criterios geométricos al ponderar los datos en

• no toman en cuenta la estructuración espacial de los datos,

Histograma desagrupado por los pesos obtenidos por el método

Herramientas alternativas al histograma estándar

El cálculo de estas herramientas debe tomar en cuenta los

Estos gráficos comparan una distribución empírica con una

El gráfico de probabilidad lognormal consiste en usar una

La presencia de varias “poblaciones” entre los datos puede

Cuando aumenta la ley de corte, el tonelaje decrece y la ley media

media desv. estándar

media desv. estándar

Gráfico cuantiles contra cuantiles

Coeficiente de correlación lineal

Mientras más largo el compósito, menos dispersos y menos

Un muestreo es preferencial si privilegia las zonas de alta

→ desagrupar las muestras

La caracterización del depósito y la evaluación de sus recursos

Se localizan los tipos de roca, fallas, pliegues, densidades y

→ Geometría de la zona mineralizada (contacto mineral - estéril)

Modelamiento en plantas y secciones de superficies y volúmenes

A menudo, las fronteras modeladas son más suaves (o sea, menos

→ Definición de unidades geológicas

Se suele dividir el depósito en varias zonas o “unidades geológicas”

• Verificar la pertinencia de la división; si es necesario, agrupar

• Cada unidad debería presentar características “homogéneas”

Problemas asociados con la definición de unidades geológicas

→ Transición entre una unidad y otra:

→ Extensión espacial de las unidades en el yacimiento

¿modelo determinístico o probabilístico? (las interpolaciones

Unidades geológicas definidas por rangos de leyes

Una práctica común es definir unidades geológicas por referencia

El uso de rangos de leyes no tiene sentido geológico. Del punto

• los resultados son sensibles a los rangos de leyes escogidos

Codifican una propiedad del yacimiento (tipo de roca, unidad

Se distingue tres grandes zonas:

Un mismo conjunto de datos no debe contener muestras de

Si existen soportes muy distintos, se puede considerar el

Los compósitos no deben cruzar fronteras “duras” entre unidades

Para variables categóricas (ej: código de litología o mineralogía),

Al compositar, se supone que las leyes son uniformes en cada

Aumentar la longitud de los compósitos tiene varios efectos.

La longitud de los compósitos se escoge generalmente en base a

Es posible detectar valores “atípicos” por medio de varias

Nunca se debe eliminar un valor “atípico” sin razón (falla en

La presencia de valores atípicos puede plantear problema para